Data scientist · docteur en informatique · football

Des données
qui tiennent
au terrain.

Je travaille avec des données depuis dix-neuf ans, d’abord en recherche, puis dans l’énergie, l’industrie et l’IA. Aujourd’hui, je m’en sers pour comprendre le football et aider ceux qui décident.

Deux dossiers, selon qui vous recrutez

Staff de clubLe dossier football Équipe dataLe dossier data
Voir les projets CV · 2 pages Écrivez-moi ↗

Disponible depuis juillet 2026CDINanterre (92)Réponse sous 48 h

Portrait de Mohamed-Haykel Zayani en noir et blanc
Nanterre · FranceData × Football
Je regarde,
je teste,
je raconte.

Un chiffre sans méthode
reste une opinion.

Tout part
d’une question.

01 / 11

01 · En résumé

Un chiffre ne vaut que s’il aide à décider.

Tech Lead Data Scientist · docteur en informatique · football analytics

Je commence par comprendre le problème, souvent mal posé. Je regarde ce que les données permettent vraiment de dire, je teste, puis je construis l’outil qui rendra la réponse utilisable par d’autres. C’est ce que j’ai fait dans la recherche, l’énergie, l’industrie et l’IA. Aujourd’hui, je veux le faire là où une analyse change une décision : un staff de club, ou une équipe data qui a la même exigence.

Des réponses vérifiables, utiles à ceux qui décident.

Voir les 11 projets CV · 2 pages
19ans de recherche et de production
10projets documentés, résultats inclus
55/83mesures fiables après validation
33 168matchs dans le jeu de données
01 / COMPRENDREReformuler avant de coderUne question mal posée coûte plus cher qu’un modèle approximatif. Je préfère passer une heure à la reformuler avec ceux qui vivent le problème, plutôt qu’un mois à modéliser le mauvais sujet.
02 / VALIDATIONTester avant de croireValidation statistique, test sur une période tenue à l’écart, et les limites écrites noir sur blanc. Si le résultat ne tient pas, je le dis.
03 / LIVRERAller jusqu’en productionPipelines, cloud, qualité des données. Un modèle qui reste dans un notebook ne sert personne. Je livre des outils que l’équipe peut reprendre sans moi.
04 / FOOTBALLParler le jeuComparer à poste égal, remettre les chiffres dans leur contexte, et ne jamais transformer un score en jugement sur un joueur.

Ce que je sais faire

Senior Data ScientistData Science LeadTech Lead Data & IAIntelligence artificielleMachine LearningValidation statistiqueIndustrialisation MLGCP · AzureFootball analyticsPerformance & scoutingxG · xT · xP
ModéliserIndustrialiserExpliquerTransmettreFootball & data

02 · Registre des preuves

Un chiffre, une étude. Cliquez pour ouvrir le dossier.

Ces six chiffres sortent de six études publiées. Les onze notebooks se rejouent aujourd’hui, sur commande, avec les mêmes chiffres qu’à leur publication. Voir les onze notebooks de preuve ↗

03 · Ce que je crois

Une intuition ne devient utile
qu’une fois testée.

Les chiffres qui me contredisent m’apprennent davantage.

Dix-neuf ans entre la recherche, les produits data et l’IA. J’ai appris à comprendre le problème avant de choisir l’algorithme, à tenir un modèle jusqu’en production, et à expliquer sans jargon.

Dans le football, je pars du jeu. Un indicateur ne dit pas ce que vaut un joueur : il dit ce qu’une équipe a fait, dans un contexte donné. Le contexte, c’est presque tout le travail.

Ce que je cherche aujourd’hui : un poste où une analyse sert à préparer une décision plutôt qu’à remplir une slide. Dans un staff de club, ou dans une équipe data qui a cette exigence.

Voir clair, mesurer juste, décider ensemble

Le test

Deux points d’écart. Aucune conclusion.

C’est le résultat de mon étude sur les tirs au but : 41,2 % d’arrêts sur les tirs décisifs, 43,2 % sur les autres. Un écart de deux points, trop petit pour 2 081 tirs. Déplacez l’échantillon pour voir à partir de quand une conclusion tient.

