Comment fonctionne 11Stat
11Stat est une plateforme d'analyse qui modélise les matchs de football à partir de données : un pipeline en sept étapes collecte les données brutes, les fait passer par plusieurs moteurs de probabilité indépendants, les calibre, et ne publie un signal du modèle que lorsque l'accord des modèles et la qualité des données sont suffisants — sinon, il indique PASS. Il s'agit d'un résultat probabiliste transparent, et non d'une garantie de prédiction.
En bref : le processus en 7 étapes
- Le processus est sans fuite de données (point-in-time) : seules les données antérieures à un match servent à le modéliser.
- Non pas un seul moteur, mais au moins 3 moteurs indépendants (Poisson/Dixon-Coles, Elo/forme, bivarié avancé) modélisent chaque match séparément.
- La calibration corrige les probabilités brutes une seule fois ; une étiquette « 70 % » signifie vraiment environ 70 %.
- Le filtre de qualité des données bloque les faux signaux élevés issus de données manquantes ; données insuffisantes = PASS.
- Le ROI et le taux de réussite sont uniquement des métriques de backtest sur papier/simulation, pas des résultats en argent réel.
Vue d'ensemble : des données à un signal du modèle
11Stat fonctionne comme un pipeline auditable. Chaque étape ne passe à la suivante que lorsqu'elle franchit des seuils de qualité précis ; sinon, le système indique PASS (aucun signal). L'objectif est de produire un petit nombre de signaux du modèle propres et explicables, plutôt qu'un flot de signaux faibles.
- Ingestion des données : calendrier des matchs, historique de forme des équipes et cotes du marché.
- Modélisation multi-moteurs : des moteurs de probabilité indépendants modélisent le même match séparément.
- Calibration : les probabilités brutes sont remodelées dans l'espace logit.
- Accord des modèles et confiance : on mesure la force de la concordance entre les moteurs.
- Filtre de qualité des données : des données manquantes ou insuffisantes arrêtent le signal.
- Niveau de risque : la variance est classée faible, moyenne ou élevée.
- Publication : un signal du modèle si les seuils sont franchis, un PASS sinon.
Tous les chiffres de ROI ou de taux de réussite affichés sur la plateforme sont uniquement des métriques de qualité de backtest simulé, sur papier — ce ne sont pas des résultats en argent réel.
1) Ingestion des données et modélisation multi-moteurs
Pour chaque match, le système récupère d'abord trois types d'entrées : la forme récente des équipes (buts marqués et encaissés, matchs récents), les métadonnées du match (championnat, saison, heure du coup d'envoi) et les cotes du marché. Si aucune cote n'est disponible, le match est purement et simplement écarté.
Le même match est ensuite modélisé par des moteurs indépendants, afin que l'angle mort d'une seule méthode ne dicte pas l'ensemble du résultat :
- Moteur Poisson / Dixon-Coles : estime les espérances de buts (un lambda de type xG), construit une matrice de scores avec une correction des faibles scores, et en dérive des probabilités de marché telles que 1X2, les deux équipes marquent et plus/moins.
- Moteur Elo / forme : apporte une deuxième perspective fondée sur les notes de force des équipes et la forme du moment.
- Moteur bivarié avancé : une approche plus détaillée qui modélise la relation entre les scores des deux équipes et les effets de sur-représentation des zéros (zero-inflation).
Chaque moteur produit ses propres probabilités pour le même match ; les étapes suivantes combinent et auditent ces résultats.
2) Calibration : rendre les probabilités honnêtes
Les probabilités brutes du modèle sont souvent trop confiantes. 11Stat les tempère avec une étape de calibration unique, dans l'espace logit. Chaque marché utilise une pente monotone maintenue légèrement en dessous de 1, ce qui réduit l'excès de confiance sans modifier le classement — une probabilité devient ainsi plus réaliste plutôt que simplement plus faible.
En complément, un facteur de calibration propre au championnat et au marché, appris à partir des performances historiques, est appliqué. Un choix de conception essentiel : ce facteur est appliqué exactement une fois ; le bug de double application des anciennes versions (qui réduisait deux fois les probabilités) a été corrigé. Résultat : une étiquette « probabilité de 70 % » est réglée pour refléter réellement une confiance d'environ 70 %.
