Tieto ja sen analysointi ovat nykyään tärkeä osa menestystä niin liike-elämässä kuin urheilussa. Jääkiekko ei ole poikkeus, sillä tilastoja ja metriikoita käytetään yhä enemmän sekä pelaajien suorituskyvyn arvioimiseen että joukkueiden analysointiin ja kehittämiseen. Esimerkkejä jääkiekkoanalyysissä käytetyistä tilastoista ovat maalit, plus/miinus pisteet, expected goals ja Corsi. On kuitenkin huomioitava, että jääkiekko on vähämaalinen laji, ja pelin satunnaisuus vaikuttaa myös lopputulokseen. Jääkiekkoanalyysissä on tärkeää ottaa huomioon myös pelin konteksti ja tulkita tilastot oikein. Tässä blogikirjoituksessa pohditaan jääkiekkoon liittyviä statistiikkoja ja metriikoita sekä sitä, mikä on niiden merkitys voittavan joukkueen rakentamisessa. Artikkeli liittyy kirjoittajan Data-analytiikan tutkinto-ohjelman opinnäytetyöhön
Data analytiikka ammattiurheilussa
Datasta ja datan analysoinnista, data-analytiikasta, on tullut tärkeä osa menestystä yritysmaailmassa, ja myös ammattiurheilussa. Tunnetuin teoria, ns. Moneyball-teoria on alkuperäisin amerikkalaisesta baseballista, jossa MLB joukkue Oakland Athletics onnistuneesti käytti analytiikkaa pelaajamarkkinaan voittavan joukkueen kasaamisessa.
Data-analytiikkaa käytetään hyväksi myös jääkiekossa, mutta sen käyttö on silti vähäisempää verrattuna joihinkin muihin ammattiurheilulajeihin, kuten baseballiin tai jalkapalloon. Tilastoja ja metriikoita voidaan käyttää niin pelaamisen analysointiin ja kehittämiseen, kuin pelaajien suorituskyvyn arvioimiseen. Tehty opinnäytetyö keskittyi tutkimaan data-analytiikan käyttämistä pelaajien suorituskyvyn arvioimisessa ja pelaajavalintojen tukena.
Pelaajien suorituskyvyn ennustaminen
Jääkiekon ympärille on kehitetty useita tilastoja ja malleja, joilla pyritään analysoimaan ja ennustamaan sekä joukkueiden, että yksittäisten pelaajien suorituskykyä. Toiset näistä ovat perinteisempiä ja yksinkertaisia ja toiset uudempia ja monimutkaisempia. Esimerkkejä perinteisistä tilastoista ovat tehdyt maalit ja plus/miinus pisteet. Monimutkaisemmista ja uudemmista tilastoista esimerkkejä ovat expected goals, eli maaliolettama ja Corsi, joka on nimetty entisen ammattilaismaalivahti Jim Corsin mukaan.
Maalit ovat yksinkertaisesti pelaajan ja joukkueiden tekemiä maaleja ja ovat tärkeä mittari, sillä peli voitetaan tai hävitään tekemällä tai päästämällä maaleja. Yleisesti voidaan sanoa, että enemmän maaleja tekevä joukkue voittaa useammin kuin vähemmän maaleja tekevä joukkue. Plus/miinus pisteet kertovat maalierosta, eli siitä, montako maalia joukkue on tehnyt hyökkäävään päähän ja montako maalia toisaalta vastustaja on tehnyt, kun tietty pelaaja on ollut kentällä. Kuva 1 havainnollistaa plus/miinus kertymää Liigan runkosarjakauden 2021-2022 yli kolmen pelaajan osalta.
Expected goals, jonka tavoitteena on esittää maaliolettamaa, voidaan laskea sekä pelaajalle, että joukkueelle. Jokaiselle laukaukselle lasketaan todennäköisyys, jolla siitä voi tulla maali. Todennäköisyys perustuu esimerkiksi laukaisupaikkaan ja pelitilanteeseen. Pelaajan maaliolettama on esimerkiksi näiden todennäköisyyksien summa yhdessä pelissä tai erässä. Maaliolettama kertoo pelaajan aktiivisuudesta jäällä, eli siitä mitä joukkueelle tapahtuu, kun tietty pelaaja on jäällä. Kuva 2 havainnollistaa maaliolettaman kertymää Liigan runkosarjakauden 2021-2022 yli kolmen pelaajan osalta.
