FPL Captain Choice avec Power BI : un rapport structuré par une histoire

Si vous avez suivi ma série sur la narration basée sur les données, en particulier le dernier article sur la structuration des rapports avec un début, un milieu et une fin, vous saurez que j’ai progressé vers quelque chose de pratique.

Il est donc temps maintenant d’appliquer ce cadre à mon propre rapport FPL.

Parce que si la structure fonctionne, elle devrait fonctionner là où les enjeux sont évidents : choisir le bon capitaine chaque semaine dans votre équipe fantastique de Premier League.

Transformer mon rapport FPL en histoire : début, milieu, fin

Ton Choix du capitaine FPL est la décision la plus importante que vous prenez chaque semaine de match. Cet article applique le cadre de rapport début-milieu-fin à mon rapport Fantasy Premier League Power BI et montre comment le concevoir pour fournir une recommandation claire.

La structure du rapport Power BI doit suivre les histoires

Dans le dernier article, j’ai soutenu qu’un rapport Power BI devait suivre la même structure qu’une histoire :

Pas parce que ça a l’air sympa. Parce que cela réduit la charge cognitive et améliore les décisions. Alors appliquons cela correctement. Pas en théorie. Dans la Fantasy Premier League.

Le début : pourquoi devrais-je m’en soucier ?

En FPL, il y a une décision chaque semaine qui compte plus que toute autre :

Qui est mon capitaine ?

Faites les choses correctement et vous doublez les points de votre joueur le plus performant. Vous obtenez ainsi deux fois le score de votre meilleur joueur ! Si vous faites le bon choix.

Si vous vous trompez, vous risquez de perdre des milliers de places du jour au lendemain.

Ce n’est pas simplement une autre mesure. C’est la décision à effet de levier la plus élevée du jeu. Le début du rapport doit donc encadrer cela explicitement.

Pas:

• “Aperçu de la semaine de jeu”
• « Mesures du joueur »

Mais:

Qui dois-je diriger cette semaine ?

C’est le contexte. C’est la portée. C’est la décision. Tout ce qui suit existe pour réduire l’incertitude autour de cette seule question.

Si la première page du rapport ne le rend pas évident en quelques secondes, il ne fait pas son travail. Comme vous pouvez le voir sur la capture d’écran ci-dessous de la page du rapport bien nommée Beginning – Quel joueur dois-je diriger cette semaine les données suggèrent, sur la base des points estimés la semaine prochaine, que le capitaine devrait être Cole Palmer ou Nico Reily avec un peu de copilote Power BI pour un peu de plaisir aussi.

Le milieu : que se passe-t-il et pourquoi ?

Une fois la décision cadrée, on passe au milieu.

C’est là que se trouvent la plupart des tableaux de bord. Mais dans une structure d’histoire, cette partie a une fonction : renforcer la confiance dans la décision.

En termes FPL, cela signifie analyser :

• joueurs de grande forme
• points projetés élevés
• bons buteurs historiques
• joueurs de bon rapport qualité-prix
• comparaisons basées sur la position

Mais voici la discipline : nous incluons uniquement ce qui influence la décision de capitaine ou de transfert. Pas tout.

1) Joueurs de grande forme

La forme est l’un des signaux à court terme les plus clairs en FPL. Si un joueur a bien marqué au cours des 3 à 5 dernières semaines de match, c’est un élan significatif. Le rapport devrait donc clairement faire surface :

• Meilleurs joueurs par forme
• Avec contexte (position, prix, minutes jouées)

Pas enterré dans un tableau avec des lignes et des lignes de données. Il convient de le souligner. Parce que la forme influence directement la confiance du capitaine.

2) Points projetés élevés (EP_Next)

Les points projetés sont importants car le poste de capitaine est une décision prospective, vous l’avez déjà entendu : « Les performances passées ne signifient pas les rendements futurs ». Votre rapport doit clairement indiquer :

• Meilleurs points projetés dans l’ensemble
• Et les meilleurs points projetés par position

C’est là que l’histoire se rétrécit. Nous ne demandons pas « Qui est intéressant ? » Nous demandons :

Qui est le plus susceptible de livrer des points cette semaine ?

Donc, notre section du milieu, la première page sur deux bien nommée Milieu – Meilleurs joueurs par forme EP et position ça ressemble à ça

3) Score élevé mais bon marché – Bon retour sur investissement pour les hommes d’affaires

Les transferts comptent aussi. N’oublions pas cela. La section médiane doit également faire surface :

• joueurs avec un total de points élevé
• par rapport à leur coût
• avec une forte forme récente

C’est ainsi que vous identifiez la valeur.

Un défenseur de 5,5 millions de livres sterling avec une moyenne de 6 points par match pourrait être un meilleur transfert qu’un milieu de terrain sous-performant de 7,5 millions de livres sterling.

Le rapport devrait aider à répondre :

• Si j’ai besoin d’un transfert cette semaine, où est la valeur ?
• Quels postes offrent des avantages ?

