Cosa fa vincere davvero i Set?

Un’Analisi Approfondita delle Statistiche di Volleyball Power 4.

Traduzione dell’articolo originale presente su https://substack.com/@alexsimons947623/ nr. 1.

In questa rubrica traduco gli articoli di Alex Simons (per adesso 20), allenatore e analista di pallavolo, che raccontano il gioco americano attraverso dati, statistiche e osservazioni tecniche. Ho scelto di condividerli perché offrono uno sguardo concreto e originale sulla pallavolo NCAA e professionistica, utile per capire meglio come si studiano oggi tattica, sistemi e rendimento ai livelli più alti.

630 partite, 66 squadre, 30+ metriche — ecco cosa dicono davvero i dati su cosa serve per vincere nel volleyball Power 4.

Chi è Alex Simons (Microsoft)
È stato per oltre trent’anni una figura chiave di Microsoft, ricoprendo il ruolo di Corporate Vice President of Product Management per la divisione Microsoft Identity and Network Access. In questa veste ha guidato lo sviluppo e la strategia di prodotti globali fondamentali per la sicurezza informatica aziendale, tra cui Azure Active Directory (oggi Microsoft Entra ID). Dopo 34 anni di carriera, ha annunciato il suo ritiro dall’azienda a febbraio 2026 per dedicarsi a tempo pieno alla sua passione: allenatore di pallavolo.

Oggi si concentra a tempo pieno su due ruoli principali:

• Head Coach e membro del Board: lavora stabilmente per il Sudden Impact Volleyball Club (SIVBC), una nota associazione sportiva giovanile di pallavolo nella regione del Puget Sound (Washington). Qui allena diverse selezioni giovanili, tra cui la squadra U15 Typhoon. [1, 2, 3, 4]
• Scrittore e Data Scientist sportivo: Ha fondato una sua newsletter specializzata su Substack, chiamata Alex Simons, Overqualified Assistant. In questo spazio unisce il suo background tecnologico alla sua passione sportiva, pubblicando analisi statistiche avanzate e metriche applicate alla pallavolo.[1]

ALEX SIMONS — 24 FEB 2026

Ciao a tutti! Per chi non mi conosce, sono Alex Simons. Negli ultimi 15 anni ho allenato volleyball a livello club, e nel 2022 ho avuto il privilegio di essere assistente allenatore all’Università di Washington per la stagione 2022 — allenando insieme a Keegan Cook, Leslie Gabriel, Jason Mansfield, John Dunn e Justice Magraw. Mi sono recentemente ritirato dal mio lavoro a Microsoft come Corporate Vice President per potermi dedicare a tempo pieno all’allenamento della pallavolo.

Uno dei primi progetti che avevo voglia di affrontare (oltre a candidarmi per oltre 20 posizioni come assistente allenatore universitario) è stato un’analisi approfondita delle statistiche NCAA DI di volleyball per capire se potevo ottenere intuizioni più profonde e interessanti su quali tipi di risultati siano più fortemente correlati alla vittoria. Questo progetto è nato originariamente ispirato dal bellissimo studio che Joe Trinsey ha condiviso sul MTP% (Make Them Play %) e sulla sua correlazione con la vittoria, nella sua serie di studi da $7 su Smarter Volley. Ho preso quell’idea di base — insieme ad alcune analisi simili che Joe ha già fatto — e ho creato un insieme molto più ampio di metriche e analisi.

Ho usato Claude Code per sviluppare l’intera pipeline di dati, che consiste in circa 4.000 righe di codice R. Mi ci sono volute circa 8 ore per far funzionare il nucleo usando quattro istanze simultanee di Claude Code. La pipeline è multi-thread e processa tutti i 630 file di partita in quattro conference, calcolando sia metriche interne alla conference sia confronti tra conference, in meno di 30 minuti. Calcola oltre 30 metriche per squadra, genera scatter plot per ciascuna metrica, esegue il rilevamento degli outlier e produce un set completo di CSV e report HTML. La pipeline è anche facile da migliorare: nuove metriche possono essere aggiunte in pochi minuti.

Ho scelto di concentrare questo post sul sottoinsieme di metriche che mostrano correlazioni forti con la vittoria, più alcune che ho trovato personalmente interessanti o sorprendenti perché sembravano confermare o smentire la saggezza convenzionale degli allenatori. Includerò la tabella completa delle correlazioni per ogni metrica nell’appendice per chi vuole approfondire.

