Title

Talnørderne revolutionerer NBA (del 2)

Hver eneste bevægelse, aflevering, skud osv. er for første gang nogensinde blevet registreret gennem samtlige kampe i en hel NBA-sæson. På NBA.com kan man læse de første data fra ”player tracking”, en ny og revolutionerende måde til at se, opleve og analysere basketball.

Player tracking besvarer en lang række spørgsmål, som man før kun har kunnet gætte svaret på.

Hvilken point guard er hårdest ramt af dårlige skytter på hans hold? Hvem er den hurtigste spiller på sin position? Er Westbrook kommet sig så meget over sin meniskskade, at hans drives imod kurven er tilbage? Giver Hibbert sine holdkammerater muligheder for at snuppe lette rebounds, eller er han bare en dårlig rebounder?

Se også "Talnørderne revolutionerer NBA (del 1)"

Den slags spørgsmål kan man selvfølgelig forsøge at besvare ud fra det, vi ser i kampene, men øjet bedrager os ofte og vi har under ingen omstændigheder muligheder for at lave statistiske sammenligninger på den baggrund.

Basketballkampe bliver til computermodeller

Grunden til, at det er et helt nyt sæt data er, at det først er fra denne sæson, samtlige NBA-arenaer er blevet udstyret med seks kameraer, der følger spillerne rundt på banen og som ved hjælp af specialudviklet software omsætter de visuelle data fra kameraerne til en computermodel af kampen med spillere og bold i realtid.

Når man først har modellen, kan man begynde at lege med alle mulige statistikker. Her er nogle eksempler:

  • Afstande mellem spillere ved afslutninger, rebounds, afleveringer osv. Det kan føre til en hel mængde ”nye” stats, hvor man f.eks. kan skelne mellem om der er opdækning på et skud eller ej, om en rebound er i kamp med en modstander eller ej, om en aflevering er et outlet pass, en hockey assist eller lign.
  • Hastigheder og løbepensum . En ting er hvad folk gør, noget andet er, om de er hurtige eller langsomme til at udføre det, de gør, og hvordan hastigheden påvirker deres spil.
  • Løbemønstre. Man kan afsløre en hel del om en spillers tendenser i bestemte situationer ved at kigge på hans bevægelser på banen. Det kan f.eks. afsløre om en spiller er bedst til at afslutte, når han går højre eller venstre om en modspiller. Og samlet kan man aflure modstandernes playbook ved at se på et helt holds løbemønstre.
  • Positionering. Mens løbemønstre er nok så interessante, når man analyserer angrebsspil, så er holdets – og de enkelte spilleres – evne til at dække op i høj grad afhængig af, hvordan man placerer sig i bestemte situationer. Og for en coach kan det f.eks. være guld værd til at finde svagheder i både ens eget og i modstandernes forsvar.
  • Defensiv indflydelse. Ud over stjålne bolde, blokerede skud og rebounds, kan man måle om en spiller f.eks. beskytter imod angreb på kurven.
  • Individuel boldbesiddelse (”touches”) per holdboldbesiddelse, points per indviduel boldbesiddelse, antal afleveringer mv.
  • Afslutningsformer. Man kan måle drives, catch-and-shoot, pull-up-shots mv.
  • Automatisering af indsamling af standard-stats. Der har altid været en menneskelig faktor i indsamlingen af stats, men den kan man fjerne. Man kan desuden opstille parametre, der gør, at man præcist afgør, hvornår en aflevering er en assist, om en rebound skal tildeles en spiller eller er en team-rebound osv. Man kan i princippet også ændre turnover-begrebet, så det ikke nødvendigvis er den, der sidst rør bolden, som begår den, men det afgøres af præcisionen af afleveringen mv. Det skal dog understreges, at softwaren ikke fungerer 100 procent endnu, så der kan sagtens opstå fejl under en kamp.
  • Potentielle assists og rebounds. Man kan tælle, hvor mange gange en spiller afleverer til et frit skud, hvor mange gange en spiller er i position til at tage en rebound osv.

Alle de ovenstående ting er selvfølgelig nogle ting man allerede ved en hel del om uden at have de præcise tal. Og der er sandsynligvis en del statistikker, man allerede har arbejdet med ud fra registreringer fra videobånd af egne spillere.

Præcision er afgørende

Men netop præcisionen, man opnår bl.a. ved at bruge seks kameraer, er afgørende, når vi taler ”moneyball”-principper. Og adgangen til modstanderdata er banebrydende.