Corsi on tilasto, joka laskee kaikki maalia kohti suuntautuvat laukaukset riippumatta lopputuloksesta, saavuttaako laukaus maalin tai estetäänkö se. Myös Corsi kertoo pelaajan aktiivisuudesta jäällä ja indikoi kuinka monta laukausta kyseinen pelaaja on tehnyt ollessaan jäällä ja millainen merkitys pelaajan jäällä ololla on ottelun lopputulokseen. Corsi esitetään usein suhteellisena Corsi % tilastona, joka on hyökkäyssuuntaan tehtyjen ja puolustavaan suuntaan tehtyjen laukausten osamäärä.
Jääkiekkoanalyysissä tulee ottaa huomioon useita tekijöitä, kuten pelitilanne ja missä vaiheessa peliä tapahtuma tapahtuu, eli pelin konteksti. Lisäksi merkittävää analyysissä on, että jääkiekko on vähämaalinen laji, ja pelissä on paljon satunnaisuutta. Eli voidaan sanoa, että myös onni vaikuttaa pelin lopputulokseen. Tätä onnea kuvaamaan on kehitetty tilasto, PDO, joka ei ole kirjainlyhenne. Onnekkaamman joukkueen PDO on yli 100 % ja epäonnisemman alle 100 %. Kauden lopussa arvot tasoittuvat yleensä sataan prosenttiin. Kuva 3 havainnollistaa PDO:ta Liigan runkosarjakaudella 21-22 tammikuu 2022 – maaliskuu 2022 ajalta kolmen pelaajan osalta.
Kuten edellä mainittiin, edistyneitä tilastoja on lukuisia ja monet näistä on kehitetty NHL:n pelin, ja pelaajien arvioimiseen. Niiden käyttäminen usein vaatii NHL-dataa, tai samanlaista dataa, kuten NHL:n RTSS ja eivät ole tästä syystä suoraan sovellettavissa muihin liigoihin. Lisäksi useat tilastot keskittyvät arvioimaan hyökkäävässä roolissa olevien pelaajien suoritusta ja sopivat heikommin puolustavien pelaajien arviointiin.
Datan ja analytiikan merkitys jääkiekossa tulevaisuudessa
Merkityksellistä on sekä pelaajien, että joukkueiden tulevaisuuden suorituskyvyn ennustaminen ja arviointi. Useimmat kehitetyt tilastot pyrkivät arvioimaan pelaajan tai joukkueen suoritusta ajanhetkellä t käyttämällä hyväksi dataa menneistä peleistä ja kausista. Huomionarvoista on, että eri liigojen pelitavoissa ja tasossa on eroja, eikä niiden välillä voida tehdä suoraan vertailua. Pelaajien suorituskyky vaihtelee kauden aikana, sekä pelaajien ura varsinkin NHL:ssä on verrattain lyhyt, yleensä vain joitain vuosia, joka rajoittaa käytettävissä olevan datan määrää.
Arvioitaessa pelaajan suoristuskykyä ja erityisesti joukkueiden harkitessa pelaajahankintoja, tärkeää on kuitenkin ymmärtää miltä pelaajan tulevaisuus näyttää, ja onko joku pelaaja pelannut paremmin tai heikommin kuin yleensä. Koneoppimista voidaan käyttää tulevan suorituksen ennustamiseen aikasarjaperustaisten pelitilastojen avulla, sekä toisaalta tunnistamaan poikkeuksellista suoritusta tunnistamalla anomalioita. Modernit analytiikka-alustat mahdollistavat myös lähes reaaliaikaisen videodatan analysoinnin, jolloin pelitilanteita ja joukkueen suoritusta voidaan ennustaa jopa pelin kuluessa.
On selvää, että analytiikan merkitys jääkiekossa tulee kasvamaan entisestään sekä pelin johtamisessa, valmentamisessa kuin pelaajahankinnoissakin.
Artikkelin kirjoittaja Markku Kaskenmaa
Linkkejä:
Kaskenmaa, Markku, 2023. Using data analytics in hockey player talent identification.
https://www.theseus.fi/handle/10024/792108
Lee, Chirstian, 2021. Advanced Hockey Stats 101: PDO.
https://medium.com/hockey-stats/advanced-hockey-stats-101-pdo-part-3-of-4-d3f319f2e1f1
Lee, Chirstian, 2020. Advanced Hockey Stats 101: Corsi.
https://medium.com/hockey-stats/advanced-hockey-stats-101-corsi-part-1-of-4-29d0a9fb1f95
Lukas, Allison. 2021. Analytics with Alison: Expected Goals. https://www.nhl.com/kraken/news/analytics-with-alison-expected-goals/c-327728890
MacDonald, Brian. 2012. An Expected Goals Model for Evaluating NHL Teams and Players.
