Seit dem 16. Mai steht die Draftreihenfolge fest, Lotteryteams laden zu Workouts und führen Interviews, um den idealen Rookie für das eigene Teamgefüge zu finden. Grund für uns, die diesjährige Draftclass 2017 etwas genauer zu beleuchten. Auch in diesem Jahr bieten wir euch wieder unser Draft Powerranking, welches in seiner Intention von herkömmlichen Mockdrafts etwas abweicht. Wir fassten es einmal in dieser Form zusammen:
Wir haben uns entschieden, einen anderen Ansatz als die gängigen Seiten zur NBA Draft, wie Draftexpress oder aber NBADraft.net, zu verwenden. Diese versuchen mit ihren Mockdrafts möglichst genau vorherzusagen, welcher Spieler, wann, von welchem Team gezogen werden wird und orientieren sich mit ihren Anordnungen der Talente besonders an Teamneeds und anderen Einflüssen, die relevant für die Draftentscheidung der Teams sind. Wir wollen uns mit unserem Ranking von diesem Gedankengang lösen und mit unserer Spielerauflistung/-einordnung einen Schritt weitergehen. Uns geht es nicht darum, vorherzusehen, wie die Draft 2011 verlaufen wird. Wir wollen zum einen einen groben Überblick über die allgemeine Stärke der Draftclass geben und zum anderen abbilden, wie die Teams sich am 28. Juni, orientiert am Spielermaterial, entscheiden sollten. Hierfür haben wir die zukünftigen Rookies in vier verschiedene Kategorien eingeteilt, die deren Werdegang und individuellen Impact für die Zukunft prognostizieren sollen. Diese einzelnen Sektionen werden im Folgenden noch genauer erklärt. Um unsere Herangehensweise nochmals zu verdeutlichen, kann die Draft 2010 als Beispiel angeführt werden. Die oben genannten Seiten hatten die Draftees zuletzt folgendermaßen angeordnet: #1 Wall, #2 Turner, #3 Favors, #4 Johnson, #5 Cousins und damit die Reihenfolge der Draft weitestgehend richtig vorhergesagt. Wir hingegen hätten mit unserem Ranking aufzeigen wollen, dass es falsch ist, Turner vor beispielsweise Cousins oder Favors zu ziehen. Unsere Einteilung hätte folgendermaßen ausgesehen: Wall (Superstar), Cousins (Allstar), Favors, Johnson, Turner (Starter). Ihr größeres Talent und damit höher einzuschätzendes Leistungsniveau in der Zukunft hätten also in unserem Ranking sowohl Cousins als auch Favors vor Turner platziert
2017 sollte als starke Draft in die Geschichtsbücher eingehen. Eine ungemein talentierte Freshman-Klasse gepaart mit einigen Rückkehrern, die sich in ihrem letzten Collegejahr enorm weiterentwickeln konnten, bietet allen Franchiseses mit Top10-Pick die Möglichkeit einen Spieler mit (Borderline-)Starter-Potential zu ziehen. Dahinter tummeln sich bis zu Mitte der ersten Runde noch viele weitere Optionen mit Elite-Rollenspieler-Upside. Diese sehr breite und qualitativ hervorragend besetzte, obere Hälfte der Draft bildet die große Stärke dieser Klasse.
Allerdings wird sie mit den stärksten Jahrgängen aller Zeiten wohl nicht mithalten können. In der Spitze fehlt es an multiplen Talenten mit klarem Franchiseplayer-Potential. Wir konnten nur einen zukünftigen Rookie über Starter-Niveau einordnen. Dahinter gibt es zwar Spieler mit All Star-Ceiling, aber niemanden ohne größere Fragenzeichen in seinem Spiel. Schon allein dadurch wird es eng, wenn der Maßstab Draftklassen sind, die jeweils mehrere Hall-of-Famer hervorgebracht haben. Der aktuelle Draft-Pool wird diese Schwäche wohl auch nicht mit übermäßiger Tiefe ausgleichen können. Viele Underclassmen testeten durch Regeländerungen im vergangenen Jahr schon früher die Draftwasser und blieben angemeldet. Zusätzlich wurde der internationale Markt 2016 so sorgfältig wie noch nie ausgeschöpft. In den hinteren Draftregionen könnten die Auswirkungen dieser Ereignisse spürbar werden.