Det kan godt være, at man tror, at en spiller er lige god til at gå højre og venstre om, men hvis man nu ved, at han faktisk er fem procent bedre, når han går til højre, så kan det sagtens være kampafgørende, at man træffer den rigtige beslutning. En NBA-kamp har omkring 100 boldbesiddelser til hvert hold og bliver ofte afgjort med under fem points, så der skal ikke mange rigtige beslutninger til, før man har tippet kampen over til egen fordel.

Og selv om man måske ikke som spiller har brug for de præcise tal, så hjælper det i høj grad de assistant coaches, der skal sætte videoer sammen om modstanderne, så de kan vælge de rigtige klip.

Det er ikke kun trænere, spillere, ledere og stat-nørder, der får glæde af player tracking. Det er i høj grad meningen, at værktøjet skal bruges til at forbedre de stats, som bliver formidlet via tv, web og mobil. F.eks. bruger NBAs Gametime-app data fra systemet til live-dækning af kampe.

Firmaet STATS LLC står bag SportsVU systemet, som NBA bruger til player tracking. STATS har allerede nogle års erfaring med samarbejde med en række NBA-klubber, der gik med i en forsøgsordning.

 

 

 

 

 

 

 

 

 

 

 

Player tracking fører til flere spørgsmål

Lad os som eksempel se på de spørgsmål, jeg stillede i starten af artiklen. Stats fra NBA.com viser, at de 21 øverste på listen over ”mulige assists” per kamp, dvs. afleveringer som fører til afslutning, alle er point guards. Listen toppes af Rajon Rondo, som leverer 19,9 mulige assists/kamp, efterfulgt af Chris Paul (19,8), Ty Lawson (18,1) John Wall (17,2) og Ricky Rubio (17,1).

Desværre for Rondo er det under halvdelen, der faktisk fører til en assist (9,8 assists/kamp), og det er klart den største forskel mellem mulige og gennemførte assists. Man skal så kigge på andre stats for at finde de mulige forklaringer.

Den oplagte forklaring er, at Bostons skytter simpelt hen er middelmådige eller dårligere, og det passer meget godt med de scoringsprocenter, som holdet har både med og uden Rondo på banen.

En del af dette er manglen på spillere, der angriber i tresekundersfeltet. En af fordelene ved at være ”Lob City” er, at dunk har meget høje scoringsprocenter.

Men der kan også være ting i Rondos spillestil, der fører til forcerede skud fra medspillerne. F.eks. er han også den spiller i ligaen, der har bolden i flest sekunder per hold-boldbesiddelse, når han er på banen.. Der har han dog tidligere vist, at hans afleveringer normalt fører til forbedrede skudprocenter for medspillerne. Så det har muligvis noget at gøre med, at han kom ind i sæsonen uden træningslejr og derfor ikke har lært en masse nye medspilleres tendenser ordentligt.

Nogle data er endnu ikke frigivet

Vi kan desværre ikke få svaret på, hvem der er den hurtigste spiller. Det er nogle af de data, der ikke er tilgængelig for offentligheden. På NBA.com kan man se, hvor langt hver enkelt spiller har løbet i løbet af sæsonen, per kamp eller per 48 minutter. Man kan dermed også aflæse gennemsnitshastigheden for hver enkelt spiller. Men det er ikke nogen meningsfuld stat.

Hvis vi skulle afgøre, om Westbrook er ”tilbage” ved hjælp af player tracking, så ville det kræve, at vi havde data fra før hans skade i sidste sæson, men det findes ikke. Men vi kan dog se på, hvordan hans sæson har udviklet sig, måned for måned.

PeriodeAntal kampeDrives/kampScoringsprocent
November112,2344
December142,2953
Februar40,7533
Marts112,5468
April (grundspil)45,7570
Slutspil (to første runder)133,3882

Jeg vil endnu en gang advare imod at lægge for meget i små datamængder. Men det er tydeligt, at Westbrook først for alvor har fået gang i sine drives efter den pause, han holdt efter en kikkertoperation i knæet i slutningen af 2013.

Hibberts rebounds

En af de nye stats er ”contested rebound %”, dvs. hvor stor en andel af de rebounds en spiller tager, som er i konkurrence med en modstander. Når man ser på eksempelvis Roy Hibberts andel, så er den væsentligt højere end de fleste af hans medspillere i Indianas startopstilling. Det er der kun en logisk forklaring på: Hans og David Wests opgave er først og fremmest at forhindre modstanderne i at tage en angrebsrebound, så må Lance Stephenson og Paul George tage de lette nedfaldsrebounds. Det betyder ikke, at Hibbert er en bedre rebounder, end stats viser, men det er meget muligt.

Facebook comments