Sarei felice di discutere feedback, suggerimenti o domande — sentitevi liberi di lasciare commenti, scrivermi a [email protected], o trovarmi su X (@VballAlexSi) e Threads (@coach.alex71).

<Aggiornamento del 25/2/26 — Ho fatto un aggiornamento significativo questa mattina alla sezione sulla percentuale di errori in battuta. Mentre i dati erano corretti, la mia interpretazione era errata. Grazie a Joe Skinner e Kendall Grimes del Texas A&M per aver segnalato la falla nella mia logica!>

Il Dataset

Per questa analisi ho considerato tutte le partite di conference del 2025 nelle quattro conference Power 4:

• Big 10 — 180 file di partita, 17 squadre (Nebraska incluso ed escluso — ne parlerò più avanti)
• SEC — 135 file di partita, 16 squadre
• Big 12 — 135 file di partita, 15 squadre
• ACC — 180 file di partita, 18 squadre

Sono 630 file di partita che coprono 66 squadre e oltre 4.500 combinazioni squadra-set. Tutti i dati provengono da file di scouting DataVolley (.dvw). La pipeline di dati è costruita in R usando l’eccellente package openvolley/datavolley, che rende semplice leggere e analizzare i file .dvw.

Un enorme grazie a Sanky Sanny del Minnesota per avermi aiutato ad accedere a tutti questi dati. Senza il suo aiuto, questo progetto sarebbe ancora nella mia lista di cose da fare.

Come Funziona l’Analisi

Per ogni metrica, ho calcolato il valore per ogni squadra in ogni set giocato, poi ho aggregato a livello di squadra usando metodi statistici corretti (somma dei conteggi grezzi prima di calcolare le percentuali — non facendo mai la media delle percentuali). Ho poi calcolato il coefficiente di correlazione di Pearson (r) tra ogni metrica e il Set Win % per ogni squadra.

Un rapido richiamo su cosa significa r in pratica:

• r = 0,90+ — Molto forte. Questa metrica e la vittoria si muovono quasi all’unisono.
• r = 0,70–0,89 — Forte. Relazione chiaramente significativa.
• r = 0,40–0,69 — Moderata. C’è qualcosa, ma anche altri fattori contano molto.
• r < 0,40 — Debole. Non un predittore affidabile da solo.

Ho eseguito l’analisi in quattro modi: una volta per ogni conference singolarmente, e una volta su tutte le 66 squadre combinate. Le disaggregazioni a livello di conference si sono rivelate affascinanti — alcune metriche si comportano in modo molto diverso a seconda della conference che si guarda.

Le Quattro Grandi: le Metriche Tradizionali Regnano Ancora Sovrane

Iniziamo con ciò a cui la maggior parte degli allenatori presta già più attenzione. Buone notizie — il vostro istinto è corretto. Le metriche fondamentali tradizionali sono nettamente i predittori più forti della vittoria.

Il Side-Out% (r = 0,93 combinato) è il singolo predittore più forte della vittoria in tutto il dataset. Ha senso intuitivamente — se riesci a fare punto quando ricevi il servizio, vincerai molti set. La SEC mostra la relazione più forte qui (r = 0,96), suggerendo che la capacità di side-out in quella conference sia una linea di demarcazione particolarmente netta tra chi ha e chi non ha.

Il Point Scoring% (r = 0,91) è immediatamente dietro — e nell’ACC e nella Big 10 è addirittura alla pari o più forte del Side-Out%. Il PS% misura quanto spesso vinci i punti quando servi, il che comprende battuta, muro e gioco in transizione difensiva. Il fatto che il PS% sia quasi altrettanto predittivo del SO% ci dice qualcosa di importante: vincere non riguarda solo il tuo attacco. La tua capacità di fare punto dalla linea di battuta, giocare in difesa e poi segnare in transizione conta quasi altrettanto.

L’Attack Efficiency% (r = 0,89) e il Kill% (r = 0,85) completano il livello top. Entrambi misurano la capacità terminale — i vostri schiacciatori riescono a chiudere il punto? — ma l’efficienza supera la percentuale grezza di kill, cosa che intuitivamente ha senso. Fare tanti kill non aiuta se stai anche regalando molti punti con gli errori in attacco.

Questo conferma l’intuizione centrale di Joe Trinsey sulla “capacità terminale”. La sua ricerca mostrava che la qualità dell’esecuzione (arrivare all’attacco) è necessaria ma non sufficiente — devi anche saper chiudere. I nostri dati su 66 squadre e 4 conference confermano fortemente questo punto.

