Alfredo Morelos HJK:sta Skotlannin kuninkaaksi

Alfredo Morelos oli jo HJK:hon tullessaan poikkeuksellinen pelaaja Veikkausliigaan. Kolumbian nuorisomaajoukkuepelaajia ei ole nimittäin juurikaan näillä leveysasteilla näkynyt. Odotukset ja toiveet HJK:n ja sen kannattajien keskuudessa olivat korkealla, mutta Morelos onnistui lopulta täyttämään ja jopa ylittämään häneen kohdistuneet odotukset Suomessa

 

Morelos Veikkausliigassa kaudella 2017

Veikkausliiga 2017 aktiivisimmin laukoneet pelaajat

   

Morelos oli innokas laukoja, mutta myös tehokas. Morelos oli monissa tilastoissa omilla mitta-asteikoillaan kauden 2017 Veikkausliigassa. Mielenkiintoinen havainto on esimerkiksi se, että hän laukoi lähes kaksi kertaa useammin kuin viidenneksi eniten laukonut Demba Savage.

Veikkausliiga 2017 scoring contribution

Morelosin scoring contribution (eli suomeksi maalit + maalisyötöt per 90 peliminuuttia) oli sekin aivan omaa luokkaansa. Jopa ero toiseksi parhaaseen Valenčičiin oli valtava, kuten kuvasta nähdään. Joissain peleissä Morelos vaikutti hieman laiskalta, mutta tilastot todistavat, että tulosta tuli silti murhaavalla tahdilla. Itse asiassa viime vuosina vain Vahid Hambo on päässyt lähelle samoja lukemia Veikkausliigassa. Tämä tapahtui kaudella 2015, jolloin Hambo oli melkoisella 13 ottelun hot streakillä ennen siirtymistään Brightoniin. 

Siirto Skotlantiin

Matka kohti suurempia ympyröitä oli vain ajan kysymys, ja heinäkuussa 2017 Morelos jätti odotetusti HJK:n. Kysyntää oli varmasti poikkeuksellisen paljon ja lopulta Morelos päätyi Skotlannin perinteiseen Glasgow Rangersiin. Alku uudessa seurassa oli erinomainen ja maaleja syntyi jo heti ensimmäisistä peleistä lähtien lähes samaan tahtiin kuin Veikkausliigassa. Syksymmällä tuli kuitenkin pitkä kuiva kausi, ja loka-marraskuussa Morelos ei tehnyt maalin maalia Skotlannin Premiershipissä. Maalisyöttöjä tuli sentään tuolloinkin muutama. Joulukuussa Morelos palasi taas lähes maali per ottelu tahtiin ja koko sarjan maalipörssin johtoon.

Nähdäksemme paremmin näiden lukujen taakse, voimme katsoa Skotlannin liigan osalta myös ns. expected goals –lukuja (xG), jotka kuvaavat laukausten maaliodotusarvoa. 

 

Skotlannin valioliigan koko kauden xG:t ja NPG:t (non-penalty goals)

Kuvassa on xG-lukuina käytetty Stratabetin kuusiportaista “vaarallisuusasteikkoa”, jossa maalipaikat on rankattu heikosta erinomaiseen ja näille on annettu keskimääräiset pitkän aikavälin onnistumistodennäköisyydet (aineistossa on mukana pelit joulukuun loppuun 2017). Morelos johtaa Skotlannin liigan maalipörssiä, mutta mikä ilahduttavinta, nämä xG-lukemat osoittavat, että kyseessä ei ole sattuma. Itseasiassa Morelos on melko ylivoimainen xG:n osalta, sillä ero seuraavana olevaan Sinclairiin on noin neljän maalin luokkaa. Näiden xG-lukujen perusteella Morelos on ollut siis jopa epäonnekas, vaikka onkin viimeistellyt sarjan eniten maaleja (10), sillä hänen maalipaikkoihinsa perustuva odotettu maalimäärä on ollut 13,79.

Skotlannin Valioliigan xG / 90 ja xGA / 90 (expected assists)

Maalipaikkoja Morelos ei ole Skotlannissa pystynyt luomaan joukkuekavereilleen samaan tahtiin kuin Veikkausliigassa, sillä expected assists / 90 on ollut vain hieman yli 0,12 / 90 peliminuuttia. Kuitenkin Morelosin xG-lukemat per 90 peliminuuttia ovat olleet koko sarjan parhaat, eli myös suhteutettuna peliaikaan Morelos on ollut sarjan vaarallisin pelaaja. Lukemana 0,8 odotettua maalia / 90 minuuttia on erinomainen ollen parempi kuin esimerkiksi loistavaa kautta pelaavalla Liverpoolin Mohamed Salahilla (0,77) tällä kaudella toistaiseksi. 

Skotlannin Valioliigan maalipaikat ja niiden laatu (keskimääräinen xG) 

Morelos on laukonut edelleen melko hanakasti, vaikkakaan ei läheskään samaan tahtiin kuin Veikkausliigassa (Rangersissa reilut 3 maalintekoyritystä / 90 minuuttia). Moreloksen maalipaikat ovat olleet keskimäärin koko sarjan laadukkaimpien joukossa (keskimääräinen xG 0,25).

Tarkasteltaessa tarkemmin Moreloksen maalipaikkoja, voidaan tosiaan havaita, että suurin osa laukauksista on tullut hyvistä maalipaikoista läheltä maalia.

Alfredo Moreloksen maalipaikat Skotlannin Valioliigassa

 

 

Kuvassa pallon koko kuvastaa Moreloksen laukauksen xG:tä. Moreloksen laukausvalikoima näyttää erinomaiselta, sillä lähes kuudestakymmenestä paikasta vain kourallinen on rangaistusalueen ulkopuolelta. Suunnilleen neljäsosa laukauksista on maalivahdin alueen sisältä ja kuten pallojen koko osoittaa, juuri nämä ovat niitä vaarallisimpia maalipaikkoja. 

