Bisnode: Srbija tek 23 favorit za osvajanje Mundijala

Iza Brazila, kao drugi favorit figurira aktuelni svetski šampion, selekcija Nemačke, a iza njih su odmah Španija i Portugal, dok je najmanja verovatnoća da će se titulom svetskih šampiona „okititi“ fudbaleri Tunisa i Saudijske Arabije.

Bisnode je svojim stručnjacima za podatke i analitiku dao zadatak da razviju algoritam koji može da predvidi koja reprezentacija će izaći kao pobednik 15. jula 2018.

Bisnode Group Analytics je udružio snage sa lokalnim analitičkim timovima kako bi otkrio da li se nauka o podacima i mašinsko učenje mogu iskoristiti za predviđanje koja reprezentacija će osvojiti najveće fudbalsko takmičenje. Koristeći sve istorijske podatke o igrama reprezentacija tokom prethodne četiri godine, Bisnode je razvio model koji procenjuje verovatnoću pobede, nerešenog rezultata ili poraza, kao i gol-razliku na svakoj budućoj utakmici reprezentacija koje učestvuju na ovom takmičenju.

„Naš prvi cilj bio je da razvijemo model koji može da predvidi pobedu, nerešeni rezultat ili poraz, kao i gol-razliku na svakoj budućoj utakmici između dve reprezentacije na osnovu njihovih karakteristika“, kaže Gotje Dokir, vodeći naučnik u oblasti podataka na projektu. „Drugi cilj bio je da odredimo najizgledniji scenario turnira i ostalu izvedenu statistiku izvođenjem velikih simulacija, uzimajući u obzir specifičnosti turnira.“

Prvi model zasnivao se na istorijskim podacima sa informacijama o vrsti turnira, mestu odigravanja utakmice, rezultatu, plasmanu timova i tako dalje. Ti podaci su uneseni u napredni model zasnovan na mašinskom učenju koristeći tehniku za izračunavanje verovatnog ishoda na svakoj utakmici, poznatu pod imenom eXtreme Gradient Boosting. Upotrebom ovog prediktivnog modela, Bisnode Group Analytics je izveo simulacije za stvarne utakmice koje će biti odigrane.

„Generisanjem miliona simulacija, izvukli smo probabilističke informacije povezane sa svakom reprezentacijom i njenim stizanjem do svake faze turnira“, kaže Goran Lončar, direktor Group Analytics. „Naš pristup nije nam omogućio samo procenu verovatnoće da jedan tim stigne do određene faze, već nam je pružio i najverovatniji scenario celog turnira, kao i ukupnu šansu svakog tima da se domogne trofeja.“

Bisnode je koristio mašinsko učenje, potpodručje informatike koje „računarima daje sposobnost učenja bez izričitog programiranja“. Razvijeno iz studije prepoznavanja uzoraka i teorije računarskog učenja u veštačkoj inteligenciji, mašinsko učenje koristi algoritme koji mogu da uče iz podataka i vrše predviđanja na osnovu njih.

Bisnode je koristio dubinsku analizu podataka, tehniku analize koja se fokusira na otkrivanje uzoraka i trendova u podacima kako bi unosio podatke u prediktivni model i rangirao timove.