‘타겟에 대한 기대 득점(xG)’의 정교화: 슈팅 실행, 골키퍼 활약에 대한 심층 분석 및 여자 축구 전용 모델

일부 해설가의 말은 너무나 자주 반복되다 보니, 팬들은 생중계 경기에서 골을 향한 슛이 나올 때마다 그 말이 무의식 속에 자리 잡고 있는 듯한 느낌을 받곤 한다.

하지만, 선수가 절호의 기회를 마무리하는 능력이나 골키퍼가 이를 막아내는 능력에 대한 이러한 주관적인 상투적 표현들이 과연 얼마나 정확한 것일까?

10여 년 전 ‘예상 득점(xG) ’이 성공적으로 도입된 데 이어, 옵타(Opta)는 ‘슛 후 예상 득점(xGOT) ’으로도 알려진 또 다른 모델인 ‘타겟 예상 득점(xGOT)’을 선보였습니다. xGOT는 옵타의 과거 슛 데이터베이스를 활용하여 슛의 궤적, 골문 내 최종 위치 및 기타 다양한 상황적 요소를 바탕으로 득점 가능성을 분석합니다.

이제 OptaAI 팀은 xGOT에 대한 다양한 개선 작업을 주도하여, 해설진, 스튜디오 분석가, 그리고 구단 소속의 전담 경기 분석가들에게 이 모델을 더욱 유용하게 만들었습니다.

이 개선된 xGOT 모델은 이제 옵타(Opta)가 수집한 32개 남자 대회와 31개 여자 대회의 데이터를 활용해 남자 축구와 여자 축구용 모델로 각각 분리되었습니다. 이 모델은 최근 대회 기록에서 추출한 30만 건 이상의 유효 슈팅을 바탕으로 학습되었습니다. 또한 페널티킥 전용 모델도 별도로 마련되어 있으며, 이 모델은 2만 건 이상의 페널티킥 데이터를 바탕으로 학습되었습니다.

그렇다면 이러한 xGOT 모델들은 실시간 인사이트를 제공하기 위해 현재 어떤 요소들을 고려하고 있을까요? 그 이야기를 시작하기 전에, 먼저 xGOT가 xG와 어떻게 다른지 간단히 다시 한 번 짚어보겠습니다.

‘타겟팅된 기대 득점(Expected Goals on Target)’ 설명

옵타(Opta)의 xG 모델은 슈팅 위치와 슈팅이 이루어지는 순간의 수십 가지 경기 상황 요소를 바탕으로 득점 기회의 질을 측정합니다. 즉, 골문을 정면으로 향한 근거리 슈팅은 페널티 박스 밖 먼 거리에서 시도하는 무모한 슈팅보다 훨씬 더 높은 xG 값을 기록하게 됩니다.

슛 위치에 따라 일반 선수가 어떤 득점 결과를 낼지 더 잘 이해하는 것은 득점 기회의 질을 파악하는 데 도움이 되지만, 동시에 선수마다 동일한 기회를 매우 다르게 처리할 수 있다는 점도 잘 알려져 있습니다. 같은 기회에서 상단 코너를 노린 슛은 골문 정중앙을 향해 슛을 날리는 것보다 득점으로 이어질 확률이 훨씬 더 높습니다.

바로 여기서 xGOT가 등장하여 그 한 차원 높은 맥락을 측정합니다.

xGOT는 기본 득점 기회 가치(xG)와 골문 내 슈팅 위치 등 슈팅 실행과 관련된 정보를 종합하여, 골문을 향한 슈팅이 골로 이어질 확률을 측정합니다.

따라서 xG가 슛 위치에 기반한 득점 기회의 질을 나타낸다고 본다면, xGOT는 슛이 골문을 향한 후의 기회 질을 기록합니다. 즉, 골문 정중앙으로 향하는 슛보다 골대 구석으로 들어가는 슛에 더 높은 가치를 부여합니다. 이름에서 알 수 있듯이, 이 모델은 골문을 향한 슛에만 적용됩니다. 왜냐하면 골문을 벗어난 슛은 득점으로 이어질 확률이 0%이기 때문입니다.

지난 시즌 프리미어리그에서 xGOT이 실제로 어떻게 적용되었는지 보여주는 좋은 예시입니다.

