Radars
Sammanfattning
I vår plattform, PlaymakerAI jobbar vi med ett väldigt stort antal så kallade ”KPIer”, (Key performance indicators) – det vill säga exempelvis hur mycket och bra en spelare skjuter, eller hur bra en spelare är på att försvara den del av planen hen är satt att försvara.
För att på ett enklare sätt göra siffrorna begripliga illustrerar vi dessa KPIer med hjälp av. Radardiagram/Spindeldiagram. Eftersom de ser ut just som radarbilder så kallar vi dem radars. Idén är rätt enkel - för varje KPI i diagrammet så hamnar punkten i mitten om siffran är 0 medan den hamnar längst ut om den är max. På så sätt kan man göra siffrorna begripliga på ett visuellt sätt genom att man direkt kan se hur stor yta som radarn täcker. För att ytterligare förenkla hur man tolkar diagrammen så har vi infört en “skuggradar” (den mörka ytan i exempelbilden) som illustrerar den genomsnittliga spelaren i ligan på samma position. I praktiken innebär det att man är topp fem procent i ligan om man ligger längst ut på en axel. Varför? Jo egentligen för att en spelare som till exempel Leo Messi är så överlägsen i vissa KPIer att alla andra spelares radar skulle bli väldigt liten i jämförelse.
Sammanfattningsvis då: Är man längst ut så är man bland de 5 bästa procenten i ligan på det värdet/kpin och är man längst in är man bland de sämsta 5 procenten. Har man ett värde som är utanför skuggradarn så är man bättre än genomsnittet och tvärtom om man är närmare mitten än skuggradarn.
KPIer
I denna radar har vi valt att ta fram sex stycken KPIer som försöker sammanfatta en spelares profil på ett enkelt sätt. De bakomliggande beräkningarna är i vissa fall relativt avancerade men slutmålet är att de ska vara lätta att förstå. Vad de representerar beskrivs här.
Avslut
Att leda skytteligan behöver inte innebära att man är seriens bästa avslutare. Varför? Man kan ha missat många klara lägen och/eller helt enkelt bara spela i den bästa föreningen. För att väga in detta tittar vi inte bara på hur många mål man gör utan också hur många mål man “borde” ha gjort på de chanser man haft. Termen för detta är Expected Goals/förväntade mål
Sammanfattningsvis: Den som är bäst på att göra mål på sina chanser
Huvudspel
Vunna nickdueller. Ju fler desto bättre. Antalet dueller vägs också in.
Passningsspel
Precis som att man inte behöver vara den bästa avslutaren för att leda skytteligan så behöver man inte leda statistiken över passningsprocent för att vara den bästa passningsspelaren. När vi tog fram denna KPI ville vi försöka skapa en siffra som också tar med hur svåra passningarna är. Detta för att undvika att backar och defensiva mittfältare som kanske slår enkla passningar i backlinjen blir de som hamnar högst i denna ranking. Därför väger vi in svårighetsgraden på de passningar man tar såväl som antalet djupledsbollar, passningar in i straffområdet m.m. i denna KPI.
Sammanfattningsvis: Den som tillför mest till laget offensivt i sitt passningsspel
Försvarsspel
Försvarsspel är inte helt lätt att mäta. Mäter man t.ex. tacklingar per match så kommer backar i “sämre” lag att hamna bäst till. Därför väger vi här in hur bra man försvarar sin defensiva yta - hur ofta man låter motståndaren passera den yta man ska försvara. Vi tittar också på hur ofta man tappar bollen och hur ofta man blivit passerad i form av dribblingar.
Sammanfattningsvis: Den som bäst försvarar sin yta, och gör få misstag
Närkampsspel
Vunna närkamper helt enkelt.
Dribblingar
Antalet lyckade dribblingar per match. Spelare som utmanar ofta hamnar lättare högt här, men man måste lyckas med dribblingarna också.
Förväntade mål
Expected Goals, förkortat xG eller på svenska - "förväntade mål", är ett sätt att statistiskt försöka motivera hur stor sannolikhet det är att ett avslut resulterar i mål. Det beskriver alltså inte hur många mål ett lag eller spelare har gjort, utan hur många mål ett genomsnittligt lag eller spelare hade gjort på samma typ av chanser.
Den bakomliggande idén är ganska enkel; Vi förstår alla att ett skott i målgården är mer sannolikt att omsättas till mål än vad ett skott från 30 meter är. Men hur sätter vi en siffra på detta? Det är denna grundfråga som man besvarar med ett ”xG-värde”.
