Comment les divisions 2021 de la LNH réduiront les déplacements
J’imagine que, tout comme moi, plusieurs parmi vous étiez particulièrement enthousiastes lorsque la Ligue Nationale de Hockey (LNH) a dévoilé les divisions qui seront utilisées tout au long de la présente saison. Ça fait des années que je rêvais secrètement d’une division canadienne, mais je n’avais jamais cru que mon rêve deviendrait réalité! On aura droit à du hockey électrisant et certaines rivalités passeront probablement à un niveau supérieur, mais qu’en est-il de l’impact sur le voyagement des équipes?
Cet article est le premier d’une série de plusieurs dans lesquels j’explorerai différentes
fonctionnalités du package
tidynhl, un projet personnel qui, lentement mais
sûrement, prend forme. Le but de celui-ci est de faciliter l’accès aux données de la LNH en
utilisant leur API ouvert de statistiques.
Calendrier 2021 des équipes
Pour commencer, on charge et on affiche un extrait du calendrier 2021 de la LNH à l’aide de la
fonction tidy_schedules().
# Charger les packages
library(data.table)
library(tidynhl)
# Obtenir le calendrier 2021 de la LNH
nhl_schedule_2021 <- tidy_schedules(
seasons_id = "20202021",
playoffs = FALSE
)
# Afficher un extrait du calendrier
nhl_schedule_2021[]
#> season_years season_type game_datetime game_status venue_name away_abbreviation away_score home_score home_abbreviation game_nbot game_shootout
#> 1: 2020-21 regular 2021-01-13 17:30:00 final Wells Fargo Center PIT 3 6 PHI 0 FALSE
#> 2: 2020-21 regular 2021-01-13 19:00:00 final Scotiabank Arena MTL 4 5 TOR 1 FALSE
#> 3: 2020-21 regular 2021-01-13 20:00:00 final Amalie Arena CHI 1 5 TBL 0 FALSE
#> 4: 2020-21 regular 2021-01-13 22:00:00 final Rogers Place VAN 5 3 EDM 0 FALSE
#> 5: 2020-21 regular 2021-01-13 22:30:00 final Ball Arena STL 4 1 COL 0 FALSE
#> ---
#> 864: 2020-21 regular 2021-05-08 22:00:00 scheduled Rogers Arena CGY NA NA VAN NA NA
#> 865: 2020-21 regular 2021-05-08 22:00:00 scheduled T-Mobile Arena STL NA NA VGK NA NA
#> 866: 2020-21 regular 2021-05-08 22:00:00 scheduled STAPLES Center COL NA NA LAK NA NA
#> 867: 2020-21 regular 2021-05-08 22:30:00 scheduled SAP Center at San Jose ARI NA NA SJS NA NA
#> 868: 2020-21 regular 2021-05-10 19:00:00 scheduled Amalie Arena DAL NA NA TBL NA NAOn fait ensuite une transformation des données pour garder les colonnes d’intérêt et dupliquer les lignes dans le but d’avoir une vue pour chaque équipe. Ces étapes seront traitées à l’intérieur d’une fonction qui pourra être réutilisée un peu plus loin dans l’article.
# Définir la fonction create_teams_schedule()
create_teams_schedule <- function(nhl_schedule) {
teams_schedule <- rbindlist(list(
nhl_schedule[, .(
season = season_years,
date = as.Date(game_datetime, tz = Sys.timezone()),
status = "away",
team = away_abbreviation,
opponent = home_abbreviation
)],
nhl_schedule[, .(
season = season_years,
date = as.Date(game_datetime, tz = Sys.timezone()),
status = "home",
team = home_abbreviation,
opponent = away_abbreviation
)]
))
teams_schedule[, venue := ifelse(status == "home", team, opponent)]
setkey(teams_schedule, season, team, date)
teams_schedule[]
}
# Appliquer la fonction au calendrier 2021
teams_schedule_2021 <- create_teams_schedule(nhl_schedule_2021)
# Afficher un aperçu
teams_schedule_2021[]
#> season date status team opponent venue
#> 1: 2020-21 2021-01-14 away ANA VGK VGK
#> 2: 2020-21 2021-01-16 away ANA VGK VGK
#> 3: 2020-21 2021-01-18 home ANA MIN ANA
#> 4: 2020-21 2021-01-20 home ANA MIN ANA
#> 5: 2020-21 2021-01-22 home ANA COL ANA
#> ---
#> 1732: 2020-21 2021-05-01 home WSH PIT WSH
#> 1733: 2020-21 2021-05-03 away WSH NYR NYR
#> 1734: 2020-21 2021-05-05 away WSH NYR NYR
#> 1735: 2020-21 2021-05-07 home WSH PHI WSH
#> 1736: 2020-21 2021-05-08 home WSH PHI WSHTransformation des données
L’objectif de cette section est de mettre en relation les matchs successifs des équipes. On définit donc une fonction qui créera de nouvelles colonnes dans lesquelles on va indiquer la date et l’endroit du dernier match. On crée cette fonction et on l’applique à nos données dans le bloc ci-dessous.
