Design, studio, modellizzazione di nuove metriche e KPI per l’analisi delle performance di un giocatore di tennis = Design, study and model new metrics and KPIs from tennis game data

Al giorno d’oggi le partite di tennis hanno una rappresentazione grafica molto scarna, facendo sì che i pochi dati che vengono proposti a schermo risultino poco chiari o indecifrabili all’occhio di uno spettatore non avvezzo al gioco del tennis. L’obbiettivo di questo progetto è quello di creare una piattaforma che permetta in modo semplice e intuitivo di ottenere in tempo reale delle metriche e degli indicatori che consentano di misurare le performance di un giocatore o poterne mettere a confronto due. Lo sviluppo del progetto si articola in tre macrofasi, la prima consiste nello studio e la creazione di un datawarehouse che possa immagazzinare tutti i dati che servono, la seconda fase invece riguarda l’estrazione dei file json forniti come dataset, dove i dati vengono elaborati fino ad essere caricati nel database, infine l’ultima fase consiste nell’aggregazione dei dati fino ad ottenere metriche, indici e grafiche di interesse. Sono quindi partito dalla costruzione del datawarehouse, che deve gestire tutti i dati provenienti dai file, e “intersecarli” con le tabelle accessorie che andranno a comporre il nostro database; infatti, al fine di avere un dato completo oltre alle informazioni ricavate dai file json, sono necessarie altre tabelle esterne che aiutino ad arricchire l’informazione riguardante un punto del match. Per la progettazione delle tabelle sono partito dalle variabili presenti nei file json, i quali contengono le informazioni puntuali riguardanti il punto, come la tipologia del colpo e il tipo di punto guadagnato. Poi ho arricchito il contenuto inserendo, ad esempio, le informazioni sui tornei, le anagrafiche dei giocatori e la posizione del ranking. Per poter caricare facilmente i dati estratti sul database è consigliato creare un file csv, il quale avendo già una struttura tabellare, ben si presta a questa operazione, per cui questa seconda fase, consiste nell’estrazione dei dati fino ad ottenere un file di questo tipo. Per eseguire l’estrazione ho utilizzato un linguaggio di scripting, Python, che tramite l’utilizzo di alcune librerie, agevola l’automazione di tutto il processo, inoltre mi ha permesso di estrarre qualche dato più complesso non direttamente descritto nel file. Il passo successivo, dopo aver immagazzinato i dati, è stato quello di fare le interrogazioni, così da avere i dati base per poter iniziare a costruire le metriche e gli indicatori e per poter gestire queste interrogazioni ho utilizzato uno strumento dei database relazionali, le “viste”, ovvero delle interrogazioni precaricate che possono essere gestite ed interrogate come se fossero delle tabelle del datawarehouse. L’ultimo passaggio che ho effettuato è stato quello di impacchettare tutte queste operazioni così da avere le sembianze di un prodotto completo, per cui ho creato una applicazione web, che una volta avviata permette in tempo reale di costruirci delle grafiche che mostrino gli indici che vengono calcolati. L'applicazione permette di fornire dei parametri passati dall’utente mediante l’utilizzo di menù a tendina e filtri di ricerca, così da ottenere una ricerca e/o uno studio più puntuale. Il vantaggio di questa soluzione è che non richiede risorse hardware elevate, poiché basta una finestra browser, ed inoltre non richiede competenze tecniche poiché tutte le operazioni vengono eseguite in automatico dall’applicativo, mentre l’utente dovrà solamente settare i parametri con cui devono essere create le grafiche e i KPI.