Spunto per allenatori: Queste quattro metriche dovrebbero rimanere in primo piano nella valutazione del vostro programma. Sono i macigni. Tutto il resto di cui parleremo si costruisce su questa base.

MTRP%: la Metrica dove tutto ha avuto inizio

La ricerca di Joe Trinsey sul MTP% (Make Them Play %) è ciò che ha originariamente ispirato questo intero progetto. Il suo studio da $7 esaminava quanto efficacemente le squadre attaccano dopo aver ricevuto la battuta — ciò che lui chiama “qualità del primo tocco”. L’MTRP% (Make Them Really Play %) estende quell’idea misurando la percentuale di tutte le ricezioni (inclusi ace e overpass) che portano a un attacco non-errore sul primo tocco. Quando ho visto quanto bene questa correlava con la vittoria nella sua analisi del Torneo NCAA 2022, ho capito che volevo testarla su un dataset molto più grande — e vedere quali altre metriche potessero rivelare relazioni simili con la vittoria. Quella curiosità è ciò che ha portato a tutte le metriche e analisi che state leggendo in questo post.

A r = 0,67 combinato, l’MTRP% mostra una correlazione moderata solida con la vittoria — chiaramente significativa, ma anche chiaramente non tutta la storia. La Big 10 mostra la relazione più forte (0,74), suggerendo che la qualità di esecuzione del primo tocco è un differenziatore più netto lì che nelle altre conference. La Big 12 segue di poco a 0,71. La SEC mostra la correlazione più debole (0,62), il che ha senso considerando quanto vedremo più avanti su come le squadre SEC si affidino molto alla battuta aggressiva come percorso alternativo alla vittoria — nella SEC se la tua squadra crea caos con la battuta, fai abbastanza punti da compensare una qualità inferiore dell’attacco sul primo tocco.

Il fatto che l’MTRP% sia un predittore moderato piuttosto che forte è di per sé uno dei risultati più importanti di questo studio. Confirma la stessa conclusione di Trinsey: la qualità dell’esecuzione (arrivare all’attacco) è necessaria ma non sufficiente. Devi anche saper chiudere — che è esattamente ciò che misurano le Quattro Grandi metriche. L’MTRP% vi dice quanto spesso arrivate a colpire; Side-Out%, Kill% e Attack Efficiency% vi dicono quanto spesso quei colpi producono punti.

MTRP% come Cancello

Ma qui c’è qualcosa di ancora più interessante: l’MTRP% potrebbe funzionare più come un cancello che come un predittore lineare. Invece di una relazione fluida dove un MTRP% più alto significa sempre più vittorie, i dati suggeriscono che c’è una soglia minima da superare — e sotto quella soglia, siete essenzialmente esclusi.

Il pattern è sorprendente. Delle 9 squadre sotto il 76% di MTRP — incluse Texas Tech, Virginia, Ohio State, Maryland e West Virginia — nessuna ha un record vincente. Zero. Quello è il pavimento: se la vostra squadra non riesce a ottenere un attacco di qualità almeno tre volte su quattro ricezioni, avrete quasi certamente una stagione in perdita in una conference Power 4.

All’altro estremo, 9 squadre su 10 sopra l’82% di MTRP hanno un record vincente — la sola eccezione è Auburn (83,6% MTRP, 49,2% set win), una squadra che arriva bene all’attacco ma sembra avere difficoltà a chiudere la palla. La fascia intermedia (76–80%) è dove diventa confuso: è essenzialmente un lancio di moneta, e proprio lì le altre metriche di questo studio — capacità terminale, conversione in transizione, pressione della battuta — diventano i fattori decisivi.

Spunto per allenatori: Pensate all’MTRP% come a un cancello, non a una manopola. Se la vostra squadra è sotto circa il 76%, alzare quel numero dovrebbe essere una delle vostre priorità più alte — finché non riuscite ad arrivare costantemente all’attacco dopo la ricezione, semplicemente non avrete una stagione vincente in una conference Power 4.

Una volta sopra il 76%, l’MTRP% dovrebbe rimanere un focus, ma potete iniziare a investire più tempo nelle aree che migliorano la capacità della vostra squadra di chiudere la palla — capacità terminale, conversione in transizione e gli altri fattori che esploreremo di seguito.

E una volta sopra circa l’82%, non ci sono davvero ulteriori guadagni da ottenere dall’MTRP% e potete tranquillamente rivolgere piena attenzione ad altre aree: efficienza in attacco, punteggio fuori sistema e attacco in transizione.

La Sorpresa della Battuta: più Errori non è un Problema?