2 081
Tirs décisifs · 41,2 %
Tirs sans enjeu immédiat · 43,2 %

Point : taux d’arrêts observé. Barre : intervalle de confiance à 95 %.

Les intervalles se recouvrent : impossible de trancher.The intervals overlap: no way to call it.

Illustration, pas une reprise de l’étude : les 2 081 tirs sont répartis à parts égales entre les deux groupes, et seuls les taux observés sont utilisés. Le calcul, lui, est le vrai.

04 · Les projets

Des questions de terrain,
des réponses vérifiées.

Onze projets, des résultats vérifiablesChaque projet dit aussi ce qu’il ne prouve pas

Je publie aussi les résultats qui ne donnent rien, parce qu’ils apprennent autant que les autres. Pour chaque projet : la question de départ, les données, la méthode, et ce qu’on peut vraiment en conclure.

Capture du laboratoire Station Cerise : graphiques de validation et limites des métriques, dont 55 mesures lisibles sur 83
01 / 11 · Projet personnel · Station CeriseFootball analytics · laboratoire
Personnel · recherche appliquée · produit data

J’ai testé 83 façons de noter un joueur. 55 tiennent.

Six saisons, trois sources (SofaScore, WhoScored, Transfermarkt). J’ai réconcilié les identités, puis testé chaque dimension sur une saison de titulaire. 55 mesures tiennent, les autres sont écartées et documentées. L’outil de scouting qui en sort affiche donc aussi ce qu’il ne sait pas lire.

La question : quelles métriques résistent à une vraie saison de titulaire, sans mélanger club et sélection ?

83mesures testées
55lisibles sur une saison de titulaire
33 168matchs distincts collectés
55 mesures sur 83 sont fiables, pas 83les résultats négatifs restent visiblesclubs et sélections : deux contextes distincts
Résolution d’entitésValidation statistiqueScoutingStreamlit
Lire l’étude complète Application et sources : projet personnel, non hébergé publiquement
Synthèse illustrée de l’étude des tirs au but et des contextes de pression
02 / 11 · Projet personnel · Données & validationQualité des données
Personnel · Audit de données · Inférence

Sous pression, les tireurs ratent pareil.

J’ai reconstruit 206 séances internationales entre 1976 et 2026, vérifié la provenance et rapproché les sources tir par tir. Les intervalles se recouvrent : je ne peux pas classer les continents. Et les données ne montrent pas non plus que la façon de rater change sous pression.

La question : que peut-on affirmer quand les échantillons sont petits et les sources incomplètes ?

2 081tirs contrôlés
206séances
SofaScoreAudit de donnéesIntervalles de confiance
Lire l’étude complète
03 / 11 · Projet personnel · Métriques de passeBacktest temporel
Personnel · Modélisation · Validation temporelle

Un profil de passeur survit-il à la saison suivante ?

J’ai figé les modèles xP et xT avant le backtest, puis je les ai éprouvés sur deux moitiés de match et d’une saison à l’autre. Seize profils de référence sur dix-neuf retrouvent leur style attendu. La saison de test n’a jamais servi au réglage, et la note WhoScored reste un repère, pas une vérité.

La question : un profil tient-il hors des données qui l’ont fait naître ?

16/19profils de référence conformes
WhoScored / OptaxP · xTBacktest
Lire l’étude complète
Visualisation comparant le xG net brut et ajusté sur plusieurs sélections
04 / 11 · Projet personnel · France · deux cyclesLecture tactique
Personnel · Analyse tactique · Ajustement de contexte

Ce qui a vraiment changé sous Zidane.

Sept matchs de la France au Mondial 2026 sous Deschamps, quatre matchs de Ligue des nations sous Zidane. Après ajustement de l’adversité (Elo et avantage du terrain), la médiane du xG net passe de +1,35 à +0,24 sous Deschamps, et de +0,25 à −0,27 sous Zidane. Avec quatre matchs, c’est un signal, pas un verdict.

