Önizleme
Hüseyin Akbulut, MSc (2026). Futbolda Makine Öğrenmesi ve Yapay Zekâ: Tahmin Modellerinden Karar Desteğine. Sporeus. Erişim, 22 Kasım 2026. https://sporeus.com/spor/makine-ogrenmesi-futbol/
Son on yılda makine öğrenmesi ve yapay zekâ, futbol analitiğinin merkezine yerleşti. Sakatlık riskinin değerlendirilmesinden yetenek keşfine, taktik analizden transfer kararlarına kadar geniş bir alanda bu algoritmalar artık yalnızca akademik çalışmalarda değil, elit kulüplerin karar süreçlerinde de kullanılıyor. Ne var ki teknolojinin gerçek kapasitesi ile çevresinde oluşan beklentiler arasındaki mesafe, alanın en önemli sorunlarından biri olmayı sürdürüyor. Modeller güçlü; ama ancak beslendikleri veri kadar.
İçindekiler
- Futbol Analitiğinde Makine Öğrenmesinin Kullanım Alanları
- xG ve Türevleri: Gol Beklentisinin Anatomisi
- Veri Sorunları: Gürültü, Seyrek Olaylar ve Küçük Örneklem
- Kulüplerdeki Uygulamalar ve Sınırları
- Yapay Zekâ Etiği ve Oyuncu Verisi Hakları
- Sahaya Uygulama: Makine Öğrenmesini Sorumlu Kullanmak
- Kaynaklar
Futbol Analitiğinde Makine Öğrenmesinin Kullanım Alanları
Futbolda kullanılan yöntemleri üç ana grupta toplayabiliriz. Denetimli öğrenme, sonucu bilinen verilerle eğitilen ve bir çıktıyı tahmin eden modelleri kapsar: GPS yük verileri ve sakatlık kayıtlarıyla eğitilen risk modelleri ya da geçmiş şutlar ve sonuçlarıyla eğitilen gol beklentisi (xG) modelleri bu gruptadır. Denetimsiz öğrenme, etiketsiz veride örüntü arar; oyuncuları hareket profillerine göre kümelemek ya da konum verisinden takım dizilişini çıkarmak buna örnektir. Pekiştirmeli öğrenme ise deneme yanılma ve ödül sinyaliyle öğrenen modellerdir ve futbolda hâlâ büyük ölçüde taktik karar simülasyonlarıyla sınırlı bir araştırma alanıdır.
Sakatlık tarafında modeller GPS yükü, iyilik hali anketleri, uyku ve geçmiş sakatlık öyküsü gibi verileri birleştirerek bireysel risk skoru üretmeyi hedefler (Rossi ve ark., 2018). Yetenek keşfinde ise oyuncu izleme, geleneksel gözlemin yanına olay ve takip verisine dayalı modelleri ekledi; istatistiksel modellere yaslanan transfer stratejisiyle tanınan Brentford, bu dönüşümün en sık anılan örneklerinden biridir.
Taktik analizde derin öğrenme modelleri dizilişleri otomatik olarak tanıyabiliyor ve baskı örüntülerini sınıflandırabiliyor. Ham girdi iki kaynaktan gelir. Tracab gibi optik takip sistemleri sahadaki 22 oyuncunun ve topun konumunu genellikle saniyede 25 kez kaydeder; bir maç milyonlarca konum kaydı demektir. StatsBomb gibi veri sağlayıcıları ise her maçta pas, şut, top kapma gibi binlerce olayı tek tek kodlar. Dizileri ve oyuncular arası etkileşimleri modellemek için tasarlanan tekrarlayan (recurrent) ve çizge (graph) sinir ağları bu veride giderek daha sık kullanılıyor.
xG ve Türevleri: Gol Beklentisinin Anatomisi
Gol beklentisi (expected goals, xG) modeli, futbol analitiğinde en yaygın benimsenen makine öğrenmesi uygulamasıdır. Model, şutun mesafe, açı, vücudun hangi bölümüyle vurulduğu ve öncesindeki aksiyon gibi özelliklerine bakarak o şutun gol olma olasılığını hesaplar; bunun için lojistik regresyon, gradyan artırma (gradient boosting) ya da sinir ağları kullanılır (Mead ve ark., 2023). Zamanla türev modeller geliştirildi. Şut sonrası xG (post-shot xG), şutun kaleye nereye gittiğini hesaba katar ve özellikle kalecinin şut kurtarma performansını değerlendirmek için kullanılır. xGChain, şutla biten bir hücumda topa dokunan tüm oyunculara o şutun xG değerini paylaştırır. Beklenen tehdit (expected threat, xT) ise topun sahanın her bölgesinde bulunmasının taşıdığı gol tehdidini ölçer.
