Bagaimana Saya Menggunakan Poker Profesional untuk Menjadi Ilmuwan Data
15 April 2011, disebut sebagai Black Friday di komunitas poker. Ini adalah hari dimana Pemerintah Amerika Serikat menutup tiga situs poker online teratas. Sekitar 4.000 warga AS bermain poker online secara profesional saat itu, dan dengan demikian eksodus dimulai. Kanada dan Kosta Rika adalah tujuan populer. Saya dari California Selatan, jadi saya tidak asing dengan Baja California. Saya memutuskan untuk mendirikan toko di selatan perbatasan di sebuah kota bernama Rosarito, Meksiko.
Saat saya bersiap untuk pindah ke Baja, saya sering ditanya, “Apa yang terjadi jika ini tidak berhasil?” Bermain poker online membutuhkan pemahaman yang kuat tentang data, probabilitas, dan statistik. Saat itu saya hanya tahu satu profesi lain yang menggunakan keahlian serupa. Tanggapan saya adalah, “Saya mungkin akan bekerja sebagai analis di Wall Street raja89.”
Pada bulan yang sama, film Moneyball dirilis. Berdasarkan buku nonfiksi Michael Lewis dengan nama yang sama, film ini berlangsung selama musim 2002 di Oakland A’s. Menggunakan strategi analisis data yang mirip dengan analis Wall Street, tim di bisbol A merevolusi. Mereka memenangkan rekor 20 pertandingan berturut-turut dengan anggaran yang sedikit. Inilah saat analitik data menjadi arus utama. Satu tahun kemudian, Thomas H. Davenport dan D.J. Patil menerbitkan Data Scientist: The Sexiest Job of the 21st Century di Harvard Business Review. Glassdoor.com telah menempatkan ilmuwan data sebagai pekerjaan teratas di AS untuk tahun 2016 dan 2017.
Apa kesamaan analisis data dengan poker
Saya mulai beralih ke karir di bidang ilmu data pada tahun 2016. Saya menyadari bahwa banyak hal yang saya pelajari selama karir poker saya relevan dengan segmentasi pelanggan. Dari mana pemain poker berasal (segmentasi geografis), bagaimana pemain berpikir (segmentasi psikografis), dan bagaimana pemain bermain (segmentasi perilaku) adalah faktor yang sangat penting saat menentukan strategi melawan pemain tersebut. Saya belajar selama karir poker saya bahwa faktor-faktor ini dapat diringkas menjadi beberapa statistik sederhana. Saya tahu seberapa bagus seorang pemain hanya berdasarkan dua angka. Untuk menguji teori ini, saya membuat model K-Means untuk mengelompokkan lawan poker saya, seperti perusahaan yang akan mensegmentasi pelanggan mereka.
Data untuk proyek ini dihasilkan selama karir bermain saya. Saya memainkan permainan uang Texas Hold’em Tanpa Batas dan taruhannya berkisar dari pembelian $25 ($0,25 Big Blind) hingga pembelian $200 ($2 Big Blind). Saya biasanya bermain 15-20 meja sekaligus, setiap meja memiliki delapan atau sembilan pemain, yang menghasilkan sekitar 600 tangan per jam. Saya memiliki data paling banyak di game pembelian $25 karena ini adalah game paling populer. Saya menggunakan data pada level ini dari tahun 2013 di mana saya memenangkan $1.913,13 dari 387.373 hand, yang merupakan sebagian kecil dari hand yang saya mainkan tahun itu.
Setiap kali tangan poker dimainkan di situs poker online, riwayat tangan dibuat yang menjelaskan semua yang dilakukan setiap pemain selama tangan. Saya menggunakan perangkat lunak yang disebut Hold’em Manager (pikirkan Tableau untuk poker), yang mengunduh masing-masing riwayat tangan ini secara real time ke database PostgreSQL sehingga Anda dapat melacak kecenderungan lawan Anda. Kecenderungan ini divisualisasikan sebagai Head-Up-Display di meja poker dan terlihat seperti ini:
Bagaimana saya menggunakan analitik data untuk mengakali lawan saya
Di Texas Hold’em, setiap pemain dibagikan dua kartu di awal permainan yang berarti ada 1326 kombinasi tangan awal yang dapat Anda tangani. Bagi mereka yang tidak tahu bagaimana Texas Hold’em dimainkan, klik di sini untuk penjelasan lengkapnya. Saat tangan berkembang, penting untuk membuat asumsi tentang rentang tangan yang mungkin dipegang lawan Anda. Memiliki statistik tentang kecenderungan lawan sangat kuat karena membuatnya sangat mudah untuk secara akurat mengasumsikan jangkauan lawan Anda. Misalnya, beberapa pemain jarang menaikkan Pre-Flop sehingga persentase Pre-Flop Raise (PFR) mereka rendah. Jika lawan memiliki PFR 2%, saya tahu mereka hanya memiliki sekitar 26 dari 1326 kombinasi tangan awal dalam jangkauan mereka. Karena mereka cenderung menaikkan dengan tangan terbaik, dan AA, KK, dan AK memiliki 28 kombinasi, saya memiliki gagasan kuat tentang apa yang mereka miliki.
[Selama setiap sesi poker, saya akan menandai setiap tangan yang membingungkan saya dan kembali dan meninjaunya di penghujung hari. Untuk melihat lebih dalam tentang bagaimana menggunakan probabilitas dan statistik untuk memaksimalkan nilai yang diharapkan menggunakan tangan yang sebenarnya, dan statistik lawan yang sebenarnya, klik di sini.]
Dua statistik yang saya fokuskan untuk menentukan apakah lawan adalah pemain yang bagus atau tidak adalah persentase PFR, yang disebutkan di atas, dan persentase ‘Masukkan Uang Secara Sukarela ke dalam Pot’ (VP$IP). Persen VP$IP adalah frekuensi pemain memainkan tangan saat pertama kali diberi kesempatan untuk bertaruh atau melipat. Kedua statistik itu, dan rasio antara keduanya, memberi saya sebagian besar informasi yang saya butuhkan untuk menentukan apakah seorang pemain adalah pemenang (Hiu) atau pecundang (Ikan).
