Problem
Futbolcu performansı, transfer ve piyasa değeri analizi; oyuncu, kulüp, lig, değerleme ve transfer sonuçları arasında güvenilir veri modellemesi gerektirir.
Teknik vaka çalışması
Football Player Performance Analysis
Transfermarkt verisiyle BigQuery, dbt, Power BI ve scikit-learn kullanılarak hazırlanmış futbol analitiği ve piyasa değeri modelleme projesi.
Uygun rol
Uygulamalı Veri BilimciAnalitik Mühendisiİş Zekâsı AnalistiVeri Analisti
Teknik açıklamalar Türkçeye çevrilmiştir. Sonuç metriklerinin ölçüm koşulları, başarısız denemeler ve kaynak bağlantıları özgün proje kanıtlarıyla aynı kapsamda korunur.
Hızlı teknik inceleme
Teknik vaka çalışması: dört temel nokta.
Mimari
Depo veri ambarı olarak BigQuery kullanır. dbt, staging, intermediate, mart, snapshot, semantik ve makine öğrenmesi özellik katmanlarını birbirinden ayırır.
Sonuçlar
46 dbt modeli + 25 mart tablosu
Sınırlamalar ve kapsam
0.9756 düzeyindeki R2 sonucu, deponun kendi karşılaştırmasında önceki değer baz çizgisine (0.9704) çok yakındır; başarının büyük kısmı geçen sezonun fiyatından gelir. Gerçek kazanım WAPE (13.88% yerine 12.51%) ve MAE (EUR 867,156 yerine EUR 781,409)…
Tam açıklamayı oku
0.9756 düzeyindeki R2 sonucu, deponun kendi karşılaştırmasında önceki değer baz çizgisine (0.9704) çok yakındır; başarının büyük kısmı geçen sezonun fiyatından gelir. Gerçek kazanım WAPE (13.88% yerine 12.51%) ve MAE (EUR 867,156 yerine EUR 781,409) ölçümlerinde görülür.
Kaynaklarda yayımlanmış teknik kanıtlar kullanılmıştır. Ölçüm koşulları için tam vaka çalışmasını inceleyin.
Kanıta dayalı görsel inceleme
Projenin gerçek çıktılarını inceleyin.
Tasarım kapağı, kaynak ekran görüntüleri ve proje figürleri birbirinden ayrılmıştır.
Portföy illüstrasyonu
Portföy için hazırlanmış kavramsal görseldir; canlı uygulama arayüzü veya ölçülmüş performans kanıtı değildir.
46 dbt modeli + 25 mart tablosu
241/241 test + 12/12 güncellik kontrolü başarılı
9 Power BI sayfası + 2 detay geçiş sayfası
Piyasa değeri modeli R2 0.9756 / WAPE 12.51%; önceki değer baz çizgisi 0.9704
Proje kanıtları
Doğrulanabilir dış kaynaklar
Son doğrulama 2026-10-05
Problem ve yaklaşım
Problem
Futbolcu performansı, transfer ve piyasa değeri analizi; oyuncu, kulüp, lig, değerleme ve transfer sonuçları arasında güvenilir veri modellemesi gerektirir.
Mimari
Depo veri ambarı olarak BigQuery kullanır. dbt, staging, intermediate, mart, snapshot, semantik ve makine öğrenmesi özellik katmanlarını birbirinden ayırır.
Katkı analizi
Bu depo daha önce birlikte geliştirilmiş bir projenin fork sürümüdür. Staging, intermediate ve ilk mart katmanları (46 dbt modelinin 28 tanesi; kaynak tanımları ve kaynak testleriyle birlikte) upstream depodan gelir. İki ek mart başka bir ortak geliştirici tarafından hazırlanmıştır. Geriye kalan 16 model (14 mart ve 2 ML özellik modeli), tekil testler, sütun belgeleri, semantik katman, snapshotlar, CI iş akışları, piyasa değeri ML hattı ve Power BI raporu burada gösterilen özgün katkılardır.
Makine öğrenmesi katmanı
Belgelenmiş HistGradientBoostingRegressor iş akışı, veri sızıntısı önlemleriyle önceki sezon bilgisine gecikmeli erişen özelliklerden ve kalite segmentine göre yönlendirmeden yararlanarak güncel oyuncu piyasa değerini tahmin eder.
İddia edilmeyen noktalar
0.9756 düzeyindeki R2 sonucu, deponun kendi karşılaştırmasında önceki değer baz çizgisine (0.9704) çok yakındır; başarının büyük kısmı geçen sezonun fiyatından gelir. Gerçek kazanım WAPE (13.88% yerine 12.51%) ve MAE (EUR 867,156 yerine EUR 781,409) ölçümlerinde görülür.
Neden önemli?
BI raporunu, yönetişimli metrikleri, testleri, belgeleri ve veri sızıntısı kontrol edilen ML hattını aynı incelenebilir sistemde birleştirir. Böylece model, dayandığı veri katmanıyla birlikte doğrulanabilir.
Mimari ve analiz
- Staging, intermediate, mart, snapshot, semantik metrik ve ML özellik katmanlarıyla dbt/BigQuery mimarisi kurar.
- Yönetilen martlara bağlı 9 sayfalı ve 2 detay geçiş sayfalı Power BI PBIP raporu sunar.
- Futbolcu performansı, segmentleme, kulüp/lig, transfer başarısı, piyasa değeri ve ML tahminlerini birbirine bağlar.
Test ve doğrulama
- Tam model ve sütun belgeleri bulunan 46 dbt modeli
- Başarılı 241 kaynak ve veri testi; ayrıca başarılı 12 kaynak güncelliği kontrolü
- dbt CI, üretim ML doğrulaması ve belge dağıtımı için GitHub Actions iş akışları
Operasyonel değer
- Kaggle üzerinde "sonraki değer = güncel değer" baz çizgisinin R2 0.967 sonucuna eriştiğini gösterir; daha anlamlı beceri, zamansal ayrımlı modelin R2 0.22 elde ettiği değer değişimini tahmin etmektir.
- 46 dbt modeli (25 mart, bunların 6 tanesi bölümlenmiş), 2 ML özellik modeli ve 7 yönetilen semantik metriği doğrular.
- Oyuncu, kulüp, transfer ve piyasa değeri analizlerini içeren 9 sayfalı ve 2 detay geçiş sayfalı Power BI raporunu belgeler.
- Piyasa değeri modelini 90,704 oyuncu-sezon satırında eğitir ve 7,841 oyuncu için puanlama çıktısı yayımlar.
- v5 topluluk modeli için R2 0.9756, WAPE 12.51%, MAE EUR 781,409 ve RMSE EUR 2,039,156 raporlar.
Nasıl incelenir
- dbt modeli, test, belge, panel ve ML kapsamını doğrulamak için README proje durumu tablosundan başlayın.
- Tekil SQL modellerinden önce mimari ve veri kalitesi belgelerini açın.
- İş odaklı raporlama katmanı için Power BI ekran görüntülerini ve PBIP yapısını inceleyin.
- Özellik tasarımı, model başarımı, yönlendirme ve sınırlamalar için oyuncu piyasa değeri ML belgesini kullanın.