Şans ve beceri arasındaki sınır rekabet oyunlarında her zaman tartışma konusudur. Peki rastgelelik (RNG) gerçekten ELO/MMR sistemlerini ne kadar bozuyor? Bu yazıda 8 popüler oyun türünde RNG katmanlarını Monte Carlo benzeri simülasyonlarla modelledik, sonuçları karşılaştırdık ve hangi sistemlerde hangi düzeltmelerin öncelikli olduğunu öneriyoruz.
Giriş: Neden RNG ve ELO arasında çatışma olur?
ELO ve türevleri (MMR, Glicko vb.) temel olarak oyuncunun ortalama performansını tahmin edip rakiplerle eşleştirmek için tasarlanmıştır. Bu tahminler, maç sonuçlarının oyuncu becerisinden türediği varsayımına dayanır. Ancak oyuna yerleştirilmiş RNG katmanları (kart çekme, loot, kritik vuruşlar, spawn yerleri, rastgele harita öğeleri vb.) maç sonucuna önemli bir gürültü ekler.
Bu gürültü, adil eşleşme hedefini ve oyuncuların beceriye dayalı ilerlemesini bozabilir. Uygulamada iki ana etki görürüz:
- Volatilite artışı: Aynı beceri düzeyindeki oyuncuların sıralarda salınımı büyür.
- Haksız avantajlar: RNG sayesinde sistemde yüksek yetenekli olmayan oyuncular geçici olarak üst seviyelere tırmanabilir.
Simülasyon yaklaşımımız: Nasıl modelledik?
Yaptığımız simülasyon temel hatlarıyla şu adımları izledi:
- Her oyuna özgü RNG katmanları tanımlandı (kart çekme yüzdesi, kritik vuruş olasılığı, loot kalitesi, spawn rastgeleliği vb.).
- Oyuncular normal dağılım ile beceri skoruna (mu=1500, sigma=200) sahip olarak üretildi.
- Her maç sonucu, oyuncu becerisi + RNG etkisi + maç dinamikleri kombinasyonu ile belirlendi. RNG etkilerini %0 (kontrol), %10, %25, %40 seviyelerinde test ettik; burada %25, maç sonucuna etki eden rastgeleliğin katılan faktörlerin toplam varyansındaki payını ifade eder.
- Her farklı RNG seviyesi için 100.000 maçlık Monte Carlo simülasyonu çalıştırıldı. ELO güncellenmesi klasik ELO formülü (K sabiti değişken) ile yapıldı.
- Çıktılar: puan volatilitesi, yanlış eşleşme oranı (skill-rank korelasyonu düşüşü), yükselme/yükselme süresi analizi, elit yüzde içinde 'ruhsuz' (yetenek düşük ama RNG şansı yüksek) oyuncu oranı.
Hangi oyunları seçtik ve neden?
- Hearthstone (dijital kart oyunu): Açık RNG (kart çekme, rastgele hedefler).
- Magic: The Gathering Arena (kart oyunu): Kart çekme RNG'si; karar yoğunluğu yüksek.
- Teamfight Tactics (auto-battler): Shop ve roll RNG'si.
- Counter-Strike: Global Offensive (FPS): Atış saçılımı, ekibin koordinasyonu ve tek atış RNG etkisi.
- Dota 2 (MOBA): Krit, spawn/creep RNG, yetenek etkileşimleri.
- Apex Legends (battle royale/hero shooter): Loot RNG, drop konumu, erken oyun öldürmeleri.
- FIFA Ultimate Team (spor/kart paketi ekonomi): Paket RNG'si ve maç içi küçük rastgelelikler.
- Rocket League (spor/araç): Fizik motoru küçük tutarsızlıkları ve maç momentumuna bağlı rastgelelikler.
Temel bulgular (özet)
Genel sonuçlar, RNG payı arttıkça ELO/ MM R tabanlı sıralamanın bozulduğunu gösterdi. Öne çıkan noktalar:
- RNG düşük (≤%10): Sıralama stabil, beceri-korelasyonu yüksek (>0.85).
- RNG orta (%10–%25): Volatilite belirgin artar; alt-üst sıralarda daha sık 'yanlış' oyuncular görülür. Beceri-korelasyonu 0.6–0.8 aralığına iner.
- RNG yüksek (≥%40): Sıralama pratikte bozulur; beceri ile rank korelasyonu 0.4'ün altına düşebilir. Kısa vadede ELO artık oyuncu becerisinin güvenilir bir göstergesi olmaz.
Oyun bazlı bulgular ve yorumlar
Hearthstone & MTG Arena
Kart çekme RNG'si güçlüdür; tek bir 'topdeck' (gerekli kartı çekme) maçın sonucunu belirleyebilir. Simülasyonlar, %25 RNG koşulunda sıralama volatilitesinin ~%35 arttığını gösterdi. Öneri:
- Kuyruk türü ayrımı: Çok RNG'li modlar için ayrı bir ladder (örn. Arena, Arena-like) — ana ladder daha beceri odaklı kalmalı.
- Gelişmiş İstatistik Bazlı MMR: Sadece maç kazanan/ kaybeden yerine turun içi performansı (mana kullanımı, tempo, tehlike yönetimi) puanlamaya dahil edilebilir.
Teamfight Tactics
Roll/Shop RNG'si oyuncu stratejisini doğrudan etkiler. Simülasyonlarda orta-seviyede RNG bile şansın etkisini belirginleştiriyor çünkü ekonomi/planlama mekanikleriyle etkileşiyor. Öneri:
- Roll garantisi: Belirli aşamalarda düşük dereceli birimin guaranteed spawn mekanizması oyuncu stratejilerini daha tutarlı kılar.