# Définir la fonction add_last_game()
add_last_game <- function(teams_schedule) {
teams_schedule[, `:=`(
last_date = c(as.Date(NA), date[-.N]),
last_venue = c(team, venue[-.N])
), .(season, team)]
}
# Appliquer la fonction au calendrier 2021
add_last_game(teams_schedule_2021)
# Afficher un aperçu
teams_schedule_2021[]
#> season date status team opponent venue last_date last_venue
#> 1: 2020-21 2021-01-14 away ANA VGK VGK <NA> ANA
#> 2: 2020-21 2021-01-16 away ANA VGK VGK 2021-01-14 VGK
#> 3: 2020-21 2021-01-18 home ANA MIN ANA 2021-01-16 VGK
#> 4: 2020-21 2021-01-20 home ANA MIN ANA 2021-01-18 ANA
#> 5: 2020-21 2021-01-22 home ANA COL ANA 2021-01-20 ANA
#> ---
#> 1732: 2020-21 2021-05-01 home WSH PIT WSH 2021-04-29 WSH
#> 1733: 2020-21 2021-05-03 away WSH NYR NYR 2021-05-01 WSH
#> 1734: 2020-21 2021-05-05 away WSH NYR NYR 2021-05-03 NYR
#> 1735: 2020-21 2021-05-07 home WSH PHI WSH 2021-05-05 NYR
#> 1736: 2020-21 2021-05-08 home WSH PHI WSH 2021-05-07 WSHOn crée ensuite une autre table dans laquelle on viendra calculer les distances entre le domicile
des différentes équipes. À des fins de simplicité, on pose l’hypothèse que toutes les distances sont
calculées à vol d’oiseau entre ceux-ci. Pour ce faire, on va utiliser la fonction distm() du
package geosphere.
On commence donc par charger différentes informations sur chaque équipe (dont l’emplacement de leur
amphithéâtre et leur division respective) à l’aide de la fonction tidy_teams_meta(). On calculera
ensuite une matrice des distances qu’on transformera en table pour en faciliter l’interrogation.
# Charger le package
library(geosphere)
# Charger les informations des équipes
teams_meta <- tidy_teams_meta()
# Afficher un aperçu
teams_meta[]
#> team_abbreviation team_place team_name team_fullname team_shortname season_first_years conference_active_abbreviation conference_active_name division_active_abbreviation division_active_name venue_active_name venue_active_country venue_active_stateprovince venue_active_city venue_active_tz venue_active_lat venue_active_long logo_last_url
#> 1: ANA Anaheim Ducks Anaheim Ducks Anaheim 1993-94 W Western WST Honda West Honda Center USA CA Anaheim America/Los_Angeles 33.80778 -117.87667 https://assets.nhle.com/logos/nhl/svg/ANA_light.svg
#> 2: ARI Arizona Coyotes Arizona Coyotes Arizona 2014-15 W Western WST Honda West Gila River Arena USA AZ Glendale America/Phoenix 33.53194 -112.26111 https://assets.nhle.com/logos/nhl/svg/ARI_light.svg
#> 3: BOS Boston Bruins Boston Bruins Boston 1924-25 E Eastern EST MassMutual East TD Garden USA MA Boston America/New_York 42.36630 -71.06223 https://assets.nhle.com/logos/nhl/svg/BOS_light.svg
#> 4: BUF Buffalo Sabres Buffalo Sabres Buffalo 1970-71 E Eastern EST MassMutual East KeyBank Center USA NY Buffalo America/New_York 42.87500 -78.87639 https://assets.nhle.com/logos/nhl/svg/BUF_light.svg
#> 5: CAR Carolina Hurricanes Carolina Hurricanes Carolina 1997-98 E Eastern CEN Discover Central PNC Arena USA NC Raleigh America/New_York 35.80333 -78.72194 https://assets.nhle.com/logos/nhl/svg/CAR_light.svg
#> ---
#> 27: TOR Toronto Maple Leafs Toronto Maple Leafs Toronto 1926-27 E Eastern NTH Scotia North Scotiabank Arena Canada ON Toronto America/Toronto 43.64333 -79.37917 https://assets.nhle.com/logos/nhl/svg/TOR_light.svg
#> 28: VAN Vancouver Canucks Vancouver Canucks Vancouver 1970-71 W Western NTH Scotia North Rogers Arena Canada BC Vancouver America/Vancouver 49.27778 -123.10889 https://assets.nhle.com/logos/nhl/svg/VAN_light.svg
