”Avancerad statistik” har blivit ett slags modeord i hockeyvärlden. Det håller på att dyka upp i NHL på samma sätt som det gjorde för flera år sedan med MLB. Hockeylagen har hela avdelningar för analys, och det har blivit ett slags krig (med ordvitsen menad) mellan två sidor: Datanördarna mot den gamla skolan inom hockeyn. Vad jag har för avsikt att göra är att bryta ner några av de vanligaste statistikerna som används inom analys för att hjälpa människor att introduceras i NHL-analysens värld.
Förståelse av NHL-analys
När jag först ville ge mig in i NHL-analys var det svåraste att hitta en resurs som hjälpte mig att förstå inte bara vad statistiken betydde, utan också vad en ”bra” version av statistiken var. Det är relativt allmänt känt att det är en bra säsong att göra 30 mål under en säsong, men vad är bra när det gäller Corsi eller förväntade mål?
”Avancerad statistik” är ofta en missvisande term. Detta beror på att många av de vanliga statistiker som det talas om i grund och botten är extremt enkla till sin natur. Det finns några komplexa sätt att se på sammanhanget ibland, eller några stora beräkningar inblandade, men den grundläggande statistiken är inte så ”avancerad”.
En sista föregångare innan vi går in på innehållet: majoriteten av dessa siffror är till för att mäta 5v5 i NHL. När man talar om powerplays och straffläggningar blir det en annan sak.
Corsi
Vad är Corsi? Detta är förmodligen den vanligaste statistiken man hör när man hänvisar till avancerad statistik i NHL. För att sammanfatta i de mest grundläggande termerna: det är att mäta antalet chanser. Corsi mäter skott på mål, skott utanför och blockerade skott. Den tenderar att måla upp en större bild av hela spelet än bara den traditionella räkningen av ”skott på mål”.
Det finns både Corsi for (CF) och Corsi against (CA). På grund av detta kan Corsi visas som en differential (C± eller C+/-) eller som en procentandel (CF%). Med detta är det vanligaste sättet att uttrycka Corsi genom CF%. Det är enklast att förstå och sätter det i ett sammanhang som det inte gör att titta på rå Corsi för eller emot. Individuell Corsi (iCF) är också en beräkningsbar statistik. Den kan tala om för dig hur många skottförsök en enskild spelare har tagit. Corsi i detta sammanhang används dock sällan.
Nu, vad ska man titta efter när man tittar på denna statistik? Traditionellt sett ses allt över 50 % som bra. Ta dock detta med en nypa salt. Detta är det tröskelvärde som du bör leta efter över ett stort antal arbeten. I en enskild match bör skillnaden mellan 47 % och 51 % inte användas för att säga ”den här spelaren hade en bra match och den här spelaren hade en dålig match”. I samband med en enda match kan båda dessa spelare ses som medelmåttor. När urvalet blir större, till exempel över en säsong med 82 matcher, blir skillnaderna mellan 51 % och 47 % mycket mer betydande.
Fenwick
Fenwick är i princip samma idé som Corsi, dock räknas inte blockerade skott med i statistiken. Att endast inkludera skott på mål och skott bredvid ger kredit för idén att blockerade skott är avsiktliga och kan vara en del av en tränares system. Många av idéerna i Corsi gäller för Fenwick. Fenwick i procent (FF%), Fenwick plus-minus (F± eller F+/-).
Relativt i förhållande till laget
Både Corsi och Fenwick kan avbildas i förhållande till resten av laget. Det är ett ganska enkelt sätt att se hur spelarens drivkrafter spelar jämfört med lagkamraterna. Det mäts genom att ta en spelares Corsi for procent på isen och subtrahera lagets Corsi for procent utan nämnda spelare på isen.
Till exempel kan vi titta på Natural Stat Trick line tool och se att Carolina Hurricanes hade en CF% på 53,48% utan Jordan Staal på isen. Med Staal på isen hade Hurricanes en CF% på 56,35%. Detta skulle ge Staal en relativ CF% på 2,87. Detta värde kan också uttryckas som ett negativt värde om en spelares CF% är lägre än hans lag. Samma formel kan tillämpas på Fenwick.
PDO
*Notera att PDO inte är en akronym för någonting. Det är helt enkelt bara PDO.*
PDO är en märklig statistik och används faktiskt inte så ofta, men dess mål är att mäta ”tur” i hockey. Den beräkningen är helt enkelt att mäta antingen ett lags eller en spelares tur. Det är helt enkelt lagets räddningsprocent plus deras skottprocent. När det gäller enskilda spelares PDO tittar vi på skottprocenten på isen och räddningsprocenten.
Tanken bakom PDO är att ett lag eller en spelare vanligtvis kommer att ha ett genomsnitt på 100 totalt.0 över en hel säsong när hot streaks och cold streaks har jämnats ut är det här som majoriteten av spelarna kommer att stå.
Problemet med PDO är dock att lag och spelare som ligger över genomsnittet, som Auston Matthews 2017-18 som slutade med 104,8, förväntas ligga högre än de förväntade 100,0. Bättre lag, och spelare, förväntas ha högre skottprocent och räddningsprocent på grund av att de bara har högre kvalificerade spelare, och det är här statistiken brister.
Zone Starts
Zone starts utvärderar hur många skift en spelare börjar i den offensiva zonen jämfört med den defensiva zonen. Detta kan användas för att titta på sammanhanget för användning och hur det påverkar en spelare. Exempelvis kan spelare som oftare börjar i offensiv zon förväntas ha högre siffror i statistik som Corsi. Det omvända av detta gäller också. Många av dessa mätningar ger inte hela bilden, men Evolving Hockey har börjat spåra detta tillsammans med on the fly zonanvändning. Detta fångar en mer komplett bild än tidigare.
Nästa gång i Understanding NHL Analytics: A Beginners Guide kommer vi att titta på förväntade mål. Om du har några frågor är du välkommen att kontakta oss på Twitter.
Huvudbild:
Bild från Getty Images