Devi chiudere i punti per vincere il torneo
Traduzione dell’articolo presente su https://alexsimons947623.substack.com/p/terminating-matters-more-in-december
ALEX SIMONS — 23 MAR 2026
Ciao a tutti! Ero davvero entusiasta di scrivere questo articolo. Il campionato NCAA Division I femminile 2025 è stato uno dei tornei più avvincenti che ricordi: la corsa da “Cenerentola” di Cal Poly, squadra della Big West, fino agli Sweet 16; Kentucky arrivata fino alla finale; Nebraska, la squadra che tutti si aspettavano vincesse, eliminata nei quarti di finale; e Texas A&M capace di compiere una corsa incredibile fino alla conquista del titolo nazionale.
Per chi è nuovo, nel mio primo articolo ho analizzato 630 partite della stagione regolare nelle quattro principali conference, cercando di capire quali metriche fossero maggiormente correlate alla vittoria. Side-Out%, Attack Efficiency%, Point Scoring% e Dig-Set-Kill% erano in cima alla lista. Avevo inoltre osservato che la MTRP% funziona come una sorta di “porta d’ingresso”, mentre la Transition In-System Conversion% emergeva come un fattore distintivo ancora poco considerato.
Ora ho applicato la mia pipeline di analisi dei dati a una nuova domanda:
Le stesse cose che fanno vincere nella stagione regolare sono decisive anche nel torneo NCAA?
Una precisazione metodologica: per questo articolo ho ampliato il riferimento stagionale, passando dalle 66 squadre delle quattro principali conference analizzate nel primo articolo a tutte le partite NCAA Division I disputate dalle 349 squadre. In questo modo otteniamo un quadro più completo delle differenze tra torneo e panorama generale. Per questo motivo, i valori delle correlazioni stagionali presenti in questo articolo non coincidono esattamente con quelli del primo.
Il dataset
Per questa analisi ho elaborato tutte le 63 partite del campionato NCAA 2025, dal primo turno fino alla finale del 21 dicembre.
Ai fini dell’analisi ho però escluso le squadre eliminate al primo turno, cioè quelle che hanno disputato una sola partita. La loro inclusione rendeva i dati troppo rumorosi. L’analisi si concentra quindi sulle 32 squadre che hanno vinto almeno una partita del torneo, ottenendo così un quadro più affidabile di ciò che ha separato le squadre durante l’avanzamento nella competizione.
Per la baseline stagionale di ogni squadra ho utilizzato tutti i dati della stagione regolare 2025, compresi preseason, partite non di conference e partite di conference. Questo fornisce il quadro più completo possibile dell’identità di ciascuna squadra prima dell’ingresso nel tabellone NCAA.
Stesse metriche, importanza diversa
Partiamo dall’ovvio. Side-Out% e Point Scoring% rimangono fortemente correlate con la vittoria nel torneo, rispettivamente con (r = 0{,}72) e (r = 0{,}59), entrambe con (p < 0{,}001). Non è sorprendente: se una squadra vince una percentuale maggiore di punti in cambio palla e di punti in fase di servizio-difesa, vince più set.
La domanda più interessante riguarda invece le metriche più specifiche legate alla catena dei contatti e alle singole abilità tecniche. Quali sono diventate più importanti nel torneo e quali hanno perso peso?
Le righe verdi sono statisticamente significative nel torneo (p < 0,05). I primi cinque sono tutti p < 0,001.
La capacità di chiudere i punti è fondamentale nel torneo
Kill% è salita dal quinto al primo posto. Dig-Set-Kill% è passata dal quarto al terzo, mentre Trans In-System Conversion% è salita dal settimo al sesto. Point Scoring%, invece, è scesa dal terzo al quinto posto.
Questa riorganizzazione della classifica ci dice qualcosa di importante. Kill%, Dig-Set-Kill% e Trans In-System Conversion% sono metriche diverse, ma tutte collegate alla capacità della squadra di chiudere il punto.
Durante la stagione regolare, metriche di risultato più generali come Side-Out% e Point Scoring% tendono a essere i predittori più forti, perché il divario di talento offre più modi per vincere un punto. Si può vincere grazie agli errori avversari, alle serie al servizio, agli scambi lunghi o ai punti difensivi.