Bir adım ötesi, topla yapılan her aksiyona değer biçen modellerdir. Decroos ve ark. (2019) tarafından geliştirilen VAEP (Valuing Actions by Estimating Probabilities), her pasın, çalımın ya da savunma müdahalesinin takımın gol atma ve gol yeme olasılığını ne kadar değiştirdiğini hesaplar. Böylece geleneksel istatistiklerin gözden kaçırdığı katkılar da görünür hale gelir ve oyuncular yalnızca gol ve asistle değil, toplam katkılarıyla değerlendirilebilir. Takip verisine dayalı saha kontrolü (pitch control) modelleri de oyuncuların konum ve hızlarından hareketle sahanın hangi bölgesini hangi takımın kontrol edeceğini tahmin eder.
Önemli bir sınırlılık var: xG modelleri ortalama bir oyuncunun ortalama bir şutuna göre kurulur. Bireysel bitiricilik ya da kaleci becerisi gerçek sonucu bu ortalamadan sistematik biçimde saptırabilir; küçük örneklemlerde ise ortalamaya gerileme (regression to the mean) etkisi büyüktür. Birkaç maçlık xG farkı, bir oyuncunun yeteneği hakkında çok az şey söyler.
Veri Sorunları: Gürültü, Seyrek Olaylar ve Küçük Örneklem
Futbol verisinin yapısı, modellerin performansını doğrudan sınırlar. Birinci sorun, futbolun düşük skorlu ve yüksek varyanslı bir oyun olmasıdır: 38 maçlık bir lig sezonunda bir takımın attığı gol sayısı, güvenilir istatistiksel sonuç çıkarmak için çoğu zaman yetersizdir. Aynı “küçük örneklem” sorunu sakatlık modellerini daha da sert vurur; belirli bir sakatlık türü bir kadroda bir sezonda yalnızca birkaç kez görülebilir.
Sonuçlar da bunu yansıtıyor. Nassis ve ark. (2023), futbolda sakatlık riskini tahmin eden makine öğrenmesi çalışmalarını derledi: modellerin özgüllüğü %74-98 arasındaydı, ama duyarlılığı yalnızca %15-56 aralığında kaldı; eğri altındaki alan (AUC) 0,66 ile 0,83 arasında değişti. Kısacası modeller sakatlanmayacak oyuncuları iyi ayırt ediyor, sakatlanacakların ise önemli bir kısmını kaçırıyor. Bu düzeydeki bir doğruluk, daha yüksek risk taşıyan grupları işaretlemek için yararlı olabilir; tek bir oyuncunun sakatlanıp sakatlanmayacağını öngörmek için ise yeterli değildir. Bir kulübün verisiyle eğitilen model başka bir kulübe de olduğu gibi taşınamayabilir.
Video, oyuncu raporları ya da serbest metin gibi yapılandırılmamış verinin modele katılması teoride bilgi ekler; ancak bu verinin temizlenmesi ve etiketlenmesi pahalıdır. Optik takip verisi de gürültülüdür: konum ölçümlerindeki küçük hatalar, hız ve ivme hesaplanırken büyür ve özellikle ivme değerlerini bozabilir. Düşük kaliteli veriden anlamlı sonuç çıkaran karmaşık bir model yoktur. Veri kalitesi, algoritmanın karmaşıklığından önce gelir.
Kulüplerdeki Uygulamalar ve Sınırları
Üst düzey liglerdeki kulüplerin büyük çoğunluğu artık bir veri analitiği altyapısına sahip. Ancak olgunluk düzeyleri arasındaki fark çok büyük: kimi kulüpler gelişmiş tahmin modelleri kullanırken kimileri temel istatistik raporlarıyla yetiniyor. Yazılım satıcılarının pazarlama dili ile gerçek analitik kapasite arasındaki farkı ayırt etmek, son kullanıcı için kolay değil.
