Futbol Veri Bilimi: Modern Analitiğin Temelleri

Giriş

Futbol veri bilimi, modern futbol analizinin temelini oluşturan multidisipliner bir alandır. İstatistik, makine öğrenmesi, programlama ve futbol bilgisini birleştirerek takım performansını, oyuncu değerlendirmesini ve maç tahminlerini optimize eder. Bu rehberde, futbol analytics, veri analizi yöntemleri ve modern futbol istatistikleri konularını detaylı inceleyeceğiz.

Futbol Veri Bilimi Nedir?

Tanım

Football Data Science (Futbol Veri Bilimi): Futbol verilerini toplama, işleme, analiz etme ve içgörüler üretme süreci.

Temel Bileşenler:

1. Veri Toplama: Maç istatistikleri, tracking data
2. Veri İşleme: Temizleme, normalizasyon
3. Analiz: İstatistiksel modelleme, machine learning
4. Görselleştirme: Isı haritaları, grafik analizler
5. İçgörü: Taktiksel öneriler, oyuncu değerlendirmesi

Tarihsel Gelişim

1990'lar: Temel İstatistikler

• Gol, asist, şut sayıları
• Basit toplamlama

2000'ler: İleri Metrikler

• Possession (top hakimiyeti)
• Pas isab eti oranları
• Opta gibi firmalar

2010'ler: xG Devrimi

• Expected Goals (xG)
• Pozisyon bazlı değer
• StatsBomb, Wyscout

2020'ler: AI ve Tracking Data

• Makine öğrenmesi modelleri
• GPS tracking (oyuncu hareketleri)
• Video analiz AI'ları

Temel Veri Türleri

1. Event Data (Olay Verileri)

Tanım: Maç sırasında gerçekleşen olayların kaydı.

Örnekler:

• Şutlar (konum, sonuç)
• Paslar (nereden nereye, başarılı/başarısız)
• Duellolar (kazanma/kaybetme)
• Dribblinglar
• Tackleler

Veri Sağlayıcılar:

• Opta Sports
• StatsBomb
• Wyscout
• InStat

Örnek Event:

{
  "type": "shot",
  "player": "Mauro Icardi",
  "minute": 23,
  "x": 88,
  "y": 45,
  "result": "goal",
  "xG": 0.72
}

2. Tracking Data (İzleme Verileri)

Tanım: Oyuncuların ve topun her saniyedeki pozisyonları.

Toplama Yöntemi:

• GPS sensörleri (oyuncular)
• Kamera sistemleri (top ve oyuncular)
• 25 kare/saniye (25 Hz)

Kullanım Alanları:

• Hız ve mesafe analizleri
• Pressing intensity (baskı yoğunluğu)
• Off-the-ball hareketler
• Space control (alan kontrolü)

Örnek:

Dakika 15:32 → Icardi pozisyonu: (x: 85m, y: 42m)
Hız: 24 km/sa
Top mesafesi: 8 metre

3. Aggregate Data (Toplam Veriler)

Tanım: Maç veya sezon toplamları.

Örnekler:

• Toplam gol / maç
• Ortalama possession
• xG ortalaması
• Pas isabeti %

Temel Metrikler ve Formüller

1. xG (Expected Goals)

Formül (Basitleştirilmiş):

xG = f(mesafe, açı, vücut_pozisyonu, top_durumu, savunma_baskısı)

Hesaplama: Makine öğrenmesi modeli binlerce geçmiş şutu analiz eder ve benzer şutların ne sıklıkla gol olduğunu hesaplar.

Örnek:

• Mesafe: 12 metre
• Açı: 30 derece (merkezi)
• Durum: Tek ayak şut
• Savunma: 2 savunma oyuncusu arası
• xG: 0.35 (35% gol olma olasılığı)

2. xA (Expected Assists)

Tanım: Bir pasın gol asistine dönüşme olasılığı.

Formül:

xA = Pasın gittiği pozisyonun xG değeri

Örnek:

• Oyuncu A, Oyuncu B'ye pas atar
• Oyuncu B'nin pozisyonu xG: 0.65
• Oyuncu A'nın xA: 0.65

3. xGChain ve xGBuildup

xGChain: Oyuncunun dahil olduğu tüm hücum zincirlerinin xG toplamı.

xGBuildup: xGChain - (xG + xA) → Gol veya asist olmadan hücuma katkı

Kullanım: Orta saha oyuncularının yaratıcılığını ölçmek için.

