Je suis un passionné de sport et j'ai suivi le basketball, le football et le baseball aux niveaux collégial et professionnel pratiquement toute ma vie. Mais cette année, il s'est passé quelque chose de vraiment cool. Mes yeux étaient ouverts sur le grand jeu du hockey, et juste comme ça, j'ai ajouté un autre sport à ma liste d'intérêts!
Grandir au Tennessee et en Géorgie ne m’a pas vraiment offert l’occasion d’attraper beaucoup de matchs de hockey sur glace en direct. Mais au début de la saison cette année, je me suis retrouvé à assister aux séances d'entraînement des Bruins de Boston et à assister à certains jeux! Quelle expérience incroyable!
Ma tâche avec les Bruins était de les aider à apprendre ou à mettre en œuvre SAS Enterprise Guide , SAS Enterprise Miner et JMP . Mes responsabilités n'exigeaient pas que je «connaisse le jeu», mais je voulais tout de même apprendre et contribuer. J'ai donc commencé à regarder le plus de jeux possible, à lire des articles et à parler à des fans de longue date. J'ai essayé de développer ma compréhension du jeu par l'analyse en cherchant à déterminer quelles statistiques affectaient le plus les jeux gagnants ou perdants.
Par exemple, je voulais étudier les statistiques que la plupart des émissions de jeux montrent juste à côté du score: les tirs. Il s'avère que les tirs tels qu'ils sont représentés sur ces émissions ne sont pas une métrique représentant chaque fois qu'un joueur envoie la rondelle vers le filet, mais plutôt des "tirs au but." aller dans le filet, un tir bloqué, et un tir qui est essentiellement à la cible et aurait été un but sans le effort d'un joueur défensif. La dernière catégorie est celle des tirs au but (SOG), et comme ils sont affichés de manière aussi visible avec le score, j'ai supposé que le SOG devait être important!
Pour étudier l'impact d'un SOG, j'ai utilisé 10 années de données et consigné le nombre moyen de SOG par match pour voir sa relation avec les victoires… mais cela a amené une autre mise en garde dans cette quête. Dans la Ligue nationale de hockey (LNH), et aux fins de l’analyse, comment définir un «gain»?
Dans les autres sports majeurs, il s'agit uniquement des victoires, des défaites et du pourcentage de victoires totales pour déterminer qui va gagner des divisions ou obtenir des places avec wildcard et passer aux séries éliminatoires. Dans la LNH, ces résultats sont déterminés par des «points», et ces points sont gagnés en remportant une partie pour laquelle vous obtenez 2 points ou en perdant une partie en prolongation pour laquelle vous obtenez 1 point en prenant le jeu au-delà de la réglementation. Ainsi, au lieu de modéliser le pourcentage de victoire d’une équipe, je me suis concentré sur les points. Cela signifiait que j'attribuais à une «moitié» une victoire pour avoir prolongé un match, quel que soit le résultat final. Pour aller un peu plus loin, j'ai considéré les points gagnés par rapport au nombre de «points possibles», de sorte que ma variable dépendante dans mon analyse serait un ratio:
En utilisant le Plate-forme Graph Builder dans JMP , J'ai tracé les SOG par match (SPG) par rapport au ratio de points et constaté ce qui suit:
Nous pouvons voir qu’il existe un schéma linéaire positif, mais il y a aussi beaucoup de bruit. Une ligne était également en forme, et un R 2 de 0,470 a été observée. Alors, est-ce que SPG m'aidera à prédire le ratio de points d'une équipe au cours d'une saison? C'est le cas… mais pas très bien.
Maintenant, revenons un peu en arrière: je suis un «sabermétricien certifié» et l’analyse la plus fondamentale que j’ai faite lors de l’obtention de cette certification en analyse de base-ball a été de recréer le théorème de Pythagore pour le baseball de Bill James, qui relie effectivement le nombre de points marqués et permis pour atteindre le pourcentage de victoire d'une équipe.
Le théorème de Pythagore pour le baseball crée une piste de crédibilité (ce qui est très important dans l'analyse de n'importe quel sujet), et une métrique fondamentale reliant le pourcentage de victoire aux éléments les plus fondamentaux du jeu (les points marqués par une équipe et les points marqués équipe). Dans le cas du hockey, cela signifie que nous examinerons les buts marqués par une équipe et les buts marqués contre l’équipe. Les directeurs généraux (GM) du baseball (décrits dans le film «Moneyball») ont commencé à essayer d’affecter le ratio. Ils recherchaient des joueurs qui leur permettraient d’obtenir plus de points ou d’autoriser moins de points, et ils ont commencé à estimer leur pourcentage de gains en fonction de la production attendue de leur personnel.