Nel torneo, però, quando ogni avversaria è competitiva, queste metriche generali diventano meno utili per distinguere le squadre. Il margine si riduce e la capacità di terminare l’azione, cioè di mettere effettivamente la palla a terra, diventa il fattore maggiormente distintivo.
Nel frattempo, la capacità predittiva della Point Scoring% è diminuita sensibilmente. Anche questo ha senso. Quando tutte le squadre del torneo sono in grado di ricevere e attaccare a un livello elevato, la variabilità dei risultati difensivi — ace, muri, difese trasformate in contrattacchi vincenti — si riduce. C’è meno spazio perché servizio o muro separino una squadra dalle altre.
Lo stesso fenomeno emerge negli approfondimenti sulle singole squadre. La Transition In-System Conversion% di Wisconsin è aumentata di quasi dieci punti. La Kill% di Pittsburgh è cresciuta in modo significativo. Le squadre arrivate più lontano sono state quelle i cui attaccanti hanno trovato una marcia in più.
Indicazione per gli allenatori: Kill%, Dig-Set-Kill% e Trans In-System Conversion% sembrano avere un peso ancora maggiore nella postseason rispetto alla stagione regolare. Se state preparando una squadra al torneo NCAA, vale la pena investire nello sviluppo dell’attacco di transizione, cioè nella capacità di trasformare una difesa in un attacco vincente.
Alcuni cambiamenti sono significativi, altri no
Non tutte le correlazioni sono cambiate della stessa quantità, e ho testato per verificare quali di queste fossero statisticamente significative usando un test di trasformazione z di Fisher. I risultati dipingono un quadro chiaro:
Il quadro è chiaro: tutti i valori di (r) sono diminuiti, soprattutto a causa della dimensione più ridotta del campione, ma solo alcune diminuzioni sono risultate statisticamente significative.
Kill%, legata alla capacità di chiudere gli attacchi; Dig-Set-Kill%, con (p = 0{,}067), quindi al limite; Trans In-System Conversion%; e Block Impact%, che misura la capacità di impedire agli avversari di chiudere l’azione, sono diminuite leggermente, ma senza variazioni significative.
Al contrario, le metriche che hanno subito variazioni più ampie e statisticamente significative — Side-Out%, Attack Efficiency%, Point Scoring%, FBSO% e MTRP% — sono meno direttamente legate alla capacità di chiudere il punto o di impedire all’avversario di farlo.
Questo conferma che il rimescolamento della classifica non è casuale. La capacità di mettere la palla a terra, soprattutto in transizione, e quella di impedire all’avversario di chiudere l’azione per poi trasformare la difesa in un punto, sono relativamente più distintive nel torneo rispetto alla stagione regolare.
Perché Kill% ha superato Attack Efficiency%
Uno dei risultati più interessanti è nascosto proprio in questa tabella. Kill% ha raggiunto (r = 0{,}75), mentre Attack Efficiency% si è fermata a (r = 0{,}67). Le due metriche sono strettamente correlate.
Kill% è calcolata come:
Kill% è punti effettuati divisi per attacchi totali.
Attack Efficiency% è invece:
L’efficienza dell’attacco% è uccide meno gli errori divisi per gli attacchi totali.
L’unica differenza è quindi la componente degli errori.
Durante la stagione regolare, il tasso di errore in attacco è un predittore significativo della vittoria, con (r = -0{,}64) e (p < 0{,}001). Le squadre più deboli commettono più errori, mentre quelle migliori ne commettono meno. La relazione è abbastanza stabile da rendere utile sottrarre gli errori alle uccise: per questo AtkEff% superava Kill% durante la stagione, con valori rispettivamente di 0,87 e 0,82.
Nel torneo la situazione si è rovesciata. Il tasso di errore in attacco è sceso a (r = -0{,}34), con (p = 0{,}057). La correlazione non solo si è indebolita, ma è passata da altamente significativa a semplicemente indicativa.
In sostanza, l’errore ha smesso di distinguere le squadre vincenti da quelle perdenti. Quando si sottrae dal segnale pulito della Kill% una componente che ormai si comporta quasi come rumore, il risultato peggiora. È esattamente ciò che è accaduto: Attack Efficiency% ha ereditato la capacità predittiva della Kill%, ma è stata indebolita dalla componente degli errori, scendendo per la prima volta sotto Kill%.