토트넘의 제임스 매디슨은 애스턴 빌라와의 경기에서 직접 프리킥을 차기 위해 섰는데, 해당 프리킥 지점의 xG 값은 0.12였다. 매디슨이 빌라의 벽을 넘겨 에미 마르티네스의 근거리 골대 안쪽으로 정확히 꽂아 넣은 이 프리킥은 xGOT 0.73을 기록했다. 본질적으로 이는 xG 값으로 측정했을 때 어려운 기회였으나, 매우 높은 수준의 킥으로 연결되어 훨씬 더 높은 xGOT 값으로 나타났습니다.

매디슨이 이 프리킥을 차는 장면을 여기에서 보실 수 있습니다 (영국 내 한정).

그렇다면 xGOT는 어떻게 개선되었나요?

모델의 복잡한 세부 사항까지 깊이 다루지는 않겠지만, xGOT의 개선 사항은 다음 네 가지 핵심 사항으로 요약할 수 있습니다:

#1 남녀 축구별 별도 모델

2023년 FIFA 여자 월드컵 이후, 옵타(Opta)가 수집한 여자 경기의 모든 득점 기회(chance)에 대한 xG 값은 과거 여자 경기의 슈팅 데이터를 기반으로 훈련된 전용 모델을 통해 산출되었습니다. 여자 경기 xG 모델에 대한 자세한 내용은 여기에서 확인하실 수 있습니다.

xGOT의 최신 버전에서는 이제 남자 경기와 여자 경기를 위한 별도의 모델이 제공됩니다. 남자 경기 모델은 32개 남자 대회 데이터를 기반으로 학습되었으며, 여자 경기 모델은 31개 대회 데이터를 기반으로 학습되었습니다.

작년 잉글랜드, 프랑스, 독일, 이탈리아, 스페인의 여자 1부 리그 xGOT 수치를 분석한 결과, 공을 깔끔하게 차고 코너로 정확히 슛을 날리는 등 슛을 통해 자신이 얻은 기회의 질을 꾸준히 높여온 선수들을 확인할 수 있습니다.

시즌 동안 선수의 누적 xGOT가 xG를 초과한 총량을 측정하는 ‘슛팅 골 추가(Shooting Goals Added)’ 지표를 살펴보면, TSG 호펜하임의 공격수 셀리나 체르치가 일반 경기 상황에서 슛 전 기회의 질을 4.6골만큼 향상시켰음을 알 수 있습니다. 이는 그녀가 일반 경기 상황에서 창출한 기회에서 슛을 골문으로 정확히 향하게 했을 뿐만 아니라, 골키퍼가 막기 어려운 좋은 위치로 공을 날렸음을 의미합니다.

#2 골키퍼 데이터의 심층 분석

xGOT는 기본적인 득점 기회 지표(xG)와 슈팅 궤적뿐만 아니라, 골키퍼의 위치가 득점 확률에 미치는 영향에 대한 상세한 정보까지 반영합니다. 이는 슈팅 궤적과의 거리뿐만 아니라, 슈팅 순간 골키퍼의 위치가 슈팅 지점 및 골문과 어떤 관계에 있는지와도 관련이 있습니다.

이러한 정보는 xGOT 값에서 직관적인 결과를 보여줍니다. 예를 들어, 슛 궤적에 더 가까이 있는 골키퍼일수록 세이브할 확률이 더 높습니다. 마찬가지로, 골대 왼쪽 코너에 서 있는 골키퍼는 오른쪽 하단으로 향하는 슛을 막아낼 가능성이 낮습니다. 아래 골문 그래픽에서 볼 수 있듯이, 골대 14미터 지점에서 초기 xG 0.26, xGOT 값 0.95를 기록하는 이 슛은 높은 득점 가능성을 보여줍니다.

#3 슛 실행에 대한 통찰

xGOT는 이제 슛의 실행 과정과 관련된 추가적인 변수들을 반영합니다. 예를 들어, 슛이 굴절되거나 빗나갔을 경우, 이는 해당 슛에 부여되는 xGOT 값에 영향을 미치며, 슛에 가해진 궤적 변화 역시 마찬가지입니다.

