NBA takımları mükemmel takımı geliştirmek için veri bilimini kullanıyor
Bir inek, lise basketbol takımının kaptanı tarafından dolabına itildiğinde, ikisinin de bir gün meslektaş olacaklarını düşünmesi pek olası değildir. Ancak inekler, yeni teknoloji ve veri bilimi sayesinde bu sporcuların NBA şampiyonluklarını kazanmalarına yardımcı oldular. "Moneyball" çok gerçek ve hem NBA'i hem de üretimi değiştiriyor.
NBA takımları yeni teknolojileri ve veri bilimini nasıl kullanıyor?
Phoenix Suns 2020 yılında, belirli oyunlar sırasında topun hareketi ve oyuncu hareketlerinde yorgunluğa işaret eden değişiklikler de dahil olmak üzere tüm verileri izlemek için 150 kamera, hub ve sensörlerle donatılmış 45 milyon dolarlık, 53.000 metrekarelik bir antrenman merkezi açtı. NBA takımları oyuncularının performansını artırmak için sürekli yeni yollar arıyor ve bu rekabetçi dürtü onları daha önce hiç olmadığı kadar bilgi toplayan yeni teknolojilere yönlendirdi.
2013 yılı civarında, birkaç NBA takımı oyuncu ve top hareketlerini takip etmek ve daha karmaşık veriler toplamak için kameralar kullanmaya başladı. Bilgisayara bazı temel hareketleri ve terminolojiyi öğretmeye başladıklarında büyüleyici bir şey keşfettiler: Hangi atışların istatistiksel olarak en değerli olduğunu görebiliyor ve hangi atışların en iyi yatırım getirisini sağladığını öğrenebiliyorlardı. Sonra daha da derine indiler.
Bilgisayarlara basketbol hakkında daha fazla şey öğrettikçe, makineler temel bilgilerden profesyonel düzeyde bilgiye ulaştı ve oyunu herhangi bir insandan daha iyi anladı. Kameralar her oyunun her saniyesini izliyor ve uzay-zamansal örüntü tanıma olarak da bilinen zaman, mekan ve hızdaki ilişkileri ve örüntüleri anlamak için makine öğrenimini kullanıyor. Kamera ve bilgisayarlar, takımların daha iyi stratejiler geliştirmesine yardımcı olmak için her topu ve oyuncu hareketini takip edebiliyor.
Başlangıçta ligin sadece yarısı veri toplamak için video izleme kullanıyordu. Şimdi ise 30 NBA takımının tamamında video izleme standart hale geldi ve NBA sayfalar dolusu ücretsiz online istatistik sunuyor.
Takımlar, hareketleri daha iyi takip etmek ve sakatlıkları önlemek için oyuncuların formalarına yerleştirilen cihazları bile denediler.
Bugünün verilerinin çoğu eski verilerden farklı çünkü eskiden niteliksel olan şeyleri ölçüyor : Bir oyunu ikili oyun yapan ya da yapmayan nedir? İyi bir şutu veya şutörü ne yapar? Takımlar bu sorulara sadece sezgilerine dayanarak değil, kesin olarak cevap verebiliyor çünkü ellerinde bunu destekleyecek veriler var ve bu bilgi hücum ve savunma stratejilerinde devrim yarattı.
Veri bilimi NBA'i nasıl değiştirdi?
Veriler, üç sayılık atışların en değerli atışlardan bazıları olduğunu gösteriyor; isabet olasılığı düşük olduğu için en yüksek riski taşıyorlar, ancak aynı zamanda en çok sayı attıkları için en yüksek ödülü de taşıyorlar.
Geçmişte oyuncular orta mesafeden, doğrudan üç sayı çizgisinden çok sayıda şut denemişlerdir. Veriler bu atışların en kötü yatırım getirisini sağladığını göstermiştir. Potadan neredeyse üç sayılık atışlar kadar uzaktalar (yaklaşık aynı risk), ancak sadece üçte ikisi kadar puan kazandırıyorlar (daha düşük ödül).
Takımlar bunu fark etmekte ve kendi avantajlarına kullanmakta gecikmediler.
Son 20 yılda NBA'de denenen üç sayılık atışların sayısı istikrarlı bir şekilde artarken, orta mesafeli atışların sayısı azaldı.
Aşağıdaki resimdeki kırmızı noktalar '01-02 ve '19-20 sezonlarındaki en çok şut denemesini göstermektedir (koyu tonlar daha fazla denemeyi göstermektedir):
Birkaç on yıl önce, oyuncular genellikle pota etrafında yakın dururlardı:
Şimdi üç sayı çizgisinin etrafına yayıldılar:
Oyuna dair bu yeni bakış açısı sadece stratejileri değil, oyuncu alımlarını ve maaşları da değiştirdi. Tobias Harris bir zamanlar ligde adı duyulmamış bir tehditti ama takımlar verilere bakınca işler değişti. Sonuç olarak 64 milyon dolarlık bir kontrat aldı.
Hücum ve oyuncu alımına ek olarak takımların savunmaları da uyum sağladı. Takımlar orta mesafeli şutların verimsiz olduğunu biliyor, bu nedenle modern savunmalar genellikle şutörleri orta mesafeli şut atmaya zorluyor (AKA drop coverage).
