Vous courez depuis 2015. Dix ans de sorties, de matins pluvieux, de semelles usées et de montres GPS rechargées des centaines de fois. Et pourtant, si quelqu’un vous demande aujourd’hui “quelle est ta vraie fenêtre de forme ?” ou “est-ce que tu cours plus vite qu’il y a cinq ans sur 10 km ?”, vous séchez. Toutes ces données existent quelque part — sur Garmin Connect, sur Strava, dans des fichiers GPX oubliés — mais elles ne vous ont jamais parlé vraiment. Elles s’accumulent, elles ne se transforment pas en connaissance.
C’est exactement le problème que cet article veut résoudre. Pas de manière abstraite : avec des méthodes concrètes pour extraire, lire et utiliser dix ans d’historique de course comme un vrai outil de progression.
🗂️ Pourquoi vos données de course valent beaucoup plus que vous ne le pensez
Un fichier GPX brut, c’est environ 150 ko. Dix ans de running, ça peut représenter entre 800 et 2 000 sorties selon votre régularité, soit plusieurs centaines de mégaoctets de données GPS, cardiaques et altimétriques. La plupart des coureurs ne regardent jamais tout ça d’un seul bloc.
Pourtant, c’est là que résident les patterns les plus utiles. Par exemple : votre allure sur 5 km en octobre est statistiquement plus rapide que celle de juillet, non pas à cause de votre entraînement, mais à cause de la température ambiante. Ce genre d’insight n’apparaît que si vous croisez des données sur plusieurs années, plusieurs saisons.
Autre exemple concret : un coureur qui analyse ses données sur cinq ans réalise que ses blessures aux ischio-jambiers arrivent systématiquement six à huit semaines après une phase d’augmentation de volume supérieure à 25 % en deux semaines. Sans la vue d’ensemble pluriannuelle, ce lien reste invisible. C’est exactement ce que les préparateurs physiques professionnels font avec les athlètes d’élite — regarder des cycles longs pour détecter des corrélations que la mémoire humaine ne peut pas tenir.
📦 Exporter et centraliser : la première étape que tout le monde rate
Avant d’analyser quoi que ce soit, il faut rapatrier vos données. Voici les sources les plus courantes et comment en sortir les fichiers.
Strava : allez dans Paramètres, puis “Mes données”, puis “Demander mes données”. Strava vous envoie une archive ZIP en 24 à 48 heures. Elle contient des fichiers GPX ou FIT pour chaque activité, plus un CSV récapitulatif avec distance, durée, dénivelé et allure pour chaque sortie. Ce CSV est votre point de départ pour une analyse sans outil spécialisé.
Garmin Connect : dans les paramètres du compte, “Exporter vos données”. Vous obtenez des FIT files, un format binaire plus riche que le GPX car il embarque la fréquence cardiaque battement par battement, la cadence, la puissance si vous avez un capteur. Pour les lire, l’outil en ligne FIT File Tools ou la bibliothèque Python fitparse sont vos meilleurs alliés.
Apple Health et Samsung Health exportent en XML. C’est moins pratique mais extractible. Pour Apple Health, l’application “Health Auto Export” simplifie le processus et produit des CSV directement.
Si vous avez couru avec plusieurs appareils sur dix ans, vous avez probablement des données fragmentées entre deux ou trois plateformes. L’outil Tapiriik (gratuit, open source) synchronise automatiquement entre Garmin, Strava, Dropbox et d’autres. C’est un investissement de trente minutes qui vous évite de perdre des années d’historique si vous changez d’écosystème.
📊 Que faire concrètement avec un historique de 10 ans : les cinq analyses qui changent tout
Une fois vos données centralisées, voici les cinq analyses qui produisent de vrais insights, pas juste des graphiques qui font plaisir à l’ego.
L’analyse de la courbe de forme pluriannuelle. Exportez votre CSV Strava et ouvrez-le dans Google Sheets. Créez une colonne “allure par km” en divisant la durée par la distance pour toutes vos sorties entre 5 et 12 km (pour éviter les biais des trails courts ou des longues sorties lentes). Tracez cette valeur sur une chronologie de dix ans. Vous verrez apparaître des plateaux, des régressions et des pics. Les pics correspondent souvent à des compétitions ou à des phases d’entraînement structuré. Les plateaux révèlent vos zones de stagnation chronique.
La saisonnalité cachée. Calculez votre allure moyenne par mois sur dix ans. La différence entre votre meilleur mois et votre pire mois est souvent de 25 à 45 secondes au kilomètre, uniquement due à la chaleur et à la fatigue estivale. Savoir ça vous aide à calibrer vos objectifs de course sans vous décourager en août et sans surestimer vos capacités en novembre.
Le ratio volume/intensité. Séparez vos sorties en deux catégories : celles sous votre allure de seuil aérobie (grossièrement, la vitesse où vous pouvez parler en phrases complètes) et celles au-dessus. Sur dix ans, la plupart des coureurs autodidactes constatent que 60 à 70 % de leur volume est à intensité modérée ou élevée. C’est l’inverse de ce que recommandent les plans d’entraînement élite, qui préconisent 80 % de volume facile. Cette répartition explique souvent la stagnation.
