Underliggande statistik för nybörjare

Corsi? Fenwick? PDO? Känner du dig förvirrad av alla nymodiga statistiska begrepp som används inom hockeyvärlden? Jonatan Petersson har satt ihop en guide för att ge insikt i vad “avancerad”/underliggande statistik egentligen består av. Häng med!

På senare år har underliggande statistik kommit att spela en allt större roll inom hockeyvärlden där det med hjälp av ett antal olika tillvägagångssätt avser att bedöma ett lags- eller en spelares prestation samt indikera på vilka resultat som kan förväntas över tid. Garanterar ett positivt resultat utifrån någon av dessa tillvägagångssätt framgång för laget eller spelaren i fråga?

Nej, däremot kan statistiken antyda vilka som är bäst på att göra de saker som bör leda till seger.

Underliggande statistik är dock inget nytt. Det har i själva verket funnits i flera decennier men har under 2000-talet intensifierats. Enligt forskaren Stephen W Sheps på Ryerson University i Toronto beror det i grunden främst på att nyfikna hockeyfans via exempelvis bloggar och sociala medier har drivit utvecklingen av underliggande statistik framåt och därmed spelat en viktig roll för att till viss del förändra hur hockeyn konsumeras och förstås. Det är egentligen inte förrän de senaste åren som NHL och “vanlig” sportmedia på riktigt blivit en del av nytänket kring statistik.

I den artikeln kommer vi gå igenom några typer av underliggande statistik och försöka förklara grunden i dessa samt till viss del lyfta fram dess problem och vad de kritiseras för.

CORSI

Corsi är kanske den formen av avancerad statistik det pratas om mest. Här mäts antalet skottförsök för- och emot i spel fem mot fem med syftet att få en uppfattning om vilket lag som driver spelet. Spel i numerärt över- eller underläge räknas alltså inte in i statistiken. Med ett skottförsök menas skott på mål, skott utanför mål samt blockerade skott.

Då skottförsök allt som oftast sker i offensiv zon indikerar Corsi således också hur mycket tid ett lag eller en spelare spenderar i offensiv zon i förhållande till defensiv zon. Ett positivt Corsi antyder därmed vilket lag som driver spelet och har störst puckinnehav, något som i regel bör leda till framgång.

Statistiken räknas i Corsi for (CF), alltså chanser som laget skapar, och Corsi against (CA), chanser som motståndarlaget skapar. Kort sammanfattat går det säga att Corsi är en plus/minus-statistik för skottförsök istället för enbart mål. Det vanligaste är emellertid att statistiken presenteras i procentsats (CF%) där allt över 50 procent är ett positivt Corsi och indikerar att laget i fråga skapar fler chanser offensivt än vad motståndarna tillåts göra, och därmed också driver spelet. Corsi bör inte användas för att definiera en insats från match till match, utan snarare användas över tid då det ger varje procents skillnad en större betydelse.

Trots att Corsi anses ge en bättre bild av hur en spelare bidrar till sitt lags framgångar än vad exempelvis plus/minus-statistik ger så innebär det inte att Corsi undkommer kritik. Enligt David Staples på Edmonton Journal har Corsi löst ett av plus/minus-statistikens två primära problem. Nämligen genom att mäta en större mängd data, det vill säga målchanser och inte bara faktiska mål, har statistikens tillförlitlighet ökat. Det andra fundamentala dilemmat med plus/minus-statistiken gäller den höga andelen falskt positiva, alternativt falskt negativa, plus eller minusen som delas ut till spelare som är på isen men inte är involverade i situationen.

Låt oss ta ett exempel utifrån plus/minus-statistiken.

Lag A har tryck i anfallszon. Lag B får till slut tag i pucken och två av spelarna går på kontring. Under tiden hinner resterande tre spelare i Lag B byta och tre nya spelare äntrar isen. När de tre spelarna varit inne ett par sekunder gör de två spelarna i Lag B som kontrade mål. Är det då rätt att de tre spelarna som kommit in på isen men inte hunnit vara delaktiga i spelet får ett plus i plus/minus-statistiken?

Och ett exempel utifrån Corsi.

