Le manuel des HIMetrics
Une nouvelle vision du basketball et des statistiques avancées
Depuis quelques décennies maintenant, les statistiques avancées ont progressivement infiltré les discussions autour du basketball. Dans leur façon de mesurer l’efficacité d’un joueur, dans les projections du succès d’une équipe et même sur la façon dont la carrière d’un joueur pourrait se dérouler, les preuves à l’appui sont numériques.
Comme tout instrument de mesure, ces statistiques avancées nécessitent du contexte, du travail de recherche et de la nuance. Pour autant, on peut remarquer une utilisation excessive et une dépendance trop importante de leur influence lorsqu’il s’agit d’analyser le sport.
Afin de corriger ces dérapages et de continuer à faire progresser le département des statistiques avancées et des conversations productives autour de la NBA, nous proposons : les HIMetrics.
La première utilisation de cette nouvelle catégorie statistique se fait sous l’utilisation du Dawg%, en mars 2023, lors d’une analyse de la forme inquiétante des Cleveland Cavaliers - qui s’avèrera être prémonitoire - d’un certain fan à l’époque inquiet et aujourd’hui déprimé par l’état de son équipe.
Après plusieurs conversations, on notera à nouveau l’utilisation du Dawg%, cette fois-ci de la part de Mr. LK lors des Playoffs.
Et enfin, ce sera l’utilisation de Sam qui donnera lieu à une longue évaluation sur l’adoption des HIMetrics et le développement de leur utilisation.
La conversation entière donne lieu à une première définition approximative que l’on peut explorer à travers le tweet ci-dessus, mais on développera plus en profondeur les termes exacts ici.
Les HIMetrics représentent l'ensemble d’une nouvelle génération de statistiques avancées contenues en un seul et même registre. Ce n’est pas un instrument statistique en lui-même, mais plutôt la boite à outil contenant les différentes catégories que l’on peut utiliser.
Ces indices nous permettent d’apporter une nouvelle perspective aux performances des joueurs NBA, en se basant grandement sur l’impression visuelle, sur l’intensité, l’esthétisme et bien sûr leur lien avec le succès de leur équipe.
Les AYTG Stats (Are You That Guy?)
Dans une ligue où il est très difficile de gagner, il est essentiel de pouvoir différencier les joueurs normaux des joueurs tout simplement built different.
Dawg%
Il s’agit de la statistique principale permettant de déterminer si un joueur à ce dawg en lui. Le dawg fait référence aux qualités se rapportant à la combativité, à l’effort et bien sûr à la détermination de gagner. Est-ce que le joueur influence le résultat d’un match grâce à cet indice ?
Certains joueurs n’ont certes que des papillons en eux. Ils s’écroulent sous la pression et fuient la confrontation. On peut penser que cette qualité est acquise naturellement, qu’elle ne s’apprend pas, mais une chose est certaine : le contexte des Playoffs permet de séparer les dawgs du reste.
Exemple de Dawg% élevé : Jimmy Butler, Kevon Looney, P.J. Tucker
Exemple de Dawg% bas : Ben Simmons, Deandre Ayton, Jarrett Allen
TGPP (That Guy Per Possession)
On mesure ici la fréquence à laquelle un joueur prouve être that guy. Pour cela, on n’utilise que les situations nécessitant une telle mesure, c’est-à-dire : les tir cruciaux dans les dernières minutes d’un match, les Playoffs et les compétitions internationales.
On prend également en compte la difficulté du tir, l’ambition et l’intention derrière le tir et potentiellement son impact moral sur l’adversaire. On cherche à démontrer si le joueur en question permet à son équipe de gagner grâce à ses exploits, faisant donc de lui that guy pour eux.
Exemple de TGPP élevé : Damian Lillard, Jim Butler, Nikola Jokic
Exemple de TGPP bas : Joel Embiid, Klay Thompson 2022-23 Edition
ThatGuy%
Contrairement à TGPP qui s’intéresse aux possessions individuelles, ThatGuy% permet de savoir si un joueur dans sa globalité est HIM. On cherche à savoir s’il est THAT GUY. THE GUY.