Le dénivelé cumulé annuel. Si vous courez en ville et en montagne de façon mixte, regarder le dénivelé positif cumulé par année révèle des choses surprenantes sur vos périodes de préparation et leur corrélation avec vos performances plates.
La fréquence cardiaque au repos comme indicateur de récupération. Si vous portez une montre 24h/24, exportez vos données de fréquence cardiaque au repos sur cinq ans. Les pics de fréquence cardiaque au repos, typiquement 5 à 10 battements au-dessus de votre baseline, précèdent les baisses de performance de une à deux semaines. C’est un signal d’alerte précoce de surmenage que beaucoup de coureurs ignorent.
🤖 L’IA comme analyste personnel : où elle aide vraiment
Depuis 2023, plusieurs applications de running intègrent des moteurs de langage pour interpréter les données. L’idée est simple : au lieu que vous passiez deux heures dans des tableurs, un modèle lit vos données et produit une synthèse en langage naturel.
La vraie valeur n’est pas dans la description de vos statistiques — vous pouvez lire un graphique vous-même. Elle est dans la détection de patterns non linéaires et dans la suggestion d’ajustements d’entraînement contextualisés. Par exemple, une IA entraînée sur des données de course peut comparer votre progression sur 10 km avec des profils similaires et estimer votre marge de progression réaliste sur six mois, pas juste vous donner un plan générique de 16 semaines.
C’est dans cette direction que se positionnent des applications comme Geowill, qui croise les données de pace, de fréquence cardiaque et d’historique de progression pour générer des suggestions d’entraînement personnalisées via LLM — le tout sans abonnement premium, ce qui change la donne pour les coureurs qui refusent de payer 60 euros par an juste pour accéder à leurs propres statistiques.
La limite actuelle de ces outils IA reste la qualité des données d’entrée. Si votre historique est fragmenté entre trois plateformes avec des gaps de six mois, les suggestions seront moins pertinentes. La centralisation reste donc l’étape non négociable.
🧠 Transformer les données en décisions d’entraînement : le protocole simple
Les données sans action sont de la décoration. Voici un protocole simple pour passer de l’analyse à la décision.
Revue trimestrielle de 20 minutes. Tous les trois mois, rouvrez votre CSV et posez-vous trois questions : Est-ce que mon allure sur distance de référence s’est améliorée, stagnée ou dégradée ? Est-ce que mon volume a augmenté ou baissé par rapport à la même période l’an dernier ? Est-ce que j’ai eu des interruptions et pourquoi ? Ce rituel prend moins de temps qu’une sortie de récupération et produit des ajustements bien plus utiles qu’un plan générique téléchargé en ligne.
Définir une distance de référence unique. Beaucoup de coureurs comparent des pommes et des oranges : une semaine ils ont couru un trail de 20 km, la suivante un 5 km sur route. Choisissez une distance standard — typiquement 5 ou 10 km sur un parcours plat identique — et courez-la en effort contrôlé toutes les six à huit semaines. C’est votre étalon. Sans ça, les graphiques ne disent rien.
Annoter les sorties importantes. Dans Strava ou votre application, prenez l’habitude d’ajouter une note courte sur les conditions exceptionnelles : “chaleur, 34 degrés”, “jambes lourdes après voyage”, “chaussures neuves”. Sur dix ans, ces annotations transforment une donnée brute en contexte. Un algorithme ne peut pas deviner que votre mauvaise perf de juillet 2021 était liée à une semaine de travail intense, pas à une baisse de forme.
🏁 Ce que dix ans de données vous révèlent sur vous-même
La conclusion la plus contre-intuitive que la plupart des coureurs tirent de l’analyse longue durée, c’est que la constance bat l’intensité. Les années où la distance totale est la plus élevée ne sont pas les années où les performances sont les meilleures. Les meilleures performances arrivent généralement l’année qui suit une année de volume élevé et régulier, après une phase de consolidation aérobie.
L’autre révélation fréquente : la progression n’est pas linéaire et ne ressemble pas à une courbe ascendante. Elle ressemble à une fonction en escalier avec de longues périodes plates entrecoupées de sauts brusques. Ces sauts arrivent presque toujours après un changement de type d’entraînement : ajout de fractionné, changement de chaussures, ou simplement une blessure forcée qui a imposé des semaines de récupération active.
Dix ans de données ne vous disent pas comment courir. Elles vous disent comment vous courez — avec toutes vos habitudes, vos saisons de motivation et vos décrochages. C’est une différence immense. Et c’est pour ça que ces données valent la peine d’être déterrées, lues et comprises, que vous soyez coureur du dimanche ou préparant votre troisième marathon. La connaissance de soi, sur la durée, est probablement l’avantage compétitif le moins exploité en running amateur.