Analyse du Paris FC 

📌 Contexte

Projet personnel visant à démontrer l’application de la data au football via une analyse complète du Paris FC 2024-2025. L’étude s’appuie sur des données publiques (FBref, Sofascore, Transfermarkt) et, lorsque l’événementiel détaillé fait défaut (tirs/passes positionnels), sur des données fictives inspirées des formats Opta/StatsBomb à des fins pédagogiques.

​

🎯 Objectif

Produire un reporting football complet montrant ta capacité à collecter, structurer, modéliser et visualiser des données sportives, avec des livrables exploitables pour des cas d’usage performance, recrutement et préparation de match (dashboards, radars comparatifs, rapports).

​

🛠️ Réalisations

• Cartographie de l’effectif.

• Analyse collective : évolution de classement, bilan domicile/extérieur, tendances de résultats.

• Style de jeu & efficacité : possession, ratios de tirs cadrés, buts/tir, solidité défensive.

• Équipe-type construite à partir des notes Sofascore.

• Focus joueur - Jean-Philippe Krasso - pour illustrer le scouting comparatif.

• Heatmap & passmap de Krasso

• Rapport de match vs AC Ajaccio (10/05/2025)

• Glossaire des métriques (xG NP, xA, passes progressives, pressions réussies, etc.) pour pédagogie et transparence.

• Roadmap “Avec plus de données” : comment étendre à des analyses pro (tracking, scouting multi-ligues, rapports d’avant-match systématiques).

​

📊 Résultats / Valeur

• Vision consolidée des performances collectives et individuelles du club, avec indicateurs avancés et comparatifs.

• Cas d’usage concrets : radars pour le recrutement, rapports de match pour la préparation d’adversaires, tableaux de bord pour le suivi de saison.

• Transparence méthodologique (signalement des données fictives lorsqu’elles servent à illustrer des viz avancées), et capacité d’industrialisation si accès à des jeux de données plus riches.

​

🧰 Stack & Méthodologie

• Sources : FBref, Sofascore, Transfermarkt (+ données fictives pour viz événementielles).

• Outils : Python (pandas, numpy, matplotlib, seaborn, mplsoccer), Power BI, Excel (nettoyage/structuration).

• Livrables : dashboards Power BI, radars comparatifs, heatmaps/passmaps de match, rapport de match, glossaire et roadmap d’enrichissement.

​

🔧 Compétences mobilisées

• Techniques : data cleaning & wrangling, KPIs avancés (xG/xA), dataviz (radars, heatmaps, passmaps), dashboarding, analyse de match.

• Transverses : storytelling avec la donnée, pédagogie (glossaire), cadrage des cas d’usage (performance, scouting, préparation).