Optimisation de Sélection en Football par l'Intégration des Théories de Management, de l'IA et de Décision Multi-critères

Football Selection Optimization through the Integration of Management Theories, AI and Multi-criteria Decision Making

• Auteur / Autrice : Roukaya Ayachi
• Direction : Patrick Bouchet, Abdessatar Ati
• Type : Projet de thèse
• Discipline(s) : Sciences de gestion
• Date : Inscription en doctorat le 04/10/2021
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Droit, Gestion, Economie et Politique
• Partenaire(s) de recherche : Laboratoire : Centre de REcherches en Gestion des Organisations
• Partenaire(s) de recherche : établissement de préparation : Université de Bourgogne (1970-....)

Mots clés

Mots clés libres

Management du football

Prise de décision multi-critères;

Apprentissage automatique

Optimisation des performances sportives

Sélection des joueurs

Prise de décision axée sur les données

Football management

Multi-criteria decision making

Machine learning

Sports performance optimization

Player selection

Data-driven decision making

Résumé

Le travail de recherche décrit dans cette thèse s'inscrit dans le contexte de la gestion d'un club de football professionnel, où l'établissement d'un équilibre humain et financier est essentiel pour assurer la pérennité des organisations sportives. Dans le management du football, les méthodes traditionnelles de sélection des joueurs ont historiquement guidé le processus de prise de décision au niveau des clubs. Ce processus de décision stratégique, souvent subjectif et incertain, peut avoir un impact significatif sur les performances financières, économiques et sportives de l'équipe. Alors que le football évolue vers un sport plus axé sur les données, il est de plus en plus reconnu que les méthodes traditionnelles doivent être complétées par des méthodes scientifiques basées sur l'intelligence artificielle et le recours aux méthodes de prise de décision multi-critères pour optimiser la sélection des joueurs et améliorer les performances tant sportives que financières. Il devient essentiel de rechercher un équilibre optimal entre le rendement sportif et la performance financière afin d'optimiser les résultats d'une entité spécifique: le club de football. À cet égard, l'objectif principal de cette thèse est de proposer un modèle qui combine les techniques de machine learning et les méthodes d'analyse multicritères pour améliorer l'efficacité et l'objectivité du processus de sélection des joueurs de football, tout en tenant compte des considérations financières et managériales. Notre première contribution est de prioriser les critères techniques, physiques, tactiques et comportementaux des joueurs en utilisant les algorithmes Random Forest, Entropy et CRITIC. La seconde contribution est de classer les joueurs selon leurs performances en se basant sur la méthode TOPSIS. Afin de valider ces contributions, nous avons créé un système d'aide à la décision permettant au décideur sportif de suggérer des joueurs en fonction de leurs performances. Notre modèle ne vise pas à remplacer les entraîneurs, mais plutôt à intégrer des évaluations subjectives et objectives pour permettre une compréhension approfondie des facteurs de performance sportive et managériale, améliorant ainsi la précision de la sélection des joueurs. Alors que le football s'oriente vers des approches plus axées sur les données, la combinaison de l'IA et du MCDM peut optimiser davantage les processus de sélection des joueurs, en tirant parti des avantages de l'analyse de données objective et de l'expertise subjective. Les résultats obtenus démontrent l'efficacité de notre approche dans l'amélioration des performances des équipes de football, particulièrement lorsqu'elle est soutenue et assistée par l'intelligence émotionnelle, à savoir la capacité du manager à détecter l'état substantiel du joueur.

The research outlined in this thesis falls within the context of professional football club management, where establishing a balance between human and financial aspects is essential for long-term viability of sports organizations. In football management, the traditional methods of player selection have historically guided decision-making processes within clubs. This strategic decision-making process, which is often subjective and uncertain, can significantly impact the club's financial, economic and sporting situation. As football is increasingly becoming a data-driven sport, there is a growing recognition that traditional approaches need to be complemented by scientific methods based on artificial intelligence nomenclature{AI}{Artificial Intelligence} and multi-criteria decision making nomenclature{MCDM}{Multi-Criteria Decision Making} approaches to optimize player selection and improve both sporting and financial performance. It is becoming increasingly important to find an optimal balance between sporting success and financial performance to optimize the results of a specific entity: the football club. In this respect, the main purpose of this thesis is to propose a model that combines machine learning techniques with multi-criteria analysis methods to improve the efficiency and objectivity of the football player selection process, while taking into account financial and managerial considerations. Our first contribution is to prioritize the physical, technical, tactical, and behavioral criteria of players using Random Forest, Entropy, and CRITIC nomenclature{CRITIC}{CRiteria Importance Through Intercriteria Correlation}algorithms. The second contribution is to rank players based on their performance using the TOPSIS method. To validate these contributions, we designed a decision support system that assists the sports decision maker by proposing players in order of performance. Our model does not aim to replace coaches but rather to integrate subjective and objective evaluations to provide a thorough understanding of the factors influencing sporting and managerial performance, thereby improving the accuracy of player selection. As football moves towards more data-oriented approaches, the combination of AI and MCDM can further optimize player selection processes by leveraging the benefits of objective data analysis and subjective expertise. The results obtained show the effectiveness of our approach in improving the performance of football teams, especially when supported and promoted by emotional intelligence, which refers to the manager's ability to recognize the substantial state of the players.