Inför LEC, del 1 - Nummerspelet v2 [LoL]

Ambassadör
League of Legends
Inför LEC, del 1 - Nummerspelet v2 [LoL]

För drygt ett år sedan skrev jag ett blogginlägg här på FZ om hur jag analyserade olika professionella LoL-spelares prestationer jämfört med sina motståndare. Om knappt en vecka drar årets vårsäsong igång och som en del i “försnacket” inför säsongen tyckte jag det var lägligt att presentera version 2 av Nummerspelet. Med detta verktyg gör jag därefter en analys av lagen och deras spelare i den europeiska ligan LEC, tidigare känt som EU LCS.

Version 2 skiljer sig avsevärt från version 1. Istället för att jämföra spelares prestationer mot sina motståndare beräknar jag nu ett betyg för spelarens prestation i varje match. För tillfället sträcker sig analysen över spelarens 50 senaste professionella matcher.

Här stöter man på den första osäkerheten i analysen. Eftersom jag endast kollar på professionella matcher är det inte dagsfärsk data jag använder. Och spelare som kommer från sämre ligor och som nu har flyttat upp till LEC ser ut att ha presterat mycket bättre än spelarna som spelat i EU LCS eller till och med World senast. Detta har dock mindre betydelse ju längre in på säsongen vi kommer. Nummerspelet skapas i ett Google Spreadsheet och jag har gjort några makron för att snabba upp processen och så gott som helt ta bort mödosamt arbete.

Så första steget är att hämta in all data. Jag har tre olika makron för detta. Antingen hämtar jag in data för alla spelare i ligan. Detta är tidskrävande då makrot inte är optimerat och jag vet inte hur mycket det belastar hemsidan jag hämtar informationen i från. Detta användes dock endast första gången. De andra två alternativen är att hämta in data för de olika lagen eller för enstaka spelare.

Med denna informationen till hands är nästa steg att definiera vilken position som spelaren spelar på. Detta gör jag manuellt. I bilden nedan visar jag eXcel Esports uppställning med en bokstav i sista kolumnen som motsvarar spelarposition. Exempelvis “T” för top, “M” för mid och “S” för support. Personen längst ner i listan är coachen i laget.

Nu börjar det roliga steget vilket är att trixa fram ett betyg utifrån den inhämtade datan. Betyg-beräkningen är helt hemmasnickrad och byts ut då och då när jag kommer på att den inte är särskilt rättvis. Den som är aktuell för stunden tar hänsyn till vilken position man spelar på. Exempelvis så är CS viktigare för en ADC än en Support så dessa två roller tar hänsyn till denna faktor olika. Formeln i bilden nedan visar ekvationen för top-spelare som är den minst utvecklade.

Betyget som spelaren får för varje match varierar mellan -50 och 50. Dock är den mest pålitlig om betyget blir mellan -10 och 20. Är den utanför -10 och 20 är det ofta en yttre faktor som gjort att någon aspekt blivit opålitlig. Detta kan vara speciella comps, som funneling, eller om spelaren spelar karaktärer som sticker ut på den aktuella positionen.

Betyget som ges kan tolkas som följande:

  • x<0 - Dålig prestation

  • 0<x<5 - Ok prestation

  • 5<x<10 - Bra prestation

  • x> 20 - Mycket bra prestation

Så nu har jag ett betyg för alla spelares senaste 50 matcher vilket jag kan leka runt med. Exempelvis kan jag plotta ut det för att se form-trender eller plocka ut specifika matcher och jämföra med motståndare. I nedanstående bild har jag plottat ut FC Schalke 04-spelarnas betyg över de senaste 50 matcherna, den senaste matchen är längst åt vänster.

Att se flera spelare i ett lag blir väldigt rörigt som ni kan se. Om vi istället tar en specifik spelare, jag väljer ADC:n Upset, så kan vi se tydligare spår av hans prestationer. Jag har i bilden nedan markerat olika matchserier i förra säsongens slutspel inklusive regionala kvalet till Worlds. Enligt mina beräkningar får man definitivt säga att det är en överlag bra prestation av den unga spelaren. Förutom en dipp mot Fnatic så är det ok, bra eller mycket bra prestationer rakt igenom slutspelet.

Låt oss kolla lite närmare på toppen i första matchen mot Fnatic och dippen i matchen därefter. Statsen för Upset jämfört med sin konkurrent Rekkles visas i bilderna nedan där jag markerat några viktiga detaljer. I första matchen dominerar Upset med K/D/A 6/1/9 jämfört med Rekkles 0/3/3. Nästan alla stats är till Upsets fördel. Framförallt kan vi jämföra skada på champions och “mål” vilket är utklassningssiffror mot Rekkles. I andra matchen ser det dock annorlunda ut. KDA:n är nu till Rekkles fördel och även fast att de har jämn skada mot champions så är Upset 50 CS efter och skadan mot “mål” är till Rekkles fördel.

För tillfället har jag inte lyckats med att göra en rättvis bedömning för Tank- och utility-spelare vilket drabbar Supports och Top-spelare hårdast. Speciellt top-spelare eftersom de kan möta carry-champions som får helt andra betyg för motsvarande prestation. Nästa steg i utveckling är att ta hänsyn till fler parametrar. Dock blir det väldigt mycket data och för att få tag på den informationen behöver man använda sig av Riots utvecklar-API och sätta upp ett makro med begränsningar i antalet hämtningar per sekund. Vem vet, kanske till nästa år.

Nu tänkte jag gå vidare mot årets säsong men innan vi gör det låt oss se hur spelarna har presterat i sina 50 senaste matcher, fördelat på position. Listan för varje position visar ett medelbetyg. Spelare som saknas har inte haft stats på den sidan jag hämtar information ifrån. Troligtvis för de är rookies och inte spelat i officiella ligor. Vissa spelare har inte heller 50 matcher i sin historik. Detta går inte utläsa i den information jag presenterar här.

Top

Som jag nämnde ovan blir det inte riktigt rättvist för top-spelare. De som vi finner nederst halvan på listan är spelare som oftast spelar tanks medans de som är i övre halvan ofta spelar carries. Så ta detta med en nypa salt (kanske gäller allt i denna artikel )

Jungle

Mid

ADC

Support

I nästkommande blogginlägg gör jag en summering av lagen i LEC.

#dali #LoL #blogg #fz-ambassadörer

1
Skriv svar