Krönika. Maskinerna tar över

Vad är en spelare värd, i termer av betydelse rent spelmässigt och för sitt lag? Går det att mäta? Vi ska i det följande bortse från psykologiska och socialpsykologiska faktorer, saker som naturligtvis har en enorm betydelse. 1+1 blir ju inte alltid 2, det kan faktiskt bli mer eller mindre. Det svenska fotbollslandslaget visade t ex  i VM att resultatet kan överstiga spelarnas sammanlagda värde, i meningen individuell kvalitet. Allt det som sitter mellan öronen är en vetenskap i sig och som vi inte skall diskutera här.

Men det finns saker vi kan kvantifiera, vilket inom basketen görs av hjärtans lust i form av statistik. Men hur är det med allt annat, förutom rena siffervärden? Det finns massor av saker som sker ute på planen och utförs av individuella spelare, saker som inte har gått att sätta siffror på, men som har en stor betydelse. Hur mäter man t ex en spelares värde när det gäller förmågan att sätta bra screens, att göra rätt cut i rätt ögonblick, att göra rätt saker i de defensiva rotationerna, att blockera ut i returtagning och en massa andra saker?  Som vi skall se i det följande är det på väg att hända. Utvecklingen när det gäller att få fram viktiga data om spelarna och spelet kommer i framtiden att omfatta fler aspekter än de siffror vi kan läsa om i statistikformuläret.

Det är ju fortfarande så att majoriteten av data är främst de som vi hittar i statistikformuläret efter en match. Vilka spelare som gjorde poängen, tog returerna, orsakade turnovers etc. Vad som kommer ut är helt objektiva mätetal. Spelarna bedöms normalt i de här termerna och i grund och botten har det sin relevans. Spelare och lag som gör mycket poäng, tar många returer, sällan kastar bort bollen med mera, är är i allmänhet vinnarna och de som presterar bäst i konkurrensen.

I den moderna världen räcker dock inte de ”enkla” statistikvärdena. Det behövs mer sofistikerade metoder, där man kombinerar de grunddata som finns för att få fakta om hur spelarna och laget presterar i olika delar av spelet. Vi skall kika på ett par av de nyare mätetalen. Man kan diskutera i vilken de är korrekt definierade och i det avseendet valida (mäter det de är avsedda att mäta), men helt klart är att det kommit fram ett antal mätmetoder som ger en djupare insikt om spelares kvaliteter och som visat sig bredda bilden jämfört med de ”statiska” måtten. Den spelare som gjort mest poäng behöver helt enkelt inte vara den mest effektiva spelaren på planen.

Det finns massor av sådana mätetal, på lagnivå t ex ”offensiv effektivitet” och ”defensiv effektivitet”, som anger hur många poäng laget gör per 100 bollinnehav respektive släpper in per 100 på motståndarnas bollinnehav. Likaså finns en uppsjö ”kombinationsmått” för individuella spelare. Flera av dem har vi koll på i våra egna ligor, då de kontinuerligt mäts och redovisas,t ex ”+- statistiken”, som berättar om hur många poäng plus eller minus en spelare har gått under sin tid på planen. Den redovisas totalt, per match och per minut. Det finns också förhållandet mellan assister och turnovers, liksom det mellan steals och turnovers.  Ett annat mått är det som är tänkt att mäta hur effektiv en spelare varit under en match. Effektiviteten kalkyleras med formeln ”Poäng+Returer+Assister+Seals+Blockar-Turnovers-(trepoängsförsök-satta treor)-(tvåpoängsförsök-satta tvåor)-(straffkastförsök-satta straffar)”

Ett ganska nytt och intressant mått, som såvitt jag vet inte beräknas inom den svenska basketen (men naturligtvis i både NBA och WNBA) är ”PIE”, Player Impact Estimate, d v s ett mått där man försöker beräkna i vilken grad en spelare påverkat matchutgången. Den är ett sätt att gå längre än effektivitetstalet. PIE tar hänsyn till inte bara vad spelaren åstadkommit på planen utan också i förhållande till det som hänt totalt i matchen. PIE beräknas så här: ”Poäng+satta skott+satta straffar-skottförsök-straffkastförsök+defensiva returer+ (0,5x offensiva returer)+assister+steals+(0,5x blockar)-personliga fouls-turnovers”. Det tal som man får fram delas sedan med samma siffror för matchen totalt, d v s det båda lagen åstadkommit.

I grova drag har en spelare med en procent över 10 påverkat matchutgången mer än genomsnittsspelaren. De bättre spelaren ligger dock regelbundet på dubbelt så höga siffror. I årets WNBA toppar Liz Cambage i den kategorin med snittet 21,2% per match. Tvåa är Breanna Stewart (19,0) och trea Candace Parker (18,7).

