Žijeme v nové době! Fanoušci hokejové Tipsport extraligy se pravidelně potkávají s hromadou nových statistik, které hodnotí hráče i týmy. Čísla se používají jako argument, proč se některému týmu nedaří nebo kdo si dobře vybral posily. Jsou běžnou součástí rozhovorů s trenéry i manažery. Pracují s nimi kluby i reprezentace.
To je rozhodně skvělá zpráva. Posun za posledních sedm let (od dob, kdy vznikla většina textů na tomhle webu) je obrovský. Ale není zadarmo. Je objektivně těžší se v novém prostředí orientovat. Různé soupeřící statistiky měří každá trochu něco jiného, hodí se pro odlišné rozbory, některé si mohou dokonce odporovat nebo nesouhlasit s obecně akceptovanými pravdami o kvalitách hráče. Co s tím?
Můžete to samozřejmě brát jako důkaz, že data jsou jednou velkou přeceňovanou chujovinou a vrátit se k EliteProspects (irony included). Anebo jako motivaci pochopit, co konkrétně nové statistiky měří (a co ne). Tento článek cílí spíš na ty druhé.

Nezdržuj a řekni, který stats jsou nejlepší
Řekněme si na rovinu, že neexistuje jedno geniální číslo, které odpovídá na všechny otázky světa. Platí to v hokeji i v ostatním životě. Každé číslo něco zvýrazňuje, něco zkresluje, něco ignoruje. Můžete mít jasně definované dílčí parametry a najít si, kdo má aktuálně nejvíc gólů (Dominik Lakatoš – 12), střel (Petr Zámorský – 154), nahrávek na střely (Lukáš Pech – 99), vstupů do pásma (Mārtiņš Dzierkals – 98) a vyrobit desítky podobných žebříčků. Každá statistika obsahuje střípek informace, ale jak z nich sestavit funkční zrcadlo?
JE. TO. SAKRA. TĚŽKÉ.
První, co vám řeknu, je, že by bylo vhodné rozdělit parametry podle herních situací. Přesilovky a oslabení výrazně ovlivňují výsledky hráčů. Oddělejte special teams a “Laky” (Dominik Lakatoš) má najednou v 5v5 jen 3 góly. Je důležitější znát komplet bodování hráče, nebo srovnávat srovnatelné? Odpověď se bude lišit podle toho, co chcete zjistit.
Proč to zesložiťuješ?
A to není jediná komplikace. Každý hráč (hráčka) má jiný zápasový icetime. Během sezóny přichází zranění. Dává smysl zohlednit čas strávený hráčem na ledě. Když to provedete, najednou není nejčastěji střílejícím hráčem víc nasazovaný obránce Petr Zámorský, ale útočník Pavel Kousal (pokud berete v potaz všechny situace) anebo jiný forvard Kevin Klíma (pouze 5v5). Na první pohled jedna statistika, ale tři různí vítězové.
V prvním případě krásné absolutní číslo (154 střel pro Zámorského), ve druhém a ve třetím přesnější, ale hůř představitelný parametr (23,1 střel za 60 minut na ledě pro Kousala a 20,1 střel/60 minut pro Klímu). Co je vhodnější? A pardon, že váš přerušuju v přemýšlení, ale zatajil jsem vám ještě jednoho vítěze. Ve skutečnosti je aktuálně nejčastěji střílejícím hráčem extraligy Michal Vachovec, který za svých 7 minut na ledě zvládl 4 střelecké pokusy, takže má v přepočtu 32,8 střel za 60 minut na ledě. Ale toho jsem vyfiltroval omezením výsledků na hráče, kteří odehráli alespoň 100 minut. Protože, jak ví každý Kuba Koreis, malý vzorek dělá často s čísly divoké kousky a statistický signál v něm být vůbec nemusí.

Pořád jsme se nevyhrabali z několika základních statistik a rozhodně jsme neprobrali ani všechny varianty střel. Není lepší sledovat jen střely z nebezpečných prostor? Nedává smysl zohlednit, že v ofenzivně laděných Pardubicích má hráč větší pravděpodobnost střílet než na Kladně? Možná.
<reklama> Zdá se to složité? Právě proto se hodí mít datové analytiky.