Tulevaisuus

On mielenkiintoista nähdä miten Alfredo Moreloksen ura kehittyy jatkossa. Omiin silmiini fyysinen kunto näyttäisi olevan hieman paremmalla tasolla kuin HJK:ssa, mutta toisaalta mitään huikeita erityisominaisuuksia miehellä ei ole. Kuten tilastokatsauksesta nähtiin, niin toistaiseksi tilastojen perusteella Morelos on ollut myös Skotlannin liigaan erittäin laadukas pelaaja. Viimeistely toimii kuitenkin sekä päällä että jaloilla ja Morelos on pystynyt myös luomaan paikkoja melko hyvin. HJK:ssa seurataan Moreloksen kehitystä varmasti myös mielenkiinnolla, sillä Rangersiin siirron yhteydessä on ilmeisesti sovittu myös prosentit tulevasta jatkosiirrosta. Skotlannin liigan maalikuninkuus heti ensimmäisellä kaudella olisi ainakin sen verran kova juttu, että luulisi saarivaltiosta löytyvän kiinnostusta hieman isompienkien seurojen puolelta.

This article was written with the aid of StrataData, which is property of Stratagem Technologies. StrataData powers the StrataBet Sports Trading Platform, in addition to StrataBet Premium Recommendations.

DIY - xG-malli

xG-malleista on ollut paljon puhetta viime aikoina, ja esittelin edellisessä jutussani mallien peruslogiikan. Lupasin myös palata xG-malleihin tarkemmin, joten esittelen tässä jutussa yhden tavan rakentaa xG-malli. Sain käyttööni Stratabetin tilastoja, joiden perusteella rakensin oman xG-mallin. Ideana on näyttää miten mallin voi rakentaa, ei suinkaan pyrkiä tekemään tästä esimerkkimallista täydellistä.

xG-mallin tilastoaineisto

Malli on rakennettu käyttäen Stratabetin tilastoja Hollannin, Belgian, Norjan ja Ruotsin pääsarjoista sekä Uefan Eurooppa-liigasta. Aloitin mallin rakentamisen kasaamalla aineistot yhteen ja poistamalla siitä rangaistuspotkut, omat maalit ja vaaralliset tilanteet. Mutta hetkinen, aiemmassa jutussani juuri kirjoitin, että Stratabetin datassa on se etu perinteisiin laukausmalleihin verrattuna, että siinä huomioidaan myös vaaralliset tilanteet, joista ei tule laukausta. Noh, rakennan nyt puhtaasti laukauksiin perustuvaa xG-mallia, joten tästä syystä nuo vaaralliset tilanteet eivät tässä mallissa toimisi. Käytännössä tässä on tarkoitus näyttää, miten voidaan rakentaa malli, joka ennustaa / arvioi millä todennäköisyydellä tietystä osasta kenttää lauotaan (tai pusketaan) maali.

Otin aineistossa huomioon laukausten koordinaattien lisäksi:

1. Puskut vs. muut
2. Open play vs. vapaapotkut

Kyseessä on siis hyvin yksinkertaistettu malli. Halusin tässä kuitenkin nimenomaan tarkastella pelkkiä laukauksia, sillä niiden avulla saadaan kentän eri osa-alueille (bin) karkeat todennäköisyydet, joilla laukaus tai pusku menee maaliin. Aineistoksi muotoutui tässä tapauksessa hieman alle 30.000 laukausta tai puskua. Jaoin kentän oheisen kuvan mukaisesti 11 osa-alueeseen, eli biniin:

Usein näkee malleja, joissa koko maalivahdin alue maalin edessä on yhtä biniä. Itse jaoin sen tätä analyysiä varten kuitenkin kahteen osaan kohta nähtävistä syistä. Tässä xG-mallin versiossa binien sisällä voi olla melko isoakin vaihtelua todellisissa xG:ssä (esim. bineissä 2, 3, 4 ja 5 on iso ero siinä tuleeko laukaus binin ulkoreunalta vai sisäreunalta), mutta aineiston suhteellisen rajallisesta koosta johtuen en lähtenyt jakamaan alueita tämän tarkemmin. Nykyiselläänkin muutamaan biniin jäi vain parisataa laukausta, joten niiden osalta maalitodennäköisyydet eivät luultavasti ole kovin tarkkoja estimaatteja.

Vaikka biniin 0.5 jää nyt vain 250 laukausta, halusin erottaa sen omakseen, koska konversio-% verrattuna bin ykköseen on valtava, kuten alla olevasta taulukosta nähdään.

Aineiston rajallinen koko aiheuttaa muutamia hassuja tuloksia, kuten sen, että boxin ulkopuolelta puskut olisivat laukauksia todennäköisempiä maaleja. Tämä johtuu kuitenkin sattumasta, sillä aineistossa oli yhteensä vain 24 puskua boxin ulkopuolelta, mutta näistä 2 meni maaliin. Kaikissa muissa bineissä laukaukset olivat selkeästi puskuja todennäköisempiä menemään maaliin. Aivan maalinedustan (bin 0.5) konversiot ovat merkittävästi korkeammalla tasolla verrattuna muualta maalivahdin alueelta tuleviin laukauksiin ja puskuihin.

