Meilleurs joueurs FPL de la saison 2025/26 jusqu’à présent : une analyse Power BI des points et de la forme

Meilleure équipe FPL jusqu’à présent cette saison 2025/2026 : utiliser Power BI pour analyser les points, la forme et les performances des joueurs. L’une des meilleures choses à propos de la Fantasy Premier League (FPL) est qu’elle se sent analytique, du moins c’est pour moi. Je sais que pour beaucoup de gens, la plupart des décisions sont encore motivées par leur instinct, le battage médiatique sur les réseaux sociaux ou les faits marquants de la semaine dernière. Ce week-end, j’écoutais une émission de radio sur le football (les noms n’étaient pas divulgués pour protéger les coupables) où les présentateurs débattaient de leur joueurs de la saison jusqu’à présent.Cela a suscité une question simple :

Que se passe-t-il si nous laissons les données FPL décider ?

Plutôt que des opinions, des récits ou des préjugés de club, j’ai décidé d’utiliser mes Modèle Power BI FPL pour répondre à deux questions très précises :

1. Qui sont les joueurs les plus performants cette saison jusqu’à présentbasé uniquement sur des points ?
2. Qui sont les les joueurs en forme en ce momentbasé sur les performances récentes ?

Les résultats étaient intéressants et, dans un cas, légèrement controversés.

Classement des joueurs par total de points FPL

La première étape était simple. J’ai déjà un modèle sémantique Power BI avec :

• UN Données détaillées du joueur table de faits (données FPL au niveau de la correspondance)
• Tableaux de dimensions pour Joueur, Clubet Position

Pour classer objectivement les joueurs, j’ai ajouté une mesure DAX qui calcule un rang dense pour tous les joueurs en fonction du total des points FPL.

Mesure du classement des joueurs (saison à ce jour)

Player Rank in Club =
RANKX(
    ALL ( 'Player Data (Dim)'[Player Name] ),
    CALCULATE( [Total Player Points] ),
    ,
    DESC,
    DENSE
)

Cette mesure ignore tout filtre sur les joueurs individuels et classe tout le monde globalement en fonction des points marqués jusqu’à présent cette saison.

Construire la « meilleure équipe à ce jour » dans Power BI

Une fois la mesure de classement en place, j’ai créé quatre visuels de tableau dans Power BI, un pour chaque poste :

• Gardiens de but
• Défenseurs
• Milieu de terrain
• Attaquants

Chaque visuel a été filtré par position et trié par Classement du joueur. À partir de là, j’ai sélectionné les plus performants pour assembler un Escouade FPL de 15 joueurs.

Pour être clair :

• Cette équipe ne fait pas tenir compte des contraintes budgétaires FPL
• Il respecte les exigences de l’équipe FPL
• C’est purement axé sur les performances

Les meilleurs joueurs FPL jusqu’à présent (par points)

Gardiens de but

• Robin Roefs – Sunderland
• Jordan Pickford – Everton

Défenseurs

• Gabriel-Arsenal
• Marc Guéhi – Crystal Palace
• Trevoh Chalobah – Chelsea
• Jurriën Timber – Arsenal
• James Tarkowski – Everton

Milieu de terrain

• Declan Rice – Arsenal
• Antoine Semenyo – Bournemouth
• Bruno Guimarães – Newcastle
• Bruno Fernandes – Manchester United
• Morgan Rogers-Aston Villa

Attaquants

• Erling Haaland – Manchester City
• Thiago-Brentford
• Jarrod Bowen – Jambon de l’Ouest

Deux observations ressortent immédiatement :

1. Cette équipe te quitterait environ 17 millions de livres sterling de dépassement du budget
2. Il n’y a pas de seul joueur de Liverpool dans la liste

Les données peuvent être inconfortables comme ça.

Le problème du total de points

Les points d’une saison sont utiles, mais ils présentent une faiblesse majeure : le biais de récence fonctionne dans les deux sens.