</reklama>
My v podobných datech žijeme. Koukáme na ně, koukáme na zápasy, dovedeme si představit, jaké chyby při sběru statistik vznikají. Která čísla jsou smysluplná, jak z nich vytěžit informace, na co je lepší koukat se přes video. Když je správně použijeme, můžeme díky nim líp pochopit, jak daný soupeř hraje, kteří hráči jsou pro něj klíčoví, kdo má jakou roli. Podobně vytěžené informace můžou být skvělým pomocníkem pro rozvoj hráčských dovedností. I když EliteProspects hlásí 0+0, můžeme pod povrchem vidět změnu v práci hráče a zvýšený potenciál, který se může převést do bodování. Anebo hrozící problém.
Už bude řeč o tom xG?
Pro většinu lidí je tohle spousta zbytečné práce. Do novin nebo do televize se komplikované tabulky nehodí. Proto vznikají souhrnné statistiky: jeden index nebo pár čísel, které mají všechny tyhle čísla sečíst, znásobit, [PROHNAT SLOŽITOU MATEMATIKOU] a vyplivnout úhlednou hodnotu, kterou jde seřadit od nejlepších po nejhorších. S ní v ruce můžete vynést přísný verdikt: Stojí ten hráč/hráčka/tým za to?
Proč jsem vás, sakra, zdržoval nudným povídáním o střelách, nahrávkách a vstupech do pásma? Protože souhrnné all-in-one statistiky vznikají pouze a jen kombinací zmíněných dílčích parametrů (s tím, že jich existuje mnohem víc).
Vy dostanete jedno („objektivní“) číslo, ale za jeho vznikem jsou desítky („subjektivních“) neviditelných rozhodnutí. Troufnu si říct, že o většině z nich nevíte.
Všechny souhrnné statistiky se přitom musí vyrovnat s tím:
- jak přistoupit k přesilovkám a k oslabením – zahrnout je? Nebo je dát zvlášť?
- jestli a jak rozlišit obránce a útočníky (většina statistik má separátní žebříčky pro obě pozice)
- jestli použijí absolutní hodnoty (přehlednější) nebo zohlední icetime (férovější)
- zdali budou řešit jen výsledky (góly nebo akce vedoucí ke gólu) nebo i potenciál (šance, střely, nebezpečné nahrávky) a případně v jakém poměru tak učiní
- jestli zohlední sílu týmu a spoluhráčů (jinak se loví body, plus/mínus a další v dresu Třince a Sp… pardon, Pardubic a jinak v týmech, co bojují o udržení v soutěži)
- bude výsledkem přehledné číslo z jasné stupnice nebo přesnější, ale míň čitelná hodnota?
Každý z aktuálně používaných statistických indikátorů zvolil jiný přístup. Neříkám automaticky dobrý, nebo špatný. Každý se hodí víc na něco jiného.
Pojďme si je rozebrat.
xG – Očekávané góly (expected goals)
Autor extraligové verze: Tom Horák
Co to je? Aktuálně nejlepší statistika, která vám prozradí “jak to mělo dopadnout”. I když prohrajete 0:4, očekávané góly vás můžou trochu uklidnit a říct, že jste si vytvořili víc a lepších šancí a měli potenciál vyhrát. Zkrátka byl to jen zápas blbec.
Expected goals berou v potaz všechny střely a počítají, jak často podobné akce končí gólem. Střela s hodnotou 0,1 má 10% šanci na úspěch, akce s 0,5 xG běžně vyjde v 50% případů. Když sečtete hodnotu všech střel vašeho mančaftu & vašeho soupeře, získáte hrubou představu, k čemu všechno snažení v zápase vedlo. A že jste měli vyhrát 2,4 : 1,8 (a je mi naprosto jasný, že by mi za takovou odpověď asi Vladimír Růžička utrhl kabel od počítače).
Proč je mít rád? Protože je to relativně jednoduše představitelná statistika, shrnující veškeré dění na ledě. Vše viditelné i neviditelné, co děláte by se mělo odrazit buď ve vytvoření lepší střelecké příležitosti nebo jejímu zabránění soupeři. “Bez ranky není branky,” říká stará hokejová pravda. Tak tady máte statistiku, která ty „ranky“ poctivě počítá.
Zároveň operuje v jednotkách, které všichni známe (góly), přestože se může opírat o docela robustní databázi situací. Hodnota xG se totiž odvíjí od lokace střely, předchozí situace, typu útoku, počtu hráčů na ledě a dalších.
