ESports match analytics

Abstract

The purpose of this thesis, was to research the predictability of competitive sports, and to develop a software system to gather and analyse said predictability. The final goal is to find correlating features in available data.

A video game (League of Legends) was picked as a sample subject, due to its well documented API and the author's previous experience with it. During this thesis project, a system was built to continuously gather match data that was later on transferred to another environment for data analysis. Both phases were documented in the thesis.

The system was built using Django framework (for rapid prototyping), and data analysis was performed using Jupyter Notebooks (for portability). Data was transferred via compressed PostgreSQL table dumps.

After an extensive exploratory data analysis as well as binary classification using neural networks, the conclusion was that with the available data is it impossible to predict match results accurately (beyond 55% accuracy on a hold-out test dataset).

This work could be used as a foundation for future research on the topic of match analytics, for example on predicting an individual participant's behaviour which was not performed in this work.

Insinöörityössä selvitettiin joukkuepohjaisten e-urheiluottelujen tulosten ennustamista käytännön esimerkin avulla. Työn kohde oli videopeli League of Legends. Tavoitteena oli ennustaa ottelun lopputulos mahdollisimman tarkasti käyttäen aiempaa (ottelun alkua edeltävää) tietoa. Vaihtoehtoisesti työ pyrki selvittämään, onko tämä ylipäätänsä mahdollista työssä toteutetulla tavalla.

Työn alussa aihealue rajattiin tiettyyn osalohkoon kyseistä videopeliä ("Solo-/Duo Ranked") ja tästä osalohkosta listattiin saatavissa olevia tietovarantoja. Näiden tietojen ominaisuudet kartoitettiin, niille haettiin keskenäissuhteita, ja lopuksi ne mallinnettiin muodollisesti ohjelmallisesti käsiteltävään muotoon (Entity-Relationship- eli ER-malleina).

Toteutus jatkui rakentamalla ensin tiedonkeruuta toteuttava palvelinohjelmisto Python-ohjelmointikieltä käyttäen. Ohjelmistokehityksessä ensin valmistetun prototyypin pohjalta tehtiin lopullinen toteutus. Tätä varten tehtiin taustaselvitystä prosessien tausta-ajosta ja rakennettiin monitorointia varten tiedonkeruun seurantapaneeli. Lähdekoodi pidettiin johdonmukaisena ja päätelaiteriippumattomana Git-versionhallintaohjelmistoa käyttäen.

Kun tiedonkeruu saavutti muutaman sadan tuhannen tietueen lukumäärän, ryhdyttiin suunnittelemaan ja toteuttamaan analytiikkaa. Työn lopuksi tietueet visualisoitiin ja toteutettiin syvä neuroverkko, joka tuotti 55 %:n ennustustarkkuuden. Tarkkuutta pyrittiin parantamaan hakemalla lisää dataa ja jalostamalla olemassa olevaa dataa heuristisin menetelmin.

Lopputuloksena ei saavutettu riittävää ennustustarkkuutta, jotta se oikeuttaisi toiminnan (oli toiminta sitten vedonlyönti tai ottelun kesken jättäminen). Vaikka tämän voi laskea epäonnistumiseksi, työstä saa käsityksen ihmispelaajien ennustettavuuden vaikeudesta.

Jatkotyö voisi keskittyä yksityiskohtaisemmin yksittäisen pelaajan tulosten ennustettavuuteen.