Regista.
Le recrutement football, décidé par la donnée.
Visualisation tactique, IA prédictive et critères mentaux réunis pour répondre à une seule question : ce joueur réussira-t-il chez nous ?
Cinq postes, un système.
On se répartit comme sur un terrain : chacun tient sa ligne. Le projet porte le nom du meneur de jeu (le regista) qui oriente toute l'équipe.
Recruter, c'est parier des millions.
Les clubs dépensent sans garantie. Les outils donnent des statistiques brutes, mais aucun ne dit si un joueur s'adaptera à un système, un vestiaire, un championnat.
100 M€. Sept buts.
Eden Hazard, star de Chelsea, rejoint le Real Madrid en 2019 pour près de 100 M€ et un salaire XXL. Blessures, méforme, adaptation ratée : 7 buts en 4 saisons, puis un départ libre en 2023. Le talent n'était pas en cause ; l'adaptation, si.
C'est exactement ce risque d'adaptation que le score de Regista cherche à anticiper.
Un contexte qui pousse à l'outil.
Six forces externes rendent l'optimisation du recrutement incontournable. Quatre sont à priorité haute pour Regista.
RSTP FIFA, agents UEFA, Brexit/GBE, quotas nationaux.
Priorité moyenneMarché >5 Mds€/an (+350% en 10 ans), RSF UEFA, Saudi/MLS.
Priorité hauteAnalytics +15%/an, 78% des clubs avec data analyst, foot féminin.
Priorité hauteXGBoost/SHAP/GNN, computer vision, APIs, cybersécurité.
Priorité haute-80% de déplacements scouts, obligations ESG/CSRD, Green IT.
Priorité faibleRGPD Art.9, EU AI Act, licences APIs, mineurs (Art.19).
Priorité hauteForts là où les autres ne vont pas.
- IA d'adaptation contextuelle >80%
- Critères mentaux uniques
- Visualisation tactique 2D/3D
- Scoring en centiles par poste
- Équipe réduite (5 étudiants)
- MVP pas encore en production
- Dépendance aux fournisseurs de données
- Notoriété faible face aux leaders
- Marché transferts >5 Mds€/an
- Analytics +15%/an
- Pression Fair-Play Financier UEFA
- Besoin d'aide à la décision
- Concurrents établis (Wyscout, Opta)
- Réglementation des données
- Résistance au changement
- Internalisation data des grands clubs
Trois outils, une décision.
Regista réunit en une plateforme ce que les clubs assemblent à la main, avec une IA explicable au cœur.
Visualisation tactique
Terrain interactif, formations en glisser-déposer. Un clic sur un poste lance la recherche dans son contexte.
IA d'adaptation
Score 0–100 par joueur (>80% visé) et surtout le « pourquoi » expliqué avec SHAP.
Dashboard analytique
Filtres multicritères, centiles par poste, comparateur, shortlist, export PDF.
Cinq briques, un parcours.
Du terrain à la décision, chaque brique répond à un besoin précis de recruteur ou de directeur sportif.
Terrain
Effectif positionné, vues offensive / défensive.
Filtres
Technique, physique, mental, économique.
Reco IA
Score d'adaptation contextualisé au club.
Centiles
Stats normalisées 0–100 par poste.
Dashboard
Comparateur, shortlist, alertes, export.
Quatre acteurs, trente histoires.
Le besoin est cadré par acteur et priorisé en MoSCoW (Must / Should / Could). Chaque story a ses critères d'acceptation.
- Recherche par poste
- Reco IA & explication
- Comparateur, shortlist
- Export PDF
- Effectif & système de jeu
- Besoins de recrutement
- Membres de l'équipe
- Abonnement
- Comptes & RBAC
- Données joueurs
- Modèle IA
- Monitoring
- Découverte de l'offre
- Inscription club
- Essai gratuit
- Demande de démo
Un ROI qui se démontre.
Regista remplace une cellule de scouting coûteuse par une présélection data : l'outil est remboursé dès le premier transfert réussi.
Une chaîne, des couches nettes.
Chaque couche a une responsabilité unique ; l'IA est isolée derrière un microservice pour rester remplaçable.
Chaque techno répond à un besoin.
TypeScript de bout en bout pour une équipe de cinq, Python là où la data l'exige, et on ne paie l'infra que quand le besoin est prouvé.
Frontend
- Next.js 16 · React 19SSR/SSG : perf et SEO.
- TypeScriptTypage strict, moins de bugs.
- Tailwind v4 · shadcn40 composants, tokens.
- D3.js · ZustandRadars, état léger.
Backend
- NestJS 11Modulaire, même langage.
- PostgreSQL 17Joueurs, saisons, clubs.
- Redis · ElasticsearchCache, recherche.
- JWT · RBACRôles club/recruteur/admin.
IA / Data
- XGBoostRéférence tabulaire.
- SHAPExplicabilité = adoption.
- Airflow · MLflowETL, modèles versionnés.
- FastAPIMicroservice prédiction.
Infra
- DockerOnboarding 3 commandes.
- GitHub ActionsLint, test, build par PR.
- Vercel+Supabase→AWSGratuit puis scale.
- Sentry · GrafanaMonitoring, alerting.
Un score, et son explication.
Le modèle ne sort pas une note opaque : il donne un score d'adaptation et les facteurs qui le justifient, lisibles par un non-technicien.
Une identité, déjà testée.
Avant les features : un design system complet sous Storybook, accessible et tokenisé. Cette présentation utilise d'ailleurs ses tokens.
Sept phases, douze mois.
De septembre 2026 à l'été 2027, avec une variante pessimiste (+20% par tâche) déjà budgétée.
On a nommé les pièges.
Dix risques cotés P×I, avec un propriétaire et un plan de mitigation. Les cinq plus critiques :
| Risque | Niveau | Score | Owner |
|---|---|---|---|
| Accès aux données pro refusé / trop cher | Critique | 20 | Tristan |
| Disponibilité équipe étudiante | Élevé | 16 | Timoté |
| Scope creep produit | Élevé | 16 | Timoté |
| Adoption faible des recruteurs | Élevé | 16 | Timoté |
| Modèle ML sous le seuil de 80% | Élevé | 15 | Tristan |
Prochain arrêt : le MVP.
Terrain jouable, API joueurs et premier modèle d'ici la fin de l'automne. Tout est tracé, documenté et planifié.