Ho approfondito ulteriormente il fenomeno. Dopo aver controllato per la Kill%, la correlazione parziale tra tasso di errore e vittoria diventa positiva nel torneo: (+0{,}18), contro (-0{,}53) nella stagione regolare.
Questo significa che, tra squadre con tassi di uccisione simili, quelle che commettevano leggermente più errori tendevano a vincere di più. Il risultato è coerente con l’idea che un gioco aggressivo venga premiato. Nelle partite a eliminazione diretta, le squadre che attaccano con decisione e accettano alcuni errori sembrano avere la meglio, perché le uccise aggiuntive valgono più degli errori che comportano.
Ho anche verificato se il fenomeno potesse dipendere dal miglioramento del muro avversario. In fondo, affrontare muratori più forti potrebbe aumentare gli errori d’attacco senza che questi siano realmente imputabili alla squadra attaccante.
I dati escludono questa spiegazione: il tasso di errori causati dal muro avversario è quasi identico nel torneo e nella stagione regolare, rispettivamente 7,0% e 6,9%. Inoltre, affrontare muri migliori non è correlato a un aumento degli errori nel torneo: (r = 0{,}09), (p = 0{,}61).
La rimozione degli errori indotti dal muro non migliora nemmeno la capacità predittiva di Attack Efficiency%.
E non è nemmeno vero che tutte le squadre del torneo abbiano percentuali di errore simili. La deviazione standard del tasso di errore in attacco è addirittura più alta nel torneo: 2,1% contro 1,4% nella stagione regolare. Esiste quindi una variabilità sufficiente, ma questa non predice più chi vince.
Le squadre che commettono più errori non sono necessariamente quelle che perdono. Sono squadre che attaccano in modo aggressivo, e questa aggressività si traduce in più uccise.
Indicazione per gli allenatori
I dati suggeriscono che l’attacco aggressivo viene premiato nelle partite a eliminazione diretta. Kill% è più importante di Attack Efficiency% perché la componente degli errori smette di distinguere le squadre vincenti da quelle perdenti. In preparazione alla postseason, potrebbe quindi essere preferibile incoraggiare gli attaccanti a colpire con aggressività invece di giocare in modo eccessivamente prudente.
Una buona ricezione conta meno
Uno dei cali più sorprendenti riguarda Good Pass%. Nella stagione regolare aveva una correlazione di (r = 0{,}59), con (p < 0{,}001). Nel torneo è scesa a (r = 0{,}27), con (p = 0{,}134).
La prima spiegazione potrebbe essere una compressione dei valori: tutte le squadre del torneo ricevono allo stesso modo e quindi non ci sono più differenze utili a distinguere le vincitrici. Ma non è ciò che è accaduto.
La deviazione standard di Good Pass% è addirittura leggermente più alta nel torneo, 5,8 contro 5,0, e l’intervallo dei valori è quasi identico. Esiste ancora molta variabilità. Semplicemente, la ricezione positiva ha smesso di predire quale squadra avrebbe vinto.
Il vero punto è che, a livello d’élite, si indebolisce il collegamento tra una buona ricezione e la capacità di chiudere l’attacco.
Durante la stagione regolare, le squadre che ricevono bene sono anche quelle che attaccano bene. Esiste una catena evidente: ricezione positiva, palla in sistema, alzata di qualità, attacco vincente.
Nel torneo, però, questa catena diventa molto più debole. Good Pass% è risultata sostanzialmente non correlata con Kill% ((r = 0{,}03)), MTRP% ((r = 0{,}15)) e Side-Out% ((r = 0{,}07)).
Questo è comprensibile. Ogni squadra del torneo riceve a un livello adeguato. La media di Good Pass% è addirittura più alta nel torneo: 52,2% contro 45,7% considerando tutta la NCAA Division I.
Il vantaggio competitivo si sposta quindi su ciò che la squadra riesce a fare con quella ricezione. Due squadre possono entrambe ricevere il 55% di palloni in modo positivo, ma quella i cui attaccanti riescono a chiudere contro un muro di livello tornerà a vincere.
Ricevere bene permette di sedersi al tavolo. Chiudere l’attacco permette di vincere la mano.
Indicazione per gli allenatori
Nel torneo, una buona ricezione sembra essere più una condizione necessaria che un vero vantaggio competitivo. Tutte le squadre di questo livello sanno ricevere. Il fattore distintivo è ciò che gli attaccanti riescono a fare con quei palloni.
