Developing a novel decision support system for performance evaluation and team formation in sports

Abstract

SPORDA PERFORMANS DEĞERLENDİRME VE TAKIM OLUŞTURMA İÇİN ÖZGÜN KARAR DESTEK SİSTEMİ GELİŞTİRİLMESİ Basketbol gibi takım sporlarında, takımın genel değeri, oyuncuların performanslarını basitçe değerlendirip, toplayarak elde edilemez. Oyuncuların oyun tarzlarını belirlemek ve doğru oyuncuları bir araya getirmek, kazanmak için çok önemlidir. Bu çalışmada, basketbol oyuncularını, geleneksel olarak tanımlanan beş pozisyon [Oyun Kurucu (PG), Şutör Gard (SG), Kısa Forvet (SF), Uzun Forvet (PF) ve Pivot (C)] içerisinde oyun stillerine göre benzer kümelerde gruplandırmak amaçlandı. Bu şekilde takımlar, daha iyi bir takım oluşturmak için oyuncu tarzlarını belirleyip, ne tarz oyuncuları takıma katmaları gerektiği konusunda destek alabilecekler. Ulusal Basketbol Birliği'nin (NBA) 15 sezonuna ait 17 oyunla ilgili istatistik, hiyerarşik kümeleme yöntemi kullanılarak analiz edildi. Optimum grup sayısını belirlemek için ise küme geçerlilik indeksleri (CVIs) kullanıldı. Bu analiz sonucunda, PG, SG ve SF pozisyonları için dört küme belirlenirken, PF pozisyonu için beş küme ve C pozisyonu için altı küme oluşturuldu. Takım yönetimlerinin, kümelerin galibiyetlere etkisini verimli bir şekilde analiz edebilmeleri için Tableau arayüzü kullanılarak karar destek sistemi tasarlandı. Bu sistemde bireysel kümelerin, küme ikililerinin ve üçlülerin başarıya etkileri sunuldu. Bu analizler için üç performans göstergesi, uyarlanmış artı-eksi (APM), ortalama puan farkı (APD) ve kümelerin kazanan takımlarda yer alma yüzdesi kullanıldı. DEVELOPING A NOVEL DECISION SUPPORT SYSTEM FOR PERFORMANCE EVALUATION AND TEAM FORMATION IN SPORTS In team sports such as basketball, the team’s overall value cannot be obtained by simply evaluating and summing the player’s performances. Determining the players’ playing styles and bringing the right players together is essential for winning. This study aimed to group basketball players into similar clusters according to their playing styles for each of the traditionally defined five positions (Point Guard (PG), Shooting Guard (SG), Small Forward (SF), Power Forward (PF), and Center (C)). This way, teams would be able to identify their type of players to help them determine what type of players they should recruit to build a better team. The 17 game-related statistics from 15 seasons of the National Basketball Association (NBA) were analyzed using a hierarchical clustering method. The cluster validity indices (CVIs) were used to determine the optimum number of groups. Based on this analysis, four clusters were identified for PG, SG, and SF positions, while five clusters for PF position and six clusters for C position were established. The achievements of individual clusters, clusters duos, and trios were analyzed based on point differential with this system. The decision support system that includes these analyses has been designed and presented on the Tableau Dashboard for team management. Three performance indicators, adjusted plus-minus (APM), average points differential (APD), and the percentage of clusters on winning teams, were used for these analyses.