SHL Bracket Challenge

Var med o tippa SHLs slutspel.

Poängfördelning:

För varje korrekt gissat lag vidare i
– 8-del ges 1 poäng
– Kvartsfinal 2 Poäng
– Semifinal 3Poäng
– Final 4 Poäng
– Kval 2 Poäng

Vid flera tävlanden på full poäng används matchserieresultaten som särskiljare. Flest rätt vinner!

Första & enda priset är ett 1-årsabonemang av Better Than a Monkey!

Tyvärr finns det inte så mycket smartness i formuläret och ingen läcker grafik. Så håll era vinnare i skallen och rita gärna trädet framför er för att få ihop det korrekt. Kom ihåg att det bäst rankade laget möter det sämst rankade osv. i var rond.

Ranken.

  1. VLH
  2. RBK
  3. LIF
  4. SKE
  5. LHF
  6. ÖHK
  7. FHC
  8. FBK
  9. MIF
  10. DIF

Öppen till 5 min innan 8-delarna startar. Lycka till!

Tävlingen låst. Tack för alla bidrag!

Founder. Writer. Data Scientist. The Monkey beater.

Introducerar två nya mätetal på sajten, HDSC och SC.

HDSC – High Danger Scoring Chance
SC – Scoring Chance

Detta är en distinktion från vanliga avslut för att få en liten tydligare definition av kvalitén på ett avslut. Det är inget som Better Than a Monkey specifikt tagit fram utan det finns en definition här. Vissa modifikationer blir det baserat på det datat som finns tillgängligt såklart.

Definition: Varje avslut får initialt ett värde mellan 1-3.

  • Har ett avslut mer än 0,09 i xG (inre skottsektorn). så får den värde 3
  • Över 0,03 (skottsektorn) -> 2.
  • Offensiv Zon -> 1
  • Blockas avslutet -> -1 på originalvärdet.
  • Är det inom 3 sekunder efter ett tidigare avslut (retur) -> +1 på originalvärdet.

Alla avslut med 3 eller 4 som slutvärde räknas som en Farlig Målchans (High Danger Scoring Chance).
2 och uppåt som Målchans (Scoring Chance). Annars är det bara ett avslut.

En titt på de topp 10 visar skillnaden mellan olika spelare. (Count står för totala antalet avslut).

Dennis Everberg sköt ifjol (19/20) nästan 130 skott färre än Kevin Clark 16/17 men hade endast fem färre farliga målchanser. Även Joel Lundqvist tar en betydligt lägre mängd “alibiavslut”.

Vad är då svagheterna? En mängde såklart då vi inte vet speciellt mycket om kontexten. Men ett steg framåt i att bedöma avslut då kvalitén.

Founder. Writer. Data Scientist. The Monkey beater.

Better Than a Monkey är nu inne på fjärde säsongen och ni som varit med på hela resan vet hur mycket som hänt. Det som började som en sida där predictions och artiklar var det centrala till en mer heltäckande statistiksida där visualisering av data by far and beyond är det som drar mest besökare idag.

Med det skiftande/adderade fokuset så har dels tiden men framförallt kostnaden för sajten ökat för var månad. För att kunna driva sajten framåt med samma fart så väljer jag nu att låsa in visualiseringarna bakom så kallade betalväggar.

Vad ni får för pengen:

  • Laggrafer
  • Spelargrafer
  • Game Score
  • xG
  • Game Reports
  • Skottkartor
  • Spelarkort
  • Lagkort
  • Historiken över algoritmen

Det finns idag två olika nivåer. En “Full Access” samt en “Sponsor”. Enda skillnaden är priset då du som “Sponsor” helt enkelt adderar en extra peng i ren uppskattning. Önskas en lunch som motprestation är det bara att slå en signal.

Graferna låses någon gång under eftermiddagen den 9 December.

För att signa upp följ länken:

https://www.patreon.com/btam

För frågor: erik.wilderoth@gmail.com

Founder. Writer. Data Scientist. The Monkey beater.

Det finns en mängd olika så kallade xG modeller ute i det vilda. Den heliga gralen i sportanalys överlag är förstås att finna den bästa, mest träffsäkra xG-modellen. Du som är här för att finna den kan sluta läsa nu.