K


Kuvassa on esitetty visuaalisesti aineiston laukaukset sekä niiden xG:t perustuen edellä esitettyihin bineihin. Todellisuudessa xG ei tietenkään muutu kuten kuvassa, sillä nyt rakennettu malli yksinkertaistaa todellisuutta yhdistelemällä laukaukset alueiden sisällä. Laukausten maalinmenotodennäköisyydet ovat kuitenkin jo tälläkin analyysillä enemmän "siellä päin", ja mallin avulla saadaan enemmän informaatiota peleistä, kuin vaikkapa pelkästään joukkueiden laukausten määrää tarkastelemalla.

Case-esimerkki: AFC Eskilstuna - AIK 4.6.2017

Uudenkarheaa xG-malliamme voi nyt hyödyntää esimerkiksi tarkastelemalla yksittäisen ottelun laukauksia ja maaliodotuksia. Valikoin tarkasteluun Allsvenskanin ottelun Eskilstuna - AIK viime kesältä (4.6.2017).

Kuvassa on esitetty Eskilstunan laukaukset ottelussa sekä niiden lopputulema (maali, ohi, torjunta, blokkaus). Pallon koko kuvastaa aiemmin rakentamamme BinxG-mallin antamaa todennäköisyyttä. Eskilstuna laukoi ottelussa 9 kertaa, joista yksi meni maalin.

AIK laukoi 12 kertaa ja onnistui maalinteossa 3 kertaa. xG-mallimme mukainen maaliodottama AIK:lla oli noin kaksinkertainen verrattuna Eskilstunan maaliodottamaan. Pelkästään laukausten tai maalia kohti suuntautuneiden laukausten määrää tarkasteltaessa ottelu vaikuttaisi suhteellisen tasaiselta (9 vs. 12). Kuvia katsomalla kuitenkin nähdään heti, että AIK:n paikat tulivat selvästi paremmista lokaatioista ja yksinkertaistettu mallimmekin poimi tämän informaation.

Ottelun loppulukemat olivat 1-3 ja BinxG:t 0.6-1.3. Stratabetin oman xG-tilastoinnin perusteella maaliodotukset olivat 0.75-2.12, eli ero rakentamaamme malliin oli melko suuri. Pääasiassa ero johtui Daniel Sundgrenin maalista, jolle mallimme antoi maaliodottamaa vain 0.13 kun taas Stratabet antoi 0.83.

Tämä maali osoittaa hyvin, miksi pelkkiin laukauslokaatioihin perustuvat xG-mallit ovat puutteellisia. Alla on kaksi heikkolaatuista still-kuvaa kyseisestä tilanteesta, toinen hieman ennen laukausta ja toinen laukauksen hetkellä:

Kuvien lähdet: Sporttube.com

Kuten nähdään, niin kyseessä ei ole ihan tyypillinen laukaus pilkun kohdalta. Sundgren saa pallon pystysyötön seurauksena linjan taakse ja kontrolloi taitavasti vaikeahkon pallon siirtäen sen tyhjiin maalivahdin ohi. Monissa xG-malleissa onkin yhtenä muuttujana se, minkälaisen syötön jälkeen tilanne tuli, ja tällaiset "after throughball" -tilanteet ovat yleensä kaikkein vaarallisimmasta päästä.

Mitä tästä opimme?

Rakensimme suoraviivaisen laukausten lokaatioihin perustuvan xG-mallin, joka kuvastaa laukausten ja puskujen keskimääräistä maaliinmenon todennäköisyyttä "suunnilleen" kyseisestä lokaatiosta. Kuten esimerkkimme osoitti, mallin tarkkuus on vielä tällaisenaan melkoisen heikko. Mallimme korrelaatio aineiston maalien kanssa on 0.33, kun taas Stratabetin xG:t korreloivat maalien kanssa selvästi vahvemmin (0.46). 

Miten mallia voitaisiin sitten kehittää? Ensinnäkin otoskokoa tulisi kasvattaa merkittävästi, sillä 30 000 laukausta ei vielä riittänyt kovinkaan luotettavaan jaotteluun. Toinen vaihtoehto olisi (myös perustuen isompaan aineistoon) tehdä toisenlainen malli, joka perustuu laukausten koordinaatteihin. Tällöin ei tarvitsisi jaotella laukauksia alueittain, vaan voisimme ennustaa yksittäisten laukausten todennäköisyyksiä mallinnuksen, ei luokittelun perusteella. Malliin voitaisiin myös lisätä minkälaisen syötön jälkeen tilanne tuli (keskitys, läpisyöttö, kulmapotku jne.). Stratabetin aineistossa on myös subjektiiviset havainnot laukauksen laadusta, maalin ja laukojan välissä olevien puolustajien määrä sekä arvio puolustuksen paineesta pallolliselle. Näiden muuttujien avulla päästäisiin jo huomattavasti paremmin todellisuutta vastaaviin lukemiin.

 

This article was written with the aid of StrataData, which is property of Stratagem Technologies. StrataData powers the StrataBet Sports Trading Platform, in addition to StrataBet Premium Recommendations.

Jalkapallotilastoista

Kirjoitin Byyri.comiin tekstin jalkapallotilastoista ja ajattelin, että laitan tänne blogin puolelle vähän muokatun version samasta jutusta. Tässä se siis on:

