“Avanceret statistik” er blevet en slags buzz-ord i ishockeyverdenen. Det er ved at dukke op i NHL, som det gjorde for år tilbage med MLB. Ishockeyhold har hele afdelinger for analyser, og det er blevet en slags krig (ordspil) mellem to sider: Data Nerds vs. Old School Hockey. Det, jeg har til hensigt at gøre, er at nedbryde nogle af de almindelige statistikker, der bruges i analytics, for at hjælpe folk med at blive introduceret til NHL-analysens verden.
Forståelse af NHL-analyse
Da jeg først ønskede at komme ind i NHL-analyse, var det sværeste at finde en ressource, der hjalp mig med at forstå ikke bare, hvad statistikkerne betød, men også hvad en “god” version af statistikken var. Det er relativt almindeligt kendt, at det er en god sæson at score 30 mål i en sæson, men hvad er godt med hensyn til Corsi eller forventede mål?
“Avanceret statistik” er ofte et misvisende begreb. Det skyldes, at mange af de almindelige statistikker, der tales om, i bund og grund er ekstremt simple i deres natur. Der er nogle gange nogle komplekse måder at se på sammenhængen på, eller der er nogle store beregninger involveret, men grundstatistikken er ikke så “avanceret”.
En sidste forløber, før vi går ind i indholdet: De fleste af disse tal er til at måle 5v5 i NHL. Når man taler om powerplays og penalty kills, bliver det et andet bæst.
Corsi
Hvad er Corsi? Dette er nok den mest almindelige statistik, som man hører, når man henviser til NHL’s avancerede statistik. For at opsummere i de mest basale vendinger: Det er at måle antallet af chancer. Corsi måler skud på mål, skud bredt og blokerede skud. Det har en tendens til at tegne et større billede af hele spillet end blot den traditionelle optælling af “skud på mål”.
Der findes både Corsi for (CF) og Corsi imod (CA). På grund af dette kan Corsi vises som et differentiale (C± eller C+/-) eller som en procentdel (CF%). Dermed er den mest almindelige brug af at udtrykke Corsi gennem CF%. Det er det enkleste at forstå og sætter det ind i en sammenhæng, som det ikke gør at se på rå Corsi for eller imod. Individuel Corsi (iCF) er også en statistik, der kan beregnes. Den kan fortælle dig, hvor mange skudforsøg en enkelt spiller har taget. Corsi i denne sammenhæng bruges dog sjældent.
Nu, hvad skal du kigge efter, når du kigger på denne stat? Traditionelt set betragtes alt over 50% som godt. Tag dog dette med et gran salt. Dette er den tærskel, som du bør kigge efter over en stor mængde arbejde. I en enkelt kamp bør forskellen mellem 47 % og 51 % ikke bruges til at sige “denne spiller havde en god kamp, og denne spiller havde en dårlig kamp”. I forbindelse med blot én kamp kan begge disse spillere betragtes som midt i feltet. Når stikprøvestørrelsen bliver større, f.eks. over en sæson med 82 kampe, er forskellene mellem 51% og 47% meget mere signifikante.
Fenwick
Fenwick er grundlæggende den samme idé som Corsi, dog tæller den ikke de blokerede skud med i statistikken. Kun at medtage skud på mål og skud bredt giver kredit for ideen om, at blokerede skud er tilsigtede og kan være en del af en træners system. Mange af idéerne i Corsi gælder for Fenwick. Fenwick for procent (FF%), Fenwick plus-minus (F± eller F+/-).
Relativt i forhold til holdet
Både Corsi og Fenwick kan afbildes som relative i forhold til resten af deres hold. Det er en ret enkel måde at se, hvordan spilleren driver spillet i forhold til holdkammeraterne. Det måles ved at tage en spillers Corsi for-procent på isen og fratrække holdets Corsi for-procent uden den pågældende spiller på isen.
For eksempel kan vi kigge på Natural Stat Trick-linjeværktøjet og se, at Carolina Hurricanes havde en CF% på 53,48% uden Jordan Staal på isen. Med Staal på isen havde Hurricanes en CF% på 56,35 %. Det ville give Staal en relativ CF% på 2,87. Denne værdi kan også udtrykkes som et negativt tal, hvis en spillers CF% er lavere end hans holds. Den samme formel kan anvendes på Fenwick.
PDO
*Bemærk, PDO er ikke et akronym for noget som helst. Det er simpelthen bare PDO.*
PDO er en mærkelig statistik, og bruges faktisk ikke så ofte, men dens mål er at måle “held” i ishockey. Den beregning er simpelthen at måle enten et holds eller en spillers held. Det er simpelthen holdets redningsprocent plus deres skudprocent. Når det gælder individuelle spilleres PDO, ser vi på skudprocenten på isen og redningsprocenten.
Tanken bag PDO er, at et hold eller en spiller typisk vil have et gennemsnit på 100 i alt.0 over en hel sæson, når hot streaks og cold streaks har udjævnet sig, er det her, hvor de fleste spillere vil stå.
Problemet med PDO er dog, at hold og spillere, der ligger over gennemsnittet, såsom Auston Matthews i 2017-18, der sluttede med 104,8, forventes at ligge højere end de forventede 100,0. Bedre hold, og spillere, forventes at have højere skudprocenter og redningsprocenter på grund af, at de bare har dygtigere spillere, og det er her, at statistikken kommer til kort.
Zone Starts
Zone starts evaluerer, hvor mange skift en spiller starter i den offensive zone i forhold til den defensive zone. Dette kan bruges til at se på konteksten for brugen, og hvordan det påvirker en spiller. F.eks. kan spillere, der oftere starter i den offensive zone, forventes at have højere tal i statistikker som Corsi. Det omvendte af dette gælder også. Mange af disse målinger giver ikke det fulde billede, men Evolving Hockey er begyndt at spore dette sammen med on the fly zone-anvendelse. Dette indfanger et mere komplet billede end tidligere.
Næste gang i Understanding NHL Analytics: A Beginners Guide vil vi se på forventede mål. Hvis du har spørgsmål, er du velkommen til at henvende dig på Twitter.
Hovedbillede:
Embed fra Getty Images