3) Accord des modèles, confiance et niveau de risque
Les probabilités calibrées ne suffisent pas à elles seules ; 11Stat observe aussi avec quelle force les moteurs pointent dans la même direction. L'accord des modèles correspond à la part des moteurs qui soutiennent un marché donné. Un fort accord augmente la confiance ; lorsque les moteurs divergent, la confiance est réduite.
Le score de confiance n'est pas un chiffre unique, mais un mélange pondéré de plusieurs composantes : probabilité calibrée, accord des modèles, ratio de valeur face au marché, précision historique du marché, fiabilité de l'échantillon et maîtrise de la variance. Les signaux sont ensuite étiquetés LOW / MEDIUM / HIGH / ELITE.
- Plancher de confiance : une sélection à cote élevée et faible probabilité ne peut pas obtenir l'étiquette la plus haute simplement parce que sa cote est forte ; les niveaux supérieurs exigent une probabilité calibrée minimale.
- Risque / variance : chaque match est signalé en variance faible, moyenne ou élevée, ce qui influe directement sur la confiance.
Cela est délibérément présenté comme un niveau de risque mesurable, plutôt qu'avec des termes comme « sûr » ou « certain ».
4) Le filtre de qualité des données et la santé des marchés
Le garde-fou le plus important de 11Stat est le filtre de qualité des données. Si l'identifiant d'un match, l'identifiant d'une équipe, l'heure du coup d'envoi ou le flux de cotes manque, le match est marqué « DATA ERROR / NO PICK » et aucun signal n'est produit. C'est ce qui empêche de fausses sélections à forte valeur, fabriquées à partir de données insuffisantes, d'être un jour publiées.
La plateforme suit également un historique de santé glissant par marché (ROI simulé, taux de réussite et erreur de calibration des dernières périodes). Les marchés qui restent peu performants peuvent être désactivés automatiquement, tandis que certains marchés volatils restent inactifs par défaut jusqu'à ce qu'un historique positif suffisant s'accumule. Le système ne s'exprime que sur les marchés qu'il juge actuellement fiables.
5) Publication : un signal du modèle ou un PASS
Lorsque toutes les étapes sont franchies, le résultat est publié sous forme de signal du modèle. Le signal comporte le marché, la probabilité calibrée, un niveau de confiance (par ex. HIGH/ELITE), l'accord des modèles (par ex. « 3/3 moteurs »), le niveau de risque et une comparaison avec les cotes du marché. Rien de tout cela n'est une promesse qu'une prédiction se réalisera ; c'est un résultat analytique fondé sur des probabilités.
Si les seuils ne sont pas atteints, le système indique honnêtement PASS. C'est précisément là toute la différence entre les pronostics de football et l'analyse fondée sur les données : 11Stat n'est pas un vendeur de coupons, mais un outil d'analyse qui montre le degré de confiance du modèle — et quand il reste silencieux. Tout le contenu publié est fourni à titre informatif et ne constitue pas un conseil de pari.
Questions fréquentes
11Stat est-il un site de paris ou de coupons ?
Non. 11Stat est une plateforme d'analyse de données qui étudie les données de football à l'aide de modèles de probabilité. Son contenu publié est informatif et ne constitue ni un conseil de pari ni un coupon.
Que signifie exactement un « signal du modèle » ?
Un signal du modèle est un résultat analytique qui résume la probabilité calibrée d'un marché, l'accord des moteurs, le niveau de confiance et le niveau de risque. Ce n'est pas une garantie qu'un résultat se produira.
Pourquoi certains matchs n'affichent-ils aucun signal ?
Si des données manquent, si les cotes sont indisponibles ou si les moteurs ne s'accordent pas suffisamment, le système renvoie un PASS et ne publie rien. Cela fait partie de la conception : produire peu de résultats, mais propres.
Les chiffres de ROI et de taux de réussite sont-ils des résultats en argent réel ?
Non. Ce sont uniquement des métriques de qualité de backtest simulé, sur papier, et elles ne garantissent pas les performances futures.
Pourquoi utiliser plusieurs moteurs plutôt qu'un seul ?
Pour réduire l'angle mort d'une seule méthode. Lorsque des moteurs indépendants s'accordent, la confiance augmente ; lorsqu'ils divergent, la confiance baisse et le niveau de risque devient plus clair.
La fuite de données (biais d'anticipation) est-elle évitée ?
Oui. Lorsqu'un match est modélisé, seules les données antérieures à son coup d'envoi sont utilisées (point-in-time) ; cela évite que les résultats de backtest soient artificiellement gonflés.