Existují stovky studií o xG z hokeje i z jiných sportů. I když se xG modely (výpočty) můžou lišit, víte zhruba, co dostáváte. Může vám ukázat, jestli to navzdory bodům v týmu funguje, jestli je problém v útoku či v obraně, jestli neproměňujete šance, nebo hoříte jak papír. Máte k dispozici týmová i individuální data. Nemalou výhodou je, že xG je celkově jedno, jakým stylem hrajete; poplácá vás po zádech, když si vyrobíte zajímavější šance než soupeř (anebo když soupeře v obraně vynulujete).
Co nezvládají?
- ne všechny šance nutně končí střelou (žádná střela = situace nebývá zahrnuta v xG výpočtech, což může lehce zkreslovat výsledky u kombinujících týmů, které vozí puky až do prázdné)
- když máte defenzivní zápas s minimem šancí a pak najednou tři dorážky před brankou, může dorážející hráč poněkud překvapivě působit jako ofenzivní superman
- pokud nerozdělujete PP a 5v5, může vám většinu rozdílu udělat útočná aktivita v přesilovkách
- při sledování zápasu subjektivně vidíte, jestli hráč střílí tvrdě nebo do puku jen v záklonu plácnul, ale xG modely tuhle informaci nemají a počítají šance stejně
- dokud nebudou čipy v hráčských dresech, xG zpravidla netuší, kde jsou obránci a kolik hráčů cloní před brankou (což by zvýšilo přesnost výpočtů)
- bere v potaz opravdu jen potenciál a nikoli, jak to dopadlo (což z nějakého záhadného důvodu lidi ve sportu zajímá nejvíc;)
Kde se s nimi setkáte?
Hodně s očekávanými góly pracuje oficiální účet TELH stats. Využívají je ale další, například články na hokej.cz.
🦁 @MountfieldHK si v 19. kole #TELH poměrně jednoznačně poradil s @HCKometa 💪
— TELH stats (@telhstats) November 7, 2022
Výsledku 5:1 víceméně odpovídají i statistiky zápasu, kdy měli domácí jasnou převahu v počtu střel i vytvořených šancích. Kometě navíc dělaly problém i rychlé útoky domácích. #telhstats #extra30liga pic.twitter.com/InQkrHj1PL
GameScore
Autor extraligové verze: Ondřej Hudec (vysvětlení modelu)
Co to je? Původně šikovný způsob, jak zužitkovat základní statistiky (box score) a vytvořit z nich jedno srozumitelné číslo, hodnotící celkový přínos hráče v zápase (body, střely, buly… znáte to). Dom Luszczyszyn ze sportovního megawebu Athletic model dlouhé roky vylepšoval pro NHL, doplňoval i o pokročilejší data a přišel na to, že dobré GameScore není jen kvalitním popisem minulosti (co se stalo), ale nadprůměrně dobře předvídá i budoucnost. A podobně to funguje i v extralize.
Proč jej mít rád? Jeden pohled a víte, kdo měl dobrý zápas, komu to nevyšlo. Čísla jsou navíc hodně ovlivněna produktivitou, takže vám nevnucují neznámá jména, jen některá ostatní občas nesměle povystrčí ze šedi průměru. Protože krom výsledků (= gólů) jedním okem koukají i na vytvořené šance (xG), buly a další, simulují trochu, jak běžný člověk hodnotí výsledky svého týmu. “Mrknu, kdo měl body, plus/mínus, co buly a převaha na ledě. Kterej ichtyl se zas nechal vyloučit?” GameScore je váš hokejový Spock, který vám prozradí výsledek vašeho oblíbeného zápasu a do detailu přesně spočítá, kdo týmu pomohl/ublížil na cestě k vítězství.
Co nezvládá?
- GameScore má hodně rádo kanadské body a individuální ofenzivní výkony.
- kvůli tomu se v něm hůř hledá zdroj nového poznání. Hráči se nedaří, protože nemá body. A podrobná čísla navíc ukazují, že má nízké GameScore (které dost ovlivňují body)! To místy může zavánět skandálním odhalením typu BREAKING: Tým prohrává, protože dává míň gólů než soupeř!
