playbox
playbox
문의
기사로 돌아가기
<축구 분석 비하인드 스토리: 2부> 볼 홀더 분석(xG, VAEP)

<축구 분석 비하인드 스토리: 2부> 볼 홀더 분석(xG, VAEP)

Date published:2025/5/27

인사말

안녕하세요, Playbox의 스캇입니다.

지난 1부에서는 방송 영상에서 경기 데이터를 어떻게 가져오는지, 분석의 비하인드 스토리를 보여드렸습니다. 재미있게 보셨나요?

이번 2부에서는 드디어 그 데이터를 가지고 구체적인 분석을 해보도록 하겠습니다. 주제는 '볼 소유자 분석'입니다. 최근 자주 듣게 되는 xG(골 기대치)나 플레이의 질을 수치화하는 VAEP와 같은 지표를 사용하여 선수와 팀의 퍼포먼스를 알기 쉽게 평가하는 방법을 소개합니다.

이번 글의 집필을 맡은 나카무라 씨는 츠쿠바대학교 축구부의 현직 분석가이자 컴퓨터 비전 연구를 겸임하고 있다. 현장과 이론을 연결하는 그의 관점은 필독입니다(!?).

츠쿠바대가 양성하는 '분석가'가 승부를 뒤집다...J1 마치다를 꺾고 카시와시와 박빙의 승부를 펼친 비하인드 스토리를 들여다봤다: 도쿄신문 디지털

총 3회에 걸쳐 연재하는 '축구 분석의 비하인드 스토리'를 계속 이어갑니다!

  • 축구 분석의 비하인드 스토리: 1부 방송 영상에서 경기 데이터를 얻는 방법
  • 축구 분석의 비하인드 스토리: 2부 볼 소유자 분석(xG, VAEP)
  • 축구 분석 비하인드 스토리: 3부 볼을 소유하지 않은 상태의 공격 패턴 분석하기(OBSO)

서론

축구 전술 분석에는 1부에서 소개한 바와 같이 선수 개개인의 위치 정보가 기록된 트래킹 데이터와 함께 온더볼(볼 소유 상태)에서 어떤 플레이가 일어났는지에 대한 정보가 기록된 이벤트 데이터가 자주 사용된다.

하지만 이벤트 데이터 중 하나의 액션만 보면 '그냥 일어난 사건'에 불과하고, 그 가치나 난이도는 알 수 없습니다. 여기에 지표를 도입하거나 전후의 액션과 함께 평가해야만 '이 플레이가 정말 대단한 플레이였는지', '얼마나 가치 있는 플레이였는지' 등을 되돌아볼 수 있습니다.

예를 들어 아래 영상을 보세요. 트로사르 선수가 드리블 후 크로스를 올렸고, 마르티넬리 선수가 머리로 받아 골을 넣는 장면입니다.

이 플레이에 대해 여러분은 어떤 평가를 내리시겠습니까? "그거 결정?!" 아니면 "아니, 당연히 골을 넣어야지" 혹은 "저건 크로스를 올린 순간 골이나 다름없어"라고 생각하실 수도 있습니다.

실제 난이도나 가치는 어땠을까요? 이러한 느낌은 주관적이기 때문에 사람마다 다를 수 있습니다.

그래서 이번에 소개하는 것은 방송 영상에서 각 액션의 선수 위치와 액션의 종류를 획득하고, 'xG(Expected Goals)'와 'VAEP(Valuing Actions by Estimating Probabilities)'라는 지표를 사용하여 슈팅의슈팅의 난이도와 슈팅까지 관여한 액션의 질을 정량적으로 평가하는 기법입니다! 이 두 지표는 골과 관련된 슈팅 이벤트를 객관적으로 수치화할 수 있는 것은 물론, 패스나 드리블 등으로 관여한 선수의 기여도 평가에도 활용할 수 있는 것이 큰 특징입니다.

xG란?

xG란?

**xG(Expected Goals: 골 기대치)**는 특정 슈팅이 득점으로 연결될 확률을 0~1 범위로 수치화한 지표입니다. xG가 0(0%)은 득점이 불가능한 슈팅, 1(100%)은 반드시 득점하는 슈팅으로, 예를 들어 xG가 0.10인 슈팅은 성공 확률이 10%, 즉 10번 중 1번은 득점할 수 있는 난이도의 슈팅이었다고 평가할 수 있습니다.