Jalkapallotilastot ja niiden kehitys 

Tilastojen hyödyntäminen ja niiden analysoiminen jalkapallossa on viime vuosina lisääntynyt ja herättänyt aiempaa laajempaa kiinnostusta. Silti edelleen jalkapallon julkiset tilastot erityisesti Suomessa koostuvat pääosin maaleista, kulmapotkuista, paitsioista, korteista, pallon hallinnasta, laukauksista ja muista niin sanotuista “perustilastoista”. Pelin syvällisempää analysointia varten nämä perustilastot tarjoavat hyvin rajalliset lähtökohdat ja sen vuoksi niiden rinnalla on alettu koota koko ajan kasvavaa määrää yksityiskohtaisempia ja monipuolisempia tilastoja. Voidaan sanoa, että jalkapallossakin on alettu hakea etua baseball-seura Oakland Athleticsin tapaan “money ball” -tyylisesti tilastoja tutkimalla. Tilastojen kysynnän lisääntyessä, sekä seurojen ja analyytikoiden kiinnostuksen herättyä, markkinoille on tullut useita dataa kerääviä ja myyviä yrityksiä, kuten Opta, InStat ja Stratabet. Tilastojen analysoinnin tekee kuitenkin haastavaksi se, että kaikilla näillä on omat tapansa kerätä dataa ja tilastoida tapahtumia. Esimerkiksi saman ottelun tilastoissa voi Stratabetin ja Optan keräämän aineiston perusteella olla merkittäviä eroja. Veikkausliigasta kunnollista dataa on saatavilla vain itse keräämällä tai käyttämällä InStatin tilastoja, jotka eivät valitettavasti ole kovinkaan laajalti raportoituja saatikka helposti saatavilla edes Veikkausliigan omilla sivuilla.

Yksi askel kohti kehittyneemmän tilastoinnin laajempaa hyväksyntää ja käyttöä tapahtui syksyllä 2017, kun Brittiläinen Sky Sports alkoi raportoimaan niin sanottuja “expected goals” -tilastoja lähetyksissään. Expected goals, tai tuttavallisemmin xG onkin tämän hetken puhutuimpia, mutta myös ristiriitaisimpia jalkapallon tilastoja. xG pyrkii mittaamaan maalipaikan tai laukauksen todennäköisyyttä mennä maaliin ja sen arvo vaihtelee nollan ja yhden välillä (0-100%). Hieman toisistaan poikkeavia xG-malleja on nykyään kymmenillä eri toimijoilla ja useat tahot raportoivat omat lukunsa julkisesti Twitterissä tai muissa medioissa. Yksittäisen ottelun xG:t voivat olla esimerkiksi 1,3 kotijoukkueelle ja 2,7 vierasjoukkueelle. Tällöin voidaan todeta, että ottelun päätyttyä 1-1 oli vierasjoukkue xG-mallin perusteella epäonnekas, kun se joutui tyytymään tasapeliin. Käytännössä xG toimii paremmin hieman pidemmällä otannalla, joten esimerkiksi viiden ottelun jälkeen voidaan jo kohtuullisella varmuudella löytää onnekkaimmat ja epäonnekkaimmat joukkueet.

Puhtaasti tilastoihin perustuvissa xG-malleissa on omat heikkoutensa, sillä todennäköisyydet perustuvat suureen määrään suunnilleen vastaavanlaisia maalipaikkoja. Malleissa on käytännössä jonkin verran eroavaisuuksia, mutta kaikissa on sama perusperiaate: xG-mallit pyrkivät antamaan laukauksille todennäköisyyden mennä maaliin perustuen sellaisiin aiempiin laukauksiin, jotka ovat lähteneet samasta, tai suunnilleen samasta kohdasta kentällä. Alla on esimerkkikuva xG-mallin pohjalla olevasta "kehikosta", jossa laukaukset on jaettu alueisiin (bineihin) ja sitten analysoitu millä todennäköisyydellä kultakin alueelta on tehty maali. Palaan tarkemmin xG-malleihin tulevissa kirjoituksissani.

Yleisesti xG-mallien ongelmana on se, että pelaajan asentoa, tasapainoa, lähellä olevien puolustajien määrää tai häirintää ei voida pelkillä laukaisutilastoilla huomioida riittävästi. xG-mallit eivät myöskään yleensä huomioi lainkaan tilanteita, joista ei tullut laukausta, vaikka itse tilanne olisi ollut erittäin vaarallinen muutoin. Puutteistaan ja rajallisuudestaan huolimatta xG-mallit ennustavat selvästi paremmin joukkueiden tulevaa menestystä kuin vaikkapa maaleihin tai laukauksiin perustuvat mallit. Toisin sanoen xG-mallit tuovat lisäarvoa verrattuna perinteisiin tilastoihin, vaikka ne eivät täydellisiä olekaan. Jotkut toimijat, kuten Stratabet, ovat myös tuoneet tilastoihinsa subjektiivisia muuttujia, kuten laukauksen laatu ja puolustuksen paineistus. Stratabet tilastoi myös vaaralliset paikat, joista ei tule laukauksia ("dangerous moments") sekä puolustajien määrän laukojan ja maalin välissä.

Mihin jalkapallossa tarvitaan tilastoja?

Tilastoista voivat hyötyä niin seurajohtajat, valmentajat kuin pelaajatkin. Lisäksi esimerkiksi vedonlyöjät ovat jo pidempään hyödyntäneet tilastoja pyrkiessään voittamaan vedonvälittäjät. Brentfordin ja Midtjyllandin omistaja Matthew Benham on tehnyt omaisuutensa vedonlyönnillä ja edelleen hänen yhtiönsä Smartodds tekee ja myy analyysejaan ja tilastojaan ammattimaisille vedonlyöjille. Myös Brightonin omistaja Tony Bloom on tehnyt omaisuutensa pokerilla ja vedonlyönnillä. Bloomilla on Benhamin tapaan oma tilastoja hyödyntävä vedonlyöntianalyysiyhtiö. Erityisesti Matthew Benham on tuonut tilastoihin perustuvan ajattelunsa myös käytäntöön omistamissaan seuroissa ja vieläpä erittäin menestyksekkäästi.