Cela construit le dossier. Cela renforce la confiance.

La fin : que fait-on ensuite ?

Vient maintenant la partie qui manque à la plupart des tableaux de bord. La fin. L’implication. La recommandation.

Basé sur:

• formulaire
• points projetés
• valeur
• comparaisons de positions

Le rapport doit atterrir sur :

C’est le capitaine.

Et en option :

Ce sont les meilleures alternatives par poste.

Ainsi, l’un des articles précédents de cette série a été publié dans la newsletter de Brent Ozar, c’était celui intitulé La surcharge de données tue la prise de décision et il a ajouté un commentaire dans sa newsletter à propos de mon article qui disait “Gethyn Ellis dit que la surcharge de données tue la prise de décision, et j’ajouterai ceci l’une des raisons pour lesquelles les gens s’appuient davantage sur l’IA pour distiller des choses”. C’est ce que j’ai fait, pour ma fin, j’ai demandé à Power BI Copilot de décrire, en fonction de mes données, la meilleure équipe cette semaine. Le voici si vous le voulez pour la date limite de vendredi

Cela n’enlève rien aux nuances. Cela lève toute ambiguïté. Cela donne de la clarté au manager.

Pourquoi ça marche

Cette structure fonctionne parce qu’elle s’aligne sur la façon dont le cerveau traite les décisions.

Début: Pourquoi devrais-je m’en soucier ? → Décision de capitainerie.

Milieu: Que se passe-t-il et pourquoi ? → Forme, projections, valeur.

Fin: Que faisons-nous ensuite ? → Sélection du capitaine + alternatives.

Ce n’est pas de l’écriture créative. C’est l’alignement cognitif.

Ce que cela signifie pour l’analyse commerciale

Maintenant, effectuez un zoom arrière. Remplacer:

« Qui dois-je diriger ? »

Avec:

• Avec quel fournisseur faut-il renégocier ?
• Quel produit faut-il privilégier ?
• Dans quelle région devrions-nous investir ?

La structure est identique. La plupart des tableaux de bord d’entreprise s’arrêtent au milieu. L’exemple du FPL le rend évident car les enjeux sont visibles et immédiats. Si je publie un tableau de bord FPL qui ne me dit jamais qui diriger, cela ne sert à rien. Il devrait en être de même dans les affaires.

Le vrai test

Si quelqu’un ouvre votre rapport Power BI et vous demande :

“Alors que devrions-nous faire?”

Alors votre histoire n’est pas terminée. En FPL, cela vous coûte du classement.

En affaires, cela vous coûte de la clarté, de la rapidité et de l’alignement. C’est pourquoi la structure est importante.

Vous souhaitez appliquer cela au-delà du FPL ?

La Fantasy Premier League rend les enjeux évidents.

Si vous vous trompez de capitaine, vous perdez votre rang. Prenez une mauvaise décision en affaires et vous perdez du temps, de l’argent et de l’élan. La structure est la même.

À l’intérieur du Accélérateur de donnéesnous travaillons avec des équipes pour passer du reporting à l’aide à la décision – en commençant par la décision, en structurant les rapports avec intention et en rendant les implications explicites.

Si vous souhaitez vraiment transformer vos rapports Power BI en outils de décision, et pas seulement en tableaux de bord, c’est exactement ce sur quoi nous nous concentrons.

Dans le prochain article, nous aborderons quelque chose d’encore plus inconfortable : vous n’êtes pas le héros du rapport, c’est le public qui l’est.

En rapport: Structure du rapport Power BI : début, milieu, fin

Exemple: L’analyse décisionnelle en pratique : un exemple de Fantasy Football

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

Moneyball à Madrid : données, décisions et un week-end d’analyse FPL

J’ai passé le week-end à Madrid pour prononcer mon discours « Moneyball : créer une équipe de football fantastique qui tue avec Power BI. » Ce fut un événement brillant et, bien que ma séance se soit déroulée en anglais, la participation a été fantastique. Un grand merci à tous ceux qui sont venus, ont participé au contenu et sont restés sur place par la suite pour poser des questions. Des événements comme celui-ci me rappellent pourquoi j’aime mélanger les données, le football et l’enseignement.

Une question ressortait au-dessus des autres. Profil LinkedIn de Joaquín González Galdo demandé :

« Quelle est la mesure clé que vous utilisez lorsque vous prenez des décisions en FPL ? »

C’est une question d’une simplicité trompeuse, mais pourtant puissante. Choisir un célibataire La métrique pour définir votre processus de prise de décision est une chose avec laquelle chaque analyste et responsable FPL se débat. Cela mérite un article de blog complet, et c’est le genre de question que je poserai au prochain épisode du Power BI FPL Show avec Ben Ferry et Justin Bird. Il y a beaucoup à déballer, des points attendus aux tendances de forme, en passant par la difficulté des appareils et la propriété efficace. Surveillez cet espace pour une plongée plus profonde.