In preparazione alla postseason, questo suggerisce di investire maggiormente nel miglioramento dell’esecuzione d’attacco piuttosto che concentrarsi esclusivamente sul miglioramento della ricezione.
Perché tutte le correlazioni sono diminuite?
Ogni correlazione è diminuita rispetto alla stagione regolare, alcune in modo significativo. Questo non significa che le metriche abbiano smesso improvvisamente di essere importanti.
Ci sono due fenomeni principali:
- Campione più piccolo: con 32 squadre invece di 349, la capacità predittiva è inevitabilmente più bassa. Le relazioni statistiche hanno bisogno di una quantità maggiore di dati per emergere con chiarezza.
- Talento più uniforme: durante la stagione regolare Nebraska può affrontare squadre con una percentuale di set vinti del 91% e squadre con una percentuale del 17%. In questa analisi, invece, tutte le squadre hanno raggiunto il torneo e vinto almeno una partita. Quando il livello medio si uniforma, le correlazioni si comprimono perché c’è meno variabilità da sfruttare.
Il fatto che le correlazioni rimangano altamente significative — con (p < 0{,}001) per le prime cinque metriche — conferma che questi indicatori contano davvero. Non sono semplicemente il risultato della presenza di squadre molto deboli che abbassano i valori medi.
Gli errori al servizio non fanno ancora la differenza
Prima dell’analisi mi aspettavo che gli errori al servizio contassero ancora meno nel torneo rispetto alla stagione regolare.
Nella stagione regolare Serve Error% è un predittore debole della vittoria: (r = -0{,}12), con (p = 0{,}024). È statisticamente significativa grazie alle 349 squadre analizzate, ma non ha una grande rilevanza pratica.
Nel torneo la correlazione è simile: (r = -0{,}22), con (p = 0{,}220), quindi non statisticamente significativa. Gli errori al servizio non distinguono in modo utile le squadre vincenti da quelle perdenti.
Il risultato è coerente con quanto emerso dall’intera analisi. Le metriche più importanti nel torneo sono quelle collegate alla capacità di chiudere la palla e di impedire all’avversario di farlo.
Gli errori al servizio sono un costo del gioco aggressivo, non il fattore decisivo.
Indicazione per gli allenatori
I dati non mostrano una penalizzazione significativa per gli errori al servizio. Serve Error% è al massimo un predittore debole, con (r = -0{,}12) considerando tutta la NCAA Division I. Se la vostra squadra durante la stagione utilizza un servizio aggressivo, non c’è motivo di abbandonarlo nella postseason.
Il quadro generale: stagione contro torneo
Clicca qui per vedere il set di dati completo con i valori della stagione e del torneo
Ho realizzato una tabella comparativa che mostra come le metriche di ogni squadra nel torneo si siano confrontate con le rispettive baseline stagionali. Le celle verdi indicano un miglioramento nel torneo, mentre quelle rosse indicano un calo. Più intenso è il colore, maggiore è la variazione.
Emergono alcuni aspetti interessanti.
Quasi tutte le squadre hanno visto diminuire la propria percentuale di set vinti. È logico: nella stagione regolare si affronta l’intera gamma dei livelli competitivi, mentre nel torneo ogni partita è contro un’avversaria di alto livello.
Le squadre arrivate più lontano hanno generalmente mantenuto o migliorato le proprie metriche d’attacco. Wisconsin, Pittsburgh e Texas hanno aumentato sia Kill% sia Attack Efficiency% nel torneo. Sono riuscite a elevare il proprio livello quando la competizione è diventata più difficile, anche se vincere i set era più complicato.
MTRP% è cambiata pochissimo per la maggior parte delle squadre. Il concetto della “porta d’ingresso” individuato nella prima analisi rimane valido: le squadre capaci di creare opportunità di primo attacco di qualità durante la stagione hanno continuato a farlo nel torneo.
È un’abilità stabile e ripetibile, esattamente ciò che si desidera in un contesto ad alta pressione.
Kentucky: la finalista che ha continuato a giocare il proprio gioco
Kentucky è arrivata fino alla finale e, osservando i suoi numeri, la cosa più evidente è quanto poco sia cambiato rispetto alla stagione regolare.