축구는 득점이 어려운 스포츠이지만, xG를 통해 슈팅 장면 하나하나의 질을 수치화할 수 있습니다.

xG 산출 방법

그렇다면 이 xG는 어떻게 계산될까요? 기존에는 다음과 같은 간단한 요소만으로 계산되었습니다.

  • 슈트의 위치
  • 슛의 종류
  • 슛을 한 선수의 상태

실제로 츠쿠바대학 킥볼부에서 xG를 구할 때는,

  • PA 주변을 그리드로 나누어 영역별로
  • 슛이 직접 슛인지 역발인지 등의 상황별로

각각 가중치를 설정해 놓고, 이를 곱하여 수동으로 슈팅마다 xG를 계산하고 있었습니다. 예를 들어, 골 지역 중앙은 ×0.8, 오른발 다이렉트 슈팅이라면 ×0.8로 설정해두면 해당 슈팅의 xG는 0.64가 된다.

하지만 실제 축구의 슈팅 장면은 위와 같은 요소만으로 구분할 수 있을 만큼 단순하지 않다. 그래서 현재 xG의 계산은 AI 모델을 이용한 방법이 주류를 이루고 있습니다. 다양한 방법들이 제안되고 있는데, 다음과 같은 데이터들이 계산에 활용되고 있는 것들 중 일부입니다.

  • 슈팅 거리
  • 골대까지의 각도
  • 슈팅의 종류
  • 슈팅 전 이벤트 종류
  • 수비수/키퍼의 위치
  • 선수의 속도

AI를 통해 이러한 여러 요소를 기반으로 이전에 기록된 슈팅 데이터와 비교하여 상세한 xG를 계산할 수 있다.

xG를 이용한 분석 예시

이제부터 xG를 활용한 분석 사례를 소개합니다!

장면별 분석

먼저 실제로 학습시킨 xG를 계산하는 AI 모델을 사용하여 몇 가지 장면의 xG 값을 살펴보자.

1. AFC 아시아 최종예선 일본 대 호주, 미카마사 선수의 슈팅

미카타 선수의 슛의 xG는 '0.032'가 나왔습니다. 즉, 이 슛이 결정될 확률은 3.2%로 상당히 어려운 슛이었음을 알 수 있다. 골대와의 각도도 있고, 거리도 그렇게 가깝지 않기 때문에 이런 수치가 나온 것입니다.

2. AFC 아시아 최종예선 일본 대 중국, 미카마사 선수의 득점

이 슈팅의 xG는 '0.135', 즉 13.5%의 확률로 득점할 수 있는 어려운 슈팅이었지만, 이를 제대로 마무리한 미시마의 결정력이 돋보였다고 평가할 수 있습니다. 헤딩 슛이면서 골문으로 향하는 각도는 작았지만, 골문까지의 거리가 아까의 슛보다 훨씬 가까워져 xG도 상승했다고 볼 수 있습니다.

이번에는 골대까지의 거리와 각도, 슈팅 부위 등 간단한 것을 특징량으로 학습시킨 AI 모델을 사용했지만, 앞서 언급한 것처럼 골키퍼의 위치나 슈팅 전 이벤트 등도 특징량으로 학습시킨 AI 모델을 사용하면 보다 정밀하게 xG를 계산할 수 있습니다!

경기별 분석

다음은 xG를 활용한 경기별 분석의 예시입니다.

최근 열린 라리가 35라운드 바르셀로나 vs 레알 마드리드 경기의 통계입니다. (FOTMOB에서 인용)

경기는 4-3으로 바르셀로나의 승리로 끝났지만, 이 경기의 xG를 살펴보자. 바르셀로나의 xG는 4.26, 레알 마드리드의 xG는 2.74입니다. 실제 점수에 거의 그대로 반영되어 있지만, 바르셀로나는 xG가 실제 득점보다 높기 때문에 결정적인 순간에 결정력을 발휘했고, 슈팅 결정력만 더 좋았다면 1점을 더 넣을 수 있었다는 것을 알 수 있다. 반면 레알 마드리드는 xG가 실제 득점보다 낮게 나타나 상대적으로 어려운 슛을 성공시키는 결정력이 높다는 것을 알 수 있다.

stats.webp

아래 그림은 2024 시즌의 한 경기에서 츠쿠바대학의 xG를 히트맵으로 시각화한 예입니다. (Bepro의 이벤트 데이터 사용)

