-
L’impact du facteur « is last game » comme indicateur de confiance
La série de défaites de Milwaukee (1 match perdu avant le présent) aurait pu suggérer une fragilité temporaire, mais le modèle a correctement pondéré cette information en faveur de leur forme globale (7-3 sur 10 matchs). Ce cas illustre l’importance de ne pas surpondérer les outliers à court terme, mais plutôt de les intégrer dans une tendance plus large. À l’inverse, la série de victoires de San Diego (W1) n’a pas suffi à contrebalancer l’avantage structurel de Milwaukee. Leçon : La notation dynamique doit continuer à affiner ses pondérations temporelles, en intégrant des fenêtres glissantes de 14 jours (vs 10 actuellement) pour lisser les variations brutales.
-
La primauté des metrics de lanceurs dans les matchs serrés
L’écart de 4,34 points entre les ERA des partants (6,75 vs 2,41) a été le facteur le plus déterminant, bien au-delà des autres composantes. Harrison a mis en difficulté les frappeurs adverses dès la première manche, tandis que Canning a subi une pression constante (3 balles par manche en moyenne). Leçon : Dans les rencontres où les deux équipes affichent une forme récente similaire, les métriques de rotation deviennent le discriminant principal. Le modèle devra donc augmenter le poids des indicateurs de qualité des lanceurs (ex : FIP ajusté, xERA) dans les projections de matchs à faible écart de probabilité (<10 %).
-
L’effet des erreurs défensives sur les probabilités projetées
Les deux erreurs de San Diego ont coûté 3 points non mérités, soit 42 % de leur total de points encaissés. Or, le modèle Diamond Signal intègre un facteur « defensive stability » basé sur les erreurs et les doubles jeux, mais celui-ci n’a pas anticipé l’ampleur de l’impact dans ce match précis. Leçon : Une révision des coefficients de ce facteur est nécessaire, en pondérant davantage les matchs à faible score (comme celui-ci) où une seule erreur peut inverser le résultat. Une piste serait d’ajouter un « defensive volatility index » calculé à partir des écarts-types des erreurs sur 20 matchs glissants.
-
La limite des park factors statiques
Le Miller Park a un park factor de 1,05 pour les frappeurs, mais son impact réel sur ce match a été minime. En revanche, le facteur « home pitcher » (+84,1 pts dans notre décomposition) s’est révélé bien plus pertinent. Leçon : Les park factors doivent être croisés avec des données dynamiques comme la vitesse moyenne des balles frappées (exit velocity), la direction des coups (launch angle), et les conditions météo en temps réel. Une approche hybride (park factors ajustés par match) améliorerait la précision des projections.
-
L’importance des splits gauchers/droitiers dans les confrontations
Harrison, gaucher, a exploité les faiblesses des frappeurs droitiers de San Diego (BAA de ,265), tandis que Canning a été limité par les gauchers des Brewers (BAA de ,220). Leçon : Le modèle devra intégrer une couche d’analyse des matchups spécifiques (matchup leverage) en fonction des alignements probables, surtout dans les matchs à faible écart de probabilité. Cela implique de collecter des données granulaires sur les splits des frappeurs contre les types de lanceurs (ex : OPS d’un frappeur gaucher contre un gaucher adverse).