NBA’de Veri Analitiği: Hareketli Noktaların Bilimi
Etrafımıza baktığımız her yerde, teknolojinin tüm hızıyla gelişmekte olduğunu açıkça görebiliyoruz. Bize her türlü hizmeti sağlayan robotlara, etrafta dolaşan sürücüsüz araçlara, güvenliği ve sürdürülebilirliği kolaylaştıran bulut teknolojisine, bizim için günlük işleri yapan yapay zekalara sahibiz. Bunlar, dünyamızın geleceğini şekillendiren teknolojinin sadece birkaç örneği. Bugün gördüğümüz teknolojilerin çoğu seneler önce filmlerde ya da bilimsel araştırmalarda tahmin edilmiş olsa da hiç kimse, teknolojinin bir sporun -özellikle de basketbolun- geleceğini ve oynanış şeklini bu denli değiştireceğini düşünemezdi.
Bundan on beş yıl önce bir NBA maçı izleyecek olsaydınız, oyunların günümüzdekinden ne kadar farklı oynandığını hemen anlayabilirdiniz. Örneğin; yıldız oyuncular için daha fazla “isolation” adı verilen taktikler, orta mesafe şutları için daha fazla oyun kurma ve sahada daha az boşluk bırakan takımlar... Günümüzde ise, hücum tarafındaki beş oyuncunun tamamı üç sayı çizgisinin arkasında sıralanıyor, oyuncular açık üç sayılık bir atış için geniş açık turnikeleri geçiyor ve takımlar üç sayılık atışı yayın gerisinden atabilen oyuncuları tercih ediyor.
Takımlar, şampiyonluk mücadelesi veren takımlar arasına girebilmek ve sıradanlık engelini aşabilmek için stratejiler geliştirmenin yeni yollarını keşfettikçe oyunun kendisi de değişiyor. Şampiyonluğa oynayan bir takım olmaya yönelik bu süreç, yıllar içinde büyük ölçüde “veri analitiği” sayesinde gerçekleşti. Basketbolda veri analitiğinin kullanımı her ne kadar tartışmalı bir konu olsa da, geçmişteki vasat takımları yeni rakiplere dönüştürmek için etkili bir strateji olduğu çoktan kanıtlandı. On yıldan kısa bir süre önce sadece birkaç NBA takımının ön bürosunda analitik departmanları vardı. Günümüzde ise neredeyse tüm NBA takımlarının ön bürolarında veri analistleri bulunuyor. Artık, veri analitiğinden yararlanmak çaylak oyuncuların gözlemlenmesi, düşük değer biçilen oyuncuların tespiti, verimli şutların hesaplanması, 3 sayılık atışların yükselişi gibi basketbolun her yönüne sızan bir trend hâline geldi.
3 Sayılık Atışların Yükselişi
Veri analitiğinin kullanımı ile galibiyet arasında doğrudan bir ilişki olmamasına rağmen, veri analitiğinden faydalanan ekiplerin kazanç elde etmeye başladığı oldukça açıkça görülebilir. Veri analizinin basketbolu ne ölçüde değiştirdiğini görmenin en iyi yolu üç sayılık atış denemelerinin artışını gözlemlemek olacaktır.
Veri analistleri, hangi şutların takımı zafere götürme olasılığının daha yüksek olduğunu belirlemek için maçları ve atılan şutları inceledi. Veri analizi modelleri, üç sayılık atışların %35 oranında başarı şansına sahip olduğunu ve bu nedenle, potaya yakın atılan iki sayılık verimsiz bir şuttan daha fazla sayı getirebileceğini gösterdi. Sonuç olarak, ligdeki analistler ve teknik ekipler, şutörlerin üç sayı çizgisinden daha fazla atış denemeye teşvik etmeye başladı ve böylece takım başına atılan ortalama 3 sayılık atışlar 2012'den bu yana %50 artış gösterdi. Lig genelinde 3 sayılık atış oranı son 10 sezonun her birinde artarak %22,2'den %39,2'ye yükseldi. Ayrıca, son beş yılda önceki beş yıldan daha fazla artış gösterdi.
