Data-Driven Decision-Making in Fantasy Premier League : Correlations, predictions and optimization strategies

Abstract

The increased amount of available information has, over the past decades, spread through every industry, and the world of sports has been no exception. Today, various statistics are available almost in real time and for nearly every event. This is naturally also the case with the world’s most popular football league, the English Premier League. This available information is utilized not only within teams themselves, but also widely for other purposes such as betting and fantasy games. Fantasy Premier League (FPL), which focuses on the English Premier League, and the statistics related to it, are at the center of this thesis. FPL provides an ideal environment for applying the principles of data-driven management within the constraints of limited resources. The research question of this thesis is: How can data-driven decision-making enhance performance in Fantasy Premier League (FPL) through correlation analysis, predictive modeling, and optimization strategies?

The theoretical section of the thesis focuses on explaining the principles of data-driven management, predictive analytics, and optimization, particularly from the perspective of fantasy sports games. The methodology section describes the data analysis techniques used, presents the underlying mathematical formulas, and explains how the data was collected. The data used in this thesis is numerical, and the research method is quantitative.

The empirical section of the thesis consists of a test created using the Python programming language. The first objective was to identify the factors that correlate most strongly with FPL points and recorded match events. After this, the mean absolute error and the root mean squared error were determined to evaluate the effectiveness of the predictive regression models. Finally, a simulation utilizing optimization was carried out, in which the created optimization model selected an FPL team and competed against a team representing a human minded, heuristic model.

The results of the thesis indicate that data-driven management can also be applied in the world of fantasy sports. The created model did not outperform the human-like team in every individual round, but overall, it accumulated more points. In addition, it utilized the available budget considerably more efficiently. It should be remembered that FPL is a complex game, and this thesis alone cannot account for all variables, meaning that some simplifications had to be made. The observation period was also too short to draw broader conclusions. Nevertheless, it can be concluded that data-driven management and various forms of data analytics have become a permanent part of the lives of FPL managers going forward.

Lisääntynyt määrä saatavilla olevaa tietoa on kulkenut viime vuosikymmeninä läpi jokaisen toimialan eikä urheilumaailma ole ollut poikkeus. Nykyään erilaisia tilastoja on saatavilla lähes reaaliaikaisesti ja lähes kaikista tapahtumista. Näin on tietysti myös maailman suosituimman jalkapallosarjan Englannin valioliigan kanssa. Tätä saatavilla olevaa tietoa hyödynnetään paitsi joukkueiden sisällä myös laajalti muihin tarkoituksiin kuten esimerkiksi vedonlyöntiin tai fantasy peleihin. Englannin valioliigaan keskittyä Fantasy Premier League (FPL) ja siihen liittyvät tilastot ovatkin tämän työn keskiössä. FPL tarjoaa otollisen ympäristön hyödyntää tiedolla johtamisen periaatteita vallitsevien rajallisten resurssien ympäristössä. Työn tavoitteena on selvittää, pystytäänkö näitä jo muilta aloilta tuttuja keinoja hyödyntämään myös mahdollisimman hyvän FPL joukkueen rakentamiseen.

Työn kirjallinen osuus keskittyy avaamaan tiedolla johtamisen, ennustavan analytiikan ja optimoinnin periaatteita erityisesti urheilun fantasiapelien näkökulmasta. Metodologia osiossa avataan käytettävät data-analyysitekniikat, esitellään taustalla vaikuttavat matemaattiset kaavat sekä käydään läpi, miten aineisto on kerätty. Tässä työssä käytetty aineisto on numeerista ja työ on tutkimusmenetelmältään kvantitatiivinen.

Työn empiirinen osuus koostuu ohjelmointikieli Pythonilla luodusta testistä, missä tavoitteena oli ensiksi löytää ne asiat, mitkä korreloivat voimakkaimmin FPL pisteiden ja tilastoitujen pelitapahtumien välillä. Tämän jälkeen selvitettiin keskimääräinen absoluuttivirhe ja keski-neliövirheen neliöjuuri, jotta voitiin havainnoida ennustavien regressiomallien tehokkuutta. Viimeiseksi toteutettiin optimointia hyödyntäen simulointi, missä luotu optimointimalli valitsi FPL joukkueen ja pelasi ihmisen valitsemaa joukkuetta edustavaa joukkuetta vastaan.

Työn tulokset osoittavat, että tiedolla johtamista on mahdollista hyödyntää myös fantasia urheilun maailmassa. Luotu malli ei voittanut ihmistä jäljittelevää joukkuetta jokaisella yksittäisellä kierroksella, mutta keräsi kokonaisuudessaan enemmän pisteitä. Lisäksi se hyödynsi käytössä olevaa budjettia huomattavasti tehokkaammin. On syytä muistaa, että FPL on monimutkainen peli eikä tämä työ pysty yksinään huomioimaan kaikkia muuttujia vaan joitain yksinkertaistuksia on jouduttu tekemään. Myös tarkastelujakso on liian lyhyt suurempien johtopäätösten tekemiseen. Kaikesta huolimatta voidaan todeta, että jatkossa tiedolla joh-taminen ja erilainen data-analytiikka on tullut pysyväksi osaksi myös FPL managerien elämää.