Hier nun unser Draft Powerranking für 2017:
Der Spieler ist über mehrere Jahre hinweg immer in der Diskussion zum Allstar oder wird dies auch. Nicht in diese Kategorie fallen jedoch Spieler, die nur aufgrund einer sehr guten Saison kurz vor der Allstarnominierung standen oder einmalig Allstar wurden. Diese spielten demzufolge nie konstant auf Allstar-Niveau. Üblicherweise ist dies eine zweite Option eines Teams.
| #1 | Markelle Fultz, Playmaker Team: Washington Huskies | Alter: 19 Jahre CBB-Stats: 23,2 PpG, 2,1 3PMpG, 35,5 AST% |
Starter sind Spieler, die 30+ Minuten für ihr Team absolvieren und dabei eine signifikante Rolle für die Mannschaft übernehmen. Genauer wäre der Begriff “Starterminuten”, denn die besten Sixth Men der Liga sind ebenfalls als Starter im Sinne der Kategorisierung zu klassifizieren. Im Grunde sind dies also Spieler, die die dritte Option oder der Defensivanker eines Teams sein können.
| #2 | Lonzo Ball, Playmaker Team: UCLA Bruins | Alter: 19 Jahre CBB-Stats: 14,6 PpG, 2,2 3PMpG, 31,4 AST% |
| #3 | Jayson Tatum, Wing Team: Duke Blue Devils | Alter: 19 Jahre CBB-Stats: 16,8 PpG, 1,4 3PMpG, 3,2 BLK% |
| #4 | Dennis Smith Jr., Playmaker Team: North Carolina State Wolfpack | Alter: 19 Jahre CBB-Stats: 18,1 PpG, 34,5 AST%, 1,7 3PMpG |
| #5 | Josh Jackson, Wing Team: Kansas Jayhawks | Alter: 20 Jahre CBB-Stats: 16,3 PpG, 18,2 AST%, 3,1 STL% |
| #6 | Jonathan Isaac, Wing/Big Team: Florida State Seminols | Alter: 19 Jahre CBB-Stats: 12,0 PpG, 6,2 BLK%, 1,0 3PMpG |
| #7 | Malik Monk, Wing Team: Kentucky Wildcats | Alter: 19 Jahre CBB-Stats: 19,8 PpG, 2,7 3PMpG, 2,3 ApG |
Rollenspieler sind Spieler, die klare und kleine Rollen im Team innehaben. Dies können auch nominelle Starter sein, die nur werfen oder verteidigen sollen.
