Kako izgraditi jednostavan win‑prob model za esport klađenje: ulazne metrike i priprema za CS2, LoL, Dota 2 i Valorant

Zašto jednostavan win‑prob model može poboljšati EV traženje u esport klađenju

Na prvi pogled deluje jednostavno: tim A naspram tima B, ko je favorit? Međutim, esport klađenje krije specifične zamke koje većina kladilaca potceni — varijacije formata (BO1/BO3/BO5), map veto proces, česte patch promene i uticaj zamena roster‑a ili trenera. Jednostavan, transparentan win‑prob model omogućava kladiocima da kvantifikuju subjektivne procene koristeći istorijske metrike i pravila prilagođena svakoj igri. Takav model je osnova za identifikovanje value (EV) opklada jer omogućava poređenje vlastitih verovatnoća sa kvotama koje nude kladionice.

Ovaj pristup leži u osnovama esport analitika: skupljanje relevantnih ulaznih podataka, dodeljivanje težina prema njihovoj prediktivnoj snazi i kalibracija verovatnoća. Ne treba težiti „savršstvu“ statistike; cilj je praktičan, objašnjiv model koji može brzo da se ažurira pre meča — naročito u dinamičnim okruženjima kao što su patch‑ovi u LoL i Dota 2 ili taktičke izmene u CS2/Valorant.

Ključne ulazne metrike po igri i zašto su važne

• Map‑statistika (CS2, Valorant): win‑rate po mapi, CT/T side performance, T side economy. Map‑fit često menja favorita u BO1 više nego u BO5.
• Pick/ban i draft efekti (LoL, Dota 2): draft win‑rate, hero/champion pool, counter‑pick podatci — patch menja meta pa draft‑fit postaje glavni faktor u prikladnim formatima.
• Forma: poslednjih 5–10 mečeva sa težinom za novije utakmice; pažnja na protivnike u tim mečevima (kvalitet rivala).
• Head‑to‑head: statistika direktnih susreta, ali uz kontrolu za roster‑promene i kontekst (online kvalifikacije vs LAN).
• Patch efekti: ažuriranja koja favorizuju stil igre tima (npr. agresivniji draft, favorizovanje CT/T ekonomije ili specifičnih heroja).
• Roster / coach promene: novi igrač ili trener često donosi kratkoročni boost ili pad; koristi se kao multiplikator forme.
• Kontekst meča: kvalifikacije vs glavni turnir, mogućnost stream delay‑a kod live klađenja, motivacija (prize pool, relegation).

Osnovna struktura modela i priprema spreadsheet‑a

U spreadsheet‑u model počinje sa tablom ulaznih podataka (svaki red = meč): tim A, tim B, mapa/formats, metrike (map win‑rate, recent form, h2h, patch‑score, roster‑factor). Sledeći korak je normalizacija metrika na zajedničku skalu (0–1) i dodeljivanje težina — težine se inicijalno postavljaju prema intuiciji i kasnije kalibrišu sa istorijskim podacima (jednostavan način: linearna kombinacija ili logistička funkcija za konačnu verovatnoću).

Posebno pravilo za formate: u BO1 više se naglašava map‑fit i draft; u BO3/BO5 veća vrednost se daje generalnoj formi i dubini rostera. Spreadsheet treba imati polja za format meča i automatsko skaliranje težina prema odabranom formatu. To omogućava brzo poređenje model‑verovatnoće sa live kvotama i identifikovanje EV prilika.

U sledećem delu biće prikazan korak‑po‑korak primer izrade spreadsheet‑a, uključujući konkretne formule, sample podatke za CS2/LoL/Dota 2/Valorant i kako kalibrisati težine na istorijskim rezultatima.