#4 전용 페널티 모델

페널티 킥은 일반 경기 중의 슈팅과는 성격이 다릅니다. 슈팅을 하는 선수는 방해받지 않고 골대까지 뻗어 있는 명확한 경로를 확보하게 되며, 골키퍼는 킥이 이루어지는 동안 한 발을 골라인 위에 두고 있어야 하기 때문입니다.

그 결과, 페널티킥의 과거 데이터만으로 훈련된 별도의 xGOT 모델이 개발되었습니다.

지난 시즌 유럽 5대 남자 축구 리그를 통틀어, 바이에른 뮌헨의 공격수 해리 케인은 페널티킥을 5회 이상 시도한 선수들 중 슛당 xGOT(0.86)에서 공동 1위를 기록했으며, 분데스리가 챔피언을 위해 9번의 페널티킥을 모두 성공시켰다.

그렇다면, xGOT 기준으로 볼 때 지난 시즌 눈에 띄는 활약을 펼친 다른 선수들은 누구였을까요?

지난 시즌 잉글랜드 프리미어리그의 모든 경기에 이 개선된 모델을 적용해 보면, 에버턴의 조던 픽포드가 다른 어떤 골키퍼보다 많은 골(6골)을 선방으로 막아냈음을 알 수 있습니다. 아래 골문 주변 그래픽에서 볼 수 있듯이, 픽포드는 50골을 실점할 것으로 예상되었으나(50 xGOT conceded) 시즌 전체를 통틀어 실제로는 44골만 실점했습니다.

xGOT를 활용해 골키퍼의 슈팅 저지 능력을 보여주는 또 다른 지표는 ‘방어 성공률(Goals Prevented Rate)’입니다. 이 지표는 각 골키퍼가 막아낸 슈팅 횟수를 기준으로 xGOT 지표를 표준화하여, 더 많은 슈팅을 막아낸 골키퍼와 수비진이 탄탄한 팀의 골키퍼를 보다 공정하게 비교할 수 있도록 합니다.

예를 들어, 지난 시즌 라 리가에서 강등된 레가네스의 골키퍼 마리오 드미트로비치는 레알 마드리드의 티보 쿠르투아(2.8)보다 더 많은 골(4.75)을 막아냈다. 하지만 상대팀의 슈팅 횟수를 기준으로 정상화하여 살펴보면, 두 골키퍼 모두 1.1골을 허용하며 비슷한 수준의 실점 억제력을 보였다는 것을 알 수 있다.

공격자의 관점에서 볼 때, 초기 xG(기대 득점) 수치가 상대적으로 낮은 상황에서 선수가 얼마나 효과적으로 슛을 성공시키는지 파악할 수 있는데, 이는 xGOT(골로 연결될 확률이 높은 슛) 수치가 훨씬 더 높은 슛을 골문으로 날려보내는 것을 통해 확인할 수 있습니다. 또 다른 좋은 예로는 작년 맨체스터 시티와 본머스 경기에서 오마르 마르무시가 기록한 골을 들 수 있는데, 이 골의 xG는 0.02에 불과했지만 xGOT는 0.63이었습니다.

2024-25 시즌 프리미어리그 올해의 골로 선정된 이 골의 영상은 여기에서 시청하실 수 있습니다 (영국 내 한정).

xGOT와 그 활용 사례에 대해 더 자세히 알아보려면 어떻게 해야 하나요?

다른 모든 OptaAI 지표와 마찬가지로, 이 지표들도 다양한 피드 및 제품 연동 기능을 통해 활용할 수 있어, 골문 앞에서의 선수 활약상과 골키퍼의 슈팅 저지 능력을 분석한 유용한 인사이트를 공유할 수 있습니다. 이러한 솔루션에 대한 자세한 내용은 다음 링크에서 확인하실 수 있습니다. Stats Perform의 제품 찾기에서 확인하실 수 있습니다.

구단 내 데이터 과학자이신 경우, 저희 Pro Solutions 팀이 모델 개발 과정과 모든 기능을 상세히 안내해 드릴 수 있습니다. 문의는 prosolutions@statsperform.com으로 연락해 주시기 바랍니다 .

Opta 모델 설명 자료의 전체 목록을 보려면 Opta Analyst의페이지를 방문해 주십시오.