| #8 | Lauri Markkanen, Big Team: Arizona Wildcats | Alter: 20 Jahre CBB-Stats: 15,6 PpG, 1,9 3PMpG, 83,5 FT% |
| #9 | Frank Ntilikina, Playmaker/Wing Team: Strasbourg IG | Alter: 18 Jahre ProA-Stats: 5,5 PpG, 40,3 3P%, 2,2 STL% |
| #10 | Zach Collins, Big Team: Gonzaga Bulldogs | Alter: 19 Jahre CBB-Stats: 10,0 PpG, 9,8 BLK%, 47,6 3P% |
| #11 | Donovan Mitchell, Wing Team: Louisville Cardinals | Alter: 20 Jahre CBB-Stats: 15,6 PpG, 2,4 3PMpG, 3,7 STL% |
| #12 | De’Aaron Fox, Playmaker Team: Kentucky Wildcats | Alter: 19 Jahre CBB-Stats: 16,7 PpG, 4,6 ApG, 1,5 SpG |
| #13 | OG Anunoby, Wing Team: Indiana Hoosiers | Alter: 19 Jahre CBB-Stats: 11,1 PpG, 3,0 STL%, 5,5 BLK% |
| #14 | Jarrett Allen, Big Team: Texas Longhorns | Alter: 19 Jahre CBB-Stats: 13,4 PpG, 8,5 RpG, 5,0 BLK% |
| #15 | Josh Hart, Wing Team: Villanova Wildcats | Alter: 22 Jahre CBB-Stats: 18,7 PpG, 2,1 3PMpG, 2,9 ApG |
| #16 | Luke Kennard, Wing Team: Duke Blue Devils | Alter: 20 Jahre CBB-Stats: 19,5 PpG, 2,4 3PMpG, 43,8 3P% |
| #17 | Isaiah Hartenstein, Big Team: Zalgiris Kaunas | Alter: 19 Jahre LKL-Stats: 4,9 PpG, 3,5 RpG, 1,0 SpG |
bartek
Bin schon auf die ganze Liste gespannt
TobyCooper
Wäre super wenn ihr diesen Artikel im Menu College -> Drafts ergänzen könntet.
Dennis Spillmann
Ist auf der Hauptseite ergänzt. Für das Forum müssen wir eine automatische Lösung erst entwickeln.
lemanu
interessante liste
bei mitchell sind wir uns ja anscheinend einig.
überrascht binnich etwas das fox so spät kommt und hart sehr früh.
ich fände es mal interessant wenn die spieler in 3 dimensionen bewertet werden:
floor
ceiling
wahrscheinlichkeit an das ceiling ranzukommen
spieler wie smith oder jackson haben mmn klar allstar potential die frage ist wie weit sie es ausschöpfen können.
Tobias Berger
|AuthorUnser Fox-Ranking habe ich in diesem Pod näher erklärt: https://www.podomatic.com/podcasts/insgesichtvonstoudemire/episodes/2017-06-20T05_15_22-07_00 Neben dem Wurf hat er mir zu viele andere Baustellen, obwohl ich als Charakter schon sehr mag. Ist eher eine Wette gegen seinen Spielertyp als ihn selbst.
Hart mag nicht so wertvoll wie manch anderer Spieler erscheinen. Aber bei der Nachfrage für Flügelspieler und seinem Skillset ist schon davon auszugehen, dass er sich lang in der Liga halten können sollte. Bei ihm überzeugt mich der hohe Floor. Genau dieser fehlt mMn den gefühlt 100 Big Man-Prospects, die bspw. DX vor ihm hat. Ja ein Giles, Patton oder Anigbogu haben definitiv mehr Potential. Auf der anderen Seite, hat noch keiner von denen das Niveau eines Hart gezeigt. Und wenn es schlecht läuft, sind diese Jungs nach kurzem D oder jetzt wohl ja G-League-Aufenthalt schnell aus der Liga raus. Bigs bekommen da oft auch weniger Chancen, weil die Nachfrage aktuell nicht sehr hoch ist.
Die von dir gelisteten Punkte nehmen wir natürlich in unsere Bewertung auf und versuchen mit dem Ranking eine ausgewogene Gewichtung dieser Faktoren vorzunehmen. Evtl. ist das aber nicht für jeden Spieler konstant. Das würde ich zugeben. Bei High Level-Boom or Bust-Guys mag man mehr das Ceiling. Bei Rollenspielern schaut man auf den Floor. Ggf. sollten wir dazu mal Skalen anfertigen oder so. Layne Vashro hatte in seinem Draftranking Prozentsätze angegeben für Superstar/Starter/Roleguy/Bust. Muss ich mal mehr drüber nachdenken.