Ecco dove le cose si fanno interessanti — e forse un po’ sorprendenti per gli allenatori che si fissano sugli errori in battuta.

Assicuratevi di guardare attentamente la riga della Serving Error%, perché questo potrebbe essere il risultato più provocatorio di tutto lo studio. Fuori dalla SEC, la percentuale di errori in battuta è solo debolmente correlata con la vittoria/perdita. Quando la vostra percentuale di errori in battuta sale, il vostro set win % scende solo di una quantità minima (cioè non significativa).

E questo è vero — nell’ACC, Big 12 e Big 10. Nell’ACC, Big 12 e Big 10, è così vicino allo zero che gli errori in battuta semplicemente non contano molto in un senso o nell’altro.

Perché? Perché la battuta aggressiva crea pressione. Costringe gli avversari fuori sistema, genera più azioni spezzate e imposta il vostro muro e la vostra difesa a fare punto. Gli errori sono il costo di fare affari — e i dati dicono che il ritorno su quell’investimento è ampiamente positivo.

Ora guardate l’Ace:Error Ratio, e la storia diventa ancora più interessante. Nell’ACC, è una correlazione legittimamente significativa (0,56) — le squadre che generano più ace rispetto ai loro errori vincono significativamente di più. La SEC mostra una tendenza simile a 0,37. Queste sono le due conference dove aumentare la produzione di ace mentre si serve aggressivamente sembra avere il ritorno più grande. In altre parole: non limitatevi a servire duro — servite duro e fate ace. Nell’ACC e nella SEC almeno, quella combinazione è fortemente associata alla vittoria.

La Big 12 e la Big 10 mostrano una correlazione essenzialmente nulla sull’Ace:Error Ratio — ma vale la pena scavare sul perché, perché la storia è diversa in ogni conference.

Nella Big 12, un singolo outlier è quasi interamente responsabile. Il Texas Tech ha il più alto Ace:Error Ratio della conference (0,83) ma uno dei peggiori record vincenti (30,3% set win). Fanno ace, ma non vincono. Togliendo il Texas Tech, la correlazione della Big 12 salta da -0,00 a 0,37 — proprio in linea con la SEC. Una squadra ha fatto sembrare che la produzione di ace non conti nella Big 12, quando invece conta.

La Big 10 è una storia diversa. Ohio State è un tipo simile di outlier (3° più alto rapporto a 0,71, 3° peggior set win% a 25,3%), ma togliendoli la correlazione si muove solo da -0,13 a -0,02. La correlazione quasi nulla della Big 10 non è guidata da una squadra sola — è perché diverse delle migliori squadre della conference (Wisconsin a 0,47, USC a 0,42) vincono molto senza una grande produzione di ace. Nella Big 10, sembra che le squadre possano avere successo genuinamente senza un forte gioco di ace.

Considerate il Texas A&M, che ha vinto il Campionato Nazionale 2025 con un tasso di errore in battuta del 12,02% — uno dei più alti nel nostro dataset. Non hanno vinto nonostante i loro errori. Hanno vinto perché erano disposti a servire abbastanza aggressivamente da creare caos per i loro avversari. Ne parleremo più avanti.

Spunto per allenatori: Smettete di concentrarvi sugli errori in battuta e iniziate a concentrarvi sulla battuta aggressiva. I dati su tre delle quattro conference sono inequivocabili. Gli errori in battuta non correlano con vittoria/perdita. Quindi, purché non giochiate nella SEC, accettate gli errori. È meglio concentrarsi ad aumentare la produzione di ace — è una delle cose più efficaci che potete fare dalla linea di battuta.

Devo ammettere che anche questo è un risultato che mi rende felice. Primo, tanto di cappello a John Speraw — lo sapeva molto prima di tutti noi. Secondo, negli ultimi tre anni ho allenato le mie squadre a non preoccuparsi degli errori in battuta finché otteniamo un rapporto ace-errore di 1:1 o migliore. E sono state di gran lunga le mie migliori squadre in battuta fino ad oggi. Immagino che dovrei essere felice di non giocare nella SEC 😉!

Qualità della Ricezione: Buono è Più Importante di Perfetto

Questo mi ha genuinamente sorpreso.

Il Good Pass% (ricezioni valutate buone o migliori) mostra costantemente una correlazione più forte con la vittoria rispetto al Perfect Pass% in ogni singola conference. Combinato, è r = 0,60 contro 0,47.