#> 29: VGK Vegas Golden Knights Vegas Golden Knights Vegas 2017-18 W Western WST Honda West T-Mobile Arena USA NV Las Vegas America/Los_Angeles 36.10278 -115.17833 https://assets.nhle.com/logos/nhl/svg/VGK_light.svg
#> 30: WPG Winnipeg Jets Winnipeg Jets Winnipeg 2011-12 W Western NTH Scotia North Bell MTS Place Canada MB Winnipeg America/Winnipeg 49.89278 -97.14361 https://assets.nhle.com/logos/nhl/svg/WPG_light.svg
#> 31: WSH Washington Capitals Washington Capitals Washington 1974-75 E Eastern EST MassMutual East Capital One Arena USA DC Washington America/New_York 38.89806 -77.02083 https://assets.nhle.com/logos/nhl/svg/WSH_light.svg
# Calculer une matrice des distances en km
venues_matrix <- round(distm(teams_meta[, .(venue_active_long, venue_active_lat)]) / 1000L)
# Convertir sous la forme d'une table
teams_distances <- setDT(
expand.grid(team = teams_meta[, team_abbreviation], opponent = teams_meta[, team_abbreviation])
)[, distance := as.integer(venues_matrix)]
# Afficher un aperçu
teams_distances[]
#> team opponent distance
#> 1: ANA ANA 0
#> 2: ARI ANA 522
#> 3: BOS ANA 4161
#> 4: BUF ANA 3520
#> 5: CAR ANA 3566
#> ---
#> 957: TOR WSH 563
#> 958: VAN WSH 3801
#> 959: VGK WSH 3364
#> 960: WPG WSH 2005
#> 961: WSH WSH 0Analyse des déplacements
Afin d’être en mesure de faire notre analyse, on doit tout d’abord poser d’autres hypothèses, cette fois par rapport à la fréquence de déplacement des équipes. Évidemment, celles-ci ne sont pas nécessairement exactes, mais j’ai essayé de construite un algorithme balancé entre simplicité et réalité.
On pose donc les hypothèses suivantes :
- Chaque équipe est basée à son domicile en début de saison;
- Les déplacements à l’étranger sont effectués selon l’algorithme présenté ci-dessous.
On peut faire un exemple concret en appliquant ces hypothèses au début de saison des Canadiens de Montréal pour bien comprendre. On obtient alors, pour les deux premières semaines de leur calendrier, les voyages suivants :
Match du 13 janvier 2021 (MTL @ TOR)
- L’équipe est basée à MTL en début de saison
⇒ Verdict : Voyage de MTL vers TOR ✈️
Match du 16 janvier 2021 (MTL @ EDM)
- L’équipe joue 2 matchs consécutifs sur la route (13 et 16 janvier)
- Ces deux matchs ne sont pas contre le même adversaire (TOR et EDM)
- L’adversaire le plus près (TOR) n’est pas à plus de 2000 km de MTL
- L’équipe n’a pas 3 jours de congé entre les matchs (seulement les 14 et 15 janvier)
⇒ Verdict : Voyage de TOR vers EDM ✈️
Match du 18 janvier 2021 (MTL @ EDM)
- L’équipe joue 2 matchs consécutifs sur la route (16 et 18 janvier)
- Ces deux matchs sont contre le même adversaire (EDM)
⇒ Verdict : Aucun voyage 🏨
Match du 20 janvier 2021 (MTL @ VAN)
- L’équipe joue 2 matchs consécutifs sur la route (18 et 20 janvier)
- Ces deux matchs ne sont pas contre le même adversaire (EDM et VAN)
- L’adversaire le plus près (EDM) est à plus de 2000 km de MTL
- L’équipe n’a pas 5 jours de congé entre les matchs (seulement le 19 janvier)
⇒ Verdict : Voyage de EDM vers VAN ✈️
Match du 21 janvier 2021 (MTL @ VAN)
- L’équipe joue 2 matchs consécutifs sur la route (20 et 21 janvier)
- Ces deux matchs sont contre le même adversaire (VAN)
⇒ Verdict : Aucun voyage 🏨
Match du 23 janvier 2021 (MTL @ VAN)
- L’équipe joue 2 matchs consécutifs sur la route (21 et 23 janvier)
- Ces deux matchs sont contre le même adversaire (VAN)
⇒ Verdict : Aucun voyage 🏨
Match du 28 janvier 2021 (CGY @ MTL)
- L’équipe ne joue pas 2 matchs consécutifs sur la route
⇒ Verdict : Voyage de VAN vers MTL ✈️
On crée maintenant une fonction implantant cet algorithme et on l’applique à l’ensemble des équipes pour leur calendrier 2021.