Zu deinem letzten Punkt würde ich auch mal auf den Pod von oben verweisen. Ich gehe auf die Jungs ein, die besser als Fultz werden könnten, wenn sie ihren Best Case erreichen. Spoiler: Smith und Jackson sind neben ein, zwei anderen Spielern dabei. Dass wir diese Spieler hinter Fultz einordnen, heißt ja nicht, dass wir sie in jedem Fall schlechter sehen. Es bedeutet eigentlich nur, dass sie in der Mehrzahl für uns denkbaren Szenarien dieses Level nicht erreichen.
lemanu
hab mir im vorfeld der draft den podcast mal angehört war sehr informativ und hat spaß gemacht, danke für den tipp
hab auch bei den meisten prospects vom bauchgefühl eine ähnliche meinung wie du, da bin ich mal gespannt wie sich das entwickelt im laufe der saison.
auch bei fox der ja doch recht früh gewählt wurde.
bin bei ihm auch nicht voll überzeugt und hätte zb weder ihn noch ntlinkina im vakuum vor smith gezogen..für die kings ist es vielleicht dennoch nicht ganz verkehrt, die haben die besondere situation das eine wende in sachen lockerroom und franchise culture vlt wichtigr ist als das pure talent, va weil er ja anscheinden auch tatsächlich nach sacramento wollte..
der fit mit buddy hield ist auch ok.
hört sich interessant, soetwas in der arte mein ich. einige spieler haben auf der einen seite viel potential auf der anderen seite auch viel bust gefahr das etwas zu differenzieren zu versuchen fände ich interessant.
der unterschied zwischen justin jackson und harry giles quasi um beim kingsdraft zu bleiben
Tobias Berger
|AuthorHabe ich im Hinterkopf. Problematisch an der Sache ist, dass sich eine solche Verteilung und Einschätzung schon irgendwie objektiv, also aus Stats bspw., ergeben sollte. Natürlich könnte man einfach auch sein Gefühl damit ausdrücken, aber das wäre über die Jahre nicht so förderlich, da die Vergleichbarkeit fehlt.
lemanu
solche zahlen “objektiv” aus college stats abzuleiten ist denke ich ziemlicher unsinn.
zu wenige spiele, inkonsistenz was die competition betrifft, das ganze spiel ist einfach sehr anders als in der NBA. dort hat man keine 30 sekunden shotclock, viel zonenverteidigung ala syracuse, dafür mehr spacing aber auch ganz andere länge rimprotection etc.
jede einschätzung von spielern egal ob upside oder wahrscheinlichkeiten von entwicklungen muss mit einer gehörigen portion subjektiver einschätzung eines fachmanns (und als den bewerte ich dich jetzt mal einfach, zumindest achte ich deine einschätzung) erfolgen.
ich denke ein guter scout schlägt mit eyetest immernoch in der mehrheit der fälle stats translations wie die von kevin pelton o.ä. (war da dieses jahr nicht jawun evans an #3 oder so?).
lemanu
es wäre aber vlt trotzdem interessant eine statistische translation von stats zum potential bestimmte rollen auszufüllen gäbe..
also spezifisch aus den stats ein “potential” zu errechnen eine bestimmte rolle auszufüllen.
zb
3nD Wing
(zb in dem man 3P%, FT%, Spot up defended/undefended, DREB%, DRPM (gibts das im college?) size, wingspan, combine werte in erwägung zieht)
Rimprotector
(BLK%, DFG% at rim, DREB%, Size/Lenght, combine werte)
primärer Ballhandler
(TS%, ASS/TOV, PnR Scoring, FTA%, TOV%, USG% etc)
auch da halte ich es wieder für fraglich wieviel die zahlen am ende wert sind aber interessant wäre es..
wenn die datenlage unzureichend ist, ist der eye test eines in der sache erfahrenen meist deutlich mehr wert.
