Data-analytiikan hyödyntäminen e-urheilussa (Counter-Strike 2) ja pelaajana kehittyminen

Abstract

Työn tarkoituksena oli selvittää mitä datankeräystyökaluja on olemassa Counter-Strikeen, minkälainen data on oleellista oppimisen kannalta, miten pelaajan kannattaa suodattaa saatavilla olevaa dataa saadakseen kilpailullista etua, ja onko harrastelijapelaajien ja kilpapelaajien näkemyksissä eroja.

Työssä tehtiin kysely, joka käsitteli CS2:n pelidatan hyödyntämistä. Kysely lähetettiin ammattipelaajille ja harrastelijoille. Kyselyn vastausten perusteella yleisiä käytössä olevia datankeräystyökaluja on useita erilaisia. HLTV:tä käytetään näiden työkalujen ohella. Yleisesti datan analysointi katsottiin hyväksi oppimismenetelmäksi. Ammattipelaajat arvostivat datan analysointi enemmän, kun taas harrastelijat arvostivat enemmän opetusvideoita. Vastustajan tutkiminen ennen peliä koettiin hyödylliseksi, kun taas henkilökohtaisia tilastoja ei pidetty niin tärkeinä. Oppimisen kannalta tärkeimmäksi aiheeksi nousi ison kuvan ymmärtäminen. Vastausten perusteella nopeimmin oppii itse pelaamalla, katsomalla ajatuksen kanssa ammattilaisten demoja ja harjoittelemalla rutiininomaisesti. Oppimiseen kuuluu monia osa-alueita, ja niitä kaikkia tulisi kehittää samanaikaisesti.

The purpose of this thesis was to examine what data collection tools exist for Counter-Strike, what kind of data is essential for learning, how players should filter available data to gain a competitive advantage, and whether there are differences in the perspectives of amateur and professional players.

A survey was conducted that focused on the utilization of gameplay data in CS2. The survey was sent to both professional and amateur players. Based on the survey responses, there are several commonly used data collection tools and in addition HLTV is frequently used alongside these tools. Overall, data analysis was considered as an effective learning method. Professional players valued data analysis more, while amateurs leaned more toward the use of instructional videos. Researching opponents before matches was highly valued, while personal statistics were not considered as important. The most critical aspect of learning was identified as understanding the “big picture”. According to the responses, the fastest way to improve is by playing the game, watching professional demos with focus, and practicing routinely. Learning involves multiple areas, all of which should be developed simultaneously.