"예상 어시스트는 패스가 주요 어시스트가 될 가능성을 측정합니다. 이 모델은 패스의 마무리 위치, 패스 유형 및 기타 다양한 요소를 기반으로 합니다. 이 모델은 이 패스를 통해 슛이 성공했는지 여부에 의존하지 않으므로 슛 성공 여부와 관계없이 모든 패스에 점수를 부여합니다."
이 블로그에서는 이 모델의 프로세스를 간략하게 설명하고 이 모델이 성과 평가에 어떻게 유용하게 활용될 수 있는지 설명합니다.
에버턴의 산드로 라미레즈가 웨인 루니에게 크로스를 연결했는데 루니가 헤딩 실수를 하거나 골대를 넘어가는 공을 헤딩하는 경우, 라미레즈가 이를 제어할 수 없는 것과 마찬가지로 루니가 점프 타이밍을 완벽하게 맞춰 공을 골망으로 보내는 것을 제어할 수 없습니다.
이것이 바로 '어시스트'를 따로 계산하는 것이 창의성을 평가하는 데 전적으로 대표적인 방법이 아닌 이유 중 하나입니다. 크리에이터는 패스를 받은 플레이어의 마무리 기술에 의존하는 경우가 많습니다.
또한 모든 키 패스가 동일한 품질의 득점 기회를 창출하는 것은 아니며, 이를 가치 평가에 반영해야 한다는 것을 잘 알고 있습니다.
그렇다면 선수들의 득점 기회를 창출하는 능력에 더 나은 점수를 부여하려면 어떻게 해야 할까요?
아래에 표시된 세 가지 목표는 모두 제작자가 만든 우연의 품질에 따라 크리에이터에게 크레딧을 부여하는 방법의 예입니다.
크리에이터에게 크레딧 할당
처음에는 단순히 키 패스에서 xG 값을 가져왔습니다. 하지만 이는 리시버가 슛을 날리는 상황만 고려했고, 리시버가 처음에 제공된 패스보다 더 나은 슈팅 위치를 만들기 위해 공을 운반하는 경우도 인식하지 못했습니다(이 글의 뒷부분에 나오는 리오넬 메시의 코파 델 레이 빌바오전 골을 생각해보십시오).
이제 예상 어시스트 프레임워크는 크레딧이 적절히 배분되고 각 상황을 보다 정확하게 반영할 수 있도록 발전했습니다.
예상 어시스트는 패스를 받은 위치, 패스 유형 및 기타 다양한 요소를 기반으로 패스가 주요 어시스트가 될 가능성을 측정합니다. 이 모델은 이 패스를 통해 슛이 성공했는지 여부에 의존하지 않으므로 최종 패스 이상의 어시스트도 인정할 수 있습니다.
생성된 기회의 질에 대해 크리에이터에게 크레딧을 부여함으로써 단순히 생성된 기회의 양을 넘어 더 깊은 수준의 인사이트를 얻을 수 있습니다.
위 사진은 크리스탈 팰리스와의 경기에서 앤디 캐롤의 기억에 남는 자전거 킥입니다. 마누엘 란지니(10)가 미하일 안토니오(30)에게 패스하고, 안토니오는 앤디 캐롤(9)에게 크로스를 연결해 오른쪽 상단 구석으로 공을 차 넣습니다.
Opta예상 득점 모델은 기회 특성에 따라 캐롤에게 5%의 득점 확률을 부여합니다. 이전에는 캐롤의 슛에 대한 xG 값이 0.05였기 때문에 안토니오에게 0.05가 부여되었습니다. 그러나 이 업데이트된 모델에서는 후속 슛이 패스에 상대적이지 않으므로 패스의 끝 지점이 슛과 동일한 위치임에도 불구하고 안토니오에게 0.034의 xA 값이 부여됩니다. 이는 아래 그림과 같이 모델이 캐롤의 슛이 보장되지 않았음을 인정하기 때문입니다.
- 이러한 특성을 가진 패스는 3.4%의 확률로 어시스트가 됩니다.
- 이러한 특성을 가진 샷은 5%의 확률로 골이 됩니다.
2015 코파 델 레이 결승전에서 아틀레틱 빌바오를 상대로 한 리오넬 메시의 미로 같은 단독 드리블과 골 장면입니다. 이 장면에서 다니 알베스(22)는 공을 메시(10)에게 패스하고, 메시가 여러 빌바오 선수를 제치고 드리블하여 득점합니다.
메시의 득점 확률은 9%입니다. 메시가 여러 빌바오 선수들을 제치고 상당히 높은 득점 기회를 만들었지만, 물론 다니 알베스의 패스를 받았을 때는 그렇지 않았습니다.
'키 패스로부터의 xG' 방식을 채택할 경우, 알베스는 0.09의 점수를 받게 되는데, 이는 그가 '창출한' 찬스의 품질을 정확하게 반영하지 못한다는 것을 알고 있습니다.
따라서 다음 동작이 슛이 아니더라도 완료된 모든 패스는 xA 값을 갖습니다. 모든 패스가 실제로 어시스트가 될 수 있다는 논리로, 다니 알베스의 패스가 이에 대한 완벽한 예입니다. 실제로 알베스의 패스가 어시스트로 이어지는 경우는 1% 미만입니다.
비샷 중심 접근 방식
옵타프로의 최근 소유권 관련 연구에서 알 수 있듯이, 키 패스 및 슛 전에 이벤트를 분석하고 크레딧을 부여하는 것이 중요합니다.
따라서 이 모델은 팀 동료에게 의존하지 않고 위험한 지역으로 패스하여 슛을 쏘는 선수에게 보상을 제공합니다. 리시버가 공을 빼앗겨 슛을 쏘지 못하거나 더 좋은 위치에 있는 팀 동료에게 공을 패스하는 경우에도 보상을 받을 수 있습니다.
이 표의 이름 중 일부는 예상 어시스트 수치보다 어시스트 총합이 낮지만, 예상 어시스트 총합은 고무적으로 보입니다.
특히 주목할 만한 선수는 다비드 실바입니다. 그의 10.1 xA 값(7개의 어시스트 대비)은 모든 패스뿐만 아니라 슛이나 골로 직접 연결되는 패스가 어떻게 인정받는지를 보여주는 완벽한 예입니다.
다음에서 가져옴 ProVision에서 가져온 아래 두 개의 히트맵은 2016/17 프리미어 리그 시즌 다비드 실바의 패스를 보여주며, 이 미드필더가 이 지표에서 높은 순위를 차지한 이유를 더 잘 이해할 수 있게 해줍니다.
마르코 아르나우토비치도 주목할 만한 선수입니다. 스토크 시티에서 그는 슈팅 수 13위에 불과한 팀에서 뛰었습니다. 슈팅 횟수가 적은 팀에서 활약했음에도 불구하고 이 지표에서 7위를 차지해 슈팅으로 이어지지 않더라도 위험한 패스를 하는 선수를 식별하는 데 있어 영향력이 있음을 보여주었습니다.
창의성을 평가하고 정량화할 때 예상 어시스트는 슛이나 골로 직접 연결되는 패스뿐만 아니라 모든 패스에 적절하게 점수를 부여하는 보다 정보에 입각한 프레임워크를 제공하기 위한 다음 단계입니다.