Se ci pensate, questo in realtà ha molto senso. Per la maggior parte delle squadre, la differenza nell’Attack Efficiency prevista tra una ricezione perfetta e una buona potrebbe essere solo qualcosa come 0,350 contro 0,325, un divario inferiore al 10%. Il vostro palleggiatore può ancora far girare la maggior parte dell’attacco, i vostri schiacciatori ricevono ancora buone alzate, e l’esito è quasi lo stesso. Ma su una ricezione valutata 1 (una ricezione cattiva), l’Attack Efficiency prevista probabilmente scende a 0,150 o peggio. Quello è un calo significativo.

La vera storia qui non riguarda la differenza tra buono e perfetto — è che buono e perfetto producono esiti quasi identici, mentre il calo da buono a scarso è molto più significativo. I maggiori guadagni nella ricezione derivano dalla riduzione delle ricezioni cattive, e (come possiamo dedurre dalle sezioni precedenti sulla battuta), evitare di subire ace dovrebbe essere anch’essa una priorità alta.

La Big 12 si distingue qui con entrambe le metriche che mostrano correlazioni notevolmente più forti (0,76 e 0,75), suggerendo che la qualità della ricezione potrebbe essere un differenziatore più grande in quella conference.

Spunto per allenatori: Una migliore qualità di ricezione è sempre bello da avere, ma una volta che i vostri ricevitori ricevono “abbastanza bene”, potreste ottenere più ritorno concentrando il tempo e l’impegno su altre aree ad alto impatto, per esempio, diventare davvero bravi a difendere e segnare in transizione. I dati suggeriscono che i guadagni marginali dal passare da ricezioni buone a perfette semplicemente non sono così significativi rispetto ad altri investimenti che potreste fare con quel tempo di allenamento.

Sì, È Importante Saper Segnare Fuori Sistema

Ecco uno dei risultati che trovo particolarmente sorprendenti.

L’SR OOS Setter Conv%, il tasso di kill sulla ricezione di battuta quando il palleggiatore deve alzare da una ricezione fuori sistema (la ricezione non è buona o perfetta), ha una correlazione con la vittoria più alta (r = 0,70) rispetto all’SR In-System Conv% (r = 0,66), che misura il tasso di kill sulla ricezione di battuta quando siete in sistema.

Quanto bene convertite sulla ricezione di battuta quando siete fuori sistema con il palleggiatore che alza è più predittivo della vittoria di quanto lo sia convertire quando siete in sistema.

Perché? Sospetto che sia perché molte squadre sanno segnare quando la ricezione è perfetta o buona e il palleggiatore fa girare un attacco completo. Ciò che separa le migliori squadre è cosa succede quando la ricezione spinge il palleggiatore fuori dalla zona target — il vostro palleggiatore riesce ancora a fornire una palla attaccabile, e i vostri schiacciatori riescono ancora a chiudere? Quella capacità di rimanere pericolosi anche quando la ricezione non è perfetta è un vero vantaggio competitivo.

L’ACC mostra la relazione più forte qui (0,78 per entrambe le metriche), suggerendo che le migliori squadre ACC sono quelle che riescono a convertire efficientemente indipendentemente dalla qualità della ricezione.

Spunto per allenatori: La capacità del vostro palleggiatore di alzare efficacemente fuori sistema — e la capacità dei vostri schiacciatori di chiudere quelle alzate — potrebbe meritare più tempo di allenamento di quanto le state dando attualmente. Questa è una metrica che vale la pena tracciare.

Qualità della Difesa: Non È Solo Alzare la Palla

Guardate la progressione tra queste tre metriche. Il Dig% — la percentuale di attacchi non-errore dell’avversario che la vostra squadra difende con successo — è positivamente correlato con la vittoria (r = 0,23 combinato), quindi difendere più palloni è effettivamente una cosa buona. Ma non è sufficiente. Il Dig-Set% — se quella difesa arriva al palleggiatore così che possa alzare con le mani — salta a r = 0,59. E il Dig-Set-Kill% — se quella intera sequenza produce un kill — è uno dei predittori più forti in tutto lo studio a r = 0,83.

Sono stato piuttosto sorpreso qui. Avrei ipotizzato che difendere più attacchi fosse più fortemente correlato con la vittoria. Ma la storia è piuttosto chiara: difendere la palla conta, ma ciò che conta davvero è l’intera catena — difesa al target, il palleggiatore che arriva e alza con le mani, e il vostro attaccante che chiude in transizione. Quella è la metrica altamente correlata con la vittoria.