La Kill% non è cambiata. La MTRP% non è cambiata. La Block Impact% non è cambiata. Il dato che si è modificato è la FBSO%, aumentata di 3,8 punti: Kentucky ha quindi chiuso una percentuale maggiore di primi attacchi rispetto alla stagione regolare.
Questo ha permesso alla squadra di mantenere una Side-Out% d’élite del 68,3%, la terza migliore del torneo a pari merito, anche se la sua efficienza complessiva in attacco è leggermente diminuita.
Il calo di 7,9 punti nella percentuale di set vinti è spiegato quasi interamente dalla qualità delle avversarie. Kentucky non è peggiorata: ha giocato 21 set in sei partite, tutte contro squadre di livello torneo, vincendone comunque il 71,4%. È stata la sesta miglior percentuale dell’intera competizione.
Il percorso racconta bene la storia: Wofford, UCLA, Cal Poly, Colorado e Wisconsin prima della finale contro Texas A&M. Cinque vittorie giocando sostanzialmente come durante tutta la stagione.
A volte la strategia migliore nel torneo è semplicemente continuare a essere molto bravi con la propria identità.
C’è però un aspetto interessante. Osservando dove Kentucky è migliorata e confrontando questi dati con le metriche che nel torneo risultano più importanti, emerge una certa contraddizione.
I miglioramenti maggiori sono arrivati nelle metriche di conversione della ricezione — SR OOS Setter Conv%, SR In-System Conv% e FBSO% — che si trovano nella metà inferiore della classifica dei predittori del torneo.
Al contrario, Kentucky è peggiorata in Dig-Set-Kill% e Trans In-System Conversion%, cioè nelle metriche di transizione che questa analisi identifica come maggiormente distintive.
Kentucky è migliorata nel cambio palla, ma non nel gioco di transizione che separa maggiormente le squadre nel torneo. Non possiamo dirlo con certezza, ma i dati fanno nascere una domanda: se Kentucky avesse elevato la propria transizione come ha fatto Wisconsin, la finale avrebbe avuto un esito diverso?
Indicazione per gli allenatori
La corsa di Kentucky è un caso di studio sulla continuità, ma anche un monito. La continuità l’ha portata in finale, ma le metriche più importanti nel torneo — Kill%, Dig-Set-Kill% e Trans In-System Conversion% — sono proprio quelle che non sono migliorate.
In preparazione alla postseason, mantenere la propria identità è importante. Tuttavia, trovare il modo di elevare il gioco di transizione potrebbe essere ciò che separa una finalista da una campionessa.
Riflettori puntati: Texas A&M, il campione (anteprima)
Non approfondirò qui il percorso di Texas A&M, perché merita un articolo dedicato. Ma posso anticipare alcuni elementi.
A prima vista, la corsa al titolo di Texas A&M appare poco spettacolare. La Kill% è rimasta sostanzialmente invariata. La percentuale di set vinti è cambiata pochissimo.
Ma osservando dove la squadra è migliorata e confrontandola con Kentucky, emerge una differenza molto interessante.
Texas A&M è quasi lo specchio opposto di Kentucky. Kentucky è migliorata nelle metriche di ricezione meno importanti — FBSO%, SR OOS Setter Conv% e SR In-System Conv% — ma è peggiorata nelle metriche di transizione.
Texas A&M ha fatto il contrario: ha migliorato Dig-Set-Kill% di 2,8 punti e Trans In-System Conversion% di 4,3 punti, cioè proprio le metriche di transizione che l’analisi identifica come maggiormente distintive nel torneo. Le sue metriche di conversione della ricezione, invece, sono diminuite.
Entrambe le squadre sono state costanti. Entrambe sono arrivate lontano. Ma i miglioramenti di Texas A&M si sono verificati esattamente nelle aree che contano di più nel torneo, e la squadra ha vinto il campionato.
Kentucky ha migliorato soprattutto le aree meno predittive e si è fermata a una partita dal titolo.
Wisconsin: il picco al momento giusto
Il percorso di Wisconsin verso la Final Four è una delle storie più interessanti contenute nei dati. E ha un nome: Charlie Fuerbringer.
Osservando i miglioramenti di Wisconsin, si nota che Kill% è aumentata di 3,8 punti, Dig-Set-Kill% di 5,6 punti, Attack Efficiency% di 4,5 punti e Trans In-System Conversion% di 9,1 punti.