4. PPDA (Passes Per Defensive Action)

Formül:

PPDA = Rakip Pasları / (Takım Pressing + Tackleler)

Yorum:

• Düşük PPDA (5-7): Agresif pressing (Liverpool, Atalanta)
• Yüksek PPDA (12+): Defansif blok (Atletico Madrid)

Örnek:

• Rakip 400 pas yaptı
• Takım 60 pressing + tackle
• PPDA: 400 / 60 = 6.67 → Agresif pressing

5. Possession Value (PV)

Tanım: Her top kontrolünün beklenen değeri (gol olma olasılığına katkı).

Kullanım: Hangi pasların değerli olduğunu tespit etmek.

Python ile Futbol Veri Analizi

Temel Kütüphaneler

Veri İşleme:

import pandas as pd  # Veri manipülasyonu
import numpy as np   # Sayısal hesaplamalar

Görselleştirme:

import matplotlib.pyplot as plt
import seaborn as sns
from mplsoccer import Pitch, VerticalPitch

Makine Öğrenmesi:

from sklearn.ensemble import RandomForestClassifier
from xgboost import XGBClassifier

Futbol Odaklı:

from statsbombpy import sb  # StatsBomb API

Örnek: xG Hesaplama Modeli

Veri Hazırlama:

# Şut verilerini yükle
shots = pd.read_csv('shots_data.csv')

# Özellikler
X = shots[['distance', 'angle', 'body_part', 'situation']]
y = shots['is_goal']  # 1: Gol, 0: Gol değil

# Model eğitimi
from xgboost import XGBClassifier
model = XGBClassifier()
model.fit(X, y)

# Tahmin
new_shot = [[12, 30, 'right_foot', 'open_play']]
xG = model.predict_proba(new_shot)[0][1]
print(f'xG: {xG:.2f}')  # Örn: 0.35

Örnek: Şut Haritası Çizme

from mplsoccer import Pitch

# Pitch oluştur
pitch = Pitch(pitch_color='grass', line_color='white')
fig, ax = pitch.draw(figsize=(10, 7))

# Şutları çiz
for index, shot in shots.iterrows():
    if shot['is_goal']:
        ax.scatter(shot['x'], shot['y'],
                  s=shot['xG']*1000,
                  color='red', alpha=0.7)
    else:
        ax.scatter(shot['x'], shot['y'],
                  s=shot['xG']*1000,
                  color='blue', alpha=0.3)

plt.title('Şut Haritası (Kırmızı: Gol, Mavi: İsabet etmedi)')
plt.show()

Gelişmiş Konseptler

1. Spatial Control (Alan Kontrolü)

Tanım: Sahanın hangi bölgelerini hangi takım kontrol ediyor?

Hesaplama:

• Her oyuncunun etki alanı (Voronoi diyagramları)
• Hız, pozisyon ve yön vektörleri

Kullanım:

• Off-the-ball hareketler analizi
• Space yaratma
• Defansif organizasyon

2. Pitch Control Model

Tanım: Her an, sahanın her noktasını hangi takımın kontrol ettiği olasılığı.

Model:

P(control) = f(oyuncu_pozisyonları, hızlar, top_pozisyonu)

Uygulama: Hangi pasların tehlikeli olduğunu hesaplamak.

3. Passing Networks (Pas Ağları)

Görselleştirme:

• Her oyuncu = Node (düğüm)
• Paslar = Edge (bağlantı)
• Kalınlık = Pas sayısı

Analiz:

• Hangi oyuncular merkezi?
• Izole oyuncular kimler?
• Takım taktiksel yapısı

4. VAEP (Valuing Actions by Estimating Probabilities)

Tanım: Her aksiyonun maç sonucuna katkısını değerlendiren gelişmiş metrik.

Hesaplama:

• Aksiyon öncesi gol olasılığı
• Aksiyon sonrası gol olasılığı
• VAEP: Fark

Örnek:

• Pas öncesi: %1.2 gol olasılığı
• Pas sonrası: %4.5 gol olasılığı
• VAEP: +3.3% (çok değerli pas!)

Futbol Veri Biliminde Kariyer

Gerekli Beceriler

Teknik:

• Python programlama
• İstatistik ve olasılık
• Makine öğrenmesi
• Veri görselleştirme
• SQL

Domain (Futbol Bilgisi):

• Taktiksel anlayış
• Oyuncu pozisyonları
• Lig yapıları

Soft Skills:

• İletişim (teknik olmayan kişilere anlatabilme)
• Storytelling (verileri hikayeye dönüştürme)

Kariyer Yolları

1. Performans Analisti (Kulüpler)

• Takım veri analizi
• Rakip scouting
• Taktiksel raporlar

Örnek Kulüpler:

