Spor Analitiği
Özet
Gelişen teknolojiyle birlikte spora entegre edilen teknolojik araçlar; giyilebilir teknolojiler, akıllı stadyumlar, nanoteknolojik ekipmanlar ve gelişmiş antrenman sistemleri aracılığıyla spor endüstrisinin hızlı değişimine ve büyümesine katkı sağlamaktadır. Geçmiş ve güncel spor verilerinin toplanıp analiz edilmesini kapsayan spor analitiği ise karar verme, tahmine dayalı modelleme ve hesaplama yöntemlerini içeren bilimsel bir disiplindir. Nitel ve nicel verilerin işlenmesinde Yapay Sinir Ağları, Karar Ağaçları, Bayes Ağları, Destek Vektör Makineleri, Rastgele Orman, Çok Katmanlı Algılayıcı ve Kümeleme gibi gelişmiş algoritmalar tercih edilmektedir. Bu algoritmalar özellikle futbol ve basketbol gibi branşlarda sporcu ile takım performansının tahmini, maç sonuçları ve lig sıralamalarının kestirilmesi, bütçe-maliyet optimizasyonu, kadro oluşumu ve sahadaki sporcu konumlandırması süreçlerinde kritik roller üstlenmektedir. Bunun yanı sıra spor analitiği; EKG verileriyle kalp defektlerinin belirlenmesi, diz yaralanmalarının tespiti, psikososyal stres faktörlerinin sakatlıklar üzerindeki etkilerinin incelenmesi ve antrenman yüküne bağlı temassız yaralanma risklerinin önceden belirlenerek erken müdahale imkânı sunması gibi sporcu sağlığı alanında yaygın biçimde kullanılmaktadır. Özetle, teknolojinin gelişimiyle veri elde etme süreçlerinin kolaylaşması spor analitiğinin kullanımını yaygınlaştırarak spor endüstrisine ve karar alma süreçlerine önemli katkılar sunmaktadır.
Technological tools integrated into sports alongside developing technology contribute to the rapid evolution and growth of the sports industry through wearable technologies, smart stadiums, nanotechnical equipment, and advanced training systems. Sports analytics, which encompasses the collection and analysis of past and current sports data, is a scientific discipline involving decision-making, predictive modeling, and computational methods. Advanced algorithms such as Artificial Neural Networks, Decision Trees, Bayesian Networks, Support Vector Machines, Random Forest, Multilayer Perceptrons, and Clustering are preferred for processing qualitative and quantitative data. These algorithms play critical roles in estimating athlete and team performance—particularly in sports like football and basketball—predicting match outcomes and league standings, optimizing budget and costs, structuring team rosters, and positioning athletes effectively on the field. Additionally, sports analytics is widely utilized in athlete health for identifying heart defects through ECG data, detecting knee injuries, evaluating the effects of psychosocial stress factors on injuries, and predicting non-contact injury risks related to training load to enable early intervention. In summary, as technology simplifies data acquisition processes, it expands the adoption of sports analytics, contributing significantly to the sports industry and decision-making processes.
Referanslar
Adetiba, E., Iweanya, V. C., Popoola, S. I., Adetiba, J. N., & Menon, C. (2017). Automated detection of heart defects in athletes based on electrocardiography and artificial neural network. Cogent Engineering, 4(1), 1411220.
Akpınar, H. (2000). Veri Tabanlarında Bilgi Keşfi ve Veri Madenciliği. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 29(1), 1-22.
Apostolou, K., Tjortjis, C. (2019). Sports Analytics algorithms for performance prediction. In 2019 10th International Conference on Information, Intelligence, Systems and Applications (IISA) IEEE, ss:1-4.
Ayyıldız, E. (2018). Amerika Basketbol Ligi (NBA) Maç Sonuçlarının Yapay Sinir Ağları ile Tahmini. Gaziantep Üniversitesi Spor Bilimleri Dergisi, 3(1), 40-53.
Chen, V. C., Kim, S. B., Oztekin, A., & Sundaramoorthi, D. (2018). Preface: Data mining and analytics. Annals of Operations Research, 263(1), 1-3.
Claudino, J. G., Capanema, D. D. O., de Souza, T. V., Serrão, J. C., Machado Pereira, A. C., & Nassis, G. P. (2019). Current approaches to the use of artificial intelligence for injury risk assessment and performance prediction in team sports: a systematic review. Sports medicine-open, 5(1), 1-12.
Constantinou, A.C., Fenton, N.E., & Neil, M. (2013). Profiting from an inefficient Association Football gambling market: Prediction, Risk and Uncertainty using Bayesian networks. Knowledge-Based Systems, 50, 60-86.
Çinicioğlu, E.N., Atalay, M., & Yorulmaz, H. (2013). Trafik kazaları analizi için bayes ağları modeli. Bilişim Teknolojileri Dergisi, 6(2), 41.
Devecioğlu, S., Altungül, O. (2011). Spor Teknolojilerinde İnovasyon. 6th International Advanced Technologies Symposium, 46, s:46-48.
Gerrard, B. (2016). Moneyball and the role of sports analytics: A decision-theoretic perspective. In N. American Society for Sport Management Conf, ss:108-109.
Gerrard, B., Alamar, B.C. (2014). Sports Analytics: A Guide for Coaches, Managers and Other Decision Makers. Sport Management Review, 17(2), 240-241.
Harmandeep, K., Sushma, J. (2017). Machine Learning Approaches to Predict Basketball Game Outcome. 3rd International Conference on Advances in Computing, 1-7.
Johansen, H.D., Johansen, D., Kupka, T., Riegler, M.A., & Halvorsen, P. (2020). Scalable Infrastructure for Efficient Real-Time Sports Analytics. In Companion Publication of the 2020 International Conference on Multimodal Interaction, ss: 230-234.