Tilastojen avulla voidaan saada parempi kuva joukkueiden todellisesta tasosta ja niiden menestyksen takana olevista tekijöistä, kuin pelkästään katsomalla sarjataulukkoa. Viisas johtoporras ei anna potkuja valmentajalleen, jonka joukkueella on ollut alkukaudesta heikko tuuri, mutta peliesitykset ovat olleet muuten kohtuullisia tai hyviä joukkueen odotettuun tasoon nähden. Tällaisessa tapauksessa potkut luultavasti näyttävät jälkikäteen hyvältä ratkaisulta, koska joukkueen pistetahti alkaa pidemmässä juoksussa vastaamaan sen peliesityksiä. Muutosta parempaan ei usein kuitenkaan selitä uusi valmentaja vaan niin sanottu “regression to the mean” eli alkukauden huonon tuurin normalisoituminen.

Tilastojen avulla joukkueen valmennus voi myös opettaa pelaajille, minkälaisia laukauksia se haluaa nähdä kentällä ja mihin tämä valmennuksen toive perustuu. Esimerkkinä on Suomessa paljon käytetty VPS:ää Petri Vuorisen ja Jani Sarajärven valmennuksessa. VPS pyrkii mieluummin jatkamaan pallonhallintaa, kuin laukomaan epätodennäköisistä paikoista. Toisin sanoen VPS pyrkii välttämään matalan xG:n laukauksia ja pyrkii laukomaan mieluummin vain parhaista maalintekosektoreista.

Analytiikan avulla voidaan myös tutkia tulevien vastustajien toiminta- ja rakentelumalleja syöttökarttojen ja niin sanottujen xG-ketjujen avulla. Niiden avulla voidaan visualisoida miten vastustajat rakentavat peliään ja kuka heidän pelaajistaan on avainasemassa vaarallisissa hyökkäyksissä? Lisäksi tilastojen ja analyysien perusteella voidaan löytää pelin osa-alueita, joilta löytyy hyödynnettäviä epätehokkuuksia. Alla on mainio lainaus Brentfordin Rasmus Ankersenin haastattelusta, jossa hän puhuu erikoistilanteista:

Brentford don't merely aim to run their club differently, but to also play the game differently. Ankersen is obsessed with "inefficiencies" in how football is played.

Perhaps the biggest is set pieces. "People in football tend to feel that a set-piece goal is not worth as much as a normal goal, which is obviously romance and bulls--t." Ankersen also laments that teams neglect set pieces in training, even though they account for one-third of all goals.

"Could you imagine a company that spends 10 percent of their time on where 35 percent of their revenue comes from? That's what happens in football."

There is, he believes, "big potential" for teams who focus on being more productive from set pieces. As such, Brentford have a set-pieces coach, a ball-striking coach and even used a throw-in coach last summer. Ankersen thinks that ultimately football might have as many special skills coaches as the NFL.

Pelaajien tilastot - voidaanko perinteisestä skouttauksesta luopua kokonaan?

Joukkuetason lisäksi tilastoja voidaan hyödyntää pelaajien merkitystä ja tasoa arvioitaessa. Yksi selkeä hyödyntämismahdollisuus näille uusille tilastoille onkin pelaajahankinnat. Parhaimmillaan joukkueet välttyvät tilastojen avulla ostamasta edelliskauden parasta maalintekijää, mikäli osoittautuu, että pelaajalla oli ollut poikkeuksellista tuuria. Hyödyntämällä xG:tä voidaan tutkia eroaako pelaajan maalimäärä ja odotettu maalimäärä toisistaan ja joukkue voi välttyä maksamasta ylihintaa pelaajasta, jonka onnistumiset ovat olleet enemmän onnen kuin taidon aikaansaannoksia. Tilastot yksin eivät ole avain onneen, mutta ne kertovat asioita, joita ihmissilmä ei välttämättä muuten pysty kunnolla huomioimaan.

Yleinen tapa tilastoja tarkastellessa on se, että pelaajien tilastot yhteismitallistetaan joko käyttämällä per 90 minuuttia tai per 100 possessions -tilastoja. Tavoitteena on pystyä vertailemaan pelaajia, jotka ovat pelanneet eri minuuttimäärät ja/tai pelaavat erilaiset pelitavat omaavissa joukkueissa. Mikäli kaksi pelaajaa ovat molemmat tehneet 10 maalia, mutta toinen on pelannut 30 peliä ja toinen 10 peliä, on aika selvää, että jälkimmäinen suoritus on kovempi. Useimmiten myös rangaistuspotkumaalit jätetään pois tarkastelusta, koska ne ovat suorituksina niin erilaisia kuin muut pelitilanteet ja lisäksi ne vääristävät pelaajien vertailua. Näiden “korjattujen” tilastojen avulla on helpompi vertailla pelaajien esityksiä riippumatta heidän peliminuuteistaan ja asemastaan joukkueen rangaistuspotkujen nokkimisjärjestyksessä.

Perinteisesti jalkapalloseurat ovat käyttäneet pelaajatarkkailijoita, kun ne metsästävät uusia Messejään. Vaikka tilastojen käyttö on yleistynyt huomattavasti, tilastot eivät missään tapauksessa korvaa tai poista pelien katsomisesta saatavan informaation arvoa. Tilastoista voidaan kuitenkin paremmin nähdä pidemmän aikavälin kehitystä sekä saada isompi otos pelaajan taidoista, kuin tarkkailemalla muutama peli katsomosta. Tilastoista on oikein käytettynä mahdollista saada monenlaista lisäarvoa ja uusia ajatuksia. Se, että tilastot eivät tee pelien ja pelaajien tarkkailusta turhaa, ei tarkoita sitä, että tilastot olisivat turhia. Parhaaseen lopputulokseen päästään kun yhdistetään tilastoista saatava informaatio näköhavaintoihin ja muihin pelaajan ominaisuuksien, myös henkisten, arviointiin.