Sono le quattro metriche maggiormente correlate con la vittoria nel torneo e Wisconsin è migliorata in tutte.
Questo è ciò che significa raggiungere il picco di forma al momento giusto.
Il retroscena riguarda la palleggiatrice titolare di Wisconsin, Charlie Fuerbringer, numero 24. Si è infortunata durante la partita contro Michigan del 5 ottobre e ha saltato nove partite consecutive, dal 10 ottobre al 6 novembre.
In quel periodo Wisconsin ha ottenuto un bilancio di 13-9 nei set, mentre le proprie metriche d’attacco sono diminuite sensibilmente. La Kill% media è scesa al 39,2% e Attack Efficiency% al 32,9%.
Fuerbringer è rientrata il 9 novembre contro Indiana. Da quel momento, Wisconsin ha chiuso la stagione regolare con un bilancio di 21-1 nei set.
Kill% è salita al 46,0%, Attack Efficiency% al 39,2% e Side-Out% al 71,1%.
La crescita di fine stagione è proseguita nel torneo, dove i numeri di Wisconsin sono aumentati ulteriormente. La Trans In-System Conversion% nel torneo ha raggiunto il 54,2%, quasi dieci punti sopra la media stagionale.
Si tratta di una squadra capace di trasformare le difese in uccise con un’efficienza straordinaria.
Il torneo di Wisconsin si è concluso in semifinale con la sconfitta contro Kentucky, ma i dati raccontano la storia di una squadra che, dopo il ritorno della propria palleggiatrice, ha trovato una marcia in più e non si è più fermata.
A differenza di Kentucky, i miglioramenti di Wisconsin sono arrivati proprio nelle metriche che contano di più nel torneo: chiusura dell’attacco e transizione offensiva.
Indicazione per gli allenatori
Wisconsin ricorda quanto una palleggiatrice possa trasformare un sistema offensivo. Le attaccanti e il sistema erano gli stessi, ma un distributore diverso ha prodotto risultati significativamente differenti.
Se la vostra squadra fatica a mettere la palla a terra, è importante prestare grande attenzione al ruolo della palleggiatrice nel rendere più efficace l’attacco.
Pittsburgh: la macchina offensiva della Final Four
La corsa di Pittsburgh verso la Final Four è stata alimentata da un solo elemento: le sue attaccanti hanno trovato un livello superiore.
Un aumento di 5,0 punti in Attack Efficiency% e di 4,0 punti in Kill% contro avversarie di livello torneo è un risultato notevole.
L’aspetto interessante è che Good Pass% è addirittura diminuita di 4,4 punti e anche Point Scoring% è calata.
Pittsburgh non ha ricevuto meglio nel torneo. Ha semplicemente chiuso meglio. Quando ha avuto un’opportunità d’attacco, ha messo la palla a terra con maggiore frequenza, compensando condizioni di ricezione più difficili.
La percentuale di set vinti è cambiata pochissimo, passando dal 75,8% al 75,0%. Questo significa che Pittsburgh era sostanzialmente una squadra dello stesso livello durante il torneo e la stagione regolare.
È cambiato soprattutto il modo di vincere: meno attraverso il servizio e i punti difensivi, più grazie alla pura qualità dell’esecuzione offensiva.
Indicazione per gli allenatori
Pittsburgh dimostra che, quando l’attacco è di livello elevato — e possibilmente in crescita — una squadra può compensare il peggioramento di alcune aree meno importanti.
La ricezione è peggiorata e Point Scoring% è diminuita, ma il miglioramento di Kill% e Attack Efficiency% ha compensato ampiamente queste difficoltà.
Nebraska: la regina che è caduta prima del previsto
Il dato più controintuitivo dell’intero torneo riguarda Nebraska.
La squadra ha avuto la percentuale di set vinti più alta di tutte le partecipanti, pari al 78,6%, ma non è andata oltre i quarti di finale.
A prima vista, il calo di 12,4 punti nella percentuale di set vinti sembra enorme. Osservando però le singole metriche, i cambiamenti sono sorprendentemente contenuti.
Kill% è diminuita di meno di un punto. MTRP% è cambiata pochissimo. DSK% è addirittura leggermente aumentata.