- Dynamic K: ELO güncelleme katsayısını oyuncunun maç içi kontrol edilebilirliğiyle (economy variance) ilişkilendirin.
CS:GO
CS:GO gibi FPS'lerde rastgelelik genelde düşük ama anlık faktörler (spray spread, server tick rate) maç sonucunu etkileyebilir. Simülasyonlar, düşük RNG'de bile takım dinamikleri nedeniyle ELO sapmalarının meydana geldiğini gösterdi. Öneri:
- Alan bazlı MMR: Oyuncuların silah, harita veya rol bazlı performansına göre alt-MMR'lar tutulabilir.
- Maç tekrar değerlendirme: High variance (öngörülemeyen server-side) maçları tespit edip K'yı azaltmak.
Dota 2
Dota çok katmanlı bir oyun; RNG daha çok item drop/crit ve doğal etkileşimlerde ortaya çıkar. Simülasyonlar, takım koordinasyonu nedeniyle bireysel MMR sapmalarının birleşik etki yarattığını gösterdi. Öneri:
- Takım temelli MMR uyarlamaları: Rastgele mağlubiyetlerde bireysel cezayı azaltmak ve takım içi istatistikleri MMR güncellemelerinde kullanmak.
Apex Legends & FIFA UT
Battle royale ve paket RNG'si olan sistemlerde, simülasyonlar kısa dönemli sıralama anormalliklerini gösterdi. Özellikle FIFA'da paket RNG'sinin rekabetçi maçlara dolaylı etkisi var (card power). Öneri:
- Ekonomik ayrıştırma: Paket-kazan/kayıp etkileşimi bağımsız bir sistemde yönetilmeli; yarışma sıralamasına doğrudan etkisi sınırlandırılmalı.
Rocket League
Rocket League düşük RNG'li bir oyun olarak daha sağlıklıdır ancak fizik motoru tutarsızlıkları kısa dönem sıralama gürültüsü yaratabiliyor. Öneri: anlık maç içi performans telemetrisinden beslenen MMR düzeltmeleri.
Genel düzeltme stratejileri (pratik ve uygulanabilir)
- Mod ayrımı: Yüksek RNG içeren modlar için ayrı ladder/ödüllendirme sistemi.
- Performans-temelli MMR: Sadece sonuçlara bakmak yerine maç içi metrikleri (kayıp hasar, pozisyon alma, ekonomi yönetimi) kullanmak.
- Dinamik K/Glicko volatilite yönetimi: Maçın beklenen varyansına göre K'yı ayarlamak; yüksek RNG'li maçlarda K düşürmek.
- Uzun vadeli smoothing ve güven aralığı: Oyuncunun gerçek sıralamasını daha uzun bir pencereyle tahmin etmek; hızlı tırmanış/çöküşleri filtrelemek.
- Oyuncu kontrolü ve şeffaflık: RNG mekaniklerinin oyuncuya ve topluluğa açıkça gösterilmesi, oyuncuların stratejiye adapte olmasını sağlar.
Not: Bu öneriler oyunun tasarım hedeflerine bağlı olarak değiştirilmeli; bazı oyunlar RNG'yi çekicilik unsuru olarak kasten kullanır — o durumda oyuncu beklentilerini karşılayacak ayrı sistemler en doğru çözümdür.
Uygulama öncelikleri: Kim önce düzeltmeli?
Simülasyon sonuçlarına göre öncelik sırası (yüksekten düşüğe):
- Kart oyunları ve auto-battler modları (Hearthstone, MTGA, TFT) — çünkü RNG doğrudan tek maç kararlarını değiştiriyor.
- Battle royale / loot temelli oyunlar (Apex, FIFA paket ekonomisi) — erken oyunda RNG büyük fark yaratıyor.
- MOBAlara özgü etkileşimler (Dota 2) — takım tabanlı etkiler nedeniyle toplu sıralama bozulması riski.
- FPS ve düşük RNG'li rekabetçi oyunlar (CS:GO, Rocket League) — burada çözümler daha çok teknik (server, fizik) ve istatistiksel düzeltmelerle sağlanıyor.
Sonuç: Ne öğrenmeliyiz?
RNG, oyunlara heyecan ve çeşitlilik katar; ancak rekabetçi sıralamalarda adaleti sağlamak istiyorsanız rastgeleliğin etkisini ölçüp sisteminize uygun düzeltmeleri uygulamanız gerekir. Simülasyonlarımız, RNG payı arttıkça ELO'nun güvenilirliğinin dramatik biçimde düştüğünü gösterdi. Pratik çözüm, oyun modunu, oyuncu beklentisini ve ölçülebilir performans verilerini dikkate alarak hibrit bir MMR yaklaşımı benimsemektir.
Kısa eylem listesi (developerlar için)
- RNG katmanlarını derecelendirip her biri için beklenen maç varyansını hesaplayın.
- High-RNG modlar için ayrı ladder/ödüller oluşturun.
- MMR güncellemesinde maç-içi telemetriyi dahil edin.
- Dynamic K/Glicko adaptasyonları geliştirin ve test edin.
- Topluluk ile şeffaflık sağlayın; oyuncuların beklentisini yönetin.
Özetle: RNG'yi tamamen ortadan kaldırmak zor ve çoğu zaman istenmeyen. Ama rekabetçi doğruluk istiyorsanız RNG'nin ELO üzerindeki etkisini ölçmeli, yüksek etkili mekaniklerde ayrı sistemler veya düzeltilmiş MMR mantığı uygulamalısınız.
Eğer isterseniz, kullandığımız simülasyon parametrelerini ve kod örneklerini paylaşabilirim — böylece kendi oyununuz için hızlı bir ön değerlendirme yapabilirsiniz.