Euroopan suurissa sarjoissa on havaittu nuorten pelaajien syöttötaidon (assists ja key passes) ennustavan erittäin hyvin heidän tulevaa menestystään hyökkäyspään pelaajina. Erilaisista tilastoaineistoista voidaan pyrkiä rakentamaan malleja, jotka ennustavat pelaajien kehitystä ja menestystä ja mahdollistavat aliarvostettujen pelaajien ostamisen seuroihin ennen kuin muut seurat ovat samoilla apajilla kilpailemassa näistä nuorista lahjakkuuksista. Tällainen toiminta vaatii rohkeutta ja uudenlaista ajattelua, mutta myös vahvaa analyysiosaamista onnistuakseen. Palkinto ennusteiden onnistumisesta voi olla taloudellisesti ja urheilullisesti erittäin merkittävä, joten tulevaisuudessa tulemme luultavasti näkemään enemmän seuroja, jotka luottavat tilastoihin perustuviin malleihin osana rekrytointiprosessejaan.

 

HJK kulmat - osa 2

Edellisessä jutussa kirjoitin HJK:n kulmapotkuista melko yleisellä tasolla. Nyt ajattelin käydä kulmia läpi hieman tarkemmin ja myös osittain pelaajakohtaisesti. 

Muistutuksena vielä miten HJK:n kulmapotkut jakautuivat tyypeittäin. Eli lähes kaksi kolmasosaa oli sisäänpäinkiertäviä ja näiden kulmien konversio-% oli myös kulmatyypeistä paras. Vastaava järjestys oli myös @Minor_LS:n koko sarjaa käsittelevässä kulmapotkukatsauksessa (https://minorleaguesoccer.wordpress.com/2016/10/21/which-veikkausliiga-team-is-most-effective-from-corners/), eli ulospäinkiertävissä laukausprosentti oli korkeampi ja sisäänpäinkiertävissä konversioprosentti oli korkeampi.

HJK:n kulmapotkujen antajat kaudella 2017

Kulmia antoi yhteensä 11 pelaajaa, mutta jätin Moreloksen nopeana ja lyhyenä antaman kulman pois aineistosta, koska se oli selvästi "ei harjoiteltu" tilanne, josta ei seurannut mitään. Morelos ei myöskään antanut tuon yhden kulman jälkeen yhtään kulmapotkua kauden aikana.  

Kuvassa on esitetty kulmia antaneet pelaajat laskevasti vasemmalta oikealle. Mosa antoi selvästi eniten kulmia. Erityisesti Mosan, mutta osin myös Pirisen kulmat painottuivat alkukauteen (Mosan kohdalla syynä tietysti loukkaantuminen, mutta mahdollisesti myös muut syyt; ks. seuraava kuvio).  Loppukaudesta kulmavastuu jakautui selvästi alkukautta tasaisemmin, sillä niin Schüller, Onovo, Dahlström, Mensah, Lingman kuin Valenĉiĉkin saivat vastuuta vasta kesäkuun puolivälin jälkeen.

Kuvassa pallon koko kuvaa kauden aikana annettujen kulmien määrää. Laukausprosentti (eli kuinka monta prosenttia kulman antajan kulmista johti laukauksiin) on x-akselilla ja konversioprosentti (eli kuinka monta prosenttia kulman antajan kulmista johti maaliin) y-akselilla.

Kuten huomataan, alkukaudesta päävastuussa olleet Mosa ja osin myös Pirinen eivät pääse keskimääräisen konversioprosentin (katkoviiva kuvassa) lähelle. Myöskään Akseli Pelvaksen kulmista ei tullut konversioita tai laukauksia hyvällä prosentilla. Valenĉiĉin, Mensahin, Lingmanin ja Onovon otoskoot olivat niin pieniä, ettei niistä voi tehdä johtopäätöksiä. Schüllerilläkin oli kauden aikana vain 10 kulmaa, joten satunnaisuudella on suuri merkitys. Atom erottuu edukseen enemmän kulmia antaneista hyvällä laukaus- ja konversioprosentillaan. Myös Dahlströmin luvut ovat erittäin hyviä. 

Kulmapotkujen vaarallisuus

Monella pelaajalla annettujen kulmien määrä oli niin pieni, että varsinkaan konversioprosentti ei välttämättä kerro totuutta kulmien vaarallisuudesta. Tätä varten tein omat karkeat arviot kulmatilanteiden vaarallisuudesta asteikolla: 

1. Ei tilannetta / vaaraa
2. Huono tilanne / alhainen vaara
3. Kohtuullinen tilanne / vaara
4. Hyvä tilanne
5. Erinomainen tilanne

Arviossa pyrin huomioimaan tilanteen vaarallisuuden riippumatta siitä tuliko kulmasta laukausta tai ei. Eli esimerkiksi vaarallinen keskitys hyvälle maalintekosektorille saattoi olla kohtuullinen tilanne, vaikka HJK:n pelaajat eivät päässeet palloon sillä kertaa. Maaliodotusarvon (xG) laskemiseksi annoin edellä mainituille luokitteluille myös "oletetut" maaliodotukset, jotka olivat:

  

1. Ei tilannetta / vaaraa = 0
2. Huono tilanne / alhainen vaara = 0,02
3. Kohtuullinen tilanne / vaara = 0,07
4. Hyvä tilanne = 0,20
5. Erinomainen tilanne = 0,40

Koska arviot ovat hyvin karkeita ja subjektiivisia, tästä ei saa tekemälläkään eksaktia tiedettä. Uskoisin kuitenkin, että tämäkin luokittelu antaa kuitenkin paremman kuvan kulmien vaarallisuudesta kuin pelkät laukaus- tai konversioprosentit.