# Définir la fonction create_teams_travels()
create_teams_travels <- function(teams_schedule) {
teams_travels <- teams_schedule[, rbindlist(mapply(
FUN = function(team, venue, last_venue, off_days) {
# Empêcher les collisions
TEAM <- team
# Aucun voyage
if (venue == last_venue) {
return(NULL)
}
# Direction prochain match
if (is.na(off_days) | off_days < 3L | team %in% c(venue, last_venue)) {
return(list(
from = last_venue,
to = venue
))
}
# Distance minimale du domicile
distance <- teams_distances[team == TEAM & opponent %in% c(venue, last_venue), min(distance)]
# Direction domicile + Direction prochain match
if (off_days >= 5L | (off_days >= 3L & distance <= 2000L)) {
return(list(
from = c(last_venue, team),
to = c(team, venue)
))
}
# Direction prochain match
list(
from = last_venue,
to = venue
)
},
team = team,
venue = venue,
last_venue = last_venue,
off_days = date - last_date - 1L,
SIMPLIFY = FALSE
)), .(season, team)]
# Ajouter la distance des voyages
teams_travels[teams_distances, distance := distance, on = c(from = "team", to = "opponent")]
# Appeler la valeur de sortie
teams_travels[]
}
# Appliquer la fonction au calendrier 2021 des équipes
teams_travels_2021 <- create_teams_travels(teams_schedule_2021)
# Afficher un aperçu
teams_travels_2021[]
#> season team from to distance
#> 1: 2020-21 ANA ANA VGK 354
#> 2: 2020-21 ANA VGK ANA 354
#> 3: 2020-21 ANA ANA ARI 522
#> 4: 2020-21 ANA ARI ANA 522
#> 5: 2020-21 ANA ANA LAK 45
#> ---
#> 744: 2020-21 WSH BOS NYI 279
#> 745: 2020-21 WSH NYI PHI 162
#> 746: 2020-21 WSH PHI WSH 194
#> 747: 2020-21 WSH WSH NYR 331
#> 748: 2020-21 WSH NYR WSH 331On peut facilement valider que notre exemple pour le début de saison des Canadiens est bien représenté par l’algorithme.
teams_travels_2021[team == "MTL"][1:4]
#> season team from to distance
#> 1: 2020-21 MTL MTL TOR 505
#> 2: 2020-21 MTL TOR EDM 2714
#> 3: 2020-21 MTL EDM VAN 819
#> 4: 2020-21 MTL VAN MTL 3696On crée ensuite un sommaire par équipe indiquant la distance totale qui sera parcourue au cours de la saison 2021 auquel on vient ajouter la division actuelle de chaque équipe.