La Big 10 si distingue sul Dig% con una correlazione notevolmente più forte (0,46) rispetto alle altre tre conference. Potreste pensare che sia solo una questione di variabilità, forse le squadre della Big 10 sono più disperse nei tassi di difesa(?). Ma i dati non supportano questo:

La Big 12 ha in realtà più variabilità nel Dig% rispetto alla Big 10, eppure la sua correlazione è molto più debole (0,22 contro 0,46). Onestamente non ho una buona spiegazione del perché il tasso grezzo di difesa sia così più predittivo nella Big 10 che nelle altre conference. Se qualcuno ha idee su cosa potrebbe esserci dietro, mi piacerebbe sentirle nei commenti o via email.

Spunto per allenatori: Allenate i vostri difensori a difendere verso il target, non solo a difendere. La progressione dal Dig% (0,23) al Dig-Set% (0,59) al Dig-Set-Kill% (0,83) vi dice esattamente dove sta il valore — non si tratta di ottenere più difese, si tratta di ottenere difese che portino a kill.

Attacco in Transizione: Avete Bisogno di una Macchina di Conversione In-Sistema

Il Trans In-System Conv% misura il tasso di kill quando la vostra squadra difende la palla bene abbastanza perché il palleggiatore possa alzarla con le mani, portando a un attacco e un kill — un kill di transizione in sistema. A r = 0,73 combinato, è una delle metriche più altamente correlate che abbiamo scoperto fuori dalle statistiche tradizionali. Ottenere buoni risultati qui richiede sia una buona difesa (abbastanza buona perché il palleggiatore la prenda con le mani), sia una buona alzata e poi un attaccante che chiude in transizione. Tutte soluzioni specifiche che probabilmente devono essere apprese in un contesto diverso, distinto dalla ricezione di battuta.

Sono stato piuttosto entusiasta di vedere che questa correlazione fosse così alta, soprattutto perché è una delle mie parti preferite del gioco e una a cui assicuro che le mie squadre abbiano MOLTE opportunità di allenarsi.😎

La Big 12 mostra la correlazione più alta qui (0,84), mentre la SEC è notevolmente più bassa (0,61). La SEC ha una variabilità squadra-a-squadra leggermente minore in questa metrica, ma il fattore più grande potrebbe essere che le squadre SEC hanno altri percorsi dominanti alla vittoria — come la pressione in battuta — che diluiscono quanto la conversione in transizione da sola predica il successo.

Questa metrica conta perché le opportunità di transizione si verificano più frequentemente quando la vostra squadra sta servendo — e convertirle è ciò che guida il Point Scoring%. Se riuscite a difendere, alzare e chiudere ad alto tasso in transizione, segnate a raffiche e fate serie di punti.

Spunto per allenatori: La conversione in transizione in sistema merita seria attenzione nella progettazione degli allenamenti. Allenate la sequenza completa: difesa-alzata-attacco, con enfasi sulla capacità del palleggiatore di far girare l’offensiva a tempo dopo una difesa.

Approfondimento: Tasso di Freeball in Transizione — le Differenze tra Conference sono Affascinanti

Il Trans Freeball% misura quanto spesso la vostra squadra difende con successo la palla ma finisce per mandare una freeball. Non a caso, un tasso più basso è migliore (significa che state attaccando più palloni piuttosto che concedere freeball).

Ciò che è affascinante qui è l’enorme variazione conference-per-conference nella correlazione. Nella Big 10 (-0,61) e nell’ACC (-0,53), tassi di freeball bassi sono fortemente associati alla vittoria. Ma nella Big 12 (-0,11), non c’è quasi nessuna relazione. La SEC cade nel mezzo (-0,30).

Quando si guarda alla diffusione effettiva dei tassi di freeball tra le squadre, la spiegazione diventa più chiara:

L’ACC ha il range più ampio — dal Pittsburgh al 5,98% di tasso freeball (77% set win) al Boston College al 12,9% (33% set win). Nella Big 10, è una storia simile: Wisconsin al 6,97% (79% set win) contro Maryland al 10,18% (17% set win). Le squadre più debole in queste conference stanno mandando significativamente più freeball, e le squadre migliori le puniscono per questo.

La Big 12, al contrario, ha il raggruppamento più stretto di qualsiasi conference — tutte le 15 squadre cadono tra il 7,5% e il 10,6% (deviazione standard di solo 0,9). Quando i tassi di freeball di tutti sono così simili, la metrica semplicemente non può differenziare i vincitori dai perdenti. Non è che le freeball non contino nella Big 12 — è che non c’è abbastanza variazione perché la correlazione emerga.

