SAS Institute

Hockeyanalys 2.0 - Nästa generations analys av hockeystatistik är här för att stanna!

Blogginlägg   •   Mar 25, 2015 21:33 CET

”John! Har du de sett den här filmen?”, frågade Christer Bodell - en passionerad SAS evangelist inom Analys. Filmen hette Moneyball. ”John! Har du sett klippet om SAS, Maple Leafs och NHL ?”, frågade Jon Blomqvist.

Filmen och klippet hade jag inte sett - men efter att ha sett dem såg jag att det faktiskt gick att kombinera min passion för hockey med mitt jobb… SPORTS ANALYTICS fanns i mitt medvetande och en ny tankeprocess satte igång i mitt huvud. Jag diskuterade saken vidare med Christer. Han var lika exalterad och hade nosat upp författarna Jan Lennartsson (Matematiker och tidigare handbollsspelare) och Carl Lindberg (adjungerade professor ) som tillsammans med den f d ishockeyspelaren Nicklas Lidström skrivit uppsatsen ”Game intelligence in team sports

Christer hade träffat författarna och fått det förklarat hur de i uppsatsen hade kartlagt Niklas Lidström spelsystem, och översatt det till faktiska sannolikheter via en matematisk modell, som statistiskt förklarade varför Niklas spelade som han gjorde. När de frågade Niklas om andra hade försökt kartlägga hans spelintelligens, så visade sig att ”ingen hade frågat tidigare”…

Intresset fick mig att bevaka hashtaggen #fancystats på Twitter och snabbt hittade jag svenska Petter Carnbro @numerartovertag som precis plockats in av Frölunda för titta och analysera just hockeystatistik - och plötsligt fanns inte hans blogg tillgänglig längre...

Och mitt i detta nyvakna hockeystatiskintresse öppnade NHL plötsligt upp sin skattkista med statistik och gjorde den tillgänglig.

-Jon!!! Har du sett statistiken från NHL? Vad tror du om att läsa i den i Visual Anlaytics?! (vårt SAS verktyg för analys och visualisering) ”Inga problem”, sa Jon - som även han fick kombinera sitt kanske ännu större hockeyintresse med jobb. Så sent på kvällarna - efter arbetstid, droppade det in den ena analysen efter den andra om analyser som Jon gjort på NHL-data. Här följer några exempel på vad Jon fick fram!

Analys av tekningsstatistik

Vi börjar med analys av något som kan tyckas vara väldigt ordinärt – tekningar. Framgångsrika lag har som oftast duktiga tekare och bra statistik i så kallade special teams som avviker från snittet i NHL. Hur kan jag som coach få en överblick över samtliga tekare och hur de presterar jämfört med snittet i NHL? Med hjälp av spridningsdiagram tillsammans med analys (svarta regressionslinjen representerar snittet) kan coacher visuellt se vilka som presterar väl i dessa situationer. Varje punkt, i bilden nedan, representerar en spelare där x-axeln är antalet förlorade tekningar och y-axeln är antalet vunna tekningar. Jag som coach skulle alltså vilja ha spelare som ligger över den svarta linjen. Tydligt ser vi att den markerade spelaren (Jonathan Toews i Black Hawks) presterar mycket bättre än snittet när det gäller totalt antal tekningar under en säsong. Ger detta en fullständig blick hur Toews presterar och finns möjligheten till att bli ännu bättre och i så fall i vilka situationer? Analyseras endast toppnivån så kan man lätt missa viktigt fakta. Om vi bryter ner denna analys ser vi att Toews faktiskt har mycket sämre tekningsprocent i numerärt underläge jämfört med umerärt övertag samt mycket sämre tekningsprocent på bortaplan jämfört med på hemmaplan. Vad kan det beror på – är det rent av latet vid spela i numerärt underläge eller är förklaringen att Toews möter bättre motstånd i dessa situationer? Med hjälp av data, visualiseringar och analys kan vi hitta indikationer till varför och även fakta.

Blog - sören 3

Analys av spelares prestationer i matchavgörande situationer

Hur ska jag som coach välja rätt spelare när det hettar till, dvs ”Close Game situations”? Här ser vi att svensken Hampus Lindholm ligger mycket bra till. Storleken på bubblan visar att han får mycket förtroende vid s.k Close Game situations (stor bubbla = stort förtroende och mycket istid) samt han också är inne på fler mål framåt (y-axeln) jämfört med bakåt (x-axeln). Med hjälp av detta kan man också se vilka spelare som inte presterar så bra i dessa situationer (nedre högra hörnet). Varje bubbla representerar en spelare och gör det möjligt för coacher att få en samlad bild över alla spelare vid dessa sitationer. Underhållningsvärdet med hjälp av analyser och statistik skulle även kanske kunna höjas för publik och tittare i sofforna…

text till blogg

Blog - John2

Bara genom att lägga någon minuter kom alltså Jon fram till slutsatser som antagligen skulle ha tagit dagar/veckor att komma fram till med att stirra sig blind på 890 spelare med 343 mått på spelarstatistik! Och det här var bara några frågor som spontant dök upp i Jons huvud... Antal kombinationer av frågor – och svar blir närmast oändliga med NHL’s 343 mått på spelarstatistik. Lägg då till om det hade funnits tillgängligt data efter varje match och vi hade kunnat göra trender… Tex varför har antalet tacklingar för en spelare börjat minska? Några föklaringar kan vara att spelaren inte är tillräckligt fokuserad eller rent av skadad och vill minimera antalet fysiska situationer. Med analys kan lagets coacher arbeta proaktivt med spelarstatistk för att undvika dippar under säsongen. Även motståndarens coacher kan uppfatta nedåtgående trender för sina motståndares spelare. Med hjälp av data, visualiseringsmöjligheter och analys kan coacher hålla koll på samtliga spelare och jämföra dem.

När når då Sports Analytics på allvar Sverige och vilken sport & klubb tar på sig ledartröjan och gör en svensk ”Moneyball” ? Eller är den redan här? Via Frölunda? Eller kanske kan Karlskrona uppgång i SHL – med liten budget och ett avancemang från division 1 till SHL på 3 år delvis förklaras av analys av data då spelaren Tom Linder bland annat tackar ”Datacoachningen” i en segerintervju i SVT...

John Carlbäck @jcarlback & Jon Blomqvist @JonBlomqvist