Näihin ei kannata siis suhtautua liian vakavasti absoluuttisina lukuina, mutta ne kertovat joka tapauksessa konversioita enemmän kulmien vaarallisuudesta. Tällä mittarilla Atomin kulmat loivat kokonaisuudessaan selvästi eniten maaliodotusta ja toiseksi eniten / annettu kulma. Kuten edellä todettu, niin vähän kulmia antaneiden osalta näissä sattumalla on iso vaikutus (esim. Valenĉiĉin kohdalla yksi erinomainen maalipaikka aiheuttaa sen, että xG/kulma nousee korkeaksi).

Aktiivisimmat pelaajat kulmatilanteissa

HJK:n kulmapotkuista seurasi laukaus noin 41 % kerroista. Eniten laukauksia kulmista tai jälkitilanteista oli Ville Jalastolla.

Jos katsotaan kulmatilanteita sen valossa, että ketkä HJK:n pelaajista olivat niissä avainasemassa, niin laukausten ja kulmien antajien lisäksi keräsin tiedon siitä, kuka oli ensimmäinen HJK:n pelaaja, joka kosketti palloon kulmapotkun jälkeen (nämä siis vain sellaisia, joissa HJK:n pelaaja koski palloon ensimmäisenä kulman jälkeen, ei esim. maalivahdin nyrkkeilyn tai puolustajan purun jälkeen).

HJK:n pelaaja pääsi ensimmäisenä palloon noin joka toisessa kulmapotkussa. Selvästi aktiivisimmat pelaajat olivat Mensah, jota käytettiin pääasiassa lyhyiden kulmien vastaanottajana sekä Obilor, jota targetoitiin boxin sisällä.

HJK:n kulmapotkut kaudella 2017

Tein aiemmin Twitterin puolella taulukon Veikkausliigajoukkueiden kulmapotkuista.

Taulukosta nähdään joukkueiden kulmat ja niitä vastaan annetut kulmat sekä näistä syntyneet maalit. HJK:lla oli selvästi eniten kulmapotkuja ja se pystyi viimeistelemään 16 maalia kulmapotkuistaan. Viimeistelyprosentti 6,9 on parempi kuin millään joukkueella viimeisten kolmen kauden aikana.

Kuvasta nähdään, että joukkueiden tehoissa on merkittäviä eroja kausien välillä. Erityisesti HJK:n luvut ovat kaikkien kolmen kauden osalta täysin erilaisia. Kaudella 2015 HJK:ta vastaan tehtiin suhteesssa eniten maaleja kun taas kaudella 2016 lähes vähiten. Kolmen kauden keskimääräinen viimeistelyprosentti kulmapotkuista oli Veikkausliigan tasolla noin 3,3 %. Tämä tarkoittaa siis, että keskimäärin noin joka 30. kulmapotku johtaa maaliin. 

HJK:n kauden 2017 kulmapotkut

Kävin läpi Ottelukeskuksesta kaikki HJK:n kauden 2017 kulmapotkut. Valitettavasti kuvamateriaali oli hieman rajallista joidenkin tilanteiden osalta ja esimerkiksi elokuun HJK-RoPS -ottelun kulmapotkut puuttuivat kokonaan. Jätin aineistosta huomiotta sellaiset kulmapotkut, jotka annettiin aivan pelin lopussa ajan pelaamiseksi tai olivat hätäisiä harjoittelemattomia kuvioita (yhteensä 8 kpl). Varsinaisia kulmapotkuja HJK antoi 225 kappaletta, ja niistä tai niiden jälkitilanteista tehtiin siis 16 maalia, eli todellinen konversio-% oli hieman yli 7 %.

Jaottelin kulmat lyhyisiin, sisäänpäinkiertäviin ja ulospäinkiertäviin. HJK preferoi selvästi sisäänpäinkiertäviä kulmapotkuja, kuten alla olevasta kuvasta nähdään:

Melkein 2/3 HJK:n kulmapotkuista annettiin sisäänpäin kiertävinä. Mielenkiintoista on myös tarkastella erilaisten variaatioiden frekvenssiä vastustajien mukaan.

Taulukosta nähdään, että HJK:lla oli selvästikin erilaisia taktiikoita eri vastustajia vastaan. Osan lukemista selittää tietysti sattuma, sillä kulmapotkujen määrät vaihtelevat melko paljon. Lahtea vastaan kaikki kulmat annettiin sisäänpäinkiertävinä ja Ilvestä vastaan yli puolet ulospäinkiertävinä. Sen sijaan Kemiä vastaan lähes puolet kulmista pelattiin lyhyinä. Näin selkeitä trendejä ei varmasti selitä pelkkä sattuma, vaan valmennus on varmastikin ohjeistanut vastustajakohtaisesti käyttämään erilaisia kulmakuvioita.

Mihin HJK:n kulmat annettiin?

 

Nämä luokittelut ovat melko karkeita ja subjektiivisia, sillä kaikista tilanteista ei tosiaan ollut kunnollista kuvamateriaalia ja osassa valitsin mielestäni lähimmän vaihtoehdon näistä neljästä. Uskoakseni esimerkiksi takatolpalle suunnattuja kulmia oli luultavasti hieman enemmän kuin mitä yllä on esitetty.

Näistä ei voi tehdä yhtä selviä johtopäätöksiä taktisista valinnoista kuin kulmatyypistä (sisäänpäinkiertävät, lyhyet ja ulospäinkiertävät), koska luokittelujeni subjektiivisuuden lisäksi jakaumaan vaikuttaa potkun onnistuminen (eli päätyikö se lopulta sinne, mihin oli tarkoitus).