골라인 중앙 부근에서 가장 많은 득점 기회가 있었고, 골 지역 왼쪽 앞, 페널티 아크 부근에서도 효과적인 기회를 만들 수 있었음을 알 수 있습니다. 이러한 시각화를 통해 팀의 공격면을 되돌아보는 것은 물론, 상대의 약점을 분석하는 데에도 도움이 된다. xG 데이터와 함께 슛에 도달한 마지막 패스의 종류, 지역 등을 결합하면 데이터에 기반한 슛 연습을 제안할 수 있을 것으로 기대하고 있습니다.

heatmap.webp

xG는 비교적 단순한 지표이지만 그만큼 직관적으로 이해하기 쉽다,

  • 하나의 슛
  • 한 경기의 모든 슈팅
  • 한 시즌을 통틀어 팀의 슛
  • 선수 개인별 슈팅

등 다양한 분석에 활용할 수 있는 범용성과 골과 직결된다는 중요성 때문에 개인적으로 매우 좋은 지표라고 생각합니다!

VAEP란?

지금까지 '슛 하나하나'를 평가하는 xG에 대해 소개해 드렸습니다. 다음에는 슈트뿐만 아니라 '액션 단위'로 평가할 수 있는 VAEP에 대해 소개하겠습니다!

VAEP란?

VAEP(Valuing Actions by Estimating Probabilities: 확률 추정을 통한 행동 평가)는 벨기에 KU Leuven(루벤 카톨릭 대학교)의 DTAI Sports Analytics Lab에 소속된 Tom Decroos 씨 등이 개발했습니다. 에 의해 개발되었습니다. VAEP는 슈팅에 이르기까지의 모든 온더볼 액션(패스, 드리블, 태클 등)에 대해 그 플레이가 팀의 골 기대치를 얼마나 변화시켰는지를 정량적으로 표현한 것입니다.

앞서 소개한 xG를 통해 슈팅을 한 선수가 얼마나 득점할 가능성이 있었는지를 계산하고 평가할 수 있었다. 하지만 실제 슛으로 이어지는 장면은 경기 중 그리 많지 않을뿐더러, 슛을 넣은 선수 외의 플레이는 고려되지 않기 때문에 제한적인 평가밖에 할 수 없습니다. 반면, VAEP를 활용하면 슛뿐만 아니라 그 이전의 패스나 드리블 등 액션의 가치도 수치화할 수 있기 때문에 더 많은 선수의 팀 기여도를 평가할 수 있게 된다!

VAEP 산출 방법

VAEP는 '어떤 플레이 전후에 팀의 상태 가치가 얼마나 달라졌는가'를 수치화합니다. 다음과 같은 절차로 계산됩니다.

  1. 액션 전 상태 값 구하기
  2. 액션 후 상태 값 구하기
  3. VAEP = (액션 후 상태 값) - (액션 전 상태 값)

여기서 상태값은 (득점 기대치) - (실점 기대치)로 구합니다.

예를 들어, 크로스를 올리기 전 상태값이 0.10, 크로스가 올라간 후 상태값이 0.25가 되었다면, 이 크로스의 VAEP는 +0.15가 되어 자기 팀에 0.15골의 효과가 있는 플레이였다고 평가할 수 있다. 반면 패스를 하기 전 상태값이 0.10, 패스를 한 후 상태값이 0.05가 되었다면 이 패스의 VAEP는 -0.05가 되어 상대팀에게 0.05골만큼 유리한 플레이를 한 것으로 평가됩니다.

위에서 설명한 바와 같이 VAEP를 계산하기 위해서는 득점 기대치와 실점 기대치를 구해야 합니다. 이를 계산하기 위해 사용하는 것은 득점 모델과 실점 모델이라는 두 종류의 머신러닝 모델입니다.

이 모델들은 대상 액션과 그 1, 2 이전 총 3개의 액션을 하나의 입력 데이터(상태)로 간주하고, 그 액션의 종류(합격, 불합격, 실점)에 따라

  • 액션의 종류(패스, 드리블, 슛 등)
  • 공과 선수의 위치 정보
  • 액션 간 시간차 및 이동 거리
  • 골까지의 거리 및 각도

등의 대량의 특징량을 입력합니다. 그리고 'k 플레이 이내에 득점(또는 실점)을 하면 1, 그렇지 않으면 0'으로 각 상태를 라벨링하여 학습시킵니다.

