Notre approche scientifique
Des recommandations fondées sur la science
Notre technologie de matching repose sur des données biomécaniques validées par la recherche académique. Pas d'intuition, pas de marketing : des données, des corrélations mesurées, des résultats quantifiables.
Pipeline d'analyse
Comment ça fonctionne
Là où d'autres se contentent d'un questionnaire, nous mesurons. Notre pipeline d'analyse combine vos données d'entraînement, votre morphologie et la biomécanique pour des recommandations réellement personnalisées.
01
Analyse du profil et des données d'entraînement
Connectez votre compte Strava et nous analysons vos 30 dernières courses : allure, terrain, dénivelé, fréquence cardiaque. Combiné à votre quiz (poids, pointure, objectifs), on construit votre profil de coureur complet.
02
Scan du pied
Grâce à notre technologie de scan 3D, nous mesurons votre arche plantaire, votre largeur de pied et vos zones d'appui pour déterminer la forme de chaussure qui vous convient le mieux.
03
Analyse biomécanique par vidéo
Filmez votre foulée avec un smartphone. Notre IA détecte vos points anatomiques, analyse votre cadence, pronation, oscillation et symétrie pour un profil biomécanique complet.
04
Matching personnalisé
Votre profil est confronté à notre base de +500 modèles de chaussures. Un score de compatibilité multicritère vous guide vers les modèles adaptés à votre foulée, votre terrain et vos objectifs.
Biomécanique
Ce que notre algorithme mesure
Chaque dimension est extraite par computer vision ou dérivée de données Strava, puis confrontée à des datasets académiques pour produire un profil biomécanique complet.
Cadence & Rythme
Fréquence de pas et régularité du cycle de foulée.
Type de foulée
Classification attaque talon, médio-pied ou avant-pied.
Pronation & Appuis
Analyse de la dynamique d'appui et de la rotation du pied.
Stabilité du tronc
Oscillation et inclinaison du buste pendant la course.
Oscillation verticale
Amplitude du rebond vertical à chaque foulée.
Symétrie gauche/droite
Équilibre biomécanique entre les deux côtés du corps.
Recherche
Expertise scientifique
Notre approche est guidée par une expertise en sciences du mouvement humain et validée par des collaborations avec des institutions de recherche internationales.
Docteur en Sciences du Mouvement Humain, Maxime apporte son expertise en biomécanique de la course à pied. Il supervise la validité scientifique de nos algorithmes et guide les choix méthodologiques.
“La recommandation de chaussures ne devrait pas reposer sur du marketing, mais sur des données mesurables et reproductibles.”
1,885+
Coureurs dans les datasets
+500
Modèles de chaussures
4
Datasets académiques
15+
Métriques biomécaniques
Datasets biomécaniques
Données collectées en laboratoire et sur le terrain, publiées dans des revues à comité de lecture.
Running Injury Clinic Kinematic Dataset
2024Ferber R, Osis ST, Hettinga BA, Noehren B
University of Calgary · n=1 798 coureurs
CadenceBlessuresCinématique
Fukuchi Running Biomechanics Dataset
2017Fukuchi RK, Fukuchi CA, Duarte M
Universidade Federal do ABC · n=39 coureurs
GRFCinématique 3DTapis
Van Hooren Running Dataset
2023Van Hooren B, Fuller JT, Miller J, et al.
Maastricht University · n=19 coureurs
TerrainGRFIMU
Publications de référence
Études clés sur la biomécanique de la course, le choix de chaussures et la prévention des blessures.
Increased vertical impact forces and altered running mechanics with softer midsole shoes
2015Baltich J, Maurer C, Nigg BM
Journal of Biomechanics
Biomechanical risk factors associated with running-related injuries: a systematic review
2019Ceyssens L, Vanelderen R, Barton C, et al.
Sports Medicine
Foot strike patterns and collision forces in habitually barefoot versus shod runners
2010Lieberman DE, Venkadesan M, et al.
Nature
A public dataset of running biomechanics and the effects of running speed on lower extremity kinematics and kinetics
2017Fukuchi RK, Fukuchi CA, Duarte M
PeerJ
The effect of running shoes on lower extremity joint torques
2009Kerrigan DC, Franz JR, et al.
PM&R
Machine Learning
Machine learning et apprentissage continu
Notre algorithme de recommandation ne s'arrête pas aux données biomécaniques. Nous construisons un système d'apprentissage qui s'affine avec chaque coureur, chaque retour terrain, chaque paire portée.
Collaborative filtering
En croisant les profils biomécaniques similaires et les retours satisfaction, notre modèle identifie des patterns de compatibilité invisibles à l'analyse individuelle.
Clustering de profils coureurs
Nos algorithmes de clustering non supervisé regroupent les coureurs par archétype biomécanique, permettant des recommandations enrichies par les expériences de profils proches.
Boucle de rétroaction terrain
Chaque évaluation post-achat alimente notre modèle de régression et recalibre les coefficients de matching. Plus la communauté grandit, plus les recommandations gagnent en précision.