- existence jednoho magického čísla znamená spojení 5v5 a PP/PK (úspěšní přesilovkoví hráči mají vyšší GameScore)
- neumí tak dobře zhodnotit obrannou hru. To je problém statistik obecně, těžko dávat individuální kredit za společnou práci, ještě když obranným ideálem vlastně je, že se nic na vaší půlce nestalo. Nicméně zatímco xG formálně pracuje s útočnými/obrannými daty v poměru 50:50, GameScore tvoří z větší části útočný potenciál, byť jsou v něm zahrnuty i určité informace o kvalitě střel/gólech proti a blokování. Zmíněné vychýlení není apriori špatně (nejsme v basketu, kde se útoky s pravidelností střídají a když držíte puk, nemusíte bránit), ale k ideálu má daleko (sám Dom z Athleticu představil pro výpočty v playoff upravenou verzi modelu se zaměřením na “heavy hockey”, údajně víc respektující fyzičnost hry ve vyřazovací části)
- v rámci hokejové analytiky je to známá, ale doplňková statistika a solidní predikční model, ne hlavní směr zkoumání
Kde se s ním setkáte?
Primárně na hokej.cz, například v podrobných rozborech sezóny, v tipech pro sázkaře nebo přímo na twitteru Ondry Hudce. V NHL na Athleticu (placený přístup) nebo twitterovém účtu Doma Luszczyszyna (zatím zdarma:).

iSport Score
Autor: Adam Papoušek (vysvětlení modelu)
Co to je? Evoluční varianta GameScore, která nabízí čtenářům zápasové hodnocení hráčů na škále 0-10, na kterou jsou zvyklí třeba z fotbalu. Tam, kde se klasické GS pohybuje na míň intuitivních hodnotách, budete s iSport Score rychleji v obraze. Hráči mají začínat na průměrné hodnotě 5 (GS začíná na nule) a podle svých výkonů stoupat nebo klesat. Maximem je 10. I když zatím není zveřejněný přesný výpočet, model pracuje s podobnými dílčími statistikami jako GameScore, s několika úpravami a větším důrazem na odlišení jednotlivých herních situací.
Proč jej mít rád? Mohl bych zde opsat vše, co bylo napsáno u GameScore. Má jít o přehledný součet toho, co hráč v zápase udělal (a co se dá měřit). Navíc se můžeme těšit, že pod patronací Deníku Sport budou data zveřejňována pravidelně, každé kolo a časem pravděpodobně prolnou s dalším obsahem. Takže pro běžného čtenáře jde vlastně o nejjednodušší způsob, jak se dostat alespoň částečně k “pokročilým datům”. iSport Score by mohlo být startovacím bodem zajímavých diskusí o nejlepších výkonech sezóny a zdali čtenářská očekávání odpovídají tomu, co spočítal model. Uvidíme, jak se s ním bude pracovat.
Co nezvládá?
- transparentnost – jsou zveřejněny parametry, ze kterých se výsledné číslo počítá, ale není jasné, kolik každé ingredience do Score padá, a tedy co vlastně reálně měří
- zároveň kvůli spojování více herních situací a převádění do přehledné stupnice 0-10 za každé kolo se může informace ještě víc ředit (průměrování hodnot není vždy ideální matematickou operací, natahování na škálu taky ne)
- výhodou modelu má být rozdílné vážení přínosu hráčů v různých herních situacích, ale zatím je k dispozici jen jedno souhrnné číslo (nedá se tedy zatím spočítat, jak velkou část hodnoty dělá některým hráčům přesilovka nebo oslabení)
- každopádně zdá se, že podobně jako u GS, kanadské body a ofenzivní statistiky (střely na branku) budou silným indikátorem dobrého iSport Score.
- i když jde o škálu 0-10, zjevně se mnohem snáz sbírají plusové body než ty záporné (aktuálně mají hráči dlouhodobá hodnocení od 4,7 do 6,9)
- celkově je zatím iSport Score ve fázi black boxu: “věř, nebo nech být”; chápu důraz na prezentaci pro běžné čtenáře, ale nedovedu si představit, že bych osobně ve své práci vycházel z čísel, u kterých nevím, jak vznikají (ale samozřejmě tahle statistika není primárně pro mě)
- chtěl bych zdůraznit, že je naprosto legitimní, když si médium udělá vlastní statistický index, ale není to to samé jako veřejné modely analytiků, kteří zpravidla zveřejňují své výpočty a ty pak prochází veřejnou kontrolou
- iSport Score je tak ještě dál od mainstreamu hokejové analytiky než GameScore (kde se alespoň dá využívat podobnost s NHL verzí a víceleté zkušenosti s jejím používáním)
Kde se s ním setkáte?