이렇게 학습된 모델을 통해 각 액션 전후에 '이 상황에서 득점 확률은 몇 %인가', '실점 확률은 몇 %인가'를 계산해줍니다.

VAEP를 이용한 분석 예시

두 가지 장면에서 VAEP를 계산해 보겠습니다! 각 슈팅 전 6번의 액션만을 대상으로 합니다.

1. AFC 아시아 최종예선 일본 대 호주, 미카마사 선수의 슈팅

앞서 xG를 계산한 장면에 대해 VAEP도 계산해 봅시다! 아래 그림은 분석 결과이며, offensive_value와 defensive_value가 각각 득점과 실점에 미치는 영향을 나타낸다. 이 장면에서 미카타 선수의 슛은 골대를 벗어났기 때문에 VAEP가 낮은 반면, 슛 전 드리블은 VAEP가 높기 때문에 효과적인 침투였다고 평가할 수 있습니다. 또한, 이 장면에서 가장 VAEP가 높았던 모리타 선수의 롱 피드를 주목해보자. 골로 직결되는 액션은 아니었지만, 상대 골문에 크게 근접한 효과적인 액션이었다고 수치화할 수 있습니다.

undefined

2. 프리미어리그 36라운드 리버풀 vs 아스널 마르티넬리 선수의 득점

위 장면은 첫머리에 소개한 장면입니다! 여러분은 어떻게 평가하셨나요? 여러분은 어떻게 평가하셨나요? 이 장면에서 멀티넬리 선수는 헤딩으로 골을 넣었기 때문에 VAEP가 상당히 높은데, VAEP는 득점 기대치를 기준으로 계산되기 때문에 골과 직결되는 행동을 한 득점자의 VAEP가 높은 경향이 있습니다. 여기서도 역시 주목해야 할 것은 어시스트가 된 트로사르 선수의 크로스입니다. 다른 액션에 비해 VAEP 값이 높게 나타나 결정적인 패스를 했다는 것을 수치로 확인할 수 있습니다!

undefined

이 두 장면의 분석 결과에서 알 수 있듯이, VAEP를 사용하면 슈팅을 한 선수뿐만 아니라 슈팅에 이르기까지의 모든 선수의 액션의 효과를 수치화할 수 있습니다! 한 경기의 모든 VAEP를 계산하여 어떤 선수가 더 효과적인 플레이를 했는지 비교하거나, 액션별로 VAEP가 계산되기 때문에 언제, 어느 지역에서 효과적인 공격을 했는지 되돌아보는 것도 가능합니다!

마무리

방송 영상 활용은 공식 데이터를 얻을 수 없는 환경에서도 고도의 전술 분석을 할 수 있는 새로운 가능성을 열어줍니다. 또한, xG나 VAEP와 같은 지표로 플레이의 가치를 수치로 가시화할 수 있다면 '어떤 선수가 결정적인 역할을 할 수 있을까? '이 선수는 결과가 나오지 않았지만 좋은 선수구나'와 같은 데이터에 기반한 선수 평가가 가능해져 분석은 물론 선수 영입 등에도 활용할 수 있다!

향후 AI를 활용한 자동 트래킹과 스트리밍 영상 분석 기술이 발전하면 실시간으로 xG나 VAEP 점수를 표시하는 것도 꿈이 아니다. 또한, 프로팀뿐만 아니라 아마추어 팀도 영상을 통해 전술 분석을 심화할 수 있는 가능성이 넓어질 것입니다.

당사는 방송 영상 분석을 이용한 xG, VAEP 분석의 시스템 및 노하우를 지속적으로 업데이트하면서 축구팀과 미디어에 도입할 수 있도록 지원하고자 합니다. 관심이 있으신 분은 언제든지 문의해 주시기 바랍니다.

주식회사 플레이박스 홈페이지 👉️ https://www.play-box.ai/

자동 촬영 및 편집이 가능한 합리적인 가격의 AI 스포츠 카메라 'playbox' 👉️ https://www.play-box.ai/lp

문의 및 문의처

Playbox에 대한 질문이나 상담, 사업 제안 등 궁금한 점이 있으시면 언제든지 아래 메일로 연락 주시기 바랍니다.

📩 atom@play-box.ai