En spelare är på isen när laget skapar 20 chanser, men tillåter hela 30 chanser emot sig. Spelarens Corsi blir därmed 40 CF%. Vad som dock inte syns i statistiken är att spelaren är involverad i nio skapade chanser, men endast involverad i sex situationer som leder till chanser för motståndarlaget. Är det då rätt att statistiken visar 40 CF% trots att spelarens faktiska påverkan egentligen är 60 CF%?

Summa summarum går det argumentera för att en spelares Corsi i allt för stor grad beror på medspelarnas nivå. Spel med bättre spelare tenderar därmed ge en falskt positivt påverkan, samtidigt som spel med sämre spelare istället ger en falskt negativ påverkan, på en spelares Corsi. Statistikens korrekthet kan till viss del således ifrågasättas.

Annan kritik som förekommer mot Corsi är att endast kvantiteten av skottförsöken tas i beaktning, inte kvalitén. Hur viktigt är det egentligen att skjuta tio skott fler än motståndaren om skotten kommer i relativt ofarliga lägen?

SHL:s poängligaledare Marek Hrivik är en av spelarna i ligan med en väldigt hög Corsi just nu.Foto: Bildbyrån/Michael Erichsen

Länkar:

Corsi i NHL säsongen 2019/20 – utespelare

Corsi i NHL säsongen 2019/20 – lag

Corsi i SHL säsongen 2020/21 – utespelare

Corsi i SHL säsongen 2020/21 – lag

Fenwick

Fenwick mäter i grunden samma sak och presenteras på samma sätt som Corsi. Det vill säga antalet chanser för- och emot i spel fem mot fem med syftet att ta reda på vilka som för spelet och presenteras sedan främst i procentform (FF%). Kritiken som uppmärksammats angående Corsi går därmed tillämpa även på Fenwick.

Det som skiljer Fenwick från Corsi är att blockerade skott inte räknas som en chans då ett blockerat skott i detta fallet snarare anses bero på defensiv skicklighet. Fenwick kan därför bli användbart i de fall där lag, eller spelare, som en del av sin strategi tenderar att blockera mycket skott. En strategi som försämrar Corsi (CF%), men inte Fenwick (FF%).

Till exempel:

Säsongen 2018-2019 var Niklas Hjalmarsson den svensk i NHL som blockerade flest skott, 187 stycken. Detta bidrog till att ge honom en negativ Corsi (48,7 CF%), men en positiv Fenwick (50,6 FF%).

Niklas Hjalmarsson.Foto: Terrence Lee-USA TODAY Sports

Det som Fenwick blivit mest användbart för handlar dock inte om den egna statistik-formen. Det handlar snarare om att Fenwick ligger grund för den kanske viktigaste avancerade statistiken, Expected Goals, där blockerade skott inte heller räknas.

Fenwick i NHL säsongen 2019/20 – utespelare

Fenwick i NHL säsongen 2019/20 – lag

Fenwick i SHL säsongen 2020/21 – utespelare

Fenwick i SHL säsongen 2020/21 – lag

Expected Goals

Modellen Expected Goals (xG) kan ses som motsatsen till Corsi och Fenwick som alltså mäter kvantiteten av skottförsöken, men kritiseras också på grund av detta. Expected Goals mäter däremot kvalitén på skotten, det vill säga hur stor sannolikheten är att skottförsöket resulterar i mål. Detta bestäms utifrån vissa kriterier där det huvudsakliga syftar till var på isen skottet avlossats. Modellen tar också hänsyn till returer samt chanser vid kontringar.

Likt både Corsi och Fenwick används Expected Goals For (xGF) samt Expected Goals Against(xGA) och även Expected Goals kan presenteras procentuellt (xGF%) där allt över

50% återigen är positivt. xGF% används med fördel för att titta på den övergripande bilden av ett lag, alternativt på hur effektiv en spelare är i båda ändarna av isen. Till skillnad från Corsi och Fenwick är Expected Goals mer användbart för att kolla på enskilda spelares prestation då det visar på hur många mål spelaren förväntades göra. För en enskild spelares prestation är det effektivt att titta på prestationen per 60 spelade minuter. Hur många förväntade mål för och hur många förväntade mål mot som spelaren är inne på under 60 minuters speltid (xGF/60 och xGA/60).