En xG-modell (expected goals = förväntade mål) beräknar helt enkelt hur troligt det är att ett avslut faktiskt slutar upp som ett mål, dvs vi vill bedöma kvalitén på avsluten. För att kunna skapa en så bra modell som möjligt så behövs förstås så många olika parametrar som möjligt. Det har vi idag inte tillgång till med SHL data (önskas se en sådan modell på NHL-data rekommenderas MoneyPuck)

Den datan som jag har tillgänglig är positionsdata, som förvisso är grundstenen i alla xG-modeller, vilket gör att vi kan komma en bra bit på vägen.

Alla avslut 2019/2020

Apans xG-modell har på ett enkelt sätt delat in planen i ett rutnät på 22X100 rutor. För varje ruta som har över 250 avslut räknas skottprocenten fram (mål / alla avslut). Dvs. alla avslut utanför offensiv zon kommer bli blanka. Detta hanteras med att sätta ett värde på 0,01 på alla rutor med < 250 avslut. Avsluten som tagits gångas sedan med rutprocenten och på den vägen får vi den enklaste form av ett förväntat mål.

Som exempel kan vi ta Joel Lundqvist och Nils Lundkvist i mötet FHC – LHC den 24 Oktober. Joel sköt 7 skott under matchen medans Nils mäktade med 11 skott. Joel hade efter matchen en xG på 0,94. Nils 0,22. Ta en titt på skottkartorna så får vi en förklaring på det.

Joel Lundqvist
Nils Lundkvist

Med hjälp av denna modell får vi helt enkelt fram “shooter talent”, Har en spelare bättre skottprocent än medelavslutet från den positionen så får den ett positiv avtryck. Detta mäter vi med Actual vs. Exptected. Som exempel, säsongen 17/18 gjorde Elias Pettersson 24 mål. Förväntat var strax över 9. Max Friberg gjorde 4 mål på sina förväntade 12.

Med hjälp av xGn kan vi därmed se lags utveckling genom matcher men även spelares utveckling jämfört med sin utdelning,

Frölunda vann matchen med 4-1.
Gustav Rydahls karriär sedan 2017.

En enkel modell men än bättre sätt än inget att sätta ett värde på ett skott. En mängd grafer kommer kommande dagar på sajten.

Founder. Writer. Data Scientist. The Monkey beater.

För att mäta förväntingarna på säsongen, var god fyll i hur du tror det SHL slutar 2020/2021. Alla tips som har samma lag på två placeringar stryks (inte lyckats programmera fram begränsningen)

Tack för alla inlämningar, sammanställning pågår.

Founder. Writer. Data Scientist. The Monkey beater.

Efter varje match finns det en hel del siffror att ta del av vilket kan, med lite kreativitet, vinkla en insats till lite vad som önskas av den som tittar på siffrorna. Låt säga att vi har en spelare som gör ett mål, en assist, skjuter två skott på mål men är samtidigt inne på tre mål bakåt samt tar två tvåminutersutvisningar. Laget har dessutom fått dubbelt så många skott mot sig när spelaren har varit på isen. Hur bedömer vi en sådan insats? Tittar vi bara på poängen ser det bra ut. Tittar vi bara på corsin ser det inte bra ut. Plus Minus är negativt också.

PlayerGA1A2+-GWGSOGBkSCorsi CFCorsi CAPIMBoxPlayMinsPerGoal
Player X1012302081640

I ett försök att ge en neutral betygsättning på sajten intoducerar jag nu “Game Score”. Kraftigt influerad (till större delarna kopierat modellen) av Dom Luszczyszyn (https://hockey-graphs.com/2016/07/13/measuring-single-game-productivity-an-introduction-to-game-score/ ). Med hjälp av datan presenterad ovan så viktas och summeras de olika mätetalen till ett gemensamt mätetal, “Game Score”.

([G] * 0,75) + ([GWG]*0,25) +(0,7 * [Assists A1]) + (0,55 * [Assists A2]) + (0,15 * [+]) – (0,15*[-]) + (0,075 * [SOG]) – (0,15 * [PIM]) + (0,15 * [BkS])) + (0,05 * [Corsi CF]) – (0,05* [Corsi CA]) + (0,075 * [BPMinutesWithOutGoal])

Några skillnader/förbättringar jämfört med originalformeln;
  • Matchavgörande mål värderas högre än ett vanligt mål (+0,25)
  • Ett blockat skott värderas högre (dubbelt så högt som ett skott på mål)
  • Spel i numerärt underläge räknas med, för varje minut en spelare är på isen utan att det blir mål belönas med poäng
  • Backmål värdesätts extra (+0,25)

Varför värdera ett blockat skott högre än ett skott på mål? I och med att vi saknar kontext, dvs. avslutet kan vara från varstans så är långt i från alla avslut tagna med intentionen “att göra mål”. Däremot så är varje “blockat skott” ett initiativ för att stoppa ett skott från att gå i mål.

