Masa Tenisi Röportaj: Kulüp Eşleştirme Algoritması Geliştiren Yazılımcıya Sorulması Gereken 12 Teknik ve Uygulamalı Soru

Masa tenisi kulüplerinde doğru oyuncu-klüp ve oyuncu-oyuncu eşleştirmesi hem oyuncu memnuniyetini hem de kort kullanım verimliliğini doğrudan etkiler. Bu yazıda, kulüp eşleştirme algoritması geliştiren bir yazılımcıya röportaj yaparken sorulması gereken 12 teknik ve uygulamalı soruyu; her bir sorunun arkasındaki mantığı, beklenen cevapları, değerlendirme kriterlerini ve masa tenisine özgü incelikleriyle birlikte ele alıyorum.

Giriş: Neden özel sorular?

Eşleştirme algoritmaları genelde genel makine öğrenmesi veya mühendislik prensipleriyle geliştirilebilir. Ancak masa tenisinde oyuncu becerileri, oyun stilleri, kort türü, saat aralığı tercihleri ve kulüp altyapısı gibi değişkenler farklı öncelikler gerektirir. Röportajda sorulacak sorular, adayın hem teknik yetkinliğini hem de sporun doğasına uygun pratik yaklaşımlarını ölçmelidir.

Pro İpucu: Adayın verdiği cevabı sadece teorik olarak değerlendirmeyin; kısa bir teknik görev veya küçük bir veri örneği üzerinde ortak çalışarak uygulamadaki yaklaşımlarını görün.

1) Veriyi nasıl modellediniz? (Veri yapıları ve özellik mühendisliği)

Sorunun amacı: Hangi varlıkların (oyuncu, kulüp, kort, rezervasyon, maç sonucu, antrenman seansı) ve hangi özelliklerin (seviye, sağ/sol el, oyun stili, katılım sıklığı, seyahat mesafesi) saklanacağını anlamaktır.

Beklenen cevap: Aday veri modelini (ER diyagramı veya JSON örneği) sunmalı; oyuncu için dinamik skill skoru, son 30 gün etkinlik, favori saat dilimleri, seyahat toleransı gibi özellikleri önermelidir. Masa tenisinde spin/takım tercihi gibi teknik özellikler de eşleştirmede faydalı olabilir.

2) Seviye tahmini/metrik: Hangi rating sistemi kullanılmalı?

Sorunun amacı: Skill rating yaklaşımını (ELO, Glicko-2, TrueSkill veya ML tabanlı regresyon) seçme ve gerekçesini öğrenmek.

Beklenen cevap: Glicko-2 veya TrueSkill önerilebilir; çünkü maç sayısına göre belirsizliği modelleyerek yeni oyuncuları adil konumlandırır. Alternatif olarak, eksik maç verisi için ML tabanlı skor (örn. logistic regression ile galibiyet olasılığı) önerilebilir.

3) Soğuk başlangıç (cold-start) problemi nasıl çözülür?

Sorunun amacı: Yeni oyuncuları veya yeni kulüpleri sisteme nasıl entegre edeceğini anlamak.

Beklenen cevap: Anket tabanlı seviye belirleme (öz değerlendirme + kısa değerlendirme maçı), sınırlı zamanlı deneme maçları, sosyal doğrulama (antrenör referansı) ve default olarak geniş aralıkta eşleştirme önerme stratejileri. Ayrıca A/B testlerle en iyi onboarding akışının keşfi önerilir.

4) Eşleştirme kriterleri ve ağırlıklandırma nasıl belirlenir?

Sorunun amacı: Çok kriterli eşleştirme (skill farkı, mesafe, saat uyumu, oynama temposu) yaklaşımına hakimiyetini test etmektir.

Beklenen cevap: Aday, çok amaçlı optimizasyon (weighted sum veya Pareto tabanlı) yöntemlerini tartışmalı; başlangıçta basit ağırlıklı puanlama, daha sonra kullanıcı memnuniyeti verisiyle ağırlıkların öğrenilmesi (ör. bandit algoritmaları) önerilmelidir.

5) Performans ve ölçeklenebilirlik: Gerçek zamanlı eşleştirme nasıl sağlanır?

Sorunun amacı: Sistemin yüksek talep anlarında bile hızlı ve doğru eşleştirme yapabilmesi için mimari çözümler duyma.

Beklenen cevap: Aday, önbellekleme (Redis), kuyruklar (RabbitMQ, Kafka), mikroservis mimarisi ve offline batch skor hesaplama ile online hızlı filtreleme kombinasyonunu önermelidir. Ayrıca eşleştirme sorgularını coğrafi indekse (geohash) göre hızlandırma fikri beklenir.

6) Başarı metriği (KPIs): Algoritmayı nasıl ölçersiniz?

Sorunun amacı: Hangi KPI'ların izleneceğini (match acceptance rate, ortalama skill farkı, retention, churn, net promoter score) belirlemek.

Beklenen cevap: Match acceptance rate, first-match-success (oyuncuların eşleşmeyi kabul edip oynaması), maç denge metriği (ortalama skill farkı), retention after X days ve oyuncu memnuniyeti anketlerinin kombinasyonu ile karar verilecek. A/B testler ve cohort analizleri vurgulanmalı.

7) Hatalar, kötü eşleşmeler ve geri bildirim döngüsü nasıl yönetilir?

Sorunun amacı: Sistem hata yaptığında düzeltebilme kapasitesini değerlendirmek.

Beklenen cevap: Otomatik geribildirim toplama (kısa maç sonrası değerlendirme), kötü eşleşmeleri tespit eden rule'lar (örn. 3 maç üst üste ağır skill farkı) ve model güncelleme pipeline'ı önerilmeli. Üstelik manuel müdahale için dashboard sağlanmalı.

