Opas data-analytiikkaan ja sen hyödyntämiseen jääkiekossa
Feodorow, Jani (2025)
2025
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2025110527167
https://urn.fi/URN:NBN:fi:amk-2025110527167
Tiivistelmä
Opinnäytetyön taustalla on jääkiekon analytiikan suuri kasvu viime vuosina ja sen suosio fanien, valmennuksen kuin harrastelijoiden keskuudessa. Datan määrä on kasvanut ja yhä useampi on kiinnostunut jääkiekon datan analyyttisemmasta puolesta.
Opinnäytetyön tuotoksena luotiin jääkiekon data-analytiikkaopas. Työssä esiteltiin prosessin työkaluja ja menetelmiä. Näihin työkaluihin ja menetelmiin kuuluivat Excel ja Python kirjastoineen (Numpy, Matplotlib ja Pandas). Exceliä käytettiin datan esikäsittelyyn ja Pythonia visualisointiin. Tämän lisäksi työssä esiteltiin jääkiekon perinteisten ja edistyneiden tilastojen merkitys ja miten näitä hyödynnetään jääkiekossa.
Toiminnallisena osuutena tuotettiin esimerkki, jossa käytettiin edellä mainittuja työkaluja ja menetelmiä. Tällä esimerkillä havainnollistettiin, miten työkaluja ja menetelmiä sovellettiin, jotta saatiin puhdasta dataa visualisointia varten. Esimerkissä analysoitiin maalivahtien torjuntoja rebound- ja freeze-tilanteissa heatmapien avulla, sekä torjuntaprosentteja eri laukaisusektoreilta (high, medium- ja low danger) pylväsdiagrammin avulla, ja niitä verrattiin boxplotin kaikkien maalivahtien keskiarvoihin.
Tuloksena syntyi helppolukuinen opas, jonka kautta lukija ymmärtää data-analytiikan vaiheet ja oppii miten edetä omassa analytiikkaprojektissa. Oppaassa kerrotaan vaiheittain, miten Exceliä ja Pythonia käytetään projektin eri vaiheissa ja millaisin menetelmin saavutetaan haluttu lopputulos visualisoinnissa ja analyysissa.
Opinnäytetyön tuotoksena luotiin jääkiekon data-analytiikkaopas. Työssä esiteltiin prosessin työkaluja ja menetelmiä. Näihin työkaluihin ja menetelmiin kuuluivat Excel ja Python kirjastoineen (Numpy, Matplotlib ja Pandas). Exceliä käytettiin datan esikäsittelyyn ja Pythonia visualisointiin. Tämän lisäksi työssä esiteltiin jääkiekon perinteisten ja edistyneiden tilastojen merkitys ja miten näitä hyödynnetään jääkiekossa.
Toiminnallisena osuutena tuotettiin esimerkki, jossa käytettiin edellä mainittuja työkaluja ja menetelmiä. Tällä esimerkillä havainnollistettiin, miten työkaluja ja menetelmiä sovellettiin, jotta saatiin puhdasta dataa visualisointia varten. Esimerkissä analysoitiin maalivahtien torjuntoja rebound- ja freeze-tilanteissa heatmapien avulla, sekä torjuntaprosentteja eri laukaisusektoreilta (high, medium- ja low danger) pylväsdiagrammin avulla, ja niitä verrattiin boxplotin kaikkien maalivahtien keskiarvoihin.
Tuloksena syntyi helppolukuinen opas, jonka kautta lukija ymmärtää data-analytiikan vaiheet ja oppii miten edetä omassa analytiikkaprojektissa. Oppaassa kerrotaan vaiheittain, miten Exceliä ja Pythonia käytetään projektin eri vaiheissa ja millaisin menetelmin saavutetaan haluttu lopputulos visualisoinnissa ja analyysissa.