Başarılı uygulamaların ortak noktası, teknolojiyi insan yargısının yerine değil, yanına koymalarıdır. Sık verilen örnek Liverpool’dur: Ian Graham’ın 2012-2023 arasında yönettiği araştırma bölümü, transfer ve oyun analizine istatistiksel modellerle girdi sağladı; kararları ise teknik ekip ve yönetim verdi. Herold ve ark. (2019) da derlemelerinde aynı noktanın altını çiziyor: antrenörlerin yorumlayabileceği ve pratikte kullanabileceği çıktılar üretmeyen modeller sahaya inmiyor. Oyun içi karar destek sistemlerinin ve gerçek zamanlı taktik önerilerin önümüzdeki yıllarda yaygınlaşması bekleniyor; bu süreçte modelin yorumlanabilirliği ve verinin etik kullanımı daha da önem kazanacak.
Otomasyonun oyunun kendisine nasıl girdiğine dair somut bir örnek 2022 Dünya Kupası’ydı. FIFA’nın yarı otomatik ofsayt teknolojisinde stadyum çatısındaki 12 kamera, topu ve her oyuncu üzerindeki 29 noktayı saniyede 50 kez izledi; topun içindeki sensör ise vuruş anını belirlemek için saniyede 500 kez veri gönderdi. Sistem otomatik ofsayt uyarısı üretiyor, video hakemleri bu uyarıyı kontrol edip sahadaki hakeme iletiyordu. Son söz yine insandaydı.
Yapay Zekâ Etiği ve Oyuncu Verisi Hakları
Makine öğrenmesinin yükselişi, oyuncu verilerinin toplanması ve kullanılması konusunda henüz çözülmemiş etik sorunlar doğuruyor. GPS koordinatları, kalp atım hızı, uyku ölçümleri, biyometrik sensör çıktıları ve video görüntüleri kulüp bünyesinde sürekli toplanıyor; oyuncunun kendi biyolojik ve performans verileri üzerindeki kontrolü ise pratikte sınırlı kalıyor. Avrupa’da Genel Veri Koruma Tüzüğü (GDPR), kişilere verilerinin hangi amaçla işlendiğini öğrenme ve bu verilere erişme hakkı tanır; sağlık verilerini de özel olarak korunan bir kategori sayar. Ne var ki profesyonel sözleşmelerdeki bağımlılık ilişkisi, bu hakların kullanılmasını zorlaştırıyor. FIFPRO ve ulusal oyuncu sendikaları, kulüplerin ve teknoloji şirketlerinin veri uygulamalarına daha net kurallar getirilmesi için baskı yapıyor.
Algoritmik şeffaflık, futbola özgü kritik bir boyut. Bir oyuncunun transferi, kadro dışı bırakılması ya da “yüksek sakatlık riski” ile etiketlenmesi bir model çıktısına dayandığında, modelin nasıl çalıştığını açıklayabilmek hem etik hem de işlevsel bir zorunluluktur. Kararın mantığını gizleyen “kara kutu” modeller, oyuncuların ve temsilcilerinin kararları sorgulamasını zorlaştırır. Bu yüzden açıklanabilir yapay zekâ (explainable AI, XAI) yaklaşımlarına, özellikle oyuncu değerlendirmesinde ve sağlık kararlarında talep artıyor. Model çıktısının yalnızca bir girdi olarak kullanılması ve son kararın her zaman yetkin bir insan tarafından verilmesi, bugün hem en sağlam etik standart hem de en güvenilir uygulama biçimi. Önündeki asıl engel artık teknik değil, kurumsal.
Sahaya Uygulama: Makine Öğrenmesini Sorumlu Kullanmak
- Tahmini nedensellikle karıştırmayın. GPS değişkenlerinden sakatlık riski tahmin eden bir model, sakatlığın neden oluştuğunu söylemez. Makine öğrenmesini riski sınıflandırmak için, mekanizmaya dayalı bilgiyi ise müdahaleyi tasarlamak için kullanın.
- Modeli kullanmadan önce yeni veride doğrulayın. Bir kulübün verisiyle eğitilen modelin başka koşullarda nasıl çalışacağı bilinmez. Modelin daha önce görmediği veriyle test edilmesi şarttır.
- Kararı insanda tutun. Model çıktısı bir olasılıktır, talimat değil. Kadro, tedavi ve sağlıkla ilgili kararlar yetkin personelde kalmalıdır.
- Sınırlılıkları açıkça paylaşın. Antrenörler ve oyuncular modelin neyi ölçtüğünü, ne kadar doğru olduğunu ve nerede yanılabileceğini bilmelidir.
- Karmaşıklıktan önce veri kalitesini düzeltin. Kötü veri üzerine kurulan gelişmiş bir model, kendinden emin ama yanlış cevaplar üretir. Tutarlı GPS işleme, sakatlık kaydı ve yük verisi önce gelir.