Tüm bunlar yeterince basit görünüyor, ancak takımlar bu keşifleri yapmak için sadece bir bilgisayarda "enter" tuşuna basmıyorlar. Araştırma ve programlama yapan veri bilimcileri ve istatistikçilerle dolu ofisleri var ve NBA halka açık istatistikler yayınlasa da takımlar özel stratejilerini gizli tutmayı seviyor. Profesyonel sporlardaki her şey gibi, bu da son derece rekabetçidir.
NBA takımları mükemmel takımlar geliştirmek için verileri kullanabilir mi?
Kısa cevap: Pek değil.
Veri biliminin rekabet avantajına rağmen, kazanmanın tarifi siyah ve beyaz değildir.
Takımlar verileri ve hareketleri takip etmek için gün boyu kameralar ve bilgisayarlar kullanabilir, ancak bilgisayar bir oyunu etkileyen gerçek hayat faktörlerini her zaman ayırt edemez. Hayatın kusurları hala bir etkiye sahip olabilir.
Takımların hem atışların kalitesini hem de atıcının kalitesini göz önünde bulundurması gerekir. Çok sayıda iyi şut atan zayıf bir şutörünüz (yüksek yatırım getirisi olan şutlar) ya da çok sayıda kötü şut atan güçlü bir şutörünüz (düşük yatırım getirisi olan şutlar) olabilir. Stratejiler, takımdaki oyunculara ve oynadıkları rakibe bağlı olarak değişir.
Örneğin, verilere göre orta mesafeden yapılan atışlar verimsizdir. Peki ya biri Kawhi Leonard gibi iyi bir orta mesafe şutörüyse?
Eğer savunma tüm kaynaklarını en verimli noktaları (üç sayı çizgisi ve doğrudan pota altı) korumak için kullanırsa, Leonard gibi güçlü bir orta mesafe şutörü bundan faydalanabilir. NBA'in en iyi oyuncularından bazıları - Kawhi Leonard, Kyrie Irving ve evet, hatta Stephen Curry - ölümcül orta mesafe şutörleridir:
Orta menzilli şutlar , oyunun ders kitabı ve bilgisayarın ötesine geçen kısmı olan metagame'de değerlidir.
Oyuncular ve koçlar bir boşlukta rekabet etmezler. Sadece kağıt üzerinde gördüklerine değil, rakiplerinin gerçek zamanlı hareketlerine dayanarak kendi kararlarını vermek zorundadırlar. Neyse ki veriler her zamankinden daha hızlı geliyor ve gelecekte koçlar ve takımlar oyun ortasında karar vermek için verileri ve gerçek zamanlı koşulları birleştirebilir.
Veri ve mükemmellik saha dışında da kullanılabilir mi?
Veri biliminin başarıları NBA ve hatta sporla sınırlı değil. Veri bilimi ve hareket çalışmaları, üretim de dahil olmak üzere hayatın her alanına hızla yayıldı.
NBA takımlarının oyuncuların ve topların hareketlerini izleyebildiği gibi, üreticiler ve mühendisler de Digital Twins aracılığıyla makinelerin hareketlerini izlemek için yüksek kaliteli verileri kullanabilir:
Mühendisler bu yüksek kaliteli verileri kullanarak bileşenleri hızlı bir şekilde tasarlayabilir ve tasarımlar gerçek dünyaya girmeden önce makinelerin hareketini ve işlevselliğini sanal olarak test edebilir. Ayrıca, Endüstri 4.0 kapsamına giren bir süreç olan karmaşık otomatik görevleri programlamak için (örneğin fabrikalardaki otomatik kolları programlamak için) bileşenlerden gelen ürün verilerini kullanabilirler.
Fabrikalardaki bilgisayarlar hareket verilerini (örneğin maksimum hız ve hareket aralığı) toplamak ve bir makinenin ne zaman bozulacağını tahmin etmek için makine öğrenimini kullanabilir . Mimarlar bile bir binanın parçalarının birlikte nasıl çalışacağını tahmin etmek için verileri kullanabilir.
Sonuç: Mükemmellik her şey demek değildir... sporda
Veri bilimi her şeyi tahmin edemez ama NBA takımları bunu istememeli. Oyunun öngörülemezliği bilet ve reklam sattırıyor. Bir maçın her detayını doğru bir şekilde tahmin edebilseydik, izlemenin ne anlamı olurdu? Belki de bu mükemmellik arayışını spordan uzak tutmalı ve bunun yerine arabalarımız ve binalarımız gibi başka hedeflere yönelmeliyiz.
Sporda mükemmellik arayışına ulaşmak zor olsa da, NBA'i dönüştüren veri bilimindeki ilerlemeler, mühendislik ve üretim gibi diğer alanlar için değerli dersler sunuyor.
NBA takımlarının stratejilerini iyileştirmek ve oyuncu performansını artırmak için verileri kullanması gibi, mühendisler de doğru, yüksek kaliteli bileşen verilerine erişmek ve tasarımları optimize etmek için 3Dfindit gibi platformları kullanabilir. Bu sadece verimliliği artırmakla kalmaz, aynı zamanda ürün geliştirmede mümkün olanın sınırlarını da zorlar.
İster bir basketbol topunu ister bir makinenin hareketini takip ediyor olun, veri ve teknolojiyi entegre etmek size rekabet avantajı sağlar ve tüm sektörlerde inovasyon ve mükemmelliği teşvik eder.
