지난 1년간의 축구 분석 작업에서는 단일 온볼 이벤트를 중심으로 지표를 적용하는 방식에서 소유 기간을 구성하는 일련의 이벤트를 분석하여 보다 전체적인 접근 방식을 취하는 방식으로 폭넓게 전환되었습니다.
이 접근 방식은 종종 단일 이벤트 지표에서 부족한 추가적인 컨텍스트를 제공할 수 있습니다. 예상 골(xG)을 고려합니다. 이 모델은 과거의 슛과 피치 위치, 골대 각도와 같은 특징을 인식하고 해당 슛이 골로 이어질 가능성을 추정합니다. xG 모델에 어시스트 유형을 통합하는 것도 일반적입니다.
어시스트를 포함하는 것은 무엇이 좋은 기회를 만드는지에 대한 사고의 논리적 확장이며, 슛에 앞서 두 번째 어시스트나 다른 유형의 이벤트(드리블)를 고려함으로써 이를 더욱 확장할 수 있습니다. 이와 같은 단일 이벤트 메트릭은 종종 상황에 맞는 프레임워크가 필요한데, 바로 여기에 소유권 모델이 적합합니다.
아래 설명 동영상을 시청하세요:
이벤트 연결
과거에 이벤트를 하나로 묶어 소유권을 재정의하는 방법에 대한 글을 쓴 적이 있지만, 이후 이 프레임워크를 선수, 팀, 이벤트 수준에서 유용하고 새로운 통계를 도출할 수 있는 모델로 공식화했습니다. 많은 축구 분석 실무자들도 비슷한 아이디어와 알고리즘을 선보였습니다.
Opta 소유물 모델의 세부 사항은 2012년의 위 글에서 설명한 것과 유사하지만 이벤트는 시퀀스와 소유물로 구성됩니다.
시퀀스는 한 팀에 속하며 수비 동작, 경기 중단 또는 슛으로 끝나는 플레이의 통로로 정의됩니다.
포제션은 같은 팀에 속하는 하나 이상의 연속된 시퀀스로 정의됩니다. 일련의 패스가 슛으로 이어져 코너킥으로 이어진 경우, 같은 팀이 컨트롤을 유지하므로 한 번의 점유에 해당하지만, 공이 경기 밖으로 나갔으므로 두 개 이상의 시퀀스로 구성됩니다. 소유권은 상대 팀이 공을 소유하게 되면 종료됩니다.
이 모델의 몇 가지 중요한 기능에 주목할 필요가 있습니다:
- 모든 이벤트가 시퀀스나 소유권에 속하는 것은 아닙니다.
- 이와 관련하여, 공이 플레이 중인 경기의 모든 순간이 특정 팀에 속한 것으로 표시되는 것은 아닙니다.
- 시퀀스는 선수가 공을 제어하는 동작을 하는 것으로 시작됩니다. 여기에는 패스는 포함되지만 태클 및 가로채기와 같은 수비 이벤트는 포함되지 않으며, 이러한 이벤트가 패스 또는 드리블과 같은 제어된 동작으로 이어지지 않는 한 포함되지 않습니다.
- 각 팀의 소유권 수는 주어진 경기에서 단 한 번만 다를 수 있습니다. 이는 전통적인 소유권 비율 개념과 관련하여 직관적이지 않은 것처럼 보일 수 있지만, 개별 소유권을 계산할 때 한 팀이 소유권을 종료하면 다른 팀이 소유권을 시작한다는 것은 논리적으로 일관성이 있습니다.
- 그러나 각 팀의 소유 시간과 특정 팀의 소유권 내 시퀀스 수는 모두 같을 필요는 없습니다.
리버풀이 조엘 마팁의 헤딩 패스(녹색)로 시작하여 슈팅(녹색 화살표)으로 끝나는 이 시퀀스 예시(이 경우 역시 소유권)를 생각해 보세요.