V článcích Deníku Sport a na isport.cz.
🏒 Byť to při prvotním pohledu na statistiky nemusí být vidět, David Šťastný v aktuálním ročníku podává velmi dobré výkony. Je až k podivu, že právě on by měl být tím, koho jsou Bruslaři ochotni obětovat… 👇https://t.co/OQfJIqUsw2
— Deník Sport (@DenikSport) November 14, 2022
Hockey Logic index
Autor: eSports (úvodní promo na O2)
Co to je? Extraligové kluby pracují se systémem nazvaným Hockey Logic. To je velká databáze, do které padají všechna data sbíraná na stadionech a přes video. Dohromady obsahuje stovky dílčích statistik, takže pro určitou přehlednost vyzdvihnuli její autoři soubor statistik, které naznačují kvality každého hráče. Sedm statistik pro každou ze základních herních činností (útok, obranu, tranzici s pukem – to vše v 5v5). Vezmete statistiku, podíváte se, kolikátý v ní jste v rámci ligy, převedete do percentilové stupnice 0-100 (0 nejhorší, 100 nejlepší). Stejnou operaci provedete u sedmi čísel, zprůměrujete výsledky a opět převedete do 0-100. Výsledek je prezentován jako Hockey Logic index a vy ho můžete vidět v přenosech O2 TV.
Proč jej mít rád? Jde o fajn možnost, jak nahlédnout pod kapotu k opravdu složitějším statistikám, které nikde veřejně nejsou. Vstupy do pásma, podíl na rozehrávce, obrana modré čáry… to všechno jsou zajímavé informace, které zvyšují kvalitu diskuse o hráčích, a umožňují vypíchnutí klíčových činností (mimo kanadské body). Navíc odfiltrované od vlivu speciálních formací! Pokud chceme být féroví k hráčům, má to jeden malý háček. Debata o výkonech hráčů by podobnými čísly měla začínat, ne končit.

Hockey Logic index vs. David Musil
Ukažme si to na příkladu Davida Musila, o jehož obranných číslech se hodně diskutovalo na twitteru. Dle tradičních představ jeden z nejlepších defenzivních obránců a tak nízká čísla?! Jak je to možné?
Hockey Logic index zdaleka neobsahuje všechna čísla, která jsou v systému k dispozici. Obranu měří na základě:
- 2 souhrnných statistik (obdržených gólů a očekávaných obdržených gólů) – ty měří, co si vlastně soupeř vytvořil za střely a jak kvalitní/efektivní byly. Ale pozor! V porovnání s průměrem týmu. Aby čísla netvrdila, že všichni obránci Třince byli loni nejlepší na světě a zlínští beci nestáli za nic, pracuje se s logikou, že dobrý obránce by měl vynikat nad týmovou taktiku.
- 1 statistiky zaměřené na útočné pásmo (zamezení výstupů z pásma hráčem) – což by se dalo vnímat jako schopnost držet útočnou modrou čáru při rozehrávce soupeře (pomoc forčeku, pinching apod.)
- 2 statistik hodnotících střední pásmo (osobní zastavení puku na obranné modré a celkovou průchodnost modré čáry) – ty se soustředí na osobní schopnost hráče zastavit akci soupeře ještě před vstupem do obranné třetiny hráče a pak týmové číslo, které shrnuje, jak úspěšně soupeř přechází do útočného pásma
- 2 statistik měřících chování v obranném pásmu (% blokovaných střel hráčem, úspěšnost získaných puků po nahození soupeřem)
Troufnu si říct, že většina insiderů v hokeji oceňuje na Davidovi Musilovi primárně tvrdou práci v obranné zóně, nepříjemnost v soubojích, box-outy, zastavení soupeře. Tyhle věci jsou ale v indexu zahrnuty jen nepřímo (prostřednictvím souhrnného zjištění, jak to všechno dopadlo) a přímo jen částečně ve dvou dalších parametrech. Index se dívá na celou ledovou plochu a ano, některé věci momentálně neumíme měřit.