# Définir la fonction create_teams_travel_summary()
create_teams_travel_summary <- function(teams_travels, nhl_schedule) {
# Créer un tableau sommaire
teams_travel_summary <- teams_travels[, .(
nb = .N,
km = sum(distance)
), .(season, team)]
# Ajout du nombre de km par jour de saison
nhl_season_days <- nhl_schedule[, .(
season_years = season_years,
game_date = as.Date(game_datetime, tz = Sys.timezone())
)][, .(days = as.integer(max(game_date) - min(game_date) + 1L)), season_years]
teams_travel_summary[nhl_season_days, days := days, on = c(season = "season_years")]
teams_travel_summary[, km_per_day := km / days]
# Ajout des divisions
teams_travel_summary[teams_meta, division := division_active_name, on = c(team = "team_abbreviation")]
# Appeler la valeur de sortie
teams_travel_summary[]
}
# Appliquer la fonction aux voyages 2021 des équipes
teams_travel_summary_2021 <- create_teams_travel_summary(teams_travels_2021, nhl_schedule_2021)
# Afficher un aperçu
teams_travel_summary_2021[]
#> season team nb km days km_per_day division
#> 1: 2020-21 ANA 23 17275 118 146.39831 Honda West
#> 2: 2020-21 ARI 19 19110 118 161.94915 Honda West
#> 3: 2020-21 BOS 25 9012 118 76.37288 MassMutual East
#> 4: 2020-21 BUF 26 10483 118 88.83898 MassMutual East
#> 5: 2020-21 CAR 22 20457 118 173.36441 Discover Central
#> ---
#> 27: 2020-21 TOR 29 31852 118 269.93220 Scotia North
#> 28: 2020-21 VAN 22 33415 118 283.17797 Scotia North
#> 29: 2020-21 VGK 24 23275 118 197.24576 Honda West
#> 30: 2020-21 WPG 23 27515 118 233.17797 Scotia North
#> 31: 2020-21 WSH 25 7191 118 60.94068 MassMutual EastOn affiche maintenant un graphique permettant de visualiser cette information pour l’ensemble des
équipes de la ligue. On utilise respectivement les packages
ggplot2 et scales pour créer le
graphique et en modifier le formatage.
# Charger les packages
library(ggplot2)
library(scales)
# Créer le graphique
ggplot(
data = teams_travel_summary_2021,
mapping = aes(
x = km,
y = reorder(as.factor(team), km),
fill = division
)
) +
geom_col() +
scale_x_continuous(
labels = label_number(),
expand = expansion(mult = c(0, 0.05))
) +
scale_fill_brewer(palette = "Set1") +
labs(
title = "Distance totale à parcourir par équipe",
subtitle = "Saison 2021 de la LNH",
x = "Distance (km)"
)
Comme on pouvait s’y en attendre, les équipes près de la région métropolitaine de New York sont celles qui auront la plus petite distance à parcourir. On voit clairement que les équipes de la division canadienne sont celles qui, en moyenne, parcoureront le plus de kilomètres pendant la saison. Cependant, la distribution à l’intérieur de cette division est assez uniforme, ce qui n’est pas le cas pour la division ouest. Alors que les Ducks n’auront qu’un peu plus de 17 000 km à parcourir pendant la saison, les Blues en parcoureront près de 35 000 (plus du double 😱!) pendant la même période. Reste à voir si ce sera assez pour permettre aux Ducks de compenser pour leur manque de talent offensif…
Une chose est certaine, si la fatigue accumulée générée en raison du voyagement pendant la saison s’avère être un bon indicateur de la performance des joueurs en séries, la division est partira avec un avantage considérable sur ses adversaires au printemps prochain.
Comparaison avec les saisons précédentes
Bien que la statistique absolue du nombre de kilomètres à parcourir pour chaque équipe lors de la saison 2021 soit intéressante, on pourrait aussi s’intéresser au changement relatif qu’apportent ces nouvelles divisions et ce nouveau calendrier à chaque équipe. Pour ce faire, on comparera la saison 2021 aux saisons entre 2013-14 (dernier remaniement de divisions avant 2021) et 2019-20 inclusivement.
On applique donc les fonctions créées dans la section précédente une à la suite de l’autre. Ensuite, on calcule la moyenne de certaines métriques d’intérêt sur ces 7 saisons.
