Günlük ve haftalık bültenlerimize katılın, sektördeki AI haberleri hakkında en güncel bilgiler ve özel içerik alın. Daha fazla bilgi için tıklayın.
Basketbolda istatistikler her şey olabilir — ancak Pacers Sports and Entertainment (PS&E) için fan verileri oldukça değerlidir.
NBA takımı Indianapolis Pacers, WNBA takımı Indiana Fever ve NBA G League takımı Indiana Mad Ants ‘ın ana şirketi olan PS&E, fiyatlandırma ve bilet talebi gibi faktörlerle ilgili öngörücü modeller oluşturmak için yıllık 100.000 dolarlık bir makine öğrenimi (ML) platformuna büyük miktarlarda veri yatırırken, elde ettikleri bilgiler yeterince hızlı gelmiyordu.
Yeni Bir Yaklaşım: Databricks
Veri mühendisliği ve strateji yöneticisi Jared Chavez, bu durumu değiştirmek üzere adım attı ve bir buçuk yıl önce Salesforce ile Databricks’e geçmeye karar verdi.
Artık, ekibi, fan davranışlarıyla ilgili önemli içgörüler elde etmek üzere dikkatli bir biçimde yapılandırılmış hesaplama ile aynı düzeyde öngörücü projeler gerçekleştiriyor. Tüm bunları yılda sadece 8 dolara yapıyorlar. Elde ettikleri bu muazzam tasarrufu, ekiplerinin ML hesaplamalarını neredeyse sıfıra indirmeye yönelik yeteneğine bağlıyor.
İşletme Maliyetlerini Azaltma
Üç basketbol takımının yanı sıra Pacers Gaming adlı e-spor işini de yöneten PS&E, Gainbridge Fieldhouse arenasında (konserler, komedi gösterileri, rodeolar ve diğer spor olayları) 300’den fazla etkinlik düzenliyor. Ayrıca, geçtiğimiz ay 78 milyon dolarlık Indiana Fever Spor Performans Merkezi inşa etme planlarını duyurdular. Bu merkez, arenaya ve bir otoparka bağlanan bir yaya köprüsü ile yapılacak ve 2027’de açılması bekleniyor.
Tüm bunlar, büyük bir veri ve veri dağınıklığı anlamına geliyor. Chavez, iki yıl öncesine kadar, organizasyonun tamamen bağımsız iki veri deposuna sahip olduğunu belirtiyor. Farklı ekipler, kendi analitik yöntemlerini kullanıyordu ve teknik beceriler oldukça farklıydı.
Veri Yönetiminde Devrim
Ayrıca, Azure Synapse Analytics ile entegrasyonun maliyet açısından PS&E gibi bir organizasyon için sürdürülebilir olmadığını vurguladı. Bu sorunları gidermek için Chavez, Databricks AutoML ve Databricks Machine Learning Workspace’e geçti. İlk olarak bilet fiyatları ve oyun talebi üzerine modeller geliştirmeye odaklandılar.
Hem teknik hem de teknik olmayan kullanıcılar platformlardan hemen fayda gördü, bu da ML süreçlerini hızlandırdı ve maliyetleri düşürdü.
Chavez, “Pazarlama ekibim için yanıt sürelerini önemli ölçüde artırdı, çünkü kod yazmayı bilmelerine gerek yok,” diyor. “Tek yapmaları gereken düğmelere tıklamak ve tüm veriler Databricks’e birleşik kayıtlar olarak geri dönüyor.”
Bugün PS&E, yıllık işletme maliyetlerinin %2’sine yakın bir seviyede çalışıyor. Chavez, “Operasyonlarda yüz binlerce doları sadece tasarruf ettik. Bunu müşteri veri zenginliğine yeniden yatırdık.” şeklinde konuştu.
Veri Derinlemesine Analiz ile İleri Görüşlülük
Ekip, hesaplamaları bu denli düşürmeyi nasıl başardıklarını ise sürekli olarak cluster konfigürasyonlarını, şemalara olan bağlantı seçeneklerini ve ML model çıktılarının PS&E’nin veri tablolarına entegre edilmesini sağlayarak elde ettiklerini belirtiyor.
Chavez, “Bize her seferinde daha iyi tahminler sağlayan sürekli bir zenginleştirme, rafine etme, birleştirme ve tahmin etme süreci var,” diyor. “Verilerin büyüklüğünü bilerek bunun ne kadar süreceğini tahmin edebiliyoruz.”
