Giriş: Lig bazlı organizasyonlarda (spor ligleri, e-spor ligleri, fantasy ligleri vb.) veri bilimi ekipleri yalnızca tahmin yapan modeller üretmez; aynı zamanda taraftar deneyimini, kadro kararlarını ve ticari gelirleri doğrudan etkileyen içgörüler sağlar. Bu nedenle bir lig veri bilimcisini işe alırken teknik yetenek kadar model şeffaflığı, önyargı yönetimi ve yatırım getirisi (ROI) anlayışı da sorgulanmalıdır. Aşağıda, adayın yetkinliğini derinlemesine anlamanızı sağlayacak 12 keskin röportaj sorusu, her soru için neyi dinlemeniz gerektiği, takip soruları ve kabul edilebilir cevap örnekleriyle birlikte yer almaktadır.
1. Modelinizi paydaşlara nasıl açıklarsınız?
Bu soru şeffaflık yeteneğini ve iletişim becerisini ölçer. Teknik detaylara boğmadan karar vericilere nasıl güven verdiğini anlamak istersiniz.
- İyi cevapta: Basit metaforlar, görsel açıklamalar (SHAP, LIME), ana sürücüler ve sınır durumları gösterilir.
- Kırmızı bayrak: "Kullanıyorum ama açıklamaya gerek yok" veya sadece teknik jargonu yineleyen cevaplar.
- Takip: "Bir yönetim kurulu üyesine modelin sınırlamalarını nasıl söylerdiniz?"
2. Modellerinizde hangi şeffaflık araçlarını (explainability) kullanıyorsunuz ve neden?
Burada adayın pratik deneyimi ve araç seçimi mantığı ortaya çıkar. Sadece isim sayması yeterli değil; hangi durumlarda hangi aracı tercih ettiğini bilmelisiniz.
- Örnek doğru cevap: "Özellik önemini küresel olarak SHAP ile, bireysel tahminleri ise LIME ile doğruluyorum. Karar ağaçları için görselleştirmeler, zaman serileri için değişken katkı tabloları kullanıyorum."
- Uygulama örneği isteyin: bir oyuncu istihdam modeli veya taraftar tahmini senaryosu.
3. Verinizdeki önyargıları nasıl tespit ve düzeltirsiniz?
Adil modelleme liglerde kritik çünkü kararlar oyuncu kariyerlerini, taraftar deneyimini ve gelirleri etkiler. Bu soruyla adayın etik ve teknik yaklaşımını ölçün.
- Önyargı tespit yöntemleri: dağılım karşılaştırmaları, demografi bazlı performans, adil metricler (demographic parity, equalized odds).
- Düzeltme yaklaşımları: reweighting, adversarial debiasing, fairness-aware feature engineering, post-processing kalibrasyon.
- Red flag: "Verideki farkları normal kabul ediyoruz" veya sadece veri toplama eksikliğini bahane etmek.
4. Bir modelin ROI'sini nasıl ölçersiniz? Örnek bir metrik kümesi verin.
ROI sadece doğruluk değildir; operasyonel etkiler, gelir artışı, maliyet tasarrufu ve intangibles (taraftar memnuniyeti) sayılır.
- Doğrudan metrikler: gelir artışı, churn azalması, bilet satışlarındaki değişim, maç başına izlenme artışı.
- Dolaylı metrikler: karar süresi kısalması, scout/analist iş yükü azalması, daha isabetli oyuncu seçimiyle transfer maliyetlerinin düşmesi.
- Örnek: "Yeni bir maç tahmin modeli %5 daha iyi doğruluk sağladı; bunun bilet satışlarına etkisini test etmek için A/B yapıp gelirde 2% artış gözledik; net ROI'i yatırımın 4 katı olarak hesapladık."
5. A/B testleri ve farklı doğrulama stratejileri hakkında ne düşünüyorsunuz?
Lig ortamlarında zaman serisi bağımlılıkları, mevsimsellik ve kısıtlı veri önemlidir. Bu soruyla adayın deneyimi ortaya çıkar.
- Uygun yöntemler: zaman bazlı cross-validation, walk-forward validation, sezon bazlı holdout.
- Dikkat edilecekler: veri sızıntısı, oyuncu hareketleri, kural değişiklikleri.
6. Model performansı düştüğünde ilk üç adımınız ne olur?
Operasyonel olgunluğu ölçer. İyi adaylar teknik ve süreçsel adımlar sunar.