Genom att applicera formeln på Player X nämnd ovan så får hen en Game Score på 0,6. Det blir ett positivt värde (en spelare som är inblandad i 0 event får betyg 0) vilket visar att målen spelaren bidrog med ändå väger upp de sidorna som inte var lika bra från matchen.

För att se om det finns substans i mätetalet gör vi ett stickprov historiskt och tittar på spelare som gjort fler än 30 matcher säsongerna 15/16-18/19.

BTAMGS20200113-2

Ögontestet säger att mycket är rätt med detta mätetal. Elias Petterssons säsong 2017 är outstanding!
Joakim Lindström är med ett antal gånger men sänks av många utvisningsminuter (2017 hade Lindström 63 utv min. Möller hade exempelvis 6).
Frågetecknet landar på Lasch som känlsan säger borde kvalificera sig högre (13:e bästa).

Formeln för målvakter blir enklare. Skillnaden görs på räddningar/insläppta mål från slottet.

([GA Outside Slot] * -0,95 ) + ([GA from Slot] * -0,8 ) + ([SVS outside Slot] * 0,05 ) + ([SVS Slot] * 0,2)

Slutsats

Finns förstås bra uppsida och uppenbara faror med att använda ett sådant här mätetal. Fördelen är att, på ett snabbt sätt, få en överblick över hur en spelare har presterat under en match.

Ett så kallat “all-in-one” mätetal förenklar mycket och kan vara en bra ingång på en analys. Största faran är att siffrorna inte sätts i någon kontext. Som exempel, ett skott på mål kan vara superfarligt men likväl vara en indumpning som landar på målvakten.
Saker i spelet försvinner även, säg Laschs stora styrka som är att hitta in passningar i slottet. Gör inte spelaren som blir serverad mål syns inte spelet i statistiken här.

Founder. Writer. Data Scientist. The Monkey beater.

Totalt deltog 96 st personer i undersökningen “SHL 2019/2020”.

Så här tror BTAMs läsare att SHL slutar 2019/2020.

  • Key takeaways
  • Frölunda är enda laget som ingen tror missar direktplats till kvartsfinal (topp-6).
  • Oskarshamn får motsatstipset. Ingen tror på en topp-6 placering för smålänningarna.
  • Det tordes bli tre tydliga block i serien.
    En topp 5 som slåss om seriesegern.
    Fem lag som fajtas om placeringarna 6-10.
    Örebro, Leksand och Linköping försöker undvika negativ kvalplats.
    Och sen har vi Oskarshamn.

Svenska mästare tror massan även den att Frölunda blir med Färjestad som främsta utmanare. (Väldigt jämnt med 30,5% mot 29,5%). Skillnaden mot serietipset här är att Växjö passerar Luleå i vinstchans.

LagJournalisternaFansen
Djurgården24,13%13,68%
Färjestad13,79%29,47%
Luleå12,64%7,37%
Växjö Lakers11,49%11,58%
Frölunda10,34%30,53%

Kul kuriosa är att alla lag utan två styckens sympatisörer tror att deras lag kommer leverera bättre än vad massan tror. Dessa är de två topptippade lagen, Färjestad och Frölunda.

Founder. Writer. Data Scientist. The Monkey beater.

Att lyckas inom idrott, så som i livet, har många parametrar som ska vara bra. Just för hockey ska du ha fysisk talang, bra psyke och kanske den viktigaste ingrediensen, viljan att träna. 10’000 timmar ska du lägga ner för att bli elit. Samtidigt som du ska kunna hålla dig skadefri, ta rätt beslut om olika vägar att gå osv.

Vissa saker är medfödda, andra uppfostras du till och vissa är det till och med slumpen som hjälper dig med. Detta pratas det mycket om. Men sannolikheten att du ska lyckas sätts redan vid födseln. Eller födelsedatumet rättare sagt.

Det har skrivits ett antal artiklar om detta och så här i sommarvärmen rekommenderar jag starkt boken Outliers av Malcolm Gladwell. Det är även samma bok som lyfter 10’000 regeln för att bli elit. Boken är fantastisk. Läs.