C’est également la statistique qui permet d’évaluer la corrélation entre le Dawg%, le TGPP et les victoires de l’équipe. Pour cela, on utilise une formule très simple : Dawg% x TGPP x Win Shares.
Il ne suffit donc pas de se jeter au sol pour un rebond ou de rentrer un tir dans les dernières secondes pour maximiser son indice ThatGuy%, mais bien de faire l’ensemble du travail.
Exemple d’un ThatGuy% (très) élevé : Himothy Butler
Exemple d’un ThatGuy% bas : Julius Randle
Exemple d’un ThatGuy% (très) bas : Denzel Valentine
Les Saucy Stats
Dans un sport d’esthète comme le nôtre, il est important de mesurer la fréquence à laquelle un joueur apporte du flair, du style ou tout bonnement de la sauce à ses moves.
SP% (Sauce Percentage)
On mesure ici le pourcentage de sauce d’une action individuelle. Il s’agit d’une statistique très visuelle, même instinctive, qui s’intéresse au talent inné d’un joueur. C’est une réelle hoopers hours.
C’est bien simple : si le move a l’air saucy, si le move donne lieu à une exclamation du public, des commentateurs ou des joueurs mêmes, il y a de fortes chances que le SP% soit élevé. On parle de behind the back, de crossover, de step-back, de no-look pass… On parle de bag.
Exemple d’un SP% élevé : C.J. McCollum, Darius Garland, Luka Doncic
SF% (Sauce Frequency)
Contrairement au SP% qui s’intéresse à une action individuelle, le SF% cherche à mesurer la fréquence à laquelle un joueur cook (“cuisine la sauce”, NDLR).
Il s’agit encore une fois d’une statistique très visuelle, basée sur la répétition et le volume auquel un joueur peut vraiment apporter de la sauce au jeu. Il existe cependant des limites à cette statistique, à l’image de Jordan Poole.
En effet, Poole apporte certes de la sauce à quasiment chaque action, mais il n’en fait rien de réussi ou d’utile. Pour cette raison, on a ajouté l’indice ThatGuy% à la formule de la Sauce Frequency, nous permettant ainsi de filtrer les imposteurs.
Grâce à cet ajustement, Poole se trouve dernier de la liste en terme de Sauce Frequency pour son faible taux de ThatGuy% amplifié par son volume d’utilisation très élevé.
Exemple de SF% élevé : Kyrie Irving
TBNR (That Boy Nice Rate)
Cette statistique s’intéresse au phénomène que l’on rencontre lorsqu’un joueur est NICE. On cherche donc à savoir : à quel point l’est-il ? Est-il nice fréquemment ou par intermittence ?
Pour déterminer cela, on prend en compte le SF% multiplié par le TS%, puisqu’il s’agit en effet d’une combinaison de sauce et d’efficacité. Il s’agit d’une statistique avec des défauts valides, qui est souvent utilisée en saison régulière puis qui devient très révélatrice en Playoffs lors de variations extrêmes.
Attention : le TBNR peut parfois être trompeur ! L’indice peut être gonflé par un taux d’utilisation élevé, parfois lorsqu’un joueur se démarque du reste dans une mauvaise équipe, menant à ce qu’on appelle des empty stats. C’est pourquoi il faut ultimement regrouper la statistique avec le ThatGuy% pour déterminer la progression du joueur en question.
Exemple de TBNR élevé : Devin Booker, Stephen Curry
Les Tricker Stats
Il est important de débusquer les escrocs ressemblant à them lorsque les lumières sont basses, mais qui dévoilent leur vrai visage dans les grands moments.
HTYR (He Trick Y’all Rate)
Il s’agit d’un indice assez simple qui permet de repérer les joueurs qui nous trompent, ceux qui ont l’air d’être saucy mais qui ne le sont pas vraiment, ceux qui semblent être That Guy, mais qui échouent lorsqu’il faut prendre ses responsabilités.