Alors, je me suis mis à regarder les objectifs pour et les buts contre dans la même optique, et à créer un «théorème de Pythagore pour le hockey», la principale différence étant que je vais estimer le nombre de points gagnés. aux points possibles au lieu de gagner le pourcentage. J'utilise l'équation suivante pour créer l'estimation:
Encore une fois, considérant 10 saisons de données, j'ai utilisé Graph Builder dans JMP pour créer le graphique suivant, comme je l’ai fait avec l’analyse des SOG.
Un coefficient de détermination (R 2 ) de 0.892 semble fort! Je me rappelle avoir constaté dans ma recherche sur le baseball des valeurs presque aussi bonnes, mais seulement après avoir optimisé l'exposant; Je n'ai pas fait cela dans cet effort.
Alors qu'est-ce que cela nous dit? Cela nous indique que pour gagner plus de points dans la LNH, vous devez influer sur les buts que vous marquez ou sur les buts marqués contre vous. Bien que cela puisse sembler parfaitement raisonnable et peut-être même insipide, de telles informations ont pour résultat que les MJ commencent à prendre en compte les «gains supérieurs aux remplacements» lorsqu'ils examinent les agents libres et les transactions. Ils examineront les paramètres relatifs et considéreront, par exemple, que si un joueur est «aussi bon» en défense, sera-t-il plus productif en attaque?
Bien que je ne sois pas un GM, je vais continuer mes recherches. Je me demande comment je pourrais utiliser l'analyse pour aider une équipe à marquer plus de buts? Ou peut-être que je peux améliorer les évaluations des statistiques des gardiens et de la défense de l'équipe?
J'ai utilisé SAS Enterprise Guide pour rassembler les données, créer des variables et programmer ce théorème de Pythagore pour le hockey, et j'ai utilisé JMP créer rapidement des visualisations de l'analyse.
Ensuite, nous utiliserons les données détaillées fournies par la LNH pour étudier la «valeur de lancer» et nous baser sur cette analyse fondamentale.
Jusqu'à ce que la prochaine rondelle tombe!
@ssavchenko Quelle richesse de connaissances vous avez partagé dans votre post! Nous avons travaillé avec une équipe pour les aider à comprendre les "meilleures combinaisons de joueurs" à avoir sur la glace, ainsi qu’à identifier la valeur des tirs. Et, je me suis appuyé sur l’une des équipes avec lesquelles nous avons travaillé que la LNH a expérimenté l’utilisation de capteurs sur les rondelles, mais une rondelle «high tech» coûte très cher! Merci pour le partage des informations!
En tant que père de hockey sur glace d'un gardien de but âgé de 18 ans qui a joué au hockey de haut niveau au cours des 14 dernières années, je peux vous expliquer comment garder trace de son GAA (buts contre moyennes), les statistiques plus / moins de l'équipe, où les tirs sont allés Il..blocker côté, cinq trous, et plus. De nombreux facteurs entrent en jeu. Pour les netminders, une grande partie est mentale et bien sûr focalisée et suivie. La capacité physique, pousser, vitesse, contrôle de rebond, et la liste s'allonge. Et parfois, ce n’est qu’un jour de congé… manque de repos, mal à l’aise, blessures, etc. À partir d’informations capturées lors de toutes sortes d’habiletés et de tests rassemblés pendant les week-ends au gymnase et sur glace, l’entraîneur peut essayer de donner un sens à ces données de type «match de hockey». (vitesse du sprint, hauteur du saut vertical, temps de déplacement latéral, etc.) Les entraîneurs doivent utiliser toutes sortes d'informations pour comprendre comment former les lignes. 1ère ligne, 2ème ligne, 3ème ligne. Quels joueurs mélangent-ils et assortissent-ils? Lesquels ont le score négatif le plus élevé (sur la glace lorsqu'un but est marqué contre l'équipe). Lesquels ont la note la plus élevée (sur la glace lorsque leur équipe marque un but). Qui mettent-ils avec qui? Quels joueurs gélifient le meilleur ensemble? Ce qui ne va pas? Pourquoi? Quelle combinaison fonctionnerait le mieux? Pourquoi? Pour les tirs au but..Quelle est la qualité du tir au but? Vitesse, trafic devant, rebond étrange, à quelle distance. Il y a tellement de facteurs impliqués. L'Internet des objets pourrait changer une partie de cette situation, même au niveau des joueurs autres que ceux de la LNH. Imaginez un capteur dans la rondelle ou des capteurs sur les joueurs pour suivre toutes sortes de données plus facilement. Qui était sur la glace et où la rondelle est entrée dans le filet? Comment ces lignes fonctionnent-elles en temps réel? Qui est sur la glace depuis trop longtemps, qui n'en a pas assez? La liste continue. Tant de données !! Tellement amusant d'essayer de donner un sens à tout cela.
Mon expérience d'analyse visuelle à Pittsburgh:
https://www.linkedin.com/pulse/what-do-you-see-my-story-lesson-learned-visual-hard-way-savchenko
