Dijital verinin toplanması ve saklanmasındaki gelişmeler, saklanan verilerin üstel bir şekilde büyümesine sebep olmuştur. Diğer yandan hayatın hızla elektronikleşiyor olması, internetin günlük yaşamın ayrılmaz bir parçası haline gelmesi ve teknolojinin alınabilir bir meta olarak toplum nezdinde yaygınlaşması toplanan veri artışını hızlandırmıştır.
Toplanan verilerin çeşidi her gün artmaktadır. Kısaca bir kaç örnek vermek gerekirse; kredi kartı verileri, banka kayıtları, süper market satış verileri, web sitesi kayıtları, e-posta içerikleri, güvenlik amaçlı kullanılan retina ve parmak izi verileri, meteorolojik ve jeofizik veriler ve tıbbi kayıtlar dijital veri toplamanın ve saklamanın ne kadar yaygın olduğunu göstermektedir.
Veri madenciliğinin ne olduğu konusunda evrensel bir fikir birliği yoktur, ancak en çok kesişen tanımı bir kaç kaynaktan toparlamak gerekirse; büyük miktarda verinin anlamlı örüntüler bulmak amacıyla otomatik veya yarı otomatik yöntemler ile işlenmesi olduğunu söyleyebiliriz.[1]
Veri madenciliğinin en fazla uygulama yapılan alanları tıp, biyoloji ve genetiktir. Ülkemizde sporda veri madenciliğiyle ilgili çok fazla bilimsel çalışma bulunmazken, yurtdışında bu alan oldukça gelişmiştir. Spor veri madenciliği teknikleri için oldukça uygun bir alandır. Sporcular, takımlar, müsabakalar ve sezonlarla ilgili çok fazla veri bulunmaktadır. Bu verilerin analiz edilmesiyle gelecekteki müsabakaların skorları tahmin edilebilmekte, oyunda yeni stratejiler belirlenebilmekte, sporcu, antrenör, tesis, sporcu araç gereçleri seçimlerinde bu verilerden yararlanılabilmekte, başarım değerlendirmesi, sporcu sakatlanma riskleri, bilet satış tahminleri ve analizleri yapılabilmektedir. [2]
Uygulama Alanları
Yetenek Seçimi: Yetenek seçimi genç sporcuların tespitinde çok önemlidir. Yakın zaman kadar sporcular yaptıkları branş ile çoğunlukla şans eseri tanışabiliyordu. Ailesinin yönlendirmesi, öğretmenin keşfi ile sporlar tanışan bir çok sporcu mevcuttur. Bunun yanında doğru branşla ya da herhangi bir sporla tanışamayan gençlerin sayısı oldukça fazladır.
Günümüzde ise veri madenciliği uygulamaları ile sporcuların hareketlerini, performanslarını izlemek, bunlardan çıkarımlarda bulunup sporcuyu doğru branşta yetiştirmek mümkündür.
Sportif Strateji ve Taktik: Veri madenciliği ile takımlar veya sporcular kendi güçlü yönlerini görebileceği gibi rakibinin zayıf yönlerini tespit etmeleri mümkündür. Bu şekilde elde ettiği bilgilerle müsabaka da uygulayacağı taktikler ile en iyi sonuçlar alınabilir.
Bahis Oyunları: Birçok spor branşının içerisinde bahis oyunları bulunmaktadır ve federasyonlar için büyük bir gelir kapısıdır. Müsabaka sonucu ya da içerisinde gerçekleşebilecek olaylarla ilgili tahminlere dayanan bu oyunların altında derin matematik ve veri madenciliği yatmaktadır.
Sporcu Transferi: Profesyonel branşların birçoğu sportif özelliklerin haricinde ekonomik olarak sektör haline gelmiştir. Bir sporcuyu takıma dahil etmeden önce takımdaki eksiklikleri analiz edip ihtiyaçları belirleyerek alınacak sporcu türüne karar verilebilir. Bu sporcunun öz nitelikleri geçmiş yıllardaki verileri analiz edilerek çıkartılabilir, gelecekteki performansı tahmin edilebilir, seyirci üzerindeki etkisi, forma ve bilet satışlarına yapacağı katkı dikkate alınarak sporcuya verilmesi gereken maksimum ücret hesaplanabilir.
Antrenman Planlaması: Sporcuların müsabakada gösterdikleri performans aslında yaptığı antrenmanların, takımla uyumunun ve takım stratejisinin yansımasıdır. Veri madenciliği yöntemleri kullanarak eksik yönler belirlenip güçlendirilebilir, güçlü yönler tespit edilip strateji bunun üzerine kurulabilir.
