J’ai eu la chance d’assister à un événement à Chamonix le 14 mars dernier autour de l’univers de la Data organisé par le désormais très connu Joseph Mestrallet, fondateur d’Enduraw et baptisé à l’unanimité par les journalistes qui couvraient l’UTMB 2025, le Petit prince de la data. Mais il n’est pas le seul à utiliser cette base d’informations pour ses prédictions. Tristan Pawlak, fondateur de Campus Coach était également présent pour une masterclass passionnante que je tenais à partager ici avec vous.
Data et empirisme, faut-il vraiment choisir ?
Dans un monde où la data est reine, il est tentant de croire qu’elle a tout révolutionné. Mais est-ce vraiment le cas ? Lors d’une masterclass organisée à Chamonix, Tristan Pawlak, co-fondateur de Campus Coach, application d’entraînement running pour coureurs amateurs, a défendu une thèse nuancée : non, la data ne remplace pas l’empirisme. Elle le sublime.
À travers cinq exemples concrets tirés du développement de Campus Coach, il montre comment terrain et science se complètent et surtout comment l’expérience accumulée par des générations de coachs reste une boussole précieuse.
Prédire le chrono d’un coureur, l’art du juste équilibre
L’un des enjeux centraux de Campus Coach (testée ici d’ailleurs si cela vous intéresse) est de prédire le temps qu’un coureur va réaliser à l’issue de son plan. Un calcul en apparence technique, mais qui cache une dimension psychologique souvent sous-estimée.
D’un point de vue empirique, les coachs disposent depuis longtemps de calculateurs de conversion : à partir d’un semi-marathon, on peut estimer un marathon, et inversement. C’est sur ces bases que Campus a été construit au départ. La data est ensuite venue affiner ces estimations, en croisant des milliers de résultats réels.
Mais la précision statistique n’est pas toujours ce que le coureur attend.
Sur 10 km : viser un peu haut pour mieux motiver
Si on annonce à un coureur exactement ce qu’il peut réaliser, il y a de fortes chances qu’il ne lance pas le plan. Un objectif légèrement optimiste mais qui reste crédible est plus efficace pour déclencher l’engagement.
| « Ce que les gens veulent sur 10 km, c’est un chrono qui les motive assez pour lancer le plan. » — Tristan Pawlak |
Sur marathon : viser un peu bas pour mieux réussir
Sur marathon en revanche, l’effet est inverse. Quand Campus affichait le temps statistiquement le plus probable, beaucoup de coureurs le trouvaient irréaliste avant de le réaliser.
Concrètement un coureur annoncé à 4h00 qui finit en 4h03 se sent déçu alors qu’il a largement atteint son objectif initial de finir en moins de 4h30. L’objectif imposé a effacé l’objectif réel.
Campus a donc fait le choix inverse : proposer des chronos légèrement en dessous des capacités réelles, pour que l’expérience post-course soit positive. Et la data est venue confirmer que cette approche améliorait bien les scores de satisfaction.
| « Non pas par peur, mais parce que l’expérience utilisateur en sera meilleure. À la fin, ils seront très contents d’avoir fini et d’avoir rempli leur objectif. » — Tristan Pawlak |
L’indice de durabilité : quand la data corrige les experts
La durabilité désigne la capacité d’un coureur à maintenir son allure quand on double la distance. Par quel facteur faut-il multiplier sa vitesse de semi-marathon pour estimer son marathon ?
La référence empirique du monde du running reste toujours le livre Running Formula de Jack Daniels, qui utilise un facteur de 1,04. Mais sur le terrain, les coachs constatent rapidement que cette valeur est trop optimiste pour les coureurs amateurs. En soit rien de plus logique puisqu’elle a été en réalité calibrée sur des élites.