Kazanan Stratejiler Tasarlamak
Yaygınlaşan veri analitiği sayesinde gelişen şeylerden biri de şüphesiz, verileri toplamak ve görselleştirmek için oluşturulan ve uyarlanan teknolojilerdir. NBA, oyuncuların hareketleri hakkında ayrıntılı veri toplamak için, STATS adlı bir şirketle iş birliği yaparak her basketbol sahasına 6 adet kamera yerleştirdi. Bu veriler, “kazanan stratejiyi” bulabilmek için makine öğrenimi modelleri tarafından analiz ediliyor.
Geçmişte takımlar oyuncuları hakkında, atılan sayılar ve yapılan asistler gibi temel istatistikleri toplayabiliyordu, ancak bugün, kurulan bu sistem sayesinde takımlar artık oyuncuların sağ veya sol ayaklarıyla ilerleme sıklığı veya belirli hareketlerden önce oyuncuların istemsizce yaptığı spesifik hareketler gibi çok daha ayrıntılı verileri bile inceleyebiliyorlar. Bu da, rakiplere karşı savunma stratejilerinin daha iyi planlanması, oyuncuların kiminle eşleştirileceğine karar verilmesi, oyuncuların nasıl konumlanmaları gerektiği ve üç sayılık bir şutun nasıl daha iyi optimize edilebileceği gibi daha akıllı hücum hamleleri önermelerine yardımcı oluyor.
Sakatlanmaları Tahmin Etme ve Önleme
Oyuncu sağlığı yönetiminin ana odak noktası, yaralanmaların ve sakatlıkların azaltılmasıdır, böylece takımlar oyuncularını gerçekten önemli olan maçlara hazırlayabilir. Biyomedikal teknoloji alanındaki gelişmeler, takımların oyuncuların sağlığını izlemesini ve takip etmesini kolaylaştırırken; veriler de takımların sakatlık ihtimali ve endişesi nedeniyle genellikle yıldız oyuncularını dinlendirmeye karar vermelerine yol açan vücut yorgunluğu hakkında değerli bilgiler sağlıyor.
Günümüzde NBA takımları, oyuncularının yorgunluk seviyelerini değerlendirmek ve ileriye dönük performanslarını tahmin etmek için giyilebilir cihazlar, uyku monitörleri ve hatta tükürük örnekleri aracılığıyla oyuncuları hakkında karmaşık veriler topluyor. Oyuncu sağlığı yönetimi yazılımı takımlara oldukça karmaşık veriler sağlar. Algoritmalar, bir oyuncunun sağlığını belirlemek için maç programı, planlanan seyahatler, oyuncu takibi ve geçmiş tıbbi kayıtlar gibi çeşitli parametreleri hesaba katarak, bir oyuncunun sakatlanma riski olup olmadığını belirleyebilir. Veriye dayalı tıbbi geliştirmelerle oyuncuların, büyük sakatlıklara maruz kalmaları önleniyor. Bu da oyuncuların ligde daha uzun bir kariyere sahip olmalarını ve oyunlarını bir sonraki seviyeye yükseltme potansiyellerini artırıyor.
Veri analitiği, basketbolun oynanış şeklini değiştirirken, veri ve algoritmaların oyun içi koçluğu, oyuncu değerlendirmelerini etkilediği başka yönler de bulunuyor. Synergy gibi yazılımlar, koçların rakiplerini daha önce hiç olmadığı kadar analiz etmesine yardımcı oluyor. Synergy, üç sayı çizgisi içinde “field goal” (bir oyuncunun oyun sırasında sahadaki üç sayı çizgisini belirleyen yayın içinden attığı herhangi bir basket) denemeleri gibi sahadaki belirli verileri hesaplamak için karmaşık algoritmalar tarafından desteklenen makine öğrenimini kullanıyor veya hatta, hücumdaki oyuncunun çok spesifik bir şekilde güçlü ve zayıf yönlerini listeliyor.