Sakatlık: Otomotiv sektöründe veri madenciliğinin kullanıldığı alanlardan birisi sürüş dinamiklerini inceleyerek yedek parça ömürleri ve araç bakım sürelerini tespit etmektir. Bu sayede kullanıcılar ekonomik anlamda epey kazanç sağlayabilmektedir. Benzer şekilde sporcuların yaptığı antrenman çeşitlerini ve mevcut durumlarını ilişkilendirerek sakatlık yaşamalarının önüne geçilebilir. Bir sporcunun 3-4 hafta sakat kalması takıma milyon dolar bazında maddi kayıp yaşatabilir, şampiyonluk kaybettirebilir.
Seyirci ve Tesis Yönetimi: Spor alanında yapılan her hareketin geleceğe yönelik etkileri olacaktır. Bu noktada doğru zamanda doğru hareketi yapmak önem kazanır. Geçmişte yapılan işler incelenip geleceğe yönelik planlama yapılırken veri madenciliğinden yararlanılabilir.
Güvenlik: Spor müsabakalarında en önemli sorunlardan birisi güvenliğin sağlanmasıdır. Güvenlik zaafının yaşanması kulüplerin ceza almasına ve prestij kaybına neden olmaktadır. Taraftarların geçmişte yaptığı davranışlar incelendiğinde onları belirli kümelere ayırmak mümkündür. Kümeleme ile oluşturulan risk grupları gelecek maçın rekabet derecesine göre stadyuma alınmayabilir. Türkiye’de bu yöntemin eksikliğinde bazı derbi maçların seyircisiz oynandığına çoğu kez şahit olduk. Oysa ki güvenlik zaafını oluşturan seyirciler tüm seyircilerle karşılaştırıldığında çok küçük yüzdelerle temsil edilmektedir. Bu küçük azınlığın sahadan uzak tutulması gerekirken seyircisiz oynanan müsabakalar hem maddi kayıplara hem de seyir zevkinin azalmasına neden olmaktadır.
Alan Tespiti: Bir spor organizasyonu ya da tesis yatırımı planlanırken o bölgede yaşayan insanların demografik özellikleri, ulaşım ve iklim koşulları, spora olan ilgileri incelenerek yatırımın ne kadar sürede faydalı hale geleceği ya da farklı bir bölgeye yapılması planlanabilir.
Uygulama Örnekleri
Baseball: Spor alanında veri madenciliği tekniklerinin tanıtılması zamanla gelişmiştir. Günümüzde ise birçok büyük organizasyon tarafından kabul görmüştür. Beyzbol geçmişten beri istatistiklerin önemli kararlar alınmasında rol oynadığı için veri madenciliğine geçiş evresinde önemli bir yere sahiptir.
2000’lerin başında, Oakland beyzbol takımının yöneticisi olan Billy Beane, takım performansını iyileştirmek için veri madenciliği tekniklerini benimsedi. Bu, art arda beş yıl boyunca playofflara veya playoff çekişmesine giren Oakland için büyük bir başarıdır. Boston Red Sox takımı ise veri madenciliği tekniklerinin benzer şekilde kullanmaya başladı ve bu 2004 ve 2007’de Dünya şampiyonasını kazanmasında büyük bir öneme sahiptir. Bu, beyzbol tarihinde böyle olağanüstü bir gelişim olarak görülür. Takım neredeyse 86 yıl boyunca tek bir dünya şampiyonluğu bile kazanmamıştı.
Beyzbolda Markov Zincirlerinden yararlanarak etkili vurucuları bulmak için simülasyonlar yapıldı. Belirli bir oyuncuya odaklanan ve geçmiş oyuncu verilerini kullanan bu simülasyon tekniğine göre, gelecekteki toplam koşulara ilişkin tahminler, koşuların frekans dağılımı analizi yapılarak yapıldı. [3]
Basketbol: Basketbol, tahmin için veri madenciliği tekniklerini yoğun olarak kullanıldığı bir diğer spordur. NBA’de bunun temelleri istatistiklerin(BBall) kayıt altına alınmasıyla başlamıştır. Günümüzde bu verilerden yararlanarak antrenörlerin, seyircilerin ve yöneticilerinin basketbolu daha iyi yorumlamasına ve ilgisinin artmasına olacak tanımıştır. Yakın geçmişte, BBall bir oyuncunun bir takıma dahil edilmesinin ve çıkarılmasının sonucunu hesaplamaya, sakatlanan bir oyuncunun nasıl bir eksiklik oluşturacağı gibi sonuçları bulmak için kullanılmıştır. [3]
Ayrıca NBA’deki maçların sonuçlarını tahmin etmek için veri madenciliği tekniklerini kullanan bir sistem bulunmaktadır. Oyun sonucunu tahmin etme problemini, Naive Bayes yönteminin kullanıldığı bir sınıflandırma problemi olarak modellenmiştir. Gerçek sonucun yanı sıra, her oyun sistemi için çok değişkenli doğrusal regresyon kullanarak yayılımı hesaplar. Sistem, 2009/2010 NBA sezonunun normal kısmından 778 oyun içeren veri setinde değerlendirildi ve kazananların maçların yaklaşık% 77’sini doğru bir şekilde tahmin etti.[4]
Futbol: Futbol alanında yapılan en büyük veri madenciliği çalışmalarından biri 2013-2016 İngiltere Premier Lig sezonlarını kapsayan ve toplamda 1140 maçtan oluşmaktadır. Karar Ağaçları, Yapay Sinir Ağları, Bayesian Ağlar ve En Yakın Komşular yöntemleri kullanılmıştır.