Korak‑po‑korak primer izrade spreadsheet‑a (konkretne kolone i formule)

Počnite sa tabelom gde svaki red predstavlja meč, a kolonama su ulazne metrike. Predložene kolone:
– MatchID, TeamA, TeamB, Game (CS2/LoL/Dota2/Valorant), Format (BO1/BO3/BO5), MapPool/Map1/Map2/Map3
– MapScoreA, MapScoreB (normalizovane 0–1)
– FormA, FormB (recents, weighted 0–1)
– H2H_A (procenat pobeda TeamA u direktnim susretima, 0–1)
– PatchImpactA, RosterFactorA (skalirani multiplikatori 0–1)
– LinearSum, WinProbA, MarketOdd

Normalizacija: za numeričke vrednosti koristite min‑max ili logističku skalu. Primer min‑max u spreadsheet‑u:
– MapScoreA_norm = (MapRawA – MapMin)/(MapMax – MapMin)
Formulu u Excel/Sheets: =IF(MapMax=MapMin,0.5,(MapRawA-MapMin)/(MapMax-MapMin))

Linearna kombinacija i logistička transformacija:
– LinearSum = bias + w_map(MapScoreA_norm – MapScoreB_norm) + w_form(FormA-FormB) + w_h2h(H2H_A – 0.5) + w_patch(PatchImpactA – PatchImpactB) + w_roster*(RosterFactorA – RosterFactorB)
– WinProbA = 1/(1+EXP(-LinearSum))
U Sheets: =1/(1+EXP(-LinearSum cell))

Primer inicijalnih težina (start vrednosti koje kasnije kalibrišete): bias = 0, w_map = 1.2, w_form = 0.8, w_h2h = 0.4, w_patch = 0.3, w_roster = 0.5. Ako je za meč MapScoreA_norm = 0.7, FormA=0.6, H2H_A=0.55, PatchImpactA=0.4, RosterA=0.0, i odgovarajuće B vrednosti 0.3/0.4/0.45/0.2/0.0, LinearSum = -0.2 + 1.2(0.4) + 0.8(0.2) + 0.4(0.05) + 0.3(0.2) + 0.5*(0) … i zatim WinProbA = 1/(1+EXP(-LinearSum)). Ovaj primer prikaže kako se razlike pretvaraju u konačnu verovatnoću.

Rukovanje nedostajućim podacima: zamena prosekom lige ili map‑specifičnim prosekom; dodajte kolonu DataQualityScore i smanjite težine kada je kvalitet nisk.

Kalibracija težina i evaluacija modela (jednostavne metode)

Cilj kalibracije je da vaše predviđene verovatnoće budu što bliže stvarnim ishodima. Dve prakse koje lako implementirati u spreadsheet:
– Minimizacija Brier score: Brier = AVERAGE((WinProbA – ResultA)^2). Koristite Solver (Excel) ili “Optimization” u Google Sheets add‑onu da menjate težine i bias i minimizujete Brier.
– Log loss (ako želite kazniti pogrešne ekstremne prognoze): LogLoss = -AVERAGE(ResultALN(WinProbA) + (1-ResultA)LN(1-WinProbA)).

Preporuka: podelite istorijske mečeve na tren i test skup (npr. 70/30). Kalibrišite težine na treningu, proverite performanse na testu. Ako nemate Solver, jednostavan grid search po težinama (recimo koraci 0.1) je dovoljan za start.

Dodatne mere: izračunajte Brier po formatu (BO1/BO3) i po igri (CS2 vs LoL) da vidite gde model greši — to vodi do ciljane promene težina.

Prilagođavanje modela za BO1, BO3, BO5 i map veto

BO1: pojačajte važnost map_fit i draft. U praksi skalirajte w_map i za LoL/Dota draft_score sa faktorom 1.3–1.5.

BO3/BO5: fokus na dubini rostera i generalnoj formi. Smanjite w_map npr. na 0.6–0.8 u BO5.

Konverzija per‑map win‑prob u seriju:
– Ako su sve mape istog tipa i imaju ista p: za BO3 koristite P_series = p^2*(3 – 2p). Za BO5 standardna binomna suma: P_series = SUM_{k=3..5} C(5,k) p^k (1-p)^{5-k}.
– Ako p varira po mapi (zbog vetovanja/pick‑a), izračunajte tačne sekvence (enumeracija) ili napravite simulaciju u spreadsheet‑u: izračunajte p_map1, p_map2, p_map3 i onda P_series = p1p2 + p1(1-p2)p3 + (1-p1)p2*p3 (za BO3 gde red mape ima uticaj).

