스포츠 분석 (Sports Analytics)

1. 개요

스포츠 분석은 선수 성과, 팀 전략, 비즈니스 운영을 최적화하기 위해 경기 및 선수 데이터를 분석하는 분야.

정의

스포츠 분석 = 경기 데이터 + 의사결정 지원

목적:
- 경기력 향상
- 전술 최적화
- 부상 예방
- 선수 영입
- 팬 경험 개선

스포츠 분석의 영역

영역	질문
성과 분석	선수가 얼마나 잘했는가?
전술 분석	어떤 전략이 효과적인가?
선수 평가	선수의 가치는?
부상 분석	부상 위험은?
비즈니스	수익 최적화는?

---

2. 핵심 지표

2.1 야구 (Baseball)

지표	수식	설명
WAR	Wins Above Replacement	대체 선수 대비 승리 기여
wOBA	Weighted On-Base Average	가중 출루율
ERA+	(lgERA/ERA) × 100	조정 방어율
FIP	(HR×13 + BB×3 - K×2) / IP + 상수	수비 무관 투구 성과
OPS+	(OBP/lgOBP + SLG/lgSLG - 1) × 100	조정 OPS

2.2 축구 (Soccer)

지표	설명
xG (Expected Goals)	슈팅의 기대 득점
xA (Expected Assists)	패스의 기대 어시스트
PPDA	압박 강도
Progressive Passes	전진 패스
Key Passes	슈팅 기회 창출 패스

xG 모델:

입력: 슈팅 위치, 각도, 상황, 바디파트
출력: 득점 확률

xG = P(Goal | Shot Features)

2.3 농구 (Basketball)

지표	설명
PER	Player Efficiency Rating
TS%	True Shooting %
BPM	Box Plus/Minus
VORP	Value Over Replacement Player
+/-	Plus/Minus

Advanced Stats:

TS% = Points / (2 × (FGA + 0.44 × FTA))

효율적 슈팅 측정 (3점, 자유투 포함)

---

3. 주요 분석 방법

3.1 선수 성과 평가

포괄적 가치 지표:

WAR (Wins Above Replacement):
- 공격 기여
- 수비 기여
- 포지션 조정
- 구장 조정
- 대체 선수 기준

양적 선수 가치 비교 가능

역할별 분석:

포지션별 기대 역할 대비 성과:
- 골키퍼: 세이브율, xG 기반
- 수비수: 태클, 인터셉트
- 공격수: 득점, 기대 득점

3.2 전술 분석

스페이셜 분석:

위치 추적 데이터 활용:
- 선수 이동 패턴
- 팀 형태 (Formation)
- 공간 점유
- 압박 패턴

이벤트 분석:

개별 이벤트 분석:
- 패스 네트워크
- 슈팅 위치/효율
- 볼 점유 패턴

3.3 선수 영입/평가

Market Value 모델:

선수 가치 = f(나이, 성과, 잠재력, 계약, 시장)

피처:
- 성과 지표 (WAR, xG 등)
- 나이 및 성장 곡선
- 계약 상황
- 시장 수요

스카우팅 분석:

유망주 평가:
- 현재 성과
- 성장 가능성 예측
- 비교 선수 분석
- 위험 요소

3.4 부상 분석

부상 예측 모델:

입력:
- 훈련 부하 (GPS, 심박)
- 과거 부상 이력
- 피로 지표
- 생체역학 데이터

출력: 부상 위험 확률

Load Management:

Acute:Chronic Workload Ratio
- 급성 부하 / 만성 부하
- 1.0-1.5 범위 유지
- 급격한 변화 회피

3.5 실시간 분석

경기 중 분석:
- 라이브 통계
- 상황별 확률 (Win Probability)
- 전술 조정 권고

---

4. 실무 적용 사례

4.1 Moneyball (Oakland A's)

문제: 제한된 예산으로 경쟁력 확보

접근:
- OBP(출루율) 저평가 발견
- 비용 효율적 선수 영입
- 전통 지표 대신 세이버메트릭스

결과: 저예산으로 플레이오프 진출

4.2 Liverpool FC - xG 활용

데이터 기반 선수 영입:
- xG 기반 공격수 평가
- Mohamed Salah, Sadio Mane 영입
- 데이터 + 스카우팅 결합

결과: Premier League, UCL 우승

4.3 NBA - 3점 혁명

분석:
- 기대 점수 = P(득점) × 점수
- 3점 슛 기대 점수 > 중거리

전략 변화:
- 중거리 슛 감소
- 3점 슛 급증
- 포지션리스 농구

4.4 부상 관리

GPS/센서 데이터 활용:
- 선수별 부하 모니터링
- 부상 위험 예측
- 휴식 스케줄 최적화

결과: 부상 발생 감소

---

5. 참고 자료

핵심 서적

서적	저자	주제
"Moneyball"	Michael Lewis	야구 분석
"The Numbers Game"	Anderson & Sally	축구 분석
"Basketball on Paper"	Dean Oliver	농구 분석
"Soccermatics"	David Sumpter	수학적 축구 분석

주요 저널

저널	분야
Journal of Quantitative Analysis in Sports	스포츠 통계
MIT Sloan Sports Analytics Conference	학회
ESPN Analytics	업계 연구

---

6. 도구

도구	용도
StatsBomb	축구 이벤트 데이터
Opta	축구 데이터
Second Spectrum	NBA 추적 데이터
Statcast	MLB 추적 데이터
Python (pybaseball)	야구 데이터 분석

데이터 소스

소스	스포츠
FBref	축구 통계
Baseball Reference	야구 통계
Basketball Reference	농구 통계
Understat	xG 데이터

Python 스포츠 분석 예시

# 야구 WAR 근사 계산
def calculate_batting_war(df):
    # 가중 출루율
    woba = (0.69*df['BB'] + 0.72*df['HBP'] + 0.89*df['1B'] + 
            1.27*df['2B'] + 1.62*df['3B'] + 2.10*df['HR']) / df['PA']

    # wRAA (리그 평균 대비 생산)
    woba_scale = 1.15
    wRAA = ((woba - 0.320) / woba_scale) * df['PA']

    # WAR 근사
    runs_per_win = 10
    war = wRAA / runs_per_win
    return war

# 축구 xG 모델
from sklearn.ensemble import RandomForestClassifier

def train_xg_model(shots_df):
    features = ['distance', 'angle', 'body_part', 'assist_type', 
                'game_state', 'is_counter']
    X = shots_df[features]
    y = shots_df['is_goal']

    model = RandomForestClassifier()
    model.fit(X, y)
    return model