La question : qu’est-ce qui vient du sélectionneur, et qu’est-ce qui vient du calendrier ?

xT · chaîne xGAjustement EloÉchantillon exploratoire
Lire l’étude complète
05 / 11 · Projet personnel · Animation de donnéesData storytelling
Personnel · Récit interactif · Données réconciliées

Raconter une finale sans inventer les trajectoires.

J’ai raconté la finale en 6 min 48 avec les seules traces disponibles. Deux sources rapprochées sur les 22 tirs (coordonnées concordantes à 0,08 près), les courses interpolées écartées, les positions simplement plausibles aussi. Le fichier final est autonome : ni serveur, ni bibliothèque.

Le parti pris : une visualisation plus sobre, mais chaque point montré a une provenance.

6′48″animation autonome
22/22tirs appariés entre sources
SofaScore · WhoScoredGénération PythonDataviz hors ligne
Lire l’étude complète Explorer l’animation interactive ↗
06 / 11 · Projet personnel · Coupe du monde 2026Évaluation d’impact
Personnel · Causalité · Résultats nuls publiés

La pause fraîcheur n’a rien changé. Je le publie quand même.

J’ai comparé 232 matchs sur des fenêtres identiques, avec une différence-de-différences. Les huit intervalles traversent zéro : aucun effet mesurable sur le jeu. Le signal après la deuxième pause n’est pas significatif, et les blessures ne montrent pas de bénéfice non plus. Ne rien trouver est un résultat.

La question : la pause change-t-elle le jeu, ou seulement ce qu’on imagine d’elle ?

232matchs · 2018, 2022, 2026
8/8intervalles traversent zéro
Différence-de-différencesEvent studyRésultat nul publié
Lire l’étude complète Lire l’analyse et ses limites ↗
Comparatif international : part des naissances captée par les 10 prénoms les plus donnés dans 15 pays, de 7,9 % à 34,3 %
07 / 11 · Projet personnel · France · 1900–2025Démographie · onomastique
Personnel · Données publiques · Culture

En 1900, dix prénoms nommaient un tiers de la France.

J’ai suivi 125 ans de prénoms dans les données INSEE. En 1900, dix prénoms couvraient 31 % des naissances. En 2025, ces mêmes dix n’en couvrent plus que 6 %. La longueur moyenne bouge à peine : ce qui change, c’est la diversité.

La question : que raconte un prénom sur l’époque qui le choisit ?

125années observées
0,62 → 0,81entropie des prénoms féminins
INSEEDémographieSociologie
Lire l’essai Lire le post LinkedIn · France ↗Comparer 15 pays ↗
Graphique de l’étude CNC : la part des titres de films américains traduits en France passe de 93 % en 1964 à 35 % en 2024
08 / 11 · Projet personnel · Cinéma français · 1945–2025Langue · culture
Personnel · Archives CNC · Analyse culturelle

Pourquoi les films gardent de plus en plus leur titre anglais.

J’ai analysé 14 601 films américains dans 80 ans d’archives du CNC. Les titres traduits passent de 93 % en 1964 à 35 % en 2024. On voit trois périodes : la traduction quasi systématique, la coexistence, puis des titres pensés pour rester en anglais.

La question : un titre anglais, c’est un choix de marché, de culture, ou les deux ?

−58 ptsen 60 ans
14 601films analysés
Archives CNCLangue françaiseCulture
Lire l’essai Lire l’analyse et ses sources ↗
09 / 11 · Projet personnel · 3 liguesComparaison de carrières Nouveau
Personnel · Comparaison inter-époques · Incertitude

Peut-on comparer un ailier de Palace à Kroos et Modric ?

J’ai mesuré la qualité de passe sur 17 saisons et 25 cellules ligue-saison, avec des modèles figés et un pont inter-ligues. Olise exécute moins bien que les deux milieux (+0,0 contre +10,5 et +9,8 pour 100 passes), mais il tente plus difficile et sa courbe gagne 8,7 points en trois saisons. Un rang sur une seule saison reste bruité : je donne des bandes.

La question : deux joueurs de postes et de générations différents peuvent-ils se lire sur la même échelle ?