Les fichiers Power BI et les scripts API sont désormais disponibles

Au cours de la session, j’ai promis de rendre mon fichier Power BI disponible, ainsi que le script PowerShell que j’ai utilisé pour me connecter à l’API FPL et extraire les données de la semaine de jeu des joueurs individuels. J’ai maintenant tout téléchargé sur mon dépôt hub GitHub, et vous pouvez y accéder ici :

N’hésitez pas à explorer, cloner, modifier et tester le modèle. Le rapport Power BI montre comment créer un modèle de schéma en étoile pour FPL, comment effectuer une analyse au niveau de la semaine de jeu et comment appliquer des métriques et des calculs qui aident à orienter la prise de décision. Le script du connecteur PowerShell est léger mais efficace, ce qui en fait un point de départ utile pour quiconque souhaite étendre ses propres pipelines de données alimentés par FPL.

Lorsque votre Internet tombe en panne et que vous paniquez, transférez votre gardien

Ironiquement, alors que je démontais la valeur des décisions basées sur les données, le Wi-Fi du site est tombé en panne, me laissant
incapable de mettre à jour ma propre équipe en direct pendant la conférence. Classique.

Une fois revenu à une connexion stable, le premier mouvement que j’ai fait était dans le but : Roefs dehors, Henderson rentré.

Henderson points estimés est arrivé vers 7par rapport à Roefs à 2.7ce qui rend l’échange simple dans mon cadre d’évaluation. Même de petites améliorations au poste de gardien de but peuvent modifier de manière significative la variance hebdomadaire, celle-ci était donc une évidence.

Semenyo vs Grealish – Une histoire de deux sous-performants

Je ne sais toujours pas si je dois transférer Semenyo. Ses chiffres et ses projections de points suggèrent clairement qu’il devrait partir, mais le vendre signifierait perdre la valeur de l’équipe. La préservation de la valeur est un élément clé de la stratégie à long terme, donc pour l’instant il survit.

Grealish, cependant, n’a pas non plus fait son part, et contrairement à Semenyo, je ne suis pas émotionnellement investi dans sa détention. Sa forme a baissé et Everton a été irrégulier.

J’ai donc fait le changement : Grealish → Harvey Barnes (Newcastle United)

Barnes a été vif, a des paramètres sous-jacents solides et une série de matches très favorables. Il y a aussi des discussions intéressantes en dehors du terrain sur le fait qu’il pourrait changer d’allégeance internationale à l’Écosse après sa qualification pour la Coupe du monde, rien de tel qu’un élan de motivation pour maintenir sa forme à la hausse.

Woltemade Out – Mais qui entre ?

La prochaine étape était d’expédier Nick Woltemade. celui de West Ham Callum Wilson est en forme, et bien que le match contre Liverpool semble difficile sur le papier, le FDR ne reflète tout simplement pas à quel point Liverpool a été médiocre défensivement. Il y a une partie de moi qui pense que Wilson pourrait vraiment réussir. Il est clinique, il est confiant et il adore faire la une des journaux.

L’alternative que j’envisage est Igor Thiago de Brentford. Il est moins sujet aux blessures que Wilson, il se porte bien et les matches sont beaucoup plus cléments. Ses chiffres sous-jacents le placent fermement dans la catégorie des « punts viables ». Je peux encore pivoter avant la date limite.

J’ai choisi Thiago.

Quand l’instinct intestinal revient

Une chose que j’ai admise pendant la séance : au cours des dernières semaines, j’ai laissé mon instinct commencer à prendre le pas sur mon cadre. Avec la série de matches difficiles de Manchester City, j’ai essayé d’être intelligent et d’éviter d’être capitaine de Haaland. Cela n’a pas payé. Cette semaine, les données suggèrent en fait que Harvey Barnes pourrait être une option viable pour le poste de capitaine. Ses points estimés le plaçaient directement dans la conversation. Mais il y a une mesure qui l’emporte sur tout : propriété effective. Celui de Haaland reste énorme. S’il réussit – et c’est dû –, se passer de lui comme capitaine serait catastrophique.

Ainsi, bien que Barnes soit une option légitime dans le cadre du modèle, j’ai fait la chose raisonnable : Haaland est de retour en tant que capitaine. Voici ma programmation finale

Un bon rappel que la prise de décision basée sur les données est une discipline. Cela demande de la cohérence.

Pensées finales

Madrid était superbe. Une ville formidable, des gens formidables, des conversations formidables et un formidable rappel de la mondialisation des communautés FPL et Power BI. J’écrirai davantage sur les indicateurs clés, les cadres de décision et la façon de créer votre propre flux de travail analytique pour Fantasy Premier League.

D’ici là, profitez des fichiers, profitez des données et bonne chance pour la semaine de jeu à venir.

Liens utiles

Explorer Microsoft Fabric à travers les données de Fantasy Premier League

Le coût de ne rien faire : comment ignorer la stratégie de données draine la croissance des PME

Comment gagner à Fantasy Premier League en utilisant l’analyse de données et Power BI