Obranné statistiky jsou také nejvíc spjaté s týmovou taktikou. Proč měl David Musil slabší některá čísla v Třinci? Protože (možná překvapivě) nevynikal v souhrnných číslech nad celkově vynikající obranu Ocelářů. Jeho celková čísla byla ligově nadstandardní, ale v rámci slezského týmu vlastně podprůměrná. To automaticky neznamená, že hrál špatně, z dalších dat je vidět, že byl maximálně využíván proti nejsilnějším útokům soupeře. Těžké shifty v závěrečných minutách? Specializované nasazování proti prvním lajnám protivníků? Možná. V Pardubicích je rozložení zátěže rovnoměrnější, tým víc dominuje a David Musil je v týmovém nadprůměru.
Složité, já vím (a to ještě vynechávám pár dalších ALE…). Nicméně právě tady vzniká největší potenciál pro hardcore hokejovou diskusi. Nejen čísílka, ale i taktika, týmové pokyny, zkoumání, jestli jste si všimli neviditelných věcí na ledě, kolik asi dělá hráč, kolik trenér. Data z Hockey Logic indexu vás můžou nasměrovat k podstatě problému.
Ostatně, můžete mrknout sami na Davidova čísla z předchozí a této sezóny. Osobně bych nehodnotil hráčovy schopnosti dle % zblokovaných střel, ale třeba slabší schopnost obrany vlastní modré (zamezení vstupů do pásma) může být střípkem informace o hráčových schopnostech a silných/slabých stránkách. Pokud je to pro tým důležité.
David Musil očima HL indexu, Třinec 21/22
Pozn: Během posledních týdnů došlo k drobným úpravám a výběru statistik, ze kterých se HL index počítá, proto je hodnocení za loňskou sezónu jiné.

David Musil očima HL indexu Pardubice 22/23

Co (Hockey Logic index) nezvládá?
- veřejnost nemá představu, z čeho se indexy skládají a jak se počítají (tohle je možná internetová premiéra!)
- sedm parametrů u každé kategorie nemá stejně velkou důležitost (ale do výstupu se propisují jako by měly)
- nejde o žádný všeobecně uznávaný souhrn statistik, který schválilo “Velké Konzilium Sportovních Nerdů”, klidně by se dal sestavit jinak
- pokud se budete v datech vrtat, brzy zjistíte, že obrana je široký a neukotvený pojem:) (pro někoho začíná forčekingem v útočném pásmu, pro jiného až na mantinelu u vlastní branky)
- ve výpočtu se pracuje se statistikami, které mohou být ovlivněny taktickými rozhodnutími týmu i způsobem využití hráče
- percentil je fajn způsob, jak přehledně seřadit hráče, ale pokud jsou výstupy podobné, uměle se natahují rozdíly (když seřadíte deset borců, může se vám stát, že 186cm chlap bude na percentilu 80, zatímco jen o pár centimetrů kratší člověk bude mít 30 – výpočtově správně, percentil přehledně seřadil všechny hodnoty od nejlepších po nejhorší, ale ztratila se v něm informace, že většina výsledků uprostřed je podobná)
- analyticky ale i trenérsky jsou nejzajímavější hodnoty, ze kterých se indexy skládají, a tedy detailní rozbor, v čem má hráč silné/slabé stránky, ty ale v televizních grafech nenajdete (to je těžký úkol do budoucna pro moderátory;)
Kde se s ním setkáte?
V přímých přenosech televize O2.
Bonusové shrnutí pro ty, co vydrželi až do konce:
- xG je uznávaným měřítkem potenciálu útočných a obranných činností a ukazuje, jak “měl/a zápas/sezóna dopadnout”
- GameScore a iSport Score kombinují základní výsledkové statistiky s několika pokročilými (xG) a snaží se z nich vypočíst jednu hodnotu hráče, ofenzivních statistik je ale víc než ostatních a PP můžou hrát velkou roli.
- Hockey Logic index otvírá skrytější podrobnější metriky a jiné úhly pohledu na hráče při hře 5v5, nelze jej ale chápat jako ultimátní hodnocení
- Jako fanoušek si můžete vykládat hráčské výkony třeba pomocí astrologie, pokud ale používáte data pro argumentaci z pozice autority (ať už jako komentátor, novinář či trenér), je fakt dobré chápat, co přesně měří.
P.S.: Pokud ani po přečtení monstrózního článku nemáte dost, mrkněte na hezkou ukázku, jak můžou vypadat kvalitní datové reporty ze zápasů švýcarské ligy.
Titulní obrázek: Engin Akyurt (Pixabay)