- 1) Veri ve dağılım kontrolü (drift detection), 2) Model kalibrasyonu ve feature drift analizi, 3) Hızlı geri alma veya ensemble ile güvenli geçiş.
- Örnek: "Eğer transfer döneminde oyuncu davranışları değiştiyse, modelin eğitildiği dönemi yeniden değerlendirmek ve hızlı etiketleme kampanyası başlatmak."
7. Siyah kutu modellerini (ör. derin öğrenme) ne zaman tercih eder, ne zaman daha şeffaf modelleri seçersiniz?
Bu soru karar verme stratejisini gösterir. Her iki yaklaşımın trade-off'larını değerlendirebilmelidir.
- Genel ilke: karmaşık patternler ve çok büyük veri varsa siyah kutu; karar izlenebilirliği, regülasyon veya paydaş güveni kritikse linear/trees tercih edilir.
- Örnek senaryo: taraftar segmentasyonu için derin öğrenme uygundur; oyuncu kadro seçimi gibi yüksek etki kararlarında açıklanabilir ağaçlar veya logistic modeller tercih edilir.
8. Etik ihlal olasılığı gördüğünüz bir model kararında ne yaparsınız?
Burada adayın etik duruşu ve eyleme geçme becerisi ölçülür.
- İdeal cevap: hemen modeli durdurma yetkisi yoksa bile ilgili paydaşları bilgilendirme, etki analizi yapma, kısa vadeli mitigasyon ve uzun vadede süreç değişikliği önerme.
- Takip: "Geçmişte böyle bir vaka yaşadınız mı? Nasıl çözdünüz?"
9. Hangi veri mühendisliği ve MLOps uygulamalarını kullanıyorsunuz?
Operationalization, modelin gerçek dünyada sürdürülebilirliğini sağlar. Adayın altyapı bilgisi önemlidir.
- Örnekler: CI/CD for models, model registry, monitoring (latency, drift), retraining pipelines, feature stores.
- Kırmızı bayrak: "Biz bunu manuel yapıyoruz" veya hiç production deneyimi olmaması.
10. Özellikle lig verisinde hangi gizlilik ve yasal konulara dikkat edersiniz?
Oyuncu verileri, sağlık bilgileri, kişisel veriler hassastır. Adayın KVKK/GDPR farkındalığı beklenir.
- Pratik uygulama: anonimleştirme, veri erişim politikaları, minimal veri kullanımı, denetimli logging.
11. Size göre 'başarılı bir model' tanımı nedir? İş hedefleriyle nasıl hizalarsınız?
Burada adayın iş odaklı düşüncesini ölçün. Başarı yalnızca RMSE değildir.
- Başarı kriterleri: iş KPI'larına katkı, sürdürülebilirlik, paydaş memnuniyeti, izlenebilirlik.
- Örnek: "Scout sürecini %30 hızlandırdıysam ve yanlış pozitifleri azalttıysam, bu başarıdır."
12. Röportajı bitirirken adayın size sormasını istediğiniz üç soru nelerdir?
Bu meta-soru adayın merakını ve önceliklerini gösterir. İyi adaylar takım yapısı, veri kalitesi ve başarı kriterleri hakkında soru sorar.
Örnek güçlü cevap: "Ekipteki karar vericilerin model açıklanabilirliğinden beklentileri nelerdir? Mevcut veri altyapısı nasıl? Başarıyı 6 ay sonra hangi metriklerle ölçüyorsunuz?"
Sonuç: Değerlendirme Rehberi ve Özet
Bu 12 soru, adayın sadece teknik bilgisini değil; iletişim yeteneğini, etik duruşunu, operasyonel olgunluğunu ve iş odaklı yaklaşımını test eder. Röportaj sırasında dikkat etmeniz gerekenler:
- Adayın somut örnekler verip verememesi (projeler, metrikler, sayısal sonuçlar).
- Şeffaflık araçlarını ve önyargı düzeltme tekniklerini uygulamaya dökebilme yetisi.
- ROI hesaplama becerisi ve iş birimleriyle kurduğu iletişimin kalitesi.
Son olarak, teknik bir uzmana yatırım yaparken ekip kültürü, öğrenme hızı ve problem çözme yaklaşımı da en az teknik yetenekler kadar önemlidir. Doğru sorularla bu unsurları açığa çıkararak, liginiz için uzun vadede güvenilir ve etkili bir veri bilimi lideri seçebilirsiniz.