Kaynaklar
- Rein R, Memmert D (2016). Big data and tactical analysis in elite soccer: future challenges and opportunities for sports science. SpringerPlus, 5(1): 1410. doi:10.1186/s40064-016-3108-2
- Herold M, Goes F, Nopp S, Bauer P, Thompson C, Meyer T (2019). Machine learning in men’s professional football: Current applications and future directions for improving attacking play. International Journal of Sports Science & Coaching, 14(6): 798-817. doi:10.1177/1747954119879350
- Rossi A, Pappalardo L, Cintia P, Iaia FM, Fernandez J, Medina D (2018). Effective injury forecasting in soccer with GPS training data and machine learning. PLoS ONE, 13(7): e0201264. doi:10.1371/journal.pone.0201264
- Nassis GP, Verhagen E, Brito J, Figueiredo P, Krustrup P (2023). A review of machine learning applications in soccer with an emphasis on injury risk. Biology of Sport, 40(1): 233-239. doi:10.5114/biolsport.2023.114283
- Mead J, O’Hare A, McMenemy P (2023). Expected goals in football: Improving model performance and demonstrating value. PLoS ONE, 18(4): e0282295. doi:10.1371/journal.pone.0282295
- Decroos T, Bransen L, Van Haaren J, Davis J (2019). Actions speak louder than goals: valuing player actions in soccer. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 1851-1861.
Spor Bilimleri Lisans (kürek branşı), Marmara Üniversitesi Yüksek Lisans. Marmara Üniversitesi Nörobilim Laboratuvarı'nda EEG tabanlı motor nöron sınıflandırması üzerine yüksek lisans tezi.
- 540pp EŞİK Kitabı
- MSc Spor Bilimleri
- Marmara Üniversitesi
Futbol Analitiğinde Makine Öğrenmesinin Kullanım Alanları
Futbolda kullanılan yöntemleri üç ana grupta toplayabiliriz. Denetimli öğrenme, sonucu bilinen verilerle eğitilen ve bir çıktıyı tahmin eden modelleri kapsar: GPS yük verileri ve sakatlık kayıtlarıyla eğitilen risk modelleri ya da geçmiş şutlar ve sonuçlarıyla eğitilen gol beklentisi (xG) modelleri bu gruptadır. Denetimsiz öğrenme, etiketsiz…
xG ve Türevleri: Gol Beklentisinin Anatomisi
Gol beklentisi (expected goals, xG) modeli, futbol analitiğinde en yaygın benimsenen makine öğrenmesi uygulamasıdır. Model, şutun mesafe, açı, vücudun hangi bölümüyle vurulduğu ve öncesindeki aksiyon gibi özelliklerine bakarak o şutun gol olma olasılığını hesaplar; bunun için lojistik regresyon, gradyan artırma (gradient boosting) ya da sinir…
Veri Sorunları: Gürültü, Seyrek Olaylar ve Küçük Örneklem
Futbol verisinin yapısı, modellerin performansını doğrudan sınırlar. Birinci sorun, futbolun düşük skorlu ve yüksek varyanslı bir oyun olmasıdır: 38 maçlık bir lig sezonunda bir takımın attığı gol sayısı, güvenilir istatistiksel sonuç çıkarmak için çoğu zaman yetersizdir. Aynı "küçük örneklem" sorunu sakatlık modellerini daha da sert…
Kulüplerdeki Uygulamalar ve Sınırları
Üst düzey liglerdeki kulüplerin büyük çoğunluğu artık bir veri analitiği altyapısına sahip. Ancak olgunluk düzeyleri arasındaki fark çok büyük: kimi kulüpler gelişmiş tahmin modelleri kullanırken kimileri temel istatistik raporlarıyla yetiniyor. Yazılım satıcılarının pazarlama dili ile gerçek analitik kapasite arasındaki farkı ayırt etmek, son kullanıcı için…
Yapay Zekâ Etiği ve Oyuncu Verisi Hakları
Makine öğrenmesinin yükselişi, oyuncu verilerinin toplanması ve kullanılması konusunda henüz çözülmemiş etik sorunlar doğuruyor. GPS koordinatları, kalp atım hızı, uyku ölçümleri, biyometrik sensör çıktıları ve video görüntüleri kulüp bünyesinde sürekli toplanıyor; oyuncunun kendi biyolojik ve performans verileri üzerindeki kontrolü ise pratikte sınırlı kalıyor. Avrupa'da Genel…