Empiriquement, les coachs de Campus observaient plutôt un facteur entre 1,05 et 1,08 pour les coureurs les plus solides, et davantage pour les autres. C’est sur cette base qu’ils ont démarré.
| Source | Facteur de durabilité | Profil concerné |
| Jack Daniels (Running Formula) | 1,04 | Athlètes élites |
| Coachs Campus (empirique) | 1,05 – 1,08 | Coureurs entraînés |
| Campus Coach (data réelle) | 1,10 – 1,13 | Coureur amateur ~4h-4h15 |
Après plusieurs années de données, Campus a affiné ce chiffre : pour son profil type, un coureur visant 4h à 4h15, s’entraînant en moyenne 3,2 fois par semaine, l’indice réel se situe autour de 1,10 à 1,13. Un écart de 3 % qui peut représenter plusieurs minutes sur marathon, et autant de coureurs déçus si mal estimé.
Ce qu’il faut donc retenir : l’empirisme permettait déjà de bien travailler. La data est venue apporter les derniers pourcents de précision, ceux qui font vraiment la différence sur l’expérience utilisateur.
Et sur un ultra trail ?
Sur les longues distances en trail, en revanche, il n’existait pas de référence empirique solide. Par quel facteur passer d’un 90 km à un 180 km ? Ici, c’est la data qui a précédé l’empirisme, et non l’inverse. Campus a estimé ce facteur à 1,3, une valeur qui reste à affiner, mais qui donne déjà une fourchette utile.
Mesurer la progression : l’indice de charge
Comment estimer la progression d’un coureur sur 16 à 20 semaines de plan ? Campus a développé ce qu’il appelle un indice de charge, qui regroupe une dizaine de variables covariantes : l’âge, les années de pratique, le niveau actuel, la fréquence d’entraînement…
Résultat : dans 80 % des cas, cet indice permet d’estimer avec précision la progression attendue d’un coureur. Une performance déjà remarquable, construite sur l’expérience terrain des coachs.
| « Même si ça marche dans 80 % des cas, notre but c’est d’aller vers 90 %, puis 95 %… La data nous permet d’aller chercher ces cas exceptionnels. » — Tristan Pawlak |
Exemple : à indice de charge équivalent, un coureur jeune progressera légèrement plus vite qu’un coureur plus âgé. La data permet de détecter et de quantifier ce type d’ajustement fin sans remettre en cause la robustesse du modèle empirique de base.
Pousser le bon contenu au bon moment
Campus Coach avait fait de la connaissance l’un de ses trois piliers, aux côtés de l’entraînement et de la communauté. L’idée : envoyer automatiquement aux coureurs des articles pertinents au bon moment de leur préparation.
Problème : le taux d’ouverture spontané des articles poussés automatiquement ne dépassait pas 25 à 30 %. La data était claire : les coureurs ne lisaient pas.
L’équipe aurait pu conclure que ce pilier ne fonctionnait pas. Mais l’intuition empirique les a poussés à creuser : et si le problème n’était pas le contenu, mais la façon de le délivrer ?
| Automatique | 25 à 30 % de taux d’ouverture |
| Via un humain (support) | Jusqu’à 3× plus d’ouvertures |
Quand c’est un conseiller humain et non un algorithme qui recommande l’article, le taux d’ouverture est multiplié par 2,5 à 3. La confiance change tout.
| « Ce n’était pas que les gens ne voulaient pas savoir. C’était que le moyen qu’on avait de pousser l’information n’était pas le bon. » — Tristan Pawlak |
En conclusion : ni l’un ni l’autre mais les deux !
La vraie leçon de ces quatre années de Campus Coach ne tient pas dans un tableau Excel. Elle tient dans une conviction simple :
| « Que vous passiez par l’empirisme ou par la donnée, il faut un vecteur humain pour transmettre ces informations. Un coureur fait toujours plus confiance quand c’est un humain qui lui parle. » — Tristan Pawlak |
Data et empirisme ne s’opposent pas. L’un donne la direction, l’autre affine la trajectoire. Et dans les deux cas, c’est bien l’humain qui fera toute la différence.
Les points clés à retenir
- L’empirisme est une base solide — ne l’abandonnez pas au profit de la data seule.
- La data affine, elle ne révolutionne pas — elle ajoute les 3 derniers % qui changent l’expérience.
- La motivation compte autant que la précision — un objectif légèrement optimiste peut transformer un coureur.
- Le canal de communication est aussi important que le message — l’humain multiplie l’impact par 3.
- Sur les nouveaux territoires (trail long, ultra) — la data peut précéder l’empirisme quand l’expérience manque.