Expected goals i NHL säsongen 2019/20 – utespelare

Expected goals i NHL säsongen 2019/20 – lag

PDO

Syftet med PDO är att lyfta fram de lag eller spelare som presterar bättre eller sämre resultat än vad de förväntas göra, vilket ofta snarare uttrycks som att PDO mäter tur i hockey. PDO sammanställs genom att addera lagets räddningsprocent med dess skottprocent i spel fem mot fem. För enskilda spelare räknas räddningsprocenten plus skottprocent när spelaren varit på isen.

PDO utgår ifrån att räddningsprocent och skottprocent tillsammans utgör ett medelvärde på hundra. Ett lag vars resultat överstiger hundra presterar således över förväntan och kan generellt sett över tid förvänta sig sämre utdelning, samtidigt som lag med ett lägre resultat än hundra bör kunna förvänta sig en förbättring. Detsamma gäller enskilda spelare.

Även PDO har sina svagheter det kritiseras för. Då varje lag och spelare förväntas ha ett värde på hundra förutsätter det att alla i grund och botten spelar på exakt samma nivå. Så är självklart inte fallet. Bättre lag och skickligare spelare bör därför ligga på en högre PDO än hundra. Här brister till viss del hela systemet och det är inte lika svart på vitt som det till en början kan framstå.

Likt Corsi och Fenwick får PDO kritik för att en spelares individuella resultat till stor del beror på medspelarnas prestation. Hur mycket kan en forward egentligen påverka sin målvakts räddningsprocent? Eller hur mycket kan en back påverka sina forwards skottprocent? Vilket båda är vitala delar för det slutliga resultatet.

Färjestads Per Åslund är en spelare som har haft en tung start på säsongen – och har en riktigt låg PDO.Foto: Bildbyrån/Fredrik Karlsson

PDO i NHL säsongen 2019/20 – utespelare

PDO i NHL säsongen 2019/20 – lag

PDO i SHL säsongen 2020/21 – utespelare

PDO i SHL säsongen 2020/21 – lag

Zonstarter

Zonstarter visar hur många byten en spelare startar i offensiv respektive defensiv zon. För spelare med en mer offensiv roll är sannolikheten för bättre statistik när det kommer till exempelvis Corsi och Fenwick högre än för spelare som startar majoriteten av sina byten i defensiv zon. Zonstarter är med andra ord en aspekt att ta hänsyn till vid utvärdering av spelares prestation.

Högst andel offensiva zonstarter i NHL 2019/20

Högst andel defensiva zonstarter i NHL 2019/20

Få spelare i NHL får lika många offensiva zonstarter som Elias Pettersson.Foto: Anne-Marie Sorvin-USA TODAY Sports

Goals Saved Above Expected

Det finns även avancerad statistik som värderar målvakters prestation. Genom att använda tidigare nämnda Expected Goals och subtrahera med antalet insläppta mål visar resultatet på hur många förväntade mål en målvakt räddade utifrån den skottkvalité skotten höll, det vill säga Goals Saved Above Expected (GSAx). Detta anses vara en nyckel-statistik vad gäller målvakter, tack vare att kvalitén på skotten är grundläggande. Statistiken underlättar således jämförandet mellan målvakter i lag som är bra respektive dåliga defensivt.

Statistiken presenteras utifrån att noll är genomsnittet. Senaste säsongen hade Vezina Trophy-vinnaren, Connor Hellebuyck, högst GSAx i NHL på 19,86. Vilket var mer än dubbelt så mycket som tvåan, Darcy Kuemper.

Goals Saved Above Average

Goal Saved Above Average (GSAA) mäter målvakters prestation i förhållande till ligans genomsnitt genom att ta reda på hur många mål en målvakt tillåter i jämförelse med vad en i ligan genomsnittlig målvakt skulle tillåta på samma antal skott. Detta räknas ut genom att ta ligans genomsnittliga räddningsprocent gånger antal skott emot sig minus insläppta mål.

Likt GSAx utgår även GSAA ifrån att genomsnittet är noll. Högst GSAA i NHL säsongen 2019/2020 hade Tuukka Rask med 19,69, samtidigt som bottenlaget San Jose Sharks målvakt, Martin Jones hade sämst på minus 23,20.

Goals Saved Above Average i NHL 2019/20

Tuukka Rask. Tuukka Rask toppade statistiken för antal stoppade mål över genomsnittet.Foto: Billy Hurst-USA TODAY Sports