25cellules ligue-saison
8,7 ptsd’exécution gagnés en 3 saisons
0,65 → 0,85fiabilité d’une à trois saisons
WhoScoredxP · xT figésPont inter-liguesBootstrap
Lire l’étude complète Ouvrir le profil comparé ↗
Carte de la France métropolitaine : la Seine-Saint-Denis et les Pyrénées-Orientales ressortent, entre les deux arcs de tension, Méditerranée et Nord
10 / 11 · Projet personnel · France · InseeCartographie · données publiques Nouveau
Personnel · Données publiques · Territoires

La précarité ne se répartit pas au hasard.

J’ai croisé cinq indicateurs Insee, du chômage des 15-24 ans au taux de pauvreté FILOSOFI, sur 98 départements. Deux arcs ressortent, la Méditerranée et le Nord. Dix-huit départements cumulent les deux tensions, et la corrélation entre chômage des jeunes et pauvreté atteint 0,74. L’indice compare des territoires entre eux : il ne mesure pas la pauvreté en absolu.

La question : où les vulnérabilités se cumulent-elles, et où restent-elles isolées ?

98départements couverts
0,74corrélation jeunes · pauvreté
18départements en double tension
Insee BDMFILOSOFI 2021Indice compositeCartographie
Lire l’essai Explorer la carte interactive ↗Indice composite : positionnement relatif entre territoires, pas une mesure absolue
11 / 11 · Projet personnel · Serie A et Premier LeagueProfil d’équipe · fiabilité
Personnel · Data football · Fiabilité

Le même terrain, deux façons de le tenir.

Como et Brighton passent leurs matchs dans le camp adverse : 56,9 % de field tilt pour l’un, 57,8 % pour l’autre. Mais Como y arrive par le volume de passes, 616,1 par match, et Brighton par les occasions, 1,87 xG. Sept dimensions passent le test de fiabilité, et trois mesures que tout le monde cite ne le passent pas.

La question : qu’est-ce qui, dans un profil d’équipe, tient encore après dix journées ?

56,9 / 57,8field tilt, Como et Brighton
7dimensions fiables dans les deux ligues
0,283fiabilité des grosses occasions en Premier League
SofaScore · WhoScoredSplit-halfPercentiles intra-ligue
Lire l’étude complète

05 · Expériences

Le même métier,
dans des mondes différents.

En entreprise, j’ai toujours fait la même chose : partir d’un usage concret, faire tenir la donnée jusqu’en production, puis laisser un outil que l’équipe peut reprendre.

IRT-SystemX · ÉnergieRendre les consommations lisibles avant de les piloter.

Chez IRT-SystemX, j’ai travaillé sur trois leviers : segmenter les usages, prévoir la charge et désagréger les consommations. Les toolkits réutilisables faisaient le lien entre la mesure et la compréhension, à l’échelle d’une smart city.

SpaceAble · ML en productionUn prototype ne termine pas le travail.

Chez SpaceAble, j’ai conçu des modules réutilisables pour la donnée, l’entraînement et l’évaluation, puis orchestré les workflows Airflow/Kubeflow sur GCP. L’objectif : des expérimentations répétables, assez solides pour être reprises par une équipe.

Hapag-Lloyd · TransportPrédire le Rhin, pas seulement le commenter.

Le besoin était concret : anticiper les frais de passage fluvial. Un modèle de deep learning estimait ce coût opérationnel ; restait à transformer la prédiction en information exploitable pour le métier.

OpenField / XCo · BâtimentsRelier le bâtiment à ce qu’on y vit.

J’ai contribué à des solutions data sur Azure autour de l’énergie, du confort et de l’occupation. Le travail allait des réservations et de la qualité des données aux pipelines Data Factory, Functions, Data Lake, Databricks et Power BI.

06 · Le parcours

Des ondes radio
à la décision.

La recherche m’a appris à douter, l’entreprise à livrer, le football à écouter. Ma dernière expérience s’est terminée en juillet 2026 : je suis disponible depuis.