(kleines bespiel off topic als anästhesist ist die einschätzung der kreislauf stabilität vor der narkose besonder wichtig dazu hat man viele messparameter wie blutdruck, puls, SO²%… diese haben durchaus ihren wert aber gerade als anfänger behandlet man viel zu oft den monitor statt den patienten. besonders trifft das zu wenn man zu wenig messdaten und keinen kontext hat, bei einem relativ unbekanntem patient z.b..
mit der zeit lernt man der einschätzung des oberarztes zu vertrauen, der mit einem blick sagt der wird schwierig und lernt das nach und nach selbst zu sehen. die messdaten werden nur noch bei extremen werten primärer teil der einschätzung)
man könnte argumentieren dass der unterschied zwischen 32% 3er und 38% 3er am college eigentlich fast zu vernachlässigen ist.
Poohdini
Bzgl Layne Vashros Modell: Das ist gar nicht so sehr ein wirklich “kausales” Modell, sondern eher ein empirisches, welches nur Zahlen aus der Vergangenheit in Beziehung setzt. Das wirkt total willkürlich, hat aber irgendwie ne ganze gute Trefferquote.
Tobias Berger
|AuthorReine Objektivität ist natürlich nie zu erreichen. Sobald du ein Modell auf einer Auswahl von Stats aufbaust, ist das Ding schon auf einer Ebene subjektiv, eben weil du eine Auswahl getroffen hast. Da gehe ich mit.
Bei den Faktoren danach kommt es doch aber auf die Güte deines Systems an. Dein Modell weiß doch bspw., dass im CBB Regeln anders sind und Statistiken deswegen übersetzt werden müssen. Auch auf Sample Size kann es reagieren. Aussagen zu bspw. Entwicklungskurven werden eine größere Streuung besitzen, je weniger Daten einfließen, während für einen Senior recht klar sein sollte, dass er sich bspw. auf der Grenze zwischen Roleguy und Bust bewegt und nur noch zu unter einem Prozent Superstar wird. Vashro hatte hier ein Humble Rating zu seinen Tier Spreads.
Gerade weil du Syracuse auch noch ansprichst. Vashro hatte mal Zahlen zu systembedingten Ausreißern wie der Orange-Zone, Kansas-Wings-Ansätzen, Calipari-Guards usw. Auch solche Sachen lassen sich abbilden und könnten einfließen, wenn man das sauber herleitet.
Diese Grenze ist doch ziemlich verwässert. Kein Team würde einen Spieler nur auf Zahlenbasis ziehen. Andersrum gibt es doch auch keinen Scout, der nicht in irgendeiner Form auf Stats zurückgreift.
Auch hier ein netter Wink. Mögliche Positionen sind von einem Modell zu beachten und dadurch verschiedene Stats anders zu gewichten. Natürlich in der Positionless Basketball Ära auch nicht ganz einfach, dennoch irgendwo wichtig. Während fehlende Blocks beim Playmaker egal sind, ist das bei Big eine Athletik Red Flag bspw. (DBPM gibt es auch für das College btw.)
Klar würde auch ich immer den Eye-Test vorziehen, aber dein Sinn eines solchen Modells sehe ich bspw auch in Tape-Empfehlungen. Ich kann mir nicht alle 351 Teams einmal reinziehen, um Watch-List-Kandidaten für die Saison zu finden. Wäre doch super, wenn ich einen Anstoß über Stats bekomme.
Finde das Bild funktioniert nur bedingt. Die Draft ist aus meiner Sicht komplizierter als dieser mit weniger Variablen gespickte Sachverhalt. Nehmen wir bspw. Big Men. Ich beginne die großen Jungs vor Jahren zu bewerten und bin nicht so gut. Über die Jahre werde ich besser. Im Vakuum könnte ich ohne Fehler vorhersagen, welcher besser ist. Problem ist, dass sich meine Endvariable NBA ja auch immer weiter verändert. Ich muss nicht nur aus meinen Fehlern lernen und meine Methodik anpassen, sondern auch auf eine Gesamtentwicklung der gesamten BBall-Welt reagieren, die schneller als die menschliche Evolution in deinem Bild von Statten geht. Was ich aber sehen könnte, ist aber durch Lernen irgendwann ein vernünftiges Verhältnis zwischen Stats und Eye-Test mit genauer Vorstellung für die blinden Stellen des eigenen Bild von Basketballern (die es immer geben wird!) zu finden. Das wäre aus meiner Sicht der noch immer frustrierende aber ganz gute Endzustand in der Draft-Evaluation. Dieser ist dann aber praktisch nicht statisch. Wenn ich genau weiß, was mir fehlt, kann ich in der Zukunft auf technoligischen Fortschritt oder so reagieren oder eben auch nicht, wenn ich weiß, dass ein neuer Stat meinem Bild nicht hilft. Das Wissen ermöglicht nur einen gute Entschiedungsbasis dafür.
