Bayesian thinking about B2B.

Bayes teori är som jag tidigare skrivit en av de första algoritmerna kring sannolikhet och är fortfarande, ~300 år senare, ett bra hållbart sätt att se på sannolikhet. Algoritmen för att förutse vinnaren i matcherna här på betterthanamonkey är en form av Bayes-algoritm. Algoritmen bygger på att i mån av en händelse, hur skiljer sej sannolikheten efter den händelsen.

Ett bra exempel, som Nate Silver exemplifierar i sin bok “The signal and the noise” (har ni inte läst, läs), är 11 September 2001 med World Trade Center.
1. Hur stor är sannolikheten att det är en terroristattack när ett plan kraschar i en skyskrapa?
2. Hur stor är sannolikheten att det är en terroristattack när två plan kraschar in i skyskraporna?

Med hjälp av Bayes teori är det faktiskt inte så svår uträknat.
1. 38%
2. 99.99%

Läs boken eller dra ett mejl till mig om du vill veta mer om de uträkningarna. Nu ska vi prata hockey.

Hur kan vi då räkna med hjälp av Bayes teori för att komma fram till sannolikheten för utfallet i ett B2B-möte?

Först måste vi ta fram de möjliga utfallen. Sedan 2010 har det varit 43 stycken “Back 2 Back- möten. I tabellen nedan syns de olika utfallen av dessa möten.

Match 1's vinnareMatch 2's vinnareAntal utfall sedan 2010% fördelning beroende på match 1Förklaring
HemmalagHemmalag1050% (10/20)Varsin seger, båda hemmasegrar
HemmalagBortalag1050% (10/20)Laget som börjar hemma vinner båda matcherna
BortalagBortalag730% (7/23)Varsin seger, båda bortasegrar
BortalagHemmalag1670% (16/23)Laget som börjar borta vinner båda matcherna

Dessa siffror applicerar vi sedan på ett möte. Vi tar Rögle BK – HV71 som exempel. Första matchen var igår, Fredag, där HV71 hade en vinstchans på 59%. Genom att använda våra siffror kunde vi redan då, innan fredagens matchstart, räkna ut HV71’s vinstchans (i förenklad form) för returmötet i Kinnarps Arena på Lördagen.

PRIOR PROBABILTY
HV71's vinstchans match 1x59%
NEW EVENT OCCURS
Sannolikheten att ett lag som vinner borta sedan vinner hemmay70%
Sannolikheten att ett lag som förlorar borta sedan vinner hemma z50%
POSTERIOR PROBABILITY
Slutgiltig chans i match 2 med Match 1 i beaktningxy / (xy + z(1-x))63%

Varför skiljer då denna siffran (63%) mot de 88% som de får av algoritmen?
Vår Bayesuträkning ovan tar inte in form, hemma/bortastyrka och tidigare möten lagen i mellan. Modellen blir då alldelles för komplicerad för en mänsklig hjärna (tackar verktygen som finns att tillgå). Men visst är det spännande?

Här kan den som önskar läsa mer om bayes teori