Prenez n’importe quelle carte de hockey et vous trouverez une liste de statistiques offensives : buts, passes décisives et tirs au but, même parmi des joueurs qui ne sont pas connus pour leurs capacités de but. Les mêmes statistiques utilisées pour mesurer l’impact des plus grands joueurs du sport – comme Gordie Howe, Wayne Gretzky et Mario Lemieux – sont identiques à celles utilisées pour évaluer ceux dont le travail principal n’est pas de marquer des buts.
En effet, les statistiques des joueurs se sont historiquement concentrées sur les mesures offensives, mais les nouvelles technologies ouvrent la voie à une reconnaissance pour ceux qui empêchent les adversaires de marquer.
Au cours de la saison 1959-1960, la LNH a introduit une seule mesure défensive connue sous le nom de plus-moins – qui mesure la différence entre les buts marqués et marqués sur la glace – mais il reste encore beaucoup de débats sur l’exactitude et l’utilité de cette statistique.
« Avant les données de suivi de la rondelle et des joueurs que la LNH recueille désormais, il suffisait d’analyser le total des tirs et les statistiques de base, mais vous ne pouviez pas faire grand-chose avec cela », explique Mike Kelly, directeur. d’analyses et d’informations pour Sportlogiq, qui travaille avec 31 des 32 franchises de la LNH. « Avec un ensemble de données très limité depuis tant d’années, il a été plus simple d’avoir un peu plus confiance dans la production offensive ; cela a certainement été étudié de plus près que le défensif.
Cela a radicalement changé depuis que Kelly s’est jointe à la société montréalaise d’analyse et de suivi de données sportives il y a près de neuf ans. Pendant ce temps, dit-il, la LNH a installé des puces de suivi dans les rondelles et sur les joueurs pour collecter de nouveaux types de données, tandis que le système de suivi par vision par ordinateur de l’entreprise capture des centaines de points de données supplémentaires.
« Au cours de la dernière décennie, nous avons mesuré les contributions défensives individuelles qui n’apparaissent pas sur les feuilles de statistiques traditionnelles, comme une victoire dans une bataille avec la rondelle, une passe bloquée ou une vérification du bâton qui sépare un adversaire de la rondelle », explique Kelly. « Ensuite, vous accédez aux données de suivi de la rondelle et des joueurs dont dispose la ligue, et vous pouvez examiner des éléments tels que les itinéraires défensifs d’un joueur – sa vitesse, son positionnement. Il manque beaucoup de choses depuis longtemps, et cette technologie nous aide à combler ces lacunes.
Ceux qui n’ont pas accès à de telles technologies – comme les équipes collégiales et des ligues mineures – ou ceux qui recherchent des points de données qui ne sont pas actuellement capturés par le logiciel existant doivent souvent désigner une personne ou une équipe d’analystes pour examiner les séquences de match et les capturer manuellement.
« Cela va au-delà de la simple collecte de tirs, de mises en échec, de hors-jeu et de mises en jeu : il s’agit plutôt d’un outil d’entraînement, d’entraînement, de rééducation », explique John Zelek, professeur d’ingénierie en conception de systèmes et codirecteur du Laboratoire de vision et de traitement d’images de l’Université de Waterloo. « Actuellement, les analyses sont capturées à partir d’un flux de jeu vidéo ; ils demandent à des analystes de passer des heures à annoter les données pour acquérir ces statistiques.
Zelek fait partie d’une équipe de l’école qui développe un algorithme d’IA pour extraire automatiquement certains points de données des flux de diffusion de jeux.
« Un humain ne peut pas simplement suivre manuellement tous les joueurs dans le champ de vision de la caméra ; cela prendrait tellement de temps et ce n’est tout simplement pas réalisable », déclare David Clausi, professeur d’ingénierie de conception et codirecteur du laboratoire. « Nous aimerions apprendre à l’ordinateur non seulement à suivre ce qui se passe avec la rondelle, mais aussi à savoir où se trouvent les joueurs offensifs par rapport à la rondelle, et où sont les joueurs défensifs par rapport aux joueurs offensifs. »
Clausi et Zelek ajoutent que dans les années à venir, l’IA et la vision par ordinateur permettront de mieux comprendre les innombrables actions et décisions subtiles et auparavant non quantifiables prises par les joueurs défensifs au cours d’un match typique.
« Les mesures défensives sont généralement l’omission des mesures offensives », explique Zelek. « Je pense que c’est une question de positionnement, et l’une des choses que nous examinons en ce moment est, plutôt que de nous concentrer sur les données individuelles ou centrées sur la rondelle, de nous concentrer sur la relation entre ces joueurs pour minimiser les probabilités de certains événements, à savoir un but étant marqué.
À l’avenir, Zelek dit qu’il peut imaginer que ces données aident les joueurs défensifs et les entraîneurs à prendre de meilleures décisions basées sur des probabilités statistiques.
Mais le plus grand défi désormais, selon Kelly de Sportlogiq, n’est pas nécessairement la disponibilité des données, mais la détermination des mesures offrant les meilleures informations.
« Nous avons un certain degré de compréhension, basé sur la nouvelle technologie, de l’impact que ces joueurs (défensifs) ont sur les équipes, de la façon dont ils jouent, mais le suivi des joueurs en est encore à ses balbutiements en termes de compréhension », a-t-il déclaré. dit.
«C’est une mine d’informations», dit Kelly. « Au fur et à mesure que nous développons cet ensemble de données, nous serons en mesure de mieux comprendre ce qui a le plus d’impact, ce qui mène à la victoire et ce qui fait la grandeur d’un grand joueur défensif. »