Veri setlerinde koşulan mesafe, rakip durumu, faul ve kart analizi, faulün yapıldığı oyuncu, sakatlıklar, pas, şut, orta isabetleri, sporcuların kişisel özellikleri, iç saha-deplasman durumu, korner, frikik sayıları gibi veriler bulunmaktadır.[7]
Tüm yöntemler karşılaştırıldığında Grup Veri İşleme Yöntemi (GMDH) tarafından üretilen Yapay Sinir Ağları tekniğini kullanan sonuçlar, 2014-2015 ve 2015-2016 sezonu için 380 maç boyunca% 100 doğrulukla çalışmıştır. Bununla birlikte, üç sezon ortalama doğruluğu dikkate alındığından, teknik hala en iyisi olarak gösterilemez. Üç sezon ortalamasında Karar Ağaçları ve Sinir Ağları ile yüksek doğruluk yüzdeleri yakalanmıştır. Bayesian Ağlar ve K-En Yakın Komşular yöntemlerinin doğruluğu tatmin edici değildir. (Tablo 1)
Kriket: Kriket, veri açısından çok zengin bir başka spordur. İstatistikler temelinde toplanan veriler, bir oyuncunun takımda tutulmasıyla o oyuncunun gönderilmesi sonuçlarını karşılaştırılarak takım performansını modellemek için kullanılıyor. Yeni elde edilen sonuçlar, bir oyuncunun kar veya zarar olup olmadığına ve yeni bir oyuncunun takıma dahil edilmeye değer olup olmadığına karar verirken yararlanılıyor.
Kriket verileri maçlar için incelendiğinde, sol ve sağ elini kullanan topa vuran oyuncuların bir kombinasyonunun galibiyete katkı sağladığı görülmüştür. Kazanmaya büyük katkı sağlayan bir diğer kriter de yüksek pas oranıdır. Bu faktörler, bir takımın büyük bir turnuvada başka bir takıma karşı ne kadar iyi performans göstereceğini tahmin etmek için de kullanılabilir. Bu nedenle, veri madenciliğinin bir kriket maçı sonucunu tahmin etmede oldukça etkili olduğu kanıtlanmıştır.[3]
Paradoks
Veri madenciliği rakip analizi, kadro seçimi ve taktik gibi önemli unsurların analizine imkan vermekte ve antrenörün bu tercihleri yaparken karar değiştirmesinde büyük rol oynayabilir. Bu karar değişikliği maç sonucuna etki edebilir ve sonuç tahminlerinde kullanılan veri madenciliği uygulamalarını yanıltabilir. Bu durumda veri madenciliği kendi kendini yanıltmış mıdır ?
Böyle bir sorunda geçmiş veriler haricinde dinamik verilerin kullanılması çözüm olabilir mi ?
Kaynakça
- https://blog.euromsg.com/data-mining-veri-madenciligi-nedir/
- https://www.researchgate.net/publication/329325042_Veri_Madenciligi_ve_Spor_Alanindaki_Uygulamalari_-_Data_Mining_and_Its_Applications_in_Sports
- https://www.ukessays.com/essays/psychology/data-mining-in-sports-in-the-past-few-years-psychology-essay.php
- https://www.researchgate.net/publication/261501109_The_use_of_data_mining_for_basketball_matches_outcomes_prediction
- http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.867.8080&rep=rep1&type=pdf
- https://iopscience.iop.org/article/10.1088/1742-6596/1020/1/012003/pdf
- http://www.football-data.co.uk/
Henüz yorum yok