In professional football, selecting players involves evaluating multiple criteria to ensure optimal team performance. This paper introduces a novel approach for optimizing player selection by combining the Random Forest algorithm for criterion weighting with the multi-criteria decision-making method TOPSIS for ranking players. Experimental results highlight the effectiveness of this approach in accurately ranking players, providing valuable insights for team managers and scouts. For this study, we analyzed sports data from thirty-three players of Paris Saint-Germain (PSG) for the 2021-2022 season, considering thirty-five performance criteria across various positions: goalkeeper, defender, midfielder, and forward.
Optimisation de Sélection en Football par l'Intégration des Théories de Management, de l'IA et de Décision Multi-critères: 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.