• Liverpool FC (en gelişmiş analytics departmanı)
• Manchester City
• Brentford FC (Moneyball yaklaşımı)

2. Scouting Analisti

• Oyuncu keşfi
• Transfer değerlendirmesi
• Kadro planlaması

3. Betting Analytics

• Tahmin modelleri
• Value betting
• Oran analizi

Şirketler:

• Smartodds
• Stratagem
• 21bet Analytics

4. Medya / Yayıncılık

• Maç analizleri
• Veri gazeteciliği
• Görsel içerik

Örnekler:

• The Athletic
• FiveThirtyEight
• Tifo Football

Öğrenme Kaynakları

Ücretsiz Kurslar:

• Friends of Tracking: YouTube (Laurie Shaw, David Sumpter)
• StatsBomb Resource Centre

Kitaplar:

• "Soccermatics" - David Sumpter
• "The Numbers Game" - Anderson & Sally
• "Football Hackers" - Christoph Biermann

Veri Setleri:

• StatsBomb Open Data: Ücretsiz event data
• Wyscout: Akademik kullanım
• Understat: Scraping ile xG verileri

Python Kütüphaneleri:

• mplsoccer: Görselleştirme
• statsbombpy: StatsBomb API
• soccerdata: Lig verileri

Türkiye'de Futbol Veri Bilimi

Mevcut Durum

Kulüp Seviyesi:

• Galatasaray: Analytics departmanı var
• Fenerbahçe: Veri analizi ekibi
• Beşiktaş: Gelişmekte

Zorluklar:

• Veri erişimi sınırlı
• Kültürel direnç (eski-yeni çatışması)
• Kalifiye eleman eksikliği

Fırsatlar

Gelişen Alan:

• Türk futbolu modernleşiyor
• Genç analistlere talep artıyor
• Golsinyali gibi start-up'lar

Yerel Uzmanlık:

• Süper Lig'e özgü modeller
• Türk futbol kültürü anlayışı

Sonuç

Futbol veri bilimi, modern futbolun ayrılmaz bir parçasıdır. Başarılı futbol analytics için:

1. Python ve istatistik öğrenin
2. xG, xA gibi temel metrikleri anlayın
3. Tracking data ve uzamsal analizleri keşfedin
4. Projeler yaparak deneyim kazanın
5. Futbol bilginizi veri ile birleştirin

Altın Kural: Veri bir araçtır, amaç değildir. En iyi analistler, sayıları futbol bağlamında yorumlayabilen ve teknik direktörlere anlamlı içgörüler sunabilen kişilerdir.

Sıkça Sorulan Sorular

Futbol veri bilimi için hangi programlama dilini öğrenmeliyim?

Python en popüler dildir. Pandas, matplotlib, scikit-learn gibi kütüphaneler futbol analizinde yaygın kullanılır. R da istatistiksel analizler için iyidir ancak Python daha geniş topluluk ve iş imkanları sunar.

xG nasıl hesaplanır?

xG, binlerce geçmiş şutun makine öğrenmesi modeli ile analiz edilmesiyle hesaplanır. Mesafe, açı, vücut pozisyonu, savunma baskısı gibi faktörler kullanılır. Örneğin 6 metre, merkezi pozisyondan tek ayak şut ~0.7 xG'dir.

Futbol veri biliminde kariyer yapmak için futbol geçmişi şart mı?

Hayır, ancak futbol bilgisi önemlidir. Profesyonel futbolcu olmaya gerek yok, taktiksel anlayış ve oyunu okuyabilmek yeterlidir. Teknik beceriler (Python, stats) + futbol bilgisi kombinasyonu idealdir.

Türkiye'de futbol veri bilimi iş imkanları var mı?

Gelişmekte olan bir alan. Büyük kulüpler (Galatasaray, Fenerbahçe) analytics ekipleri kuruyor. Golsinyali gibi start-up'lar da fırsat sunuyor. Uluslararası pazar (Premier League kulüpleri) daha olgun.

Ücretsiz futbol verileri nereden bulabilirim?

StatsBomb Open Data ücretsiz event data sunar. Understat xG verileri için iyidir (scraping gerekebilir). FBref kapsamlı lig istatistikleri sunar. Akademik kullanım için Wyscout veri seti mevcuttur.

---

Meta Description: Futbol veri bilimi: xG hesaplama, Python ile analiz, tracking data, modern futbol analitiği, kariyer yolları, machine learning.

Keywords: futbol veri bilimi, football analytics, xg hesaplama, python futbol analizi, futbol istatistikleri, veri analizi, tracking data

Kategori: Teknoloji

Kelime Sayısı: ~1,500 kelime