Mission Basket — NBA

Contexte et demande

Mission Excel dans un scénario sportif fictif (Les Pionniers) : analyser les données NBA de la saison 2024-25 pour identifier des profils de joueurs et des archétypes exploitables pour le scouting. Premier projet technique de la formation.

Démarche

Une analyse en entonnoir : la saison complète (30 équipes), puis une équipe exemple (Minnesota Timberwolves), l'analyse interne de ses joueurs, le classement des meilleurs scoreurs NBA, et enfin une heatmap d'archétypes. Construction progressive par tableaux croisés thématiques, normalisation systématique par 36 minutes pour comparer équitablement les joueurs, TS% préféré à eFG% pour inclure les lancers francs.

• Je ne connaissais rien au basket ni à ses indicateurs. → cours accéléré avec GPT et sites spécialisés pour comprendre les métriques clés avant de construire quoi que ce soit.
• Les statistiques des joueurs transférés cumulent toutes leurs équipes. → limite mentionnée explicitement dans le rapport, avec une note méthodologique sur le traitement retenu.
• Les seuils automatiques d'Excel lissent les valeurs. → cinq paliers définis à la main par KPI, justifiés par des repères NBA (TS% élite à 62 %, NetRtg exceptionnel à +8).

Livrables

• Rapport d'analyse Excel : tableaux croisés, heatmap de 5 archétypes, formules de normalisation
• Rapport PDF complémentaire
• Présentation de 15 diapositives

Résultats

• Double KPI : WIN% mesure le résultat, NetRtg la régularité indépendamment du rythme de jeu
• Normalisation par 36 minutes : 36 × stat / (minutes × matchs joués)
• Heatmap avec barèmes personnalisés par KPI
• 5 archétypes définis avec leurs KPI prioritaires : Playmaker, Scoring guard, Slasher, Rim protector, Stretch-4

Ce que j'en retiens

Ce que j'ai aimé

Découvrir un univers que je ne connaissais absolument pas. C'est précisément ce type de projet qui me convient : être placé face à un domaine inconnu et devoir le comprendre suffisamment pour produire une analyse cohérente. Ma curiosité naturelle a été un vrai moteur ici.

Si je le refaisais

Je passerais d'Excel à Power BI ou à un tableau de bord Streamlit en Python, avec une couche statistique plus poussée. Il faudrait pour cela des données plus fines, par match plutôt que par saison, pour affiner vraiment les profils de joueurs.