Nous analysons des données d'un jeu vidéo, DotA2 (Defense of the Ancients 2), qui met en scène deux équipes de cinq joueurs incarnant des avatars appelés héros. C'est un jeu de type gagne-terrain qui requiert comme condition de victoire la destruction du bâtiment principal ennemi. Des traces de l'activité des héros sont disponibles : coordonnées, orientation, points de vie, arbre de compétences, objets de l'inventaire. Une partie de DotA2 dure entre 35mn et 50mn. Les données proviennent d'un tournoi majeur, The International 2018, et se composent de 258 parties. Cette étude analyse des parties effectuées par des professionnels, qui ont l'habitude de jouer ensemble : nous privilégions la qualité des données étudiées plutôt que leur quantité. Notre but est de déterminer les indices pertinents pour la prédiction des temps forts d'une partie. Ces temps forts se produisent environ toutes les trois minutes et correspondent aux affrontements des joueurs donnant lieu à la disparition de certains (mort virtuelle suivie d'une résurrection après un temps variable). Afin d'obtenir des résultats suffisamment généraux et ne dépendant pas des choix multiples offerts aux joueurs en matière de héros et d'équipement, nous focalisons notre attention sur des indices géométriques liés aux positions relatives des héros. Pour détecter les moments importants dans la séquence des traces des joueurs, nous utilisons un réseau de neurones récurrent, plus précisément un LSTM, qui a pour avantage de prendre en compte une période importante du passé pour prédire l'avenir. En effet, DotA2 est un jeu à l'évolution lente, les parties sont longues et pleines de rebondissement : un LSTM est adapté à notre situation. Nous utilisons une approche de type wrapper (Kohavi et John (1998)) qui suppose que la pertinence d'un indice est en relation avec sa capacité à améliorer la qualité de l'apprentissage. À la différence de l'approche filtre, plus courante en statistique, qui tente d'évaluer les mérites des caractéristiques à partir des données seules, l'approche wrapper tente d'identifier le meilleur sous-ensemble de caractéristiques à utiliser avec un algorithme d'apprentissage. Nous focalisons notre étude sur le caractère collectif de la pratique d'un MOBA, car c'est fondamentalement un jeu d'équipe mettant en relief les actions de groupe au détriment des comportements individuels (Katona et al. (2019)). Pour cela, nous comparons la pertinence d'indices relatifs à la position des joueurs sur le terrain et la géométrie de l'organisation collective. D'une part, nous sommes à la recherche d'indices simples à calculer et exploiter, de d'autre part nous ne souhaitons pas focaliser notre attention sur les comportements et les caractéristiques (équipement, arbre de compétence) individuels. Les indices géométriques que nous avons choisis concernent