Bir isim yazıp “buna benzeyen oyuncular” listesi almak, futbolda veri kullanımının en cezbedici yüzüdür. Liste saniyeler içinde gelir, sıralıdır, yüzde biçiminde bir yakınlık skoru taşır ve tartışmayı bitirmiş gibi görünür. Oysa o skorun ne anlama geldiği, hangi sayıların karşılaştırıldığı ve hangi niteliklerin hesaba hiç katılmadığı listeyle birlikte gelmez.

Aşağıda benzerlik modellerinin gerçekte ne ölçtüğü tanımlanıyor, ardından listelerin yanlış yönlendirdiği tipik durumlar tek tek ele alınıyor ve her birinde belirtinin nasıl fark edileceği ile hangi kontrolün uygulanacağı gösteriliyor.

Futbolda benzerlik skoru gerçekte neyi ölçer

Bu modeller, her oyuncuyu bir dizi sayıdan oluşan bir profile indirger: pas hacmi, ileri taşıma, ceza sahasına giriş, hava topu, savunma müdahalesi ve benzeri. Ardından iki profilin bu sayı uzayında birbirine ne kadar yakın olduğunu hesaplar. Yani ölçülen şey davranış dağılımının benzerliğidir; oyunculuk kalitesi değil.

Bu ayrım her şeyin başlangıcıdır. İki futbolcu benzer sıklıkta benzer şeyleri deniyor olabilir ve aralarında ciddi bir uygulama kalitesi farkı bulunabilir. Model bunu ayırt edecek bir mekanizmaya sahip değildir; kendisine verilen sayıların ne kadar örtüştüğünü söyler, o kadar.

“Aynı tipte oynuyor” ile “aynı seviyede oynuyor” karıştığında

Belirti, listenin en üstünde beklenmedik bir isim görüldüğünde ortaya çıkar: profil olarak gerçekten benzeyen ama gözle bakıldığında aynı işi çok daha düşük isabetle yapan bir oyuncu. Karar verici bu ismi “ucuz muadil” diye yorumladığında yanılgı tamamlanmış olur.

Nedeni, çoğu modelin hacim metriklerine ağırlık vermesidir. Bir oyuncunun ne kadar sık ileri pas denediği kolay ölçülür; o pasların oyunu ne kadar ilerlettiği ise çok daha zor. Doğru okuma, benzerlik listesini bir kalite sıralaması değil, aday havuzu daraltma aracı saymaktır.

• Listeyi aldıktan sonra kalite sorusunu ayrı sorun; benzerlik yüzdesi bu soruya cevap vermez.
• Aynı davranışın çıktısını gösteren metrikleri ayrı bir sütunda tutun ve benzerlik skoruyla karıştırmayın.
• Skor farkı küçük olan adayları eşit kabul edin; ondalık farklara anlam yüklemek modelin hassasiyetini aşar.

Takım sisteminin ürettiği sayılar oyuncuya mal edildiğinde

Bir oyuncunun profili, oynadığı takımın oyun modelinden bağımsız değildir. Top sahipliğini uzun süre elinde tutan bir takımda görev yapan orta saha yüksek pas hacmine ulaşır; sürekli geri çekilen bir takımın kanat oyuncusu ise az sayıda ama uzun taşımalar yapar. Model bu iki oyuncuyu benzer takım stillerinden gelen isimlerle eşleştirdiğinde, aslında takımları karşılaştırmış olur.

Belirti nettir: benzerlik listesindeki isimlerin çoğu aynı tarz oynayan kulüplerden geliyorsa, model oyuncu değil sistem eşleştiriyordur. Bu durumda oyuncunun aynı sayıları farklı bir oyun modelinde de üretip üretemeyeceği bilinmez ve transfer kararının en kritik sorusu cevapsız kalır.

• Adayın takımının top sahipliği ve saha konumu eğilimini benzerlik listesinin yanına yazın.
• Aynı oyuncunun farklı teknik ekiplerle geçirdiği dönemler varsa profil değişimine bakın.
• Hedef kulübünüzün oyun modeline benzemeyen bir sistemden gelen adayda uyum riskini ayrı bir madde olarak kaydedin.

Farklı rekabet düzeyleri düzeltilmeden eşleştirildiğinde

Modellerin çoğu, farklı liglerden gelen sayıları aynı ölçekte kabul eder ya da kaba bir katsayıyla düzeltir. Alt seviyedeki bir ligde üretilen yüksek hacimli bir profil, üst seviyedeki bir profille rahatlıkla eşleşir; çünkü sayı benzerdir. Sahadaki karşılığı ise aynı değildir: rakip baskısının şiddeti, alan darlığı ve karar süresi tamamen farklıdır.

Doğrusu, karşılaştırmayı ya aynı rekabet düzeyi içinde kurmak ya da ligler arası farkı açıkça bir belirsizlik payı olarak kaydetmektir. Ayrıca dikkat edilmesi gereken ikinci bir nokta vardır: aynı ligin içinde bile üst sıradaki bir takımla alt sıradaki bir takımın oyuncusu farklı koşullarda oynar.

Az sayıda maçtan üretilen sahte yakınlık

Sakatlıktan dönen, sezonun bir bölümünde oynayan ya da yalnızca yedek olarak süre bulan oyuncuların profilleri gürültülüdür. Küçük örneklemde birkaç iyi maç, tüm profili yukarı taşır ve model bu şişmiş profili yüksek seviye oyunculara benzetir. Listede yaş ve süre bilgisi görünmüyorsa bu yanılgı fark edilmez.