Metod
Vår metod för att uppskatta ett xG-värde baseras på historisk data från över 200 000 skott. Vi tar hänsyn till en mängd parametrar om skotten men den enskilt viktigaste parametern är: Positionen på planen - vinkel och distans till mål.
Har ett avslut då exempelvis ett xG-värde på 0.2 så innebär det i genomsnitt, baserat på 200 000 tidigare avslut, att man gör mål på det avslutet var femte gång.
Exakt vilka parametrar vi har med i vår xG-modell och hur vi räknar ut värdet håller vi nuförtiden för oss själva eftersom det är väldigt svårt att upphovsrättsligt skydda lösningen.
Användningsområden
Helt plötsligt kan man göra statistiskt underbyggda påståenden om huruvida “det borde ha varit mål” ifrån olika avslutslägen i matcher. Men än mer användbart blir xG när man sätter det i större sammanhang - gärna över tid.
En av de vanligaste tillämpningarna av xG är att använda det som ett hjälpmedel för att mäta prestation, både för lag och spelare. Över tid är det till exempel statistiskt osannolikt att en spelare eller ett lag avviker allt för mycket i verklig målproduktion kontra sitt förväntade dito. Utifrån denna insikt kunde vi förra säsongen i Allsvenskan rätt tidigt se att det var sannolikt att Sirius skulle tappa tabellpositioner. Detsamma gällde GIF Sundsvalls start i Allsvenskan säsongen innan dess.
I enskilda matcher kan xG användas för att ge en mer komplett bild av en match jämfört med traditionell matchstatistik. Ren skottstatistik och bollinnehav säger sällan speciellt mycket om hur en match varit. Även om xG heller inte är något facit så ger det, framförallt om man samtidigt använder en “shotplot” för att tala om varifrån skotten tagits - en bättre bild av chansutvecklingen och styrkeförhållandena i en match.
FAQ
Det där avslutet borde ha haft xG 1!
Eftersom xG är en estimering finns inget direkt facit utan olika företag och analytiker har skapat sina egna modeller för att värdera xG. Detta gäller även PlaymakerAI. Men det vi kan säga med statistiskt underbyggd säkerhet är att det i princip inte finns några avslut som är 100% säkra att omsättas till mål. Faktum är att siffror över 0.75 är väldigt ovanliga.
Vad tar Playmaker hänsyn till?
Playmakers exakta modell är en företagshemlighet men generellt så är den väldigt lik andras Vi tar hänsyn till saker som rör position, teknik (huvud / fot med mera) och spelets skede. I dag jobbar vi t.ex.med 6 lag i Allsvenskan och Columbus Crew i MLS. Modellen har förfinats utifrån deras önskemål.
Tar Playmarker hänsyn till var spelare befinner sig? Det är ju skillnad på om 2 försvarare står i vägen för skottet eller om det är öppet mål..
Ja det är stor skillnad och nej - vi tar inte hänsyn till det . Anledningen är helt enkelt för att vi inte har tillgång till den datan, än. Enskilda avslut kommer därför ibland att estimeras på ett “icke önskvärt” sätt och påverka xG-värdet om man tittar på enskilda matcher. Över en säsong jämnar dock dessa avvikelser ut sig. Några avslut värderas “för högt” och några “för lågt”.
Är man per automatik bra om man gör fler mål än vad som förväntas och dålig om man har tvärtom?
Nja. Det vi ser är att de bästa spelarna och avslutarna i världen, typ Messi konsekvent gör fler mål än vad som förväntas. Detta har såklart inte med tur att göra utan är ren skicklighet.
Vi ser också ofta att bottenlag har en oförmåga att omsätta chanser till mål och således ha ett högre förväntat målvärde än faktiskt gjorda mål.
Men ibland har det kanske bara med slumpen att göra också huruvida man gör fler eller färre mål än förväntat. Framförallt under kortare tidsintervall.
Mer läsning
Här beskriver SVFF hur man resonerar kring och jobbar med xG:
Värt att nämna där är att t.ex. U21 jobbar med vår xG-modell. Så de värden för xG som nu syns i shotplots i TV-sändningarna för Allsvenskan är helt konsekventa i jämförelse med de U21 använder i sina utvärderingar.
Vill man gräva djupare i Playmarkers modell finns en del läsning här. Det mesta där är från 2015 och modellen är utvecklad en hel del sedan dess men grundidén till hur vi skapat vår xG-modell finns beskriven där.
AV: Ola Lidmark Eriksson
Grundare Playmaker.ai