# Obtenir les calendriers 2013-14 à 2019-20 de la LNH
nhl_schedule_20132020 <- tidy_schedules(
seasons_id = paste0(2013:2019, 2014:2020),
playoffs = FALSE
)
# Remplacer PHX par ARI
nhl_schedule_20132020[away_abbreviation == "PHX", away_abbreviation := "ARI"]
nhl_schedule_20132020[home_abbreviation == "PHX", home_abbreviation := "ARI"]
# Créer une vue par équipe
teams_schedule_20132020 <- create_teams_schedule(nhl_schedule_20132020)
# Transformation des données
add_last_game(teams_schedule_20132020)
# Créer une vue des déplacements
teams_travels_20132020 <- create_teams_travels(teams_schedule_20132020)
# Créer le sommaire des déplacements par équipe par saison
teams_travel_summary_20132020 <- create_teams_travel_summary(teams_travels_20132020, nhl_schedule_20132020)
# Créer le sommaire des déplacements par équipe
teams_travel_summary_20132020 <- teams_travel_summary_20132020[, .(
season = "2013-20",
km_avg = mean(km),
km_per_day_avg = sum(km) / sum(days)
), .(team, division)]
# Afficher un aperçu
teams_travel_summary_20132020[]
#> team division season km_avg km_per_day_avg
#> 1: ANA Honda West 2013-20 71663.71 390.9945
#> 2: ARI Honda West 2013-20 77372.29 422.1403
#> 3: BOS MassMutual East 2013-20 63927.00 348.7833
#> 4: BUF MassMutual East 2013-20 55257.86 301.4848
#> 5: CAR Discover Central 2013-20 62885.29 343.0998
#> ---
#> 27: TOR Scotia North 2013-20 56366.86 307.5355
#> 28: VAN Scotia North 2013-20 72433.43 395.1941
#> 29: WPG Scotia North 2013-20 71265.57 388.8223
#> 30: WSH MassMutual East 2013-20 57520.14 313.8277
#> 31: VGK Honda West 2013-20 69383.00 389.0636Afin de comparer des pommes avec des pommes, on utilisera cette fois-ci la métrique de kilomètres parcourus en moyenne par jour pendant la saison. Cette métrique normalisera donc les saisons écourtées de 2019-20 et 2021 à un niveau comparable aux autres.
On affiche donc un graphique illustrant la réduction des déplacements quotidiens moyens par équipe pour la saison 2021 comparativement à la période de référence. Les résultats sont triés en ordre de diminution relative.
# Créer le sommaire comparatif
teams_travel_summary <- copy(teams_travel_summary_2021[, .(team, division, km_per_day_2021 = km_per_day)])
teams_travel_summary[teams_travel_summary_20132020, km_per_day_201320 := km_per_day_avg, on = .(team)]
teams_travel_summary[, km_per_day_cut := (km_per_day_2021 / km_per_day_201320) - 1]
# Créer le graphique
ggplot(
data = teams_travel_summary,
mapping = aes(
y = reorder(as.factor(team), km_per_day_cut),
fill = division
)
) +
geom_col(aes(x = km_per_day_2021), alpha = 1) +
geom_col(aes(x = km_per_day_201320), alpha = 0.5) +
geom_text(
mapping = aes(
x = km_per_day_2021,
label = percent(km_per_day_cut, 1)
),
nudge_x = 2,
hjust = 0
) +
scale_x_continuous(
labels = label_number(),
expand = expansion(mult = c(0, 0.05))
) +
scale_fill_brewer(palette = "Set1") +
labs(
title = "Réduction des déplacements par équipe",
subtitle = "Saisons 2021 vs 2013-14 à 2019-20 de la LNH",
x = "Déplacement moyen (km) par jour"
)
Sans surprise, on voit que le fait de disputer plusieurs matchs consécutifs contre le même adversaire réduit les déplacements globaux pour l’ensemble des équipes. Les grands gagnants de ce remaniement sont les équipes de la division est et ceux en retirant les bénéfices les moins importants (quoi que tout de même significatifs) sont principalement les équipes canadiennes. Ceci étant dit, mon coeur de partisan des Canadiens est toujours satisfait de voir les Leafs en dernière position d’un classement quel qu’il soit 😁.
Conclusion
Bien que cet article mette en lumière l’asymétrie réelle qu’amènent ces nouvelles divisions au niveau du voyagement des équipes, il demeure très difficile de prédire si cela aura un effet quelconque sur leurs performances sur la glace. Une tonne d’impondérables se manifesteront au courant de la saison et ceux-ci risquent d’avoir encore plus de poids dans la balance. De plus, n’oublions pas que le calendrier présenté dans l’article est à jour en date d’aujourd’hui mais qu’il risque fortement d’évoluer en cours de route lorsque des éclosions de COVID-19 surviendront. Bref, soyons patients et apprécions le spectacle!
J.P. Le Cavalier
Scientifique de données / Actuaire
Je me considère un modèle hybride entre un actuaire et un scientifique de données. J’adore prendre le temps de bien faire les choses.