• Un joueur qui a bien commencé la saison mais qui s’est évanoui occupe toujours une place de choix
• Un joueur qui revient d’une blessure ou qui frappe tardivement peut être sous-représenté.

Pour résoudre ce problème, j’ai introduit un approche basée sur la forme.

Formulaire de mesure du joueur (30 derniers jours)

Au lieu de regarder la saison entière, j’ai créé une mesure qui calcule moyenne de points sur les 30 derniers joursbasé sur les heures de coup d’envoi réelles.

Mesure de la forme du joueur

Form =
VAR TodayDate = MAX('Detailed Player Data (Fact)'[Kickoff_Time])
VAR StartDate = TodayDate - 30

RETURN
CALCULATE(
    AVERAGE('Detailed Player Data (Fact)'[Total Points]),
    'Detailed Player Data (Fact)'[Kickoff_Time] >= StartDate &&
    'Detailed Player Data (Fact)'[Kickoff_Time] <= TodayDate
)

Cela s’ajuste dynamiquement à mesure que de nouveaux matchs sont joués, garantissant que la forme reflète toujours performances actuellespas de réputation historique.

---

Classement des joueurs par forme

Avec la forme calculée, j’ai appliqué la même logique de classement qu’auparavant.

Classement des joueurs par forme

Player Rank Form =
VAR ThisPlayerForm = [Form]
RETURN
RANKX(
    ALL ( 'Player Data (Dim)'[Player Name] ),
    CALCULATE( [Form] ),
    ,
    DESC,
    DENSE
)

Je peux désormais répondre instantanément à des questions telles que :

• Quels défenseurs livrent réellement tout de suite?
• Les milieux de terrain premium justifient-ils leur prix récemment ?
• Un attaquant est-il sur une bonne lancée ou vit-il d’un gros butin ?

C’est là que Power BI brille vraiment : basculer entre cohérence de la saison et dynamique à court terme sans rien reconstruire.

Pourquoi cela est important pour la stratégie FPL

L’utilisation conjointe des deux vues vous donne un cadre décisionnel beaucoup plus solide :

• Total de points mettre en valeur les artistes fiables tout au long de la saison
• Formulaire identifie l’élan, le risque de rotation et les opportunités à court terme

Si vous prévoyez des transferts pour la seconde moitié de la saison, les classements basés sur la forme font souvent la différence entre gravir la mini-ligue et rester immobile.

Plus important encore, cette approche supprime l’émotion de la prise de décision. Pas de battage médiatique. Aucun récit. Juste des données.

Du FPL aux vraies décisions commerciales

Ce que j’ai décrit ici ne concerne pas vraiment la Fantasy Premier League.

Il s’agit de :

• Des mesures claires
• Modèles de confiance
• Prise de décision appuyée par des données

Les mêmes principes s’appliquent que vous choisissiez un capitaine FPL ou que vous preniez des décisions commerciales de plusieurs millions d’euros à partir de tableaux de bord.

Vous souhaitez ce niveau de clarté dans votre organisation ?

Si vos rapports semblent lents, incohérents ou difficiles à faire confiance, c’est exactement le problème. Plateforme de données et accélérateur d’analyse est conçu pour résoudre.

Il aide les organisations :

• Construisez des bases Power BI et Microsoft Fabric fiables
• Définir des mesures cohérentes auxquelles les gens font réellement confiance
• Passer du bruit du tableau de bord à la clarté des décisions

Réservez un appel aujourd’hui pour discuter de l’accélérateur et voir comment il pourrait fonctionner pour votre organisation :

Prenez rendez-vous pour parler du Data Platform Accelerator

Car qu’il s’agisse du FPL ou de la salle de conférence, les meilleures données gagnent toujours.

Liens utiles

Pourquoi les plates-formes de données comme Microsoft Fabric ne corrigent pas la culture des données brisée

Pourquoi les rapports ralentissent à mesure que les organisations se développent

Première saison d’Alex – La réflexion d’un père fier