Approfondimento: Conversione del Libero nell’Alzata di Transizione — un Racconto di Identità di Conference

Questo è pazzesco. Il Trans SD Libero Conv% misura il tasso di kill quando un libero alza una palla in transizione dopo una difesa. Mostra correlazioni da moderate a forti nell’ACC (0,56), Big 12 (0,63) e SEC (0,46) — ma è effettivamente zero nella Big 10 (0,08).

Come è possibile? Quando ho scavato nei dati, la risposta si è rivelata riguardare la Big 10 e i loro palleggiatori in transizione. Guardate chi alza le palle di transizione tra le conference:

La quota di alzate in transizione del libero è essenzialmente identica in tutte le quattro conference (~11%). Ma i palleggiatori della Big 10 gestiscono una quota significativamente maggiore (60% contro il 53-55% altrove), con la differenza che proviene dalla categoria “altro” (alzate non-palleggiatore, non-libero).

Le squadre della Big 10 hanno il loro palleggiatore che alza la palla più spesso in transizione. Ciò significa che la capacità di alzata del libero diventa un fattore minore nel successo complessivo della transizione — non perché alzino meno spesso, ma perché il palleggiatore gestisce una quota maggiore della torta. Quando il vostro palleggiatore prende il 60% delle alzate di transizione invece del 53%, quanto bene il vostro libero converte non muove più l’ago.

Riflettore: Nebraska — l’Outlier che Rompe il Mio Modello

Ho eseguito l’analisi della Big 10 sia con che senza il Nebraska. Sulla base dei risultati, ho scelto di escluderli dall’analisi combinata perché sono un outlier così estremo da distorcere significativamente i risultati. Il Nebraska è andato 60-1 nei set durante il gioco di conference della Big 10 — un tasso di vittoria dei set del 98,4%. Hanno dominato con margini significativi in quasi ogni aspetto del gioco.

Ecco com’è stata la stagione del Nebraska rispetto al resto:

Quando si include il Nebraska nell’analisi della Big 10 (n=18), le correlazioni si gonfiano notevolmente perché tirano l’intera linea di regressione:

Il salto nel Kill% è il più drammatico: da 0,80 a 0,88. Il Nebraska è così dominante che includerlo fa sembrare il Kill% un predittore molto più forte di quanto realmente sia per il resto della conference. Questo è un esempio da manuale del perché il rilevamento degli outlier conta nell’analisi di correlazione — un singolo dato può cambiare significativamente le vostre conclusioni.

La dominanza del Nebraska non era solo relativa ai loro competitor nella Big 10. Erano la squadra classificata #1 o #2 più alta nella Power 4 in sei degli otto metriche con la correlazione più alta con la vittoria:

Il Nebraska è #1 in 5 delle 8 metriche, e quelle cinque sono tutte le metriche fondamentali di performance/terminale. Ciò che è interessante è dove non dominano: MTRP% (#4) e SR OOS Setter Conv% (#11). Queste sono le metriche di qualità di esecuzione e resilienza fuori sistema, rispettivamente. Questo rafforza la scoperta centrale di questo studio — la dominanza del Nebraska è venuta dalla capacità terminale, non dal perfezionare l’esecuzione del primo tocco.

Riflettore: Texas A&M — il Profilo del Campione Nazionale

Il Texas A&M ha vinto il Campionato Nazionale NCAA 2025, quindi naturalmente volevo vedere come si posizionavano le loro metriche di stagione regolare.

Alcune cose saltano all’occhio. Primo, il Texas A&M era eccezionale nell’SR In-System Conv% — il migliore nell’intero dataset di 66 squadre al 52,4%. Quando ricevevano bene e facevano girare la loro offensiva, chiudevano a un tasso straordinario. Quella è pura capacità terminale in azione.

Secondo — e questo si collega alla nostra discussione sulla battuta — avevano un tasso di errore in battuta del 12,0%, che era il secondo peggiore nella SEC. Il campione nazionale ha servito aggressivamente e accettato gli errori che ne derivavano. Il loro tasso di errore in battuta non ha impedito loro di vincere un titolo. Se qualcosa, la pressione che la loro battuta creava ha probabilmente contribuito al loro successo in altre aree.

Terzo, erano costantemente vicini alla vetta in ogni metrica fondamentale senza necessariamente dominare in nessuna singola metrica (eccetto SR In-System Conv%). Questo suggerisce che la ricetta del campionato non riguarda essere assolutamente i migliori in una cosa — riguarda essere molto bravi in tutto ed élite nella conversione quando si è in sistema.

