Predicting player performance in National Hockey League using data-analytics and advanced metrics
Siivonen, Onni (2024)
Kandidaatintutkielma
2024
School of Business and Management, Kauppatieteet
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2024090267694
https://urn.fi/URN:NBN:fi-fe2024090267694
Tiivistelmä
The bachelor’s thesis explored predicting player performance in the National Hockey League in the 2022-2023/2023-2024 seasons, utilizing advanced metrics and match statistics. In the study, regression model was formed, where advanced metrics such as expected goals and shooting percentages explained goals scored by individuals. The number of goals scored by individual players was predicted in the 2023-2024 season utilizing the regression model. In addition, players' luck was studied using shooting percentages.
The results of the study showed that advanced metrics can be used to explain and predict the number of goals scored by players. In the 2023-2024 season, the number of goals scored by up to 114 players was correctly predicted using the regression model. The model managed to predict more than 70% of the players' goals scored within two goal accuracy. In particular, the expected goal statistic was a major predictor of goals.
The players were divided into overachievers, underachievers and fair performers based on difference in actual goals and predicted goals. Luckiness of these groups were studied using the ANOVA model. The results were surprising, as underachievers were luckier than fair performers. However, the overachievers were the luckiest group.
Analytics have received a lot of criticism in the hockey community. Despite the criticism, the results of the study showed the benefits of analytics in hockey. In addition, the study provided support especially for the popularity of the expected goal statistic in relation to different metrics, which was highlighted in earlier research. The thesis complemented research gap in the field of hockey analytics, where quantitative studies are not plentiful. Tämä kandidaatintutkielma tutki pelaajien suoriutumisen ennustamista National Hockey Leaguessa kausilla 2022–2023/2023–2024 hyödyntäen edistyneitä mittareita ja ottelutilastoja. Tutkimuksessa muodostettiin regressiomalli, jossa edistyneet mittarit, kuten maaliodottama ja laukaisuprosentti, selittivät yksittäisten pelaajien maaleja. Pelaajien maalimääriä ennustettiin kaudella 2023–2024 regressiomallin avulla. Lisäksi pelaajien onnekkuutta tutkittiin laukaisuprosenttien avulla.
Tutkimuksen tulokset osoittivat, että edistyneitä mittareita voidaan hyödyntää pelaajien maalien ennustamisessa. Kaudella 2023–2024 jopa 114 pelaajan maalimäärä ennustettiin täysin oikein regressiomallin avulla. Lisäksi malli onnistui ennustamaan yli 70 % pelaajien maalimääristä kahden maalin tarkkuudella kyseisellä kaudella. Erityisesti maaliodottamatilasto oli merkittävä maalien ennustaja.
Pelaajat jaettiin ylisuoriutujiin, alisuoriutujiin ja tasaisiin suorittajiin tehtyjen maalien ja ennustettujen maalien eron perusteella. Näiden ryhmien onnekkuutta tutkittiin Anova-mallin avulla. Tulokset olivat yllättäviä, sillä alisuoriutujat olivat onnekkaampia kuin tasaiset suorittajat. Ylisuoriutujat olivat kuitenkin ryhmistä onnekkain.
Analytiikka on saanut paljon kritiikkiä jääkiekkoyhteisössä. Kritiikistä huolimatta tutkimus osoitti analytiikan hyötyjä jääkiekossa. Lisäksi tutkimus tuki suosiota, jota maaliodottamatilasto oli saanut suhteessa muihin mittareihin aikaisemmissa tutkimuksissa. Tutkielma täydensi tutkimusaukkoa jääkiekkoanalytiikan tutkimuskentällä, jossa kvantitatiivisia tutkimuksia ei ole runsaasti.
The results of the study showed that advanced metrics can be used to explain and predict the number of goals scored by players. In the 2023-2024 season, the number of goals scored by up to 114 players was correctly predicted using the regression model. The model managed to predict more than 70% of the players' goals scored within two goal accuracy. In particular, the expected goal statistic was a major predictor of goals.
The players were divided into overachievers, underachievers and fair performers based on difference in actual goals and predicted goals. Luckiness of these groups were studied using the ANOVA model. The results were surprising, as underachievers were luckier than fair performers. However, the overachievers were the luckiest group.
Analytics have received a lot of criticism in the hockey community. Despite the criticism, the results of the study showed the benefits of analytics in hockey. In addition, the study provided support especially for the popularity of the expected goal statistic in relation to different metrics, which was highlighted in earlier research. The thesis complemented research gap in the field of hockey analytics, where quantitative studies are not plentiful.
Tutkimuksen tulokset osoittivat, että edistyneitä mittareita voidaan hyödyntää pelaajien maalien ennustamisessa. Kaudella 2023–2024 jopa 114 pelaajan maalimäärä ennustettiin täysin oikein regressiomallin avulla. Lisäksi malli onnistui ennustamaan yli 70 % pelaajien maalimääristä kahden maalin tarkkuudella kyseisellä kaudella. Erityisesti maaliodottamatilasto oli merkittävä maalien ennustaja.
Pelaajat jaettiin ylisuoriutujiin, alisuoriutujiin ja tasaisiin suorittajiin tehtyjen maalien ja ennustettujen maalien eron perusteella. Näiden ryhmien onnekkuutta tutkittiin Anova-mallin avulla. Tulokset olivat yllättäviä, sillä alisuoriutujat olivat onnekkaampia kuin tasaiset suorittajat. Ylisuoriutujat olivat kuitenkin ryhmistä onnekkain.
Analytiikka on saanut paljon kritiikkiä jääkiekkoyhteisössä. Kritiikistä huolimatta tutkimus osoitti analytiikan hyötyjä jääkiekossa. Lisäksi tutkimus tuki suosiota, jota maaliodottamatilasto oli saanut suhteessa muihin mittareihin aikaisemmissa tutkimuksissa. Tutkielma täydensi tutkimusaukkoa jääkiekkoanalytiikan tutkimuskentällä, jossa kvantitatiivisia tutkimuksia ei ole runsaasti.