-
La calibration des facteurs contextuels doit être dynamique
L’impact du park factor (Chase Field) a été sous-estimé dans l’ajustement initial. Bien que le modèle intègre déjà ces données, l’écart de +0,50 ERA pour Gallen à domicile suggère que la pondération devrait être réévaluée en fonction des tendances saisonnières. Par exemple, un park factor supérieur à 1,10 devrait augmenter le poids des métriques de puissance (HR, SLG) dans le calcul de la probabilité projetée. À l’inverse, des stades comme Oracle Park (SF), avec un park factor défavorable aux frappeurs, devraient voir leur influence sur les splits domicile/extérieur renforcée.
-
La performance récente des lanceurs est un indicateur partiel
Zac Gallen illustre un paradoxe courant en MLB : un ERA saisonnier élevé (5,02) masquait une domination en début de match (ERA de 1,00 dans ce duel). Le modèle s’appuie sur les 5 dernières sorties pour ajuster la projection, mais ce match révèle que des métriques comme le FIP ajusté (Fielding Independent Pitching) ou le xERA (expected ERA) pourraient compléter utilement l’évaluation. Ces indicateurs neutralisent l’effet de la défense et de la chance, offrant une vision plus stable de la performance réelle. Par exemple, Gallen avait un xERA de 4,12 sur la saison vs 3,80 sur ses 5 dernières sorties – une différence significative qui aurait pu alerter sur sa tendance à donner des coups de circuit (5 HR accordés sur 28 IP).
-
L’effet de latéralité est sous-exploité dans les projections
Les Diamondbacks ont aligné 3 frappeurs gauchers (Kirk, Muncy, Peralta) contre un Robbie Ray droitier, créant une asymétrie favorable. Le modèle actuelle accorde un bonus de +15 points pour les splits gaucher/droitier, mais ce match suggère que ce delta devrait être dynamique : si l’adversaire a un lanceur partant droitier avec un WHIP élevé contre les gauchers (ex. : WHIP de 1,40 en carrière pour Ray vs gauchers), l’avantage contextuel devrait être amplifié. Une piste d’amélioration serait d’intégrer un facteur de latéralité ajusté en fonction des tendances récentes des frappeurs, plutôt qu’une moyenne historique fixe.
-
La fatigue offensive est un signal à surveiller
Les Giants ont aligné 3 frappeurs (Belt, Yastrzemski, Crawford) avec une moyenne inférieure à ,230 sur les 7 derniers jours. Leur OPS combiné sur cette période était de ,680, bien en dessous de la moyenne de la ligue (.720). Pourtant, le modèle n’a pas suffisamment pénalisé leur production offensive globale, se fiant davantage à leur forme récente (2 victoires d’affilée). Ce cas montre que les séries de défaites consécutives (même courtes) devraienttrigger un ajustement à la baisse plus agressif de l’OPS projeté, surtout si elles coïncident avec des absences clés (blessures, repos).
-
La granularité des données défensives est cruciale
Les Diamondbacks ont commis 0 erreur, mais leur défense a été particulièrement efficace sur les balles en jeu (BABIP de ,210 pour SF). Le modèle actuel utilise un BABIP moyen ajusté par position (ex. : ,290 pour les voltigeurs), mais ce match suggère que des données par joueur (comme le Defensive Runs Saved, DRS) seraient plus précises. Par exemple, le voltigeur de SF, La Stella, a un DRS de -5 sur la saison, ce qui aurait pu alerter sur un risque accru de coups en jeu.