Jag kunde inte låta bli att kalkylera fram några PIE-tal från förra säsongen i BLD för att få en uppfattning om vilka tal det handlar om (och hoppas att jag har kalkylerat rätt). Jag utgick från listan över de spelare som hade presterat de högsta effektivitetstalen under spelåret, för rimligen finns en viss korrelation mellan PIE och effektivitet.

Den högsta effektivitetssiffran (47) i en enskild match säsongen 2017-18 hade Tayler Mingo, Telge Basket, i matchen mot Mark 8 oktober. Det näst högsta talet  (46) hade Allis Nyström, Luleå, mot Uppsala 9 december. Mingos PIE i matchen ifråga blev 43, en extremt hög siffra, medan Nyströms landade på 24,6. PIE diskriminerar alltså i hög grad gentemot effektivitet, beroende på vad som totalt hände i matchen.

Att det är svårare att få höga tal, både vad gäller effektivitet och PIE, när motståndet ökar, är självklart. Både Mingo och Nyström nådde sina siffror mot svagare ligalag, så hur såg det ut i t ex vårens finaler? I de fyra matcherna var det tre individuella insatser som stack ut. Tiffany Brown, Udominate, hade 37 i effektivitet i finalen 20 april. Brianna Kiesel, Udominate, och Jessica Thomas, Luleå, hade 30 respektive 29 i den första finalmatchen, 18 april. Men hur såg deras PIE ut?

Både Thomas och Kiesel nådde 24,5 i PIE, medan Brown hade 22,2. Alla tre insatserna och talen får ses som alldeles utomordentliga och uppnåddes mot bästa tänkbara motstånd på svensk mark, och när det gällde som mest. De tre spelarna hörde också mycket riktigt till de allra främsta i ligan förra säsongen, inte minst Thomas och Kiesel, som båda varit stabila och gått vidare i sina karriärer och fått kontrakt i andra europeiska ligor. Kiesel skall spela i Polen (Lublin) medan Thomas hamnat i det grekiska mästarlaget Olympiacos, som i höst skall spela kval till Euroleague. Brown å sin sida är den enda av dem som blir kvar i den svenska ligan, i A3, och som har en förmåga att göra monstermatcher, men är väldigt mycket upp och ned.

Ett väldigt spännande koncept är det som utvecklats av företaget Second Spectrum, som i sin marknadsföring kaxigt men sanningsenligt säger ”we built a machine that understands the game”. Deras modell bygger på att man genom videoanalyser kartlägger spelarnas rörelser på planen och därigenom kan dra bestämda slutsatser, inte bara i kvantifierbara termer och utan också i kvalitetstermer. Om man matar in tillräckligt mycket rådata från matcher i systemet kan man få en enorm uppsättning fakta som ger en tydlig bild om vad som fungerar och vad som är mest effektivt avseende en massa saker, inte bara skott, utan också passningar, utblockeringar, screensättning, försvarsarbete etc. Helt enkelt ett fantastiskt hjälpmedel för inte minst de professionella coacherna.

Mest genomslag har Second Spectrum fått för sina analyser av skyttet och hur effektiva skyttar individuella spelare är. Second Spectrum är i det här avseendet partners med NBA och den absoluta majoriteten av klubbarna använder sig av deras verktyg. Den slutsiffra man får fram kallas qSI, quantified shooter impact, enligt formeln: qSI=EFG+qSQ. EFG står för Effective Field Goal Percentage, spelarens förmåga att avsluta och få i skotten. qSQ står för quantified shot quality, d v s hur svåra/tuffa avslut spelaren tar. Att på det här sättet få fram kvantitativa data på inte bara hur många skott en spelare sätter utan också få med svårighetsgraden och bestämda slutsatser om vilka spelare som är mest effektiva och som tar de bästa skotten i de bästa lägena, har beskrivits som en revolution och har tagits emot med öppna armar.

Med högsta säkerhet är det här framtiden ligger för att få fram data och statistiska uppgifter om spelet och spelarna. Man konstruerar en maskin som till slut förstår spelet lika bra eller bättre än enskilda människor och som är överlägsna när det gäller att ta fram de data som coacher och spelare behöver för att sätta samman sina lag och bedriva spelet på planen. Och det är nog en tidsfråga innan vi har system motsvarande Second Spectrums även hos oss.

One Reply to “Krönika. Maskinerna tar över”

Kommentera

E-postadressen publiceras inte. Obligatoriska fält är märkta *