Pour les identifier, on s’intéresse aux facteurs suivants : SF% élevé, mais TG% faible. Il nous fait croire de temps en temps que... Alors que non. On note aussi une fluctuation dans le Dawg%, qui se manifeste souvent lors d’une contract year pour sécuriser une extension lucrative et ensuite retourner à son état normal.
On s’intéresse une nouvelle fois à la mesure du jeu de Jordan Poole, à qui a passé beaucoup de temps à duper son audience. He Trick Y’all.
Exemple de HTYR élevé : James Harden, Jordan Poole, Julius Randle
HJRAR (He Just Runnin Around Rate)
On cherche ici à identifier les escrocs qui ressemblent à des dawgs, mais lorsqu’on y regarde de plus près… They’re just runnin around doing nothing. On se réfère donc au Dawg% pour mesurer leur utilité à l’équipe, mais aussi à leur TG% qui nous indique s’ils sont réellement faits pour les grands moments.
Concrètement, le HJRAR peut aussi inclure le SF% puisque le joueur en question cherche à démentir les allégations à tout prix. Si tous les indices pointent vers le bas, on peut effectivement en conclure que son HJRAR est très élevé.
A l’image du collègue qui marche dans le bureau de façon très déterminée pour donner l’impression d’être occupé, ces joueurs ne font que courir sur le terrain pour donner l’impression d’être utile.
Exemple de HJRAR élevé : Dillon Brooks, Harrison Barnes, Patrick Beverley (selon les saisons), Tony Snell
RFTGR (Running From The Grind Rate)
On propose ici une statistique servant à évaluer le parcours d’un joueur. L’individu en question a peut-être gagné - collectivement ou individuellement - et traversé les épreuves des HIMetrics mais il n’a pas le mérite voulu parce qu’il a choisi la facilité.
L’expression Running From The Grind nous provient de Damian Lillard, homme de principe et perpétuellement destiné à échouer à Portland, lorsqu’il accusait Paul George de fuir le grind qui accompagne la quête d’un titre NBA.
En transformant ce principe en statistique avancée, on obtient le RFTGR qui nous permet d’évaluer à quel point un joueur a cherché à échapper au grind à certains moments clés de sa carrière.
Supposons par exemple qu’un joueur participe aux Playoffs, que son ThatGuy% est au plus haut, son TBNR est au plus haut, mais il ne parvient pas à gagner le prix ultime et choisit finalement de rejoindre une équipe à 73 victoires - qui vient tout juste de l’éliminer - pour atteindre son objectif. Son RFTGR indique 100%.
A l’opposé de ce joueur, observons un individu cherchant à échapper au grind… dans l’autre sens. Après avoir quitté Houston pour Brooklyn, puis Brooklyn pour Philadelphia - en échouant dans chacune de ces destinations - il semble être destiné à retourner à Houston pour une fin de carrière sans pression.
Sa dernière campagne de Playoffs a vu son HTYR grimper à des hauteurs inédites. S’est-il rendu à l’évidence après tant d’années à affronter la réalité inévitable des HIMetrics ? On ne sait pas encore ce dont Houston sera capable, mais on est proche de l’abandon. Son RFTGR indique 75%.
On peut également s’intéresser à un joueur ayant déjà tout gagné en NBA mais se trouvant dans une équipe en fin de cycle. Sa décision de retourner chez lui pourrait masquer l’intention d’échapper au grind d’une reconstruction, mais nos statistiques avancées voient à travers ce storytelling flagrant. Son RFTGR indique 50%.
Exemple de RFTGR élevé : Kevin Durant en 2016, James Harden (potentiellement), LeBron James en 2014, Paul George en 2019
Grâce au développement avancé de ces termes et de ces formules mathématiques, on accède à un niveau de compréhension du basketball bien supérieur à l’entendement.
Pour autant, les HIMetrics restent en constante évolution. Les statistiques définies ici pourront être complétées à l’avenir par d’autres indices nous permettant de continuer à repousser les barrières de l’évaluation du sport.
Manuel rédigé en collaboration avec Sam (Fadewade)
C'est historique et ça me fait pleurer de joie.