Nebraska non è crollata. Secondo i numeri, era ancora la squadra migliore del torneo.
La vera storia riguarda ciò che accade quando una squadra storicamente dominante affronta in ogni turno avversarie di livello torneo.
Nebraska aveva chiuso la stagione della Big Ten con un record di 60-1 nei set, mentre il bilancio complessivo stagionale era stato di 101-10. Un dominio di questo tipo non è sostenibile quando ogni avversaria è una qualificata al torneo.
Il “declino” al 78,6% non indica tanto che Nebraska sia peggiorata, quanto che il livello delle avversarie è aumentato.
Eppure il 78,6% era ancora la percentuale migliore dell’intero torneo: superiore a quella della campionessa Texas A&M, ferma al 78,3%, e a quella di tutte le squadre della Final Four.
La prestazione apparentemente deludente di Nebraska era comunque migliore della prestazione positiva di quasi tutte le altre squadre.
La sua sconfitta contro Texas A&M nei quarti di finale è arrivata contro la squadra che avrebbe poi vinto il titolo.
Indicazione per gli allenatori
Nebraska ha affrontato molte squadre forti durante la stagione nella Big Ten, ma la parte finale del calendario comprendeva anche avversarie meno competitive.
Squadre come Texas A&M, Kentucky e Texas, invece, hanno partecipato alla SEC Tournament, affrontando molte delle migliori formazioni del Paese e arrivando al torneo NCAA già abituate alla pressione e alla competizione di alto livello.
Sarà interessante vedere cosa accadrà nella stagione successiva, quando anche la Big Ten organizzerà per la prima volta un torneo di conference e Nebraska potrà beneficiare dello stesso tipo di preparazione agonistica di fine stagione.
Texas: la MTRP% come porta d’ingresso
Texas è una delle storie più interessanti dell’analisi.
La squadra è migliorata leggermente in quasi tutte le categorie, un risultato notevole considerando il livello delle avversarie. Ha battuto Florida Atlantic, Penn State e Indiana prima di essere eliminata da Wisconsin nei quarti di finale.
L’unico miglioramento davvero rilevante è stato quello della MTRP%, salita dall’83,9% all’88,2%, la seconda percentuale più alta del torneo dopo quella di Indiana.
Questo significa che quasi nove ricezioni su dieci hanno prodotto un’opportunità di primo attacco di qualità.
Ma il punto è il seguente: MTRP% è una metrica “porta d’ingresso”. Una volta superata la soglia di circa l’82%, ulteriori miglioramenti non producono necessariamente un grande ritorno in termini di vittorie nei set.
Texas era già molto sopra quella soglia durante la stagione regolare, con l’83,9%. Salire all’88,2% significava creare ancora più occasioni d’attacco, ma quelle occasioni dovevano comunque essere chiuse.
Kill% e Dig-Set-Kill% di Texas sono cambiate pochissimo.
Indicazione per gli allenatori
La storia di Texas illustra bene il concetto di MTRP% come “porta” e non come scala lineare.
Passare dall’84% all’88% sembra impressionante, ma, una volta superata la soglia, non produce necessariamente un miglioramento proporzionale nelle metriche più importanti.
Texas ha aumentato il numero di occasioni di primo attacco dopo la ricezione, ma questo non ha prodotto un grande incremento nella percentuale di set vinti.
Minnesota: la squadra trasformata dal torneo
La corsa di Minnesota potrebbe rappresentare il miglioramento di prestazione più impressionante dell’intero dataset.
Le sue metriche di base sono migliorate in tutte le aree e la squadra ha raggiunto gli Sweet 16.
MTRP% è aumentata di 7,7 punti. Dig-Set-Kill% è salita di 6,0 punti. Attack Efficiency% è migliorata di 5,5 punti. Trans In-System Conversion% è cresciuta di 8,4 punti.
Ogni metrica fondamentale è migliorata in modo significativo.
Durante la stagione regolare, la MTRP% di Minnesota era del 78,1%, proprio intorno alla soglia che nella mia prima analisi identificava la zona in cui le squadre avevano una probabilità pressoché del 50% di chiudere con un record vincente.
Nel torneo Minnesota è salita all’85,8%, un valore che l’avrebbe collocata tra le squadre d’élite in qualsiasi dataset di stagione regolare.
