Collecte des données brutes

Tout commence avec le tableau de bord : les temps de passage, la cadence, la puissance. Pas de chichi, on récupère chaque point, même le plus minime. Et ici, le souci : le bruit. Les capteurs flanchent, les conditions varient, les chiffres s’embrouillent. Résultat ? Une mer d’informations qui ressemble à un trafic chaotique.

Nettoyage et normalisation

Première règle : on retire les outliers comme on jette les cailloux dans le guidon. Méthode simple : écart-type, seuil 2σ. Ensuite, on uniformise les unités : watts en watts, km/h en km/h. Sans cela, aucune comparaison fiable. En plus, on applique un lissage exponentiel : 0,3 de facteur, histoire d’atténuer les pics sans les écraser.

Choix des indicateurs clés

Pas de surmenage, on se concentre sur trois métriques. 1️⃣ Puissance moyenne sur 20 min. 2️⃣ VMA ajustée selon le profil de course. 3️⃣ Ratio de cadence à puissance. Ces KPI sont le nerf de la guerre. Leur évolution révèle le vrai cap : soit le coureur monte, soit il stagne.

Analyse temporelle

On crée une fenêtre glissante de sept jours. Chaque jour, on recalcul le KPI moyen. Soudain, une hausse de 3 % apparaît et persiste trois semaines. Voilà une tendance. Sinon, les fluctuations aléatoires se dissipent rapidement.

Visualisation brute

Pas de graphique chic, juste un simple tracé ligne-temps. Si la courbe incline, c’est le signal. Si elle zigzague, c’est le bruit. On ne se trompe jamais en regardant la pente à l’œil nu.

Détection algorithmique

On injecte un test de Mann‑Kendall. Si p < 0,05, on crie « tendance ! ». Complémentaire, un modèle ARIMA à 1 lag, pour confirmer que la dynamique n’est pas un simple hasard saisonnier. Le code ? Quelques lignes Python, pas besoin d’une IA gourmande.

Validation terrain

Et voici le twist : les chiffres restent froids sans le contexte. On regarde le profil de l’étape, la météo, le niveau de fatigue. Si le cycliste a sauté une colline difficile, la hausse de puissance peut simplement refléter moins d’effort. On croise alors les données de parisportifcyclisme.com avec les rapports de course pour vérifier.

Action immédiate

Si la pente est positive, on augmente l’intensité d’entraînement d’environ 5 % pour exploiter le momentum. Sinon, on fait un reset, on retire la charge et on repasse à la base. C’est tout.

Collecte des données brutes

Tout commence avec le tableau de bord : les temps de passage, la cadence, la puissance. Pas de chichi, on récupère chaque point, même le plus minime. Et ici, le souci : le bruit. Les capteurs flanchent, les conditions varient, les chiffres s’embrouillent. Résultat ? Une mer d’informations qui ressemble à un trafic chaotique.

Nettoyage et normalisation

Première règle : on retire les outliers comme on jette les cailloux dans le guidon. Méthode simple : écart-type, seuil 2σ. Ensuite, on uniformise les unités : watts en watts, km/h en km/h. Sans cela, aucune comparaison fiable. En plus, on applique un lissage exponentiel : 0,3 de facteur, histoire d’atténuer les pics sans les écraser.

Choix des indicateurs clés

Pas de surmenage, on se concentre sur trois métriques. 1️⃣ Puissance moyenne sur 20 min. 2️⃣ VMA ajustée selon le profil de course. 3️⃣ Ratio de cadence à puissance. Ces KPI sont le nerf de la guerre. Leur évolution révèle le vrai cap : soit le coureur monte, soit il stagne.

Analyse temporelle

On crée une fenêtre glissante de sept jours. Chaque jour, on recalcul le KPI moyen. Soudain, une hausse de 3 % apparaît et persiste trois semaines. Voilà une tendance. Sinon, les fluctuations aléatoires se dissipent rapidement.

Visualisation brute

Pas de graphique chic, juste un simple tracé ligne-temps. Si la courbe incline, c’est le signal. Si elle zigzague, c’est le bruit. On ne se trompe jamais en regardant la pente à l’œil nu.

Détection algorithmique

On injecte un test de Mann‑Kendall. Si p < 0,05, on crie « tendance ! ». Complémentaire, un modèle ARIMA à 1 lag, pour confirmer que la dynamique n’est pas un simple hasard saisonnier. Le code ? Quelques lignes Python, pas besoin d’une IA gourmande.

Validation terrain

Et voici le twist : les chiffres restent froids sans le contexte. On regarde le profil de l’étape, la météo, le niveau de fatigue. Si le cycliste a sauté une colline difficile, la hausse de puissance peut simplement refléter moins d’effort. On croise alors les données de parisportifcyclisme.com avec les rapports de course pour vérifier.

Action immédiate

Si la pente est positive, on augmente l’intensité d’entraînement d’environ 5 % pour exploiter le momentum. Sinon, on fait un reset, on retire la charge et on repasse à la base. C’est tout.