Belirtiyi yakalamak kolaydır: listedeki her adayın oynadığı dakikayı görmeyi şart koşun. Dakikası düşük adayları listeden atmak gerekmez, ancak bunlar için ayrı bir kategori açmak ve karar dosyasına aynı ağırlıkla girmelerini engellemek gerekir. Aynı sorun basketbol ve voleybol gibi rotasyonun yoğun olduğu spor branşlarındaki benzerlik çalışmalarında da görülür.

Modelin göremediği alanlar: topsuz oyun, fiziksel profil ve gelişim

Benzerlik hesabı, yalnızca kendisine verilen sütunlarla çalışır. Olay verisine dayanan sistemlerde topsuz davranışın büyük kısmı hiç kaydedilmez; oyuncunun savunma konumlanması, pres tetikleme zamanlaması ve topa yakın olmadığı anlardaki kararları modele girmez. Fiziksel veriler ayrı bir kaynaktan geldiği için çoğu zaman hesabın dışında kalır.

• Topsuz davranışı görüntüyle doldurun; iki tam maç, bu boşluğun büyük kısmını kapatır.
• Fiziksel profil ve tekrarlı yüklenme kapasitesi hakkında ayrı bir değerlendirme isteyin.
• Yaşı ve oynadığı seviyeyi profile ekleyin; iki oyuncu bugün benzer olabilir ama gelişim eğrileri farklı yönde ilerliyor olabilir.
• Sporcunun sakatlık geçmişi ve süreklilik kaydı modele girmiyorsa, bu bilgiyi listeye ayrı bir sütun olarak elle ekleyin.
• Sağ ayak, sol ayak ve mevki esnekliği gibi ayrımların modelde temsil edilip edilmediğini kontrol edin.

Benzerlik listesini karar aracına çevirmek

Bu modeller reddedilecek araçlar değildir; yalnızca listeyi çıktı değil girdi olarak kullanmak gerekir. Aşağıdaki tablo, yaygın yanıltma biçimlerini gözlenen çıktı ve uygulanacak kontrolle eşleştirir.

Listeyi kullanılabilir hale getiren sıra da bellidir:

1. Modelin hangi metrik setiyle çalıştığını ve hangi metrikleri hiç görmediğini yazılı olarak isteyin.
2. Listeyi dakika ve mevki filtresinden geçirip yeniden üretin.
3. Aynı sorguyu yalnızca benzer rekabet düzeyindeki liglerle sınırlayarak tekrarlayın.
4. Kalan adayları takım stili bilgisiyle etiketleyin ve uyum riski yüksek olanları ayırın.
5. En fazla beş isim için görüntü kontrolü planlayın; benzerlik listesinin işi burada biter, kararın işi burada başlar.

Sık sorulan sorular

Yüksek benzerlik skoru transfer için yeterli bir gerekçe midir?

Değildir. Skor yalnızca iki profilin sayı uzayında yakın durduğunu söyler. Uygulama kalitesi, oyun modeline uyum, karakter ve fiziksel dayanıklılık gibi belirleyici alanlar hesabın dışındadır ve ayrıca değerlendirilmelidir.

Aynı mevkideki iki oyuncu neden farklı listelerde çıkar?

Çünkü model mevkiye değil davranışa bakar. Kâğıt üzerinde aynı mevkide görünen iki futbolcu, takımlarında farklı görevler üstleniyorsa profilleri de ayrışır. Bu, modelin hatası değil; mevki etiketinin sahadaki gerçeği tam anlatmamasının sonucudur.

Model kendi ürettiği listeyle doğrulanabilir mi?

Hayır. Bir adayı “model de aynı ismi verdi” diyerek doğrulamak dairesel bir akıl yürütmedir. Doğrulama, modelin dışındaki bir kaynaktan gelmelidir: görüntü, canlı izleme ya da bağımsız bir gözlemcinin raporu.

Küçük bütçeli bir kulüp bu modelleri kullanmalı mı?

Kullanabilir ve genelde kazançlı çıkar; çünkü geniş bir havuzu hızlı daraltmak, sınırlı izleme kapasitesi olan kulüpler için değerlidir. Şart, listeyi kısa liste sanmamak ve daraltma sonrası mutlaka insan gözlemine yer bırakmaktır.

Sonuç

Oyuncu benzerliği modelleri, iyi kurulduklarında haftalarca sürecek bir tarama işini kısaltır; kötü okunduklarında ise sistem etkisini, lig farkını ve örneklem gürültüsünü kişisel yetenek sanmaya yol açar. Skoru bir hüküm değil, bir hipotez olarak ele alın; listeyi dakika, mevki ve rekabet düzeyi filtreleriyle yeniden üretin; kalan birkaç ismi görüntüyle sınayın. Bu sırayı izleyen bir kulüp, futbolda algoritmanın gerçekten iyi olduğu işi ona bırakmış, kararı ise kendinde tutmuş olur.

Bilgilendirme: Buradaki değerlendirmeler genel rehberlik amaçlıdır; model tasarımları, kullanılan metrik setleri ve veri kapsamı sağlayıcıdan sağlayıcıya değişir.