Ho intenzione di eseguire questa stessa analisi solo sulle partite del Torneo NCAA per vedere se il Texas A&M ha fatto qualcosa di diverso o migliore durante la loro corsa al torneo — o se il loro profilo di stagione regolare si è semplicemente mantenuto quando è contato di più. Restate sintonizzati.

Conclusioni

Dopo aver analizzato 630 partite, 66 squadre e oltre 4.500 combinazioni squadra-set in tutte le quattro conference Power 4, ecco cosa ci dicono i dati:

• Le metriche tradizionali contano di più. Side-Out% (r = 0,93), Point Scoring% (r = 0,91), Attack Efficiency% (r = 0,89) e Kill% (r = 0,85) sono i predittori più forti della vittoria con un ampio margine. Se tracciate solo quattro cose, tracciate queste.
• L’MTRP% è un cancello, non una manopola. Essere in grado di ottenere con successo un attacco al primo tocco (r = 0,67) è un predittore lineare moderato, ma funziona più come una soglia. Nessuna squadra sotto il 76% di MTRP ha avuto un record vincente — zero su nove. Sopra l’82%, nove su dieci erano vincenti. Se volete vincere, dovete diventare bravi in questo, ma non vi aiuterà a vincere da solo.
• Due metriche secondarie meritano più attenzione. SR OOS Setter Conv% (r = 0,70) e Trans In-System Conv% (r = 0,73) sono i predittori “di secondo livello” più forti. Entrambe misurano qualcosa di specifico e allenabile: la capacità della vostra squadra di segnare quando è fuori sistema sulla ricezione di battuta e di convertire in transizione. Queste metriche probabilmente meritano più tempo di allenamento e attenzione.
• Gli errori in battuta sono sopravvalutati come indicatore negativo. I dati semplicemente non supportano l’idea che gli errori in battuta siano un fattore di perdita. La battuta aggressiva, anche con i tassi di errore elevati che produce, è l’approccio vincente. Il Texas A&M ha vinto un campionato nazionale con uno dei tassi di errore in battuta più alti nella loro conference.
• Una buona ricezione batte una ricezione perfetta. Il Good Pass% supera costantemente il Perfect Pass% come predittore di vittoria. Cercate la qualità, ma non ossessionatevi con la perfezione — i maggiori guadagni derivano dalla riduzione delle ricezioni cattive e dall’evitare di subire ace, non dal rendere perfette le buone ricezioni.
• Saper ottenere un kill di transizione da una difesa conta molto. Il Dig-Set-Kill% (r = 0,83) è drammaticamente più predittivo del Dig% grezzo (r = 0,23). Allenate i vostri difensori a difendere verso il target e a dare al vostro palleggiatore la possibilità di far girare l’attacco.
• L’identità di conference è reale. L’ACC mostra pattern notevolmente diversi dalle altre tre conference in diverse metriche, in particolare l’Ace:Error Ratio (0,56 nell’ACC e 0,37 nella SEC e Big 12 contro quasi zero nella Big 10) e il Trans SD Libero Conv% (significativo ovunque eccetto nella Big 10). Qualsiasi analisi che ignori le differenze a livello di conference sta perdendo nuance importanti.

Questo è stato un piacere su cui lavorare, e sto già pensando a cosa esplorare successivamente — analisi a livello di partita, effetti di interazione tra metriche, e magari estendere il dataset per includere il gioco fuori conference. Se avete idee o domande, mi piacerebbe sentirle.

Ci vediamo in campo.
— Alex

Appendice: Tabella Completa delle Correlazioni (Tutte le Metriche)

Di seguito il confronto completo delle correlazioni per ogni metrica dello studio, suddiviso per conference e combinato. La colonna “Gruppo” mostra come le metriche sono categorizzate.

[Tabella di confronto delle correlazioni a colori — vedi dati dell’appendice sotto]

Per riferimento, ecco i valori grezzi:

Note Metodologiche

• Unità di analisi: statistiche aggregate a livello di squadra (non a livello di set o di partita)
• Misura di correlazione: r di Pearson, ogni metrica contro il Set Win %
• Metodo di aggregazione: conteggi grezzi somati in tutti i set, poi le percentuali calcolate (mai facendo la media delle percentuali)
• Soglia minima: le metriche richiedevano almeno 3 squadre non-NA per conference per calcolare una correlazione
• Strumento: pipeline di dati costruita con R, Claude Code e il package openvolley/datavolley
• Fonte dati: file di scouting delle partite DataVolley (.dvw) di tutte le partite di conference 2025 in Power 4