Con la cautela necessaria, visto che Minnesota ha giocato soltanto tre partite, i dati suggeriscono che l’esecuzione del primo attacco abbia raggiunto un livello superiore.
La squadra ha ricevuto meglio, ha creato più opportunità d’attacco, ha chiuso con maggiore frequenza e ha convertito le difese in uccise in modo molto più efficace.
Non sappiamo quanto il risultato dipenda da una squadra arrivata al massimo della forma, da un tabellone favorevole o da entrambe le cose. Il risultato, tuttavia, è notevole.
Indicazione per gli allenatori
Minnesota dimostra che una squadra può elevare davvero il proprio livello nel torneo e giocare molto meglio delle aspettative.
Qualunque cosa Keegan Cook abbia fatto con questa squadra per ottenere una trasformazione simile, dovrebbe imbottigliarla e venderla!
Indicazioni conclusive per gli allenatori
I dati del torneo confermano in gran parte i risultati dell’analisi sulla stagione regolare, ma mettono in evidenza alcune caratteristiche specifiche della postseason.
- Le stesse metriche predicono la vittoria, ma cambia la loro importanza. Kill% e Dig-Set-Kill% salgono in cima alla classifica, mentre Point Scoring% perde peso. La capacità di chiudere, soprattutto in transizione, diventa il fattore distintivo quando il divario di talento si riduce.
- L’attacco aggressivo viene premiato. Kill% supera Attack Efficiency% per la prima volta perché il tasso di errore smette di distinguere le squadre vincenti da quelle perdenti. Le squadre che attaccano con decisione e accettano alcuni errori tendono a ottenere risultati migliori.
- Le squadre arrivate più lontano migliorano nelle metriche più importanti. Wisconsin e Pittsburgh aumentano sensibilmente Kill% e Attack Efficiency%. Texas A&M eleva il gioco di transizione, soprattutto Dig-Set-Kill% e Trans In-System Conversion%. Kentucky rappresenta l’eccezione: i suoi miglioramenti sono arrivati nelle metriche di ricezione meno predittive e la squadra si è fermata a una partita dal titolo.
- La soglia MTRP% resta valida, ma è una porta, non una scala. Texas mostra che, una volta superato il livello dell’82% circa, ulteriori miglioramenti nella MTRP% non producono necessariamente grandi vantaggi. Minnesota, invece, è passata dal 78% all’86%, superando una soglia che probabilmente ha avuto un impatto molto più significativo. La ricezione permette di entrare nella stanza; la capacità di chiudere separa le squadre.
- La continuità potrebbe essere la qualità decisiva per vincere il titolo. Texas A&M e Kentucky, le due finaliste, hanno mostrato le variazioni più ridotte tra stagione regolare e torneo. Non avevano bisogno di diventare squadre diverse: dovevano semplicemente continuare a essere sé stesse.
Conclusioni
I dati del torneo NCAA 2025 raccontano una storia rassicurante, ma anche ricca di sfumature.
Le stesse metriche fondamentali che predicono il successo nella stagione regolare predicono anche il successo nel torneo. Tuttavia, il loro peso relativo cambia: Kill%, Dig-Set-Kill% e Trans In-System Conversion% diventano più importanti, mentre metriche generali come Point Scoring% perdono capacità distintiva.
Questo indica che, quando il livello della competizione aumenta, la capacità di chiudere il punto — soprattutto in transizione — diventa l’abilità più importante.
I dati suggeriscono inoltre che l’aggressività viene premiata. Il tasso di errore smette di distinguere le squadre a livello d’élite e Kill% supera Attack Efficiency% per la prima volta.
Il torneo, però, mostra anche caratteristiche proprie. Le correlazioni si comprimono perché il livello delle squadre è più uniforme. Le storie delle singole formazioni dimostrano inoltre che le metriche aggregate spiegano soltanto una parte della realtà.
La trasformazione di Minnesota, il paradosso del dominio di Nebraska, il picco raggiunto da Wisconsin nel momento giusto e la continuità di Kentucky ricordano che la pallavolo è giocata da persone, non da fogli di calcolo.
Come sempre, mi piacerebbe conoscere la vostra opinione. Quali squadre o metriche vi hanno sorpreso? Su cosa dovrei concentrarmi nella prossima analisi?
Ci vediamo in campo.
Alex
Appendice
Tabella completa delle correlazioni del torneo.