Lire le jeu, servir le collectif, faire progresser

Formation

Doctorat en informatique · 2012Institut Mines-Télécom / Télécom SudParis · Mention Très Honorable
Master 2 Recherche · 2008INSA Lyon · Réseaux & télécommunications · Major de promotion
Diplôme national d’ingénieur · 2007INSAT Tunis · Réseaux & télécommunications

CV

Deux pages A4 · mise à jour novembre 2026.

Le CV, en ligne
OCT. 2022
→ JUIL. 2026

Manager / Tech Lead Data Scientist

Forvis Mazars · Paris · 7 missions

Sept missions, dont EDF R&D, Engie, Hapag-Lloyd, SpaceAble, Galileo et Creacard. Prévision du niveau du Rhin par deep learning pour estimer les frais de passage ; scoring clients enrichi en open data Insee ; modèle de prévision solaire passé du notebook à la production (MiniKF/Kubeflow, Airflow, GCP).

  • 7 missions menées, 6 clients nommés
  • Formation Deep Learning & vision (2023-2026)
  • Encadrement d’alternants
OCT. 2018
→ AOÛT 2022

Data Scientist Senior

OpenField / XCo Analytics · Paris · 7 missions

Bâtiments connectés : chaîne complète, de la collecte brute au dashboard sur Azure (Data Factory, Functions, Data Lake, Databricks, Power BI) ; appariement SIRET / raisons sociales en PySpark ; KPI de données spatiales avec protection des données de localisation.

  • 7 missions, dont un démonstrateur Power BI
  • Chaîne complète industrialisée sur Azure
  • Suivi et formation d’alternants
MAI 2014
→ SEPT. 2018

Data Scientist Senior

IRT-SystemX · Saclay · 5 missions

Segmentation, prévision de consommation et désagrégation, en supervisé comme en non supervisé ; pipelines réutilisables livrés en toolkits aux partenaires du projet ; prédiction de l’ensoleillement pour la production photovoltaïque.

  • 5 missions, dont l’encadrement de doctorants
  • Toolkits réutilisés par les partenaires
AVR. 2013
→ AVR. 2014

Ingénieur

INRIA · Rocquencourt · Projet GETRF

Mécanismes d’économie d’énergie pour les réseaux de capteurs, et développement du simulateur GETRF pour éprouver les approches.

  • Simulateur conçu et développé de bout en bout
SEPT. 2008
→ SEPT. 2012

Ingénieur de recherche

Télécom SudParis · Évry · 3 missions

Prédiction de liens radio (métriques d’entropie et de topologie), modélisation PHY/MAC IEEE 802.15.4 avec le NIST, coopération en réseaux ad hoc.

  • 3 missions de recherche
  • Doctorat soutenu en 2012
FÉVR. 2007
→ AOÛT 2007

Ingénieur développement embarqué

Sagem Software & Technology · Tunis

Développement et maintenance de l’interface EPG Grid et du Sagem Graphic Engine pour récepteurs numériques.

  • 2 projets livrés

07 · Les outils

Les outils changent.
La méthode reste.

Modéliser

Python, Pandas, NumPy, Scikit-learn, Keras, R, PySpark, Spark, Hadoop.

Industrialiser

GCP, Kubeflow, Airflow, Azure Data Factory, Data Lake, Functions, Databricks.

Vérifier

Statistique, séries temporelles, validation, explicabilité, Power BI, dataviz.

Comprendre les systèmes

Doctorat en informatique, C/C++, Matlab, Linux, Git, réseaux sans-fil.

08 · Me contacter

Vous avez un problème
qui résiste ?

Je veux mettre l’analyse au contact des décisions : dans un staff de club, ou dans une équipe data qui travaille avec la même exigence. Pas à distance du terrain.

Football professionnel · performance · collectif

Disponible depuis juillet 2026 · CDI · Nanterre (92) · réponse sous 48 h

Si vous cherchez quelqu’un pour poser la bonne question avant de choisir un modèle, écrivez-moi.

Écrivez-moi ↗CV · 2 pages Ou sur LinkedIn ↗Français · English · العربية