Pro İpucu: Röportajda adaydan kısa bir SQL sorgusu veya pseudocode ile "en uygun ilk 10 rakip"i nasıl getireceğini yazmasını isteyin — gerçek beceriyi görürsünüz.

8) Veri gizliliği ve güvenlik hangi önlemlerle sağlanmalı?

Sorunun amacı: KVKK/GDPR benzeri düzenlemeler ve kişisel verilerin korunması konusundaki yaklaşımlarını ölçmek.

Beklenen cevap: Minimal veri saklama, PII şifreleme, erişim kontrolleri (RBAC), kullanıcı onayı ile veri paylaşımı, anonimleştirilmiş analiz verisi kullanımı ve veri silme isteklerine hızlı yanıt akışı. Ayrıca üçüncü parti API'lerle paylaşım için sözleşmeler ve logging politikası belirtilmeli.

9) Hangi testleri ve validasyonları yaparsınız? (Simülasyon, offline, online)

Sorunun amacı: Adayın model doğrulama ve güvence süreçlerine bakışını öğrenmek.

Beklenen cevap: Offline simülasyon (synthetic data ile farklı senaryolar), backtesting geçmiş maç verileriyle, ardından küçük çaplı pilot ve A/B testleri. Ayrıca stres testleri, latency ölçümleri ve edge-case senaryoları (ör. çok yoğun saatlerde eşleştirme) önerilmeli.

10) Hile ve kötü niyetli davranışlar nasıl tespit edilir?

Sorunun amacı: Manipülasyona açık sistemlerde suiistimali önleme stratejilerini görmek.

Beklenen cevap: Anomali tespiti (aynı oyuncunun birçok düşük kalitede galibiyet alması), IP/CI tracking, şüpheli skor artışlarının manuel incelemesi, oyuna özgü kurallar (ör. art arda maç kazanan yeni hesaplar) ve raporlama mekanizmaları. Ayrıca güvenlik mühendisliği entegrasyonu bahsedilmeli.

11) Masa tenisine özgü özellikleri nasıl kullanırsınız?

Sorunun amacı: Spor bilgisi ile mühendisliği birleştirebilme yeteneğini ölçmek.

Beklenen cevap: Masa tenisinde maç süresi kısa, skill farklılıkları maç sonucunu hızlı etkiler; bu yüzden kısa dönem performans (son 10 maç) ağırlıklı olmalı. Oyun stili (blok, topspin, servis çeşitleri), el tercihleri ve çift oyun tercihi gibi alanlar eşleştirmede kullanılmalı. Ayrıca kulüp altyapısı (turnuva masası mı, antrenör var mı) göz önünde tutulmalı.

12) Uygulamalı görev: Basit bir eşleştirme puanlama fonksiyonu yazın (pseudocode)

Sorunun amacı: Problemi hızlıca kodlayıp düşünme yeteneğini görmek.

Beklenen çıktı: Aday basit bir skor fonksiyonu sunmalı; örn.

score = w1 * skill_difference_score + w2 * distance_score + w3 * time_overlap_score - w4 * inactivity_penalty

ve her bir alt fonksiyonun nasıl hesaplandığı (skill difference için logistic dönüşümü, distance için normalized haversine, time overlap için saat dilimi cosine benzeri ölçü) açıklanmalı.

Röportajdan sonra değerlendirilecek teknik kriterler

• Pratiklik: Önerilen çözümler sahada uygulanabilir mi?
• Ölçeklenebilirlik: Yaklaşım kümeler halinde ve gerçek zamanlı çalışmaya uygun mu?
• Veri bilimi bilgisi: Doğru metrikler ve değerlendirme yöntemleri önerildi mi?
• Spor bilgisi: Masa tenisinin dinamiklerine uygun özel öneriler var mı?
• Gizlilik ve güvenlik: Düzenlemelere uygun adımlar atılmış mı?

Sonuç: Röportajı nasıl bitirmelisiniz?

Röportajı kapatırken adaya küçük bir teknik ev ödevi verin: Örneğin 1.000 satırlık örnek veriyle basit bir eşleştirme pipeline'ı tasarlayıp performans metriklerini raporlamasını isteyin. Bu size hem kodunu görme hem de gerçek dünya sahasını test etme imkânı verir.

Pro İpucu: Adayın sunduğu modelin kısa bir pilot uygulamasını 2-4 haftalık bir kulüpte çalıştırın; gerçek kullanıcı verisi en iyi doğrulama aracıdır.

Bu sorular ve değerlendirme kriterleri, masa tenisi kulüp eşleştirme algoritması geliştiren bir yazılımcının hem teknik yetkinliğini hem de sahaya özgü anlayışını ortaya koyar. Röportaj sırasında adayın uygulama örnekleri, kısa kod parçaları ve simülasyon sonuçları sunmasını isteyin — kâğıt üzerindeki teoriden çok pratik çözümler değerlidir.

Hazır olduğunuzda küçük bir pilot başlatın: bir kulüpte 2 haftalık test, kullanıcı geribildirimleri ve temel KPI'lar. Elde edeceğiniz veriler, algoritmayı üretime almadan önce yapacağınız en kıymetli rehber olacaktır.

Harekete geçin: Adaylarla bu 12 soruyu paylaşın, ardından ilk 1 haftalık pilot için veri seti ve başarı kriterlerini belirleyin. Masa tenisinde doğru eşleştirme, oyuncu bağlılığını ve kulüp verimliliğini artırır — bunu ölçerek ilerleyin.