Johnson, J., Picton, P. (1995). Mechatronics: designing intelligent machines. Butterworth-Heinemann, 2.
Karabıyık, M., Barbaros, Y.E.T. (2019). Bayes ağları ile futbol analitiği: FutBA modeli. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 25(1), 121-131.
Kavzoğlu, T., Çölkesen, İ. (2010). Karar ağaçları ile uydu görüntülerinin sınıflandırılması. Harita Teknolojileri Elektronik Dergisi, 2(1), 36-45.
Kennedy, M.P., Chua, L.O. (1988). Neural networks for nonlinear programming. IEEE Transactions on Circuits and Systems, 35(5), 554-562.
Kılıç, F., Aka, H., & Aktuğ, Z. B. (2020). Futbolda yapay sinir ağları modeli ile lig sıralaması tahmini. Uluslararası Güncel Eğitim Araştırmaları Dergisi, 6(2), 379-391.
Kostakis, O., Tatti, N., & Gionis, A. (2017). Discovering recurring activity in temporal networks. Data Mining and Knowledge Discovery, 31(6), 1840-1871.
Miljković, D., Gajić, L., Kovačević, A., & Konjović, Z. (2010). The Use of Data Mining for Basketball Matches Outcomes Prediction. IEEE 8th International Symposium on Intelligent Systems and Informatics, 309-312.
Morgulev E., Azar O.H., & Lidor R. (2018). Sports analytics and the big-data era. Int. J. Data Sci. Anal., 5(4), 213-222
Naglah, A., Khalifa, F., Mahmoud, A., Ghazal, M., Jones, P., Murray, T., Elmaghrabyk, A.S., & El-Baz, A. (2018). Athlete-customized injury prediction using training load statistical records and machine learning. In 2018 IEEE International Symposium on Signal Processing and Information Technology (ISSPIT) IEEE, ss: 459-464
Özdemir, E., Alemdar, H. (2018). Predicting soccer events from optical tracking data. In 2018 26th Signal Processing and Communications Applications Conference (SIU) IEEE, ss: 1-4.
Özdemir, E., Ballı, S. (2020). Türkiye Erkekler Basketbol Ligi Maç Sonuçlarının Makine Öğrenmesi Yöntemleri İle Tahmini. Mühendislik Bilimleri ve Tasarım Dergisi, 8(3), 740 -752.
Pantzalis V. (2019). Sports Analytics Algorithms for Performance Prediction. İnternational Hellenic University. Yüksek Lisans Tezi. Danışman: Prof. Christos Tjortjis, ss: 65-66.
Pantzalis, V.C., Tjortjis, C. (2020). Sports analytics for football league table and player performance prediction. In 2020 11th International Conference on Information, Intelligence, Systems and Applications (IISA) IEEE, ss: 1-8.
Pensgaard, A. M., Ivarsson, A., Nilstad, A., Solstad, B. E., & Steffen, K. (2018). Psychosocial stress factors, including the relationship with the coach, and their influence on acute and overuse injury risk in elite female football players. BMJ Open Sport & Exercise Medicine, 4(1), 1-4.
Qilin, S., Xiaomei, W., Xiaoling, F., Yuanping, C., & Shaoyong, W. (2016). Study on knee joint injury in college football training based on artificial neural network. RISTI (Revista Iberica de Sistemas e Tecnologias de Informacao), (E10), 197-211.
Safavian, S.R., Landgrebe, D. (1991). A survey of decision tree classifier methodology. IEEE Transactions on Systems Man and Cybernetics, 21, 660-674.
Sarlis, V., Tjortjis, C. (2020). Sports analytics—Evaluation of basketball players and team performance. Information Systems, 93, 1-19.
Shi, Z., Zimmermann, A., & Moorthy, S. (2013). Predicting NCAAB match outcomes using ML techniques some results and lessons learned. In ECML/PKDD 2013 Workshop on Machine Learning and Data Mining for Sports Analytics.
Silva R.M. (2016). Sports Analytics. Sımon Fraser Universitesi. Danışman: Prof. Dr. Tim Swartz & Prof. Dr. Boxin Tang Doktora Tezi, İstatistik ve Aktüerya Bilimi.
Sow, B., Akay, M. F., Abut, F., Çetin, E., Yarım, İ., & Alak, H. (2016). Destek Vektör Makinelerini Kullanarak Hamstring Kas Kuvveti Tahmini için Yeni Regresyon Modelleri. Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 31, 153-160.
SPSS. (1999). AnwerTree Algorithm Summary. SPSS White Paper, USA.
Şimşek, A., Devecioğlu, S. (2018). Spor Endüstrisinde Yeni Teknolojilerin Görünümü. Uluslararası Beden Eğitimi Spor Rekreasyon ve Dans Dergisi, 1, 20-36
Torres, R.A. (2013). Prediction of NBA games based on Machine Learning Methods. University of Wisconsin Madison.
Uğuz, S. (2019). Makine öğrenmesi teorik yönleri ve Python uygulamaları ile bir yapay zekâ ekolü. Nobel Yayıncılık, Ankara, 1. Basım.
Vinué, G., Epifanio, I. (2017). Archetypoid analysis for sports analytics. Data Mining and Knowledge Discovery, 31(6), 1643-1677.
Xu, Z., Wang, L., Luo, J., & Zhang, J. (2005). A modified clustering algorithm for data mining. In 2005 IEEE International Geoscience and Remote Sensing Symposium,ss: 741-744.
Zimmermann, A. (2016). Basketball predictions in the NCAAB and NBA: Similarities and differences. Statistical Analysis and Data Mining: The ASA Data Science Journal, 9(5), 350-364.