Mal abgesehen davon, dass FT%, FTA und auch 3PA bei sowas mit einfließen sollten, ist der von dir beschriebene Unterschied enorm. Ohne jetzt lange zu suchen ist das die Spanne zwischen John Wall (32,3 3P%) und Junior-Season und damit Draftjahr Curry (38,7 3P%). Ich empfehle sowas hier: http://fansided.com/2017/05/19/nylon-calculus-projecting-3-point-shooting-2017-nba-draft-prospects/
Weiß nicht was du meinst. Ich würde mit meinem Modell auch schauen, welche Eigenschaften von Basketballern zu welcher Karrierenkurve geführt haben und daran die Vorhersagen für aktuelle Spieler ableiten. Wo ist das willkürlich? Wie würde ein kausales Modell dMn aussehen? Was läuft bei der Herangehensweise falsch, außer, dass man nicht unbedingt die Entwicklung der NBA mit einbezieht?
lemanu
(keine ahnung wie ich die quote funktion finde im neuen lay out.. daher etwas unübersichtlich..)
Auch hier ein netter Wink. Mögliche Positionen sind von einem Modell zu beachten und dadurch verschiedene Stats anders zu gewichten.
aber müsste ja schon eine eigener wert für jede zahl/rolle sein oder? was ich meinte wäre eine stats berechnung ala prospect X hat einen score von 10 für die rolle 3nD wing, 4 für playmaking wing etc.
war aber kein vorschlag dass du/ihr das macht nur ein gedankenspiel.
Mal abgesehen davon, dass FT%, FTA und auch 3PA bei sowas mit einfließen sollten, ist der von dir beschriebene Unterschied enorm. Ohne jetzt lange zu suchen ist das die Spanne zwischen John Wall (32,3 3P%) und Junior-Season und damit Draftjahr Curry (38,7 3P%). Ich empfehle sowas hier: http://fansided.com/2017/05/19/nylon-ca … prospects/
der artikel gibt mir ja zum teil recht, obwohl fultz 42% 3er getroffen hat und tatum 35% (ähnliche spanne wie von mir genannte 32% und 38%) wird tatum nach der projection in der NBA sogar besser treffen als fultz (36% vs 34%)!
klar kann man mit anderen werten schon bessere vorhersagen treffen (wie mit dieser projection in die auch FT% usw. einfließt) dennoch sieht man wie ungenau die zahlen sind.
ich hab keine lust mich an SPSS o.ä zu setzen, aber ich würde wetten um einen statistisch signifikanten unterschied (mit 95% konfidenzintervall) zu finden, also um statistisch klar sagen zu können ein spieler kann besser 3er werfen als der andere müssten bei 50 versuchen mindestens 10-15% unterschied bestehen.
und das bezieht sich nur auf das gleiche system (also wenn die beiden weiter im college spielen).
(natürlich kann man mit 3PA, FT% und anderem bessere vorhersagen treffen)
Was ich aber sehen könnte, ist aber durch Lernen irgendwann ein vernünftiges Verhältnis zwischen Stats und Eye-Test mit genauer Vorstellung für die blinden Stellen des eigenen Bild von Basketballern (die es immer geben wird!) zu finden.
genau das! auf der anderen seite vlt auch ein verständnis von blinden stellen der stats (bzw. physiologischer messwerte). zb oben besprochenen schwächen der 3P% usw.