Map veto: procenite verovatnoću da će dati map biti pick‑ovan na osnovu istorije veto‑a timova; onda izračunajte očekivanu per‑map verovatnoću kao ponderisani prosek p_map_i * P(map_i picked).

Ove procedure omogućavaju da brzo prevedete single‑map procene u serijske verovatnoće i identifikujete EV opklade u različitim formatima i metama. U sledećem delu ćemo dati konkretan sample spreadsheet fajl i korake za kalibraciju sa realnim podacima za CS2/LoL/Dota2/Valorant.

Brzi praktični zadaci za implementaciju u spreadsheet‑u

• Kreirajte kopiju spreadsheet‑a sa kolonama iz primera (MatchID, TeamA, TeamB, Game, Format, Map1..Map3, sve normalizovane metrike, LinearSum, WinProbA, ResultA, DataQualityScore).
• Skupljanje podataka: napunite model sa ~200 istorijskih mečeva po igri (po mogućnosti podeljeno po formatima). Koristite javne izvore za rosters, patch note‑ove i map‑statistiku (npr. Liquipedia — esports wiki za roster i turnirski kontekst).
• Kalibracija: podelite podatke na trening/test (70/30). Pokrenite grid search ili Solver da minimizujete Brier score; pratite LogLoss za ekstremne greške.
• Backtest klađenja: simulirajte stake strategiju (flat stake, Kelly fraction) na istorijskim kvotama da izmerite ROI i maksimalni drawdown. Vodite zapisnik stvarnih opklada i uporedite prijavljeni EV sa stvarnim rezultatima.
• Iteracija: pratite performanse po igri i formatu; promenite težine za BO1/BO3/BO5 kako pokazatelji sugerišu. Smanjite težine kada DataQualityScore ukazuje na loše ili nedostajuće podatke.
• Automatizacija (opciono): koristite API izvore ili scrapers da povlačite dnevne rezultate i patch note‑ove, pa redovno osvežavajte metrice u spreadsheet‑u.

Dalji koraci i preporuke za održiv pristup

Modeliranje win‑prob verovatnoća u esport klađenju je kontinuirani proces, ne jednokratan projekat. Počnite skromno: jednostavan linearan model koji možete brzo objasniti i podesiti je vredniji od kompleksnog „crnog boksa“ koji ne razumete. Testirajte hipoteze na istorijskim podacima, držite disciplinu u vođenju zapisa o svim opkladama i promenama u modelu, i redovno proveravajte kalibraciju (Brier/LogLoss) za svaki podskup podataka.

Praktični saveti za dugoročnu upotrebu:

• Brojčano kvantifikujte nesigurnost: kada su podaci loši (novi roster, nerazjašnjeni patch), umanjite poverenje u model i stake‑ujte opreznije.
• Pratite format‑specifične performanse modela i vodite posebne težine za BO1/BO3/BO5. Ne očekujte da jedna postavka težina radi jednako dobro kroz sve formate i igre.
• Računajte transakcione rizike i likvidnost tržišta — najbolje kvote često zahtevaju brzinu i odlučnost. Ako kladionica ograničava iznose za value opklade, prilagodite strategiju.
• Ostanite informisani o patch‑evima, roster promenama i taktičkim trendovima; taj kontekst često mijenja prediktivnu snagu pojedinih metrika preko noći.
• Primenjujte odgovorno klađenje: upravljajte bankrollom i izbegavajte emocionalne korekcije modela nakon nekoliko neuspeha.

Ako planirate da delite ili skalirate model, dokumentujte verzije (težine, izvore podataka, datum kalibracije) i zadržite reproducibilnost analize. Mala, dosledna poboljšanja i dobro vođeni podaci obično donesu više vrednosti nego stalno menjanje modela bez adekvatnog backtesta.

Želim vam uspeh u gradnji i primeni modela — praktikuje, meri i prilagođavaj. Ako želite primer tabela ili pomoć sa konkretnim formulama u Google Sheets/Excel, mogu pripremiti set formula i uputstvo za copy‑paste u vaš spreadsheet.