Maalit ja laukaukset

Katsotaan lopuksi vielä, miten laukaukset ja maalit jakautuivat eri vastustajia vastaan. HJK:n 16 kulmapotkutilannemaalista 3 tehtiin Kemiä vastaan. Lahtea vastaan Klubi ei sen sijaan onnistunut kertaakaan.

Tilastot: Veikkausliigan InStat-tilastot  & Ottelukeskuksen videomateriaali

Per 100 possessions vs. per 90 minutes - lyhyt intro

Koripallon analytiikassa on jo pidempään vertailtu numeroita pallonhallintajakson (possessions) avulla. Jalkapallossa vertailussa on tyypillisesti käytetty "per 90 minuuttia" -lukuja, jolloin voidaan esimerkiksi vertailla erilaisia peliminuutteja pelaavia pelaajia keskenään. Viime aikoina myös jalkapallon puolella on virinnyt keskustelua siitä, olisivatko "per possession" -luvut kuningaslajissakin perusteltuja tai parempia.

Possession -ajattelua jalkapallossa on vastustettu muun muassa sillä syyllä, että hyvät joukkueet pitävät palloa enemmän, jolloin niiden luvut vääristyvät, mikäli käytetään "per 100 possessions" -lukuja. Käytännössä kuitenkin "per 90 minuuttia" -lukuihin vaikuttavat sekä "tehokkuus" (per possessions) että tempo (montako possessionia per ottelu). Possessions -tarkastelun voidaan siis tavallaan ajatella tuovan uuden näkökulman verrattuna "per 90" -tilastoihin.

"Per possession statistics help us to put all teams on an equal footing, no matter what tempo they play at."

Pelaajien osalta "per 100 possessions" on siinä mielessä reilumpi kuin "per 90 minuuttia", että pelaajalla voi olla täysin erilainen määrä mahdollisuuksia (=possessions) pallon kanssa kuin jollain toisella pelaajalla. Esimerkkinä pelaaja 1, jonka joukkueella on 100 possessionia / 90 minuuttia ja pelaaja 2, jonka joukkueella on 120 possessionia / 90 minuuttia. Lisäksi oletetaan, että molemmilla pelaajilla on 3 laukausta ja 0,4 maalia per 90 minuuttia:

Pelaajan 1 luvut ovat tässä tapauksessa samat kuin per 90 minuuttia, koska oletuksena oli 100 possessionia per 90 minuuttia (3 laukausta ja 0,4 maalia per 100 possessionia).

Pelaajan 2 luvut sen sijaan ovat merkittävästi erilaiset, kun tarkastellaan "per 100 possessions" -tilannetta:

3 laukausta / 120 * 100 = 2,5 laukausta / 100 possessions

0,4 maalia / 120 * 100 = 0,33 maalia / 100 possessions

Tilanne on pelaajan 2 osalta näin tarkasteltuna melko paljon heikompi, vaikka "per 90 minuuttia" tarkastelussa pelaajat olivat yhtä hyviä. Jos mietitään tilannetta, niin käytännössä laukauksia ja maaleja voi tulla vain mikäli omalla joukkueella on pallo hallinnassa (pl. omat maalit). Näin ajateltuna pelaajalla 2 on selvästi useampia mahdollisuuksia laukoa / ottelu ja sitä kautta tehdä maaleja kuin pelaajalla 1. Todellisuudessa asia ei tietysti ole aivan näin suoraviivainen, mutta "per 100 P" -tarkastelu tuo kuitenkin uutta näkökulmaa lukuihin.

Joukkueiden osalta pelitavalliset seikat voivat myös vaikuttaa melko paljon ottelukohtaisiin lukuihin. Käytetään esimerkkinä Veikkausliigakauden 2017 hyökkäysten määrää ja jakaumaa:

Taulukosta nähdään vasemmalla ensin lukemat per ottelu ja oikealla lukemat per 100 possessionia. Vihreällä taustalla olevat kuvaavat keskiarvoa suurempia lukemia hyökkäystyypeittäin. Esimerkiksi VPS:n "positional attacks" -määrä per ottelu oli selkeästi muita joukkueita alhaisemmalla tasolla, mutta kun vaihdetaan tarkastelu "per 100 possessioniin", VPS nouseekin keskiarvon yläpuolelle.

Seuraavassa taulukossa on sama tarkastelu, mutta tässä tarkastellaan laukauksia hyökkäystyypeittäin:

Tässä erot eivät ole yhtä suuria kuin edellisessä taulukossa. Sanoisin kuitenkin, että "per 100 P" -tarkastelun avulla pystytään paremmin analysoimaan joukkueiden pelitavallisia tendenssejä. Otetaan taas esimerkiksi VPS, jonka laukausten määrä oli ylivoimaisesti Veikkausliigan alhaisin (6,5 / ottelu). VPS:n "pitkien hyökkäysten" (positional attacks) -laukaukset olivat nekin liigan alhaisimmat. Kun korjataan lukuja pallonhallintajaksojen määrillä, tilanne muuttuukin jonkin verran. "Per 100 P" -tarkastelussa RoPS:lla on Veikkausliigan vähiten laukauksia pitkistä hyökkäyksistä ja myös JJK on käytännössä täsmälleen samoissa lukemissa VPS:n kanssa.

"Per 100 P" -tarkastelu tulee varmasti lisääntymään jatkossa. Siihen liittyy kuitenkin käytännön ongelmia (kuten miten possession on määritelty), joiden takia maiden ja liigojen välinen vertailukelpoisuus ja lukujen laajempi yleistyminen tulee varmasti kestämään vielä. Omassa Veikkausliigan InStat -aineistossa ei esimerkiksi ole ottelukohtaisesti joukkueiden possessioneiden määriä, joten pelaaja- tai ottelutasolle en pysty tätä samaa analyysiä nykyaineistollani viemään.