À quoi sert ce glossaire ?
Les articles Foresportia utilisent parfois un vocabulaire “data”. Cette page donne une définition simple de chaque terme, avec l’idée suivante : mieux comprendre un match. Foresportia est un outil d’aide à l’analyse (pédagogique) : pas de promesse, pas de certitude.
Comment lire ce glossaire
Chaque définition va à l’essentiel, puis donne une “traduction” en langage match. Si tu veux la méthode complète : IA de prédiction football (page pilier).
Probabilités & scénarios de match
Probabilité
Une probabilité mesure la chance qu’un événement arrive (entre 0% et 100%). Exemple : “victoire domicile 55%” signifie scénario le plus probable, pas résultat garanti.
1X2
Lecture standard d’un match : 1 = domicile gagne, X = nul, 2 = extérieur gagne.
Double chance (1X, X2, 12)
Regroupe deux issues possibles (ex : 1X = domicile ou nul). En probas, c’est simplement une addition de scénarios.
DNB (Draw No Bet)
“Sans nul” : on raisonne comme si le nul était neutralisé. Traduction : si une équipe gagne, laquelle est la plus probable ?
Marge / incertitude
Même avec un bon modèle, le football reste incertain (peu de buts, événements rares). La bonne posture : une proba donne une tendance, pas une certitude.
Buts, scores et lecture “match”
Over / Under (ex : 2.5)
Compare le total de buts à un seuil. Over 2.5 = 3 buts ou plus ; Under 2.5 = 0, 1 ou 2 buts. C’est une façon simple de qualifier un match fermé ou ouvert.
BTTS (Both Teams To Score)
“Les deux équipes marquent”. Utile pour décrire un match où les deux équipes ont une probabilité non négligeable de marquer.
Score exact
Probabilité d’un score précis (ex : 2–1). Le score exact est très sensible : un détail peut faire basculer la case (2–0, 1–1, 3–1...). Bon usage : regarder le top 3–5 scores, pas un score isolé.
Lecture dédiée : Score exact : rareté & incertitude
Statistiques & indicateurs
xG (Expected Goals)
Estimation de la probabilité qu’un tir devienne un but (qualité de l’occasion). Les xG aident à analyser la performance (qui s’est créé les meilleures occasions), sans confondre “performance” et “résultat”.
Forme
Indication de la dynamique récente d’une équipe (résultats, buts, séries). Attention : une série courte peut être trompeuse - on la lit comme un signal, pas une règle.
Série (victoires, défaites, invincibilité)
Enchaînement de résultats similaires. Utile pour contextualiser (confiance, pression), mais fragile si l’échantillon est petit.
Page pratique : Forme des équipes & séries
Modèles statistiques & IA
Modèle statistique
Outil mathématique qui transforme des données en probabilités. Un modèle ne “devine” pas : il estime des chances en s’appuyant sur des régularités observées.
Poisson
Modèle classique pour estimer un nombre d’événements rares (comme des buts). Très utile comme base, mais en football on ajoute souvent des ajustements (domicile, styles, corrélations).
Simulations
Technique consistant à générer beaucoup de matchs “virtuels” à partir de probabilités, pour obtenir une distribution des scores et scénarios (victoire/nul/défaite, over/under, etc.).
IA (au sens Foresportia)
Ici, l’IA sert à détecter des patterns et à améliorer la robustesse, en complément du cadre probabiliste. Elle ne supprime pas l’incertitude : elle aide à produire des estimations plus cohérentes.
Méthodologie : IA : méthodologie
Fiabilité, calibration et dérive
Calibration
Vérifie si les probabilités “se comportent bien”. Si on annonce 60% sur un grand nombre de matchs similaires, on s’attend à environ 6 cas sur 10. Si ce n’est pas le cas, on ajuste.
Article dédié : Calibration des probabilités
Drift (dérive)
Quand le football “change” : styles, rythme, règles, mercato, calendrier... Le drift signifie que les données passées expliquent moins bien le présent. On le détecte et on recalibre.
À lire : Drift, biais & saisonnalité
Régularisation
“Garde-fou” pour éviter d’être trop confiant quand il y a peu de données. Exemple : une petite série de victoires ne doit pas transformer une équipe en “super favorite”.
Article : IA avec peu de données
Conclusion
Ce glossaire est une base pour lire le blog Foresportia sans se perdre dans le jargon. Le principe est simple : on décrit des scénarios avec des probabilités, on reconnaît l’incertitude, et on s’appuie sur des modèles + calibration pour rester cohérent.