Genom samhällets struktur menar Gladwell på att de som är födda tidigt på året får ett stort försprång genom uppväxten som gör att de bara utökar “ledningen” mot de som är födda senare på året. Till exempel, de som är födda i januari är 6,5 år gamla när de börjar årskurs 1. De som är födda i december är 5,5 år gamla. Decemberbarnet är alltså 84% av januaribarnets ålder. Den procentuella diffen på en 50-åring är en 42-åring. Vi ser alltså en 50-åring som jämngammal med en 42-åring. Detta får förstås konsekvenser.

”If you make a decision about who is good and who is not good at an early age; if you separate the ‘talented’ from the ‘untalented’; and if you provide the ‘talented’ with a superior experience, then you’re going to end up giving a huge advantage to that small group of people born closest to the cutoff date.”

Malcolm Gladwell

Klart januaribarnet har utvecklat saker som decemberbarnet inte har. Och just detta övertag verkar vara svårt att slå genom livet. Men nog om det, läs boken.

Om vi tar och gräver oss ner i årets draft till NHL, kan vi då se denna “åldersdiskriminering”? Till årets draft var 26’637 spelare “draftbara”. Datat är hämtat från EliteProspects.com där födelsedatum saknas på 7’781 av dessa spelare. Vi gör ett antagande, av bekvämliga skäl, att dessa spelare inte är bra nog för att bli draftade. Om det är beroende på födelsemånad eller något annat bryr vi oss inte om. Så vi har 18’856 spelare kvar att titta på.

Till draften 2019 är det spelare som är födda från 16 September 2000 till och med 15 September 2001 som deltar. Så här ser fördelningen av dessa spelare ut över vilken månad de är födda på.

Redan här ser vi vad som hänt genom åren upp till draften. Spelare som är födda i januari 2001 är nästan dubbelt representerade jämfört med de spelare som är födda månaden före, december 2000.

Hur ser det då ut i Sverige? Jag väljer här att plocka ut de spelare som spelar i de tre av våra ligor som spelare blir draftade ifrån (SHL, Hockeyallsvenskan och SuperElit).

Vi verkar till och med vara ännu värre. Från november och december finns det totalt 14 spelare tillgängliga, medan januari och februari har 70 spelare. Kom ihåg i bakhuvudet att spelare födda i november och december är äldre än vad spelare i januari och februari är och därmed enligt vår tidigare logik torde vara mer utvecklade. Detta är inte heller vilka spelare som blir draftade utan de som är draftbara.

Så vi har nu fastslagit att spelare som är födda senare på året har det svårare att ens lyckats ta plats i lag som gör att de är draftbara vid 18 års ålder. En tidigare myt har varit att NHL-klubbarna har diskriminerat vid draften och endast tagit de spelare som varit födda tidigt på året. Är det så eller har helt enkelt utbudet av spelare varit som sådant? Att det funnits klart fler spelare som varit födda tidigt på året?

Av dessa 18’856 spelare som vi tittar på draftades i slutändan 174 stycken (0,9%). Vi bryter ner det per kvartal för att få en enkel överblick. Av våra draftbara spelare (18’856) är 30% födda under kvartal 1.

Filtrerar vi sedan på draftade spelare så ser vi att hela 40% av alla spelare som draftades 2019 var födda mellan januari och mars. 66% av alla spelare är födda under årets första halva.

Anledningarna till detta kan förstås vara flera, att man ser mer uppsida på en yngre spelare.

En snabbtitt på föregående (2018) och nästa års draft (2020) visar ungefär samma siffror. Det är helt enkelt en större chans att bli draftad av ett NHL-lag om du är född i början på året jämfört med slutet. Ibland så stor som fem gånger större. Så den största tillgång du kan få av dina föräldrar är kanske inte bra längd eller bra psyke. Det är helt enkelt att bli född i rätt månad på året.

Nästa års draftbara spelare

Kul fotnot. Våra två draft-ettor från Sverige, Mats Sundin (februari) och Rasmus Dahlin (april), faller under “tidigt födda” medan samtliga spelare från Sverige som draftats på plats 2-4 (6 st) går som “sent födda” (september och senare).

Så bara för att du är född sent betyder det inte att du inte blir NHL-spelare. Du har bara mindre chans.

Founder. Writer. Data Scientist. The Monkey beater.