위의 시퀀스를 통해 리버풀이 슛을 하기 전에 공을 되찾은 위치와 이벤트 유형을 알 수 있습니다. 또한 공을 되찾은 후 슈팅까지 약 14.5초가 경과했으며, 모든 이벤트 사이에 추적된 시퀀스는 126.44미터, 필드 위로 직접 이동한 거리만 고려하면 55.96미터에 달한다는 것을 알 수 있습니다.
이 시퀀스 내에서 이 샷에 이르는 빌드업의 패스 횟수도 확인할 수 있습니다.
소유물의 경향
아래 히스토그램은 경기당 소유권 횟수의 기본 분포와 다양한 소유권 횟수가 발생하는 빈도를 보여줍니다. 경기는 일반적으로 경기당 200회 미만, 즉 팀당 90~100회 정도입니다.
아래 그래프는 2016-17 프리미어 리그 시즌의 모든 시퀀스 길이 분포를 보여줍니다. 보시다시피, 많은 시퀀스가 짧고 많은 부분을 다루기 전에 중단되며, 전체 길이가 길어질수록 빈도가 점점 줄어드는 것이 일반적인 추세입니다.
직접 속도
시퀀스에서 계산할 수 있는 통계의 한 가지 예는 직접 속도입니다. 직접 속도는 공이 이동한 거리(직접 업필드에서 측정할 경우)를 시퀀스의 총 시간으로 나눈 값으로 정의합니다.
앞선 리버풀 시퀀스를 참조하면 직진 속도는 초당 3.85미터(55.96미터를 14.5초로 나눈 값)가 됩니다. 다른 선수들과 비교하면 상대적으로 빠른 시퀀스임을 알 수 있습니다. 다시 말하지만, 이는 소유권 수준보다는 시퀀스 수준에서 더 관련이 있는데, 소유권이 중단되면 속도 메트릭의 의미가 떨어지기 때문입니다.
아래에서 2016/17 시즌 프리미어리그 팀들의 오픈 플레이 시퀀스에서의 평균 직접 속도를 확인할 수 있습니다. 스토크 시티와 레스터 사이에 나타난 아스널과 헐과 본머스 사이에 나타난 맨체스터 유나이티드에서 알 수 있듯이 성공적인 결과와 반드시 상관관계가 없는 일부 스타일 요소를 포착하고 있다는 점이 흥미롭습니다.
전술적 애플리케이션 소개
소유 프레임워크는 분석가나 코치가 제기할 수 있는 많은 질문에 대해 단일 이벤트 지표로는 설명하기 어려운 답변을 제공할 수 있습니다. 특히, 패턴과 행동이 연속적으로 발생하는 방식에 관한 질문에 대한 답을 제공할 수 있습니다.
더 자세한 예를 보려면 팀이 공을 되찾은 위치와 와이드 플레이를 하는지, 중앙 플레이를 하는지 두 가지 요소에 따라 팀의 직접성이 어떻게 달라지는지 생각해 보세요.
이 질문에 답하려면 시퀀스의 특징인 시작 위치와 너비 개념이 필요합니다. 시작 위치(자신의 절반 대 상대방의 절반)를 기준으로 시퀀스를 그룹화하는 것이 첫 번째 목적에 부합합니다. 폭을 분류하기 위해 대부분의 업필드 진행이 중앙 채널 내에서 이루어지는지 또는 아래 표시된 넓은 채널 중 하나에서 이루어지는지를 고려하여 시퀀스를 넓은 채널 또는 중앙 채널로 정의했습니다.
첼시는 처음에는 직접적인 속도 면에서 눈에 띄지 않습니다. 그러나 시작 위치와 소유 폭에 따른 구체적인 분할을 고려하면, 자기 진영에서 공을 되찾아 중앙으로 진격할 때 이 지표에서 2016-17 프리미어리그 상위 3위에 올랐다는 점을 강조할 수 있습니다(2.47m/s, 자기 진영에서 중앙으로 진격할 때 1.93m/s와 비교).
물론 이것은 다소 특수한 예시이지만, 여러 이벤트가 제공하는 컨텍스트를 통해 단일 이벤트 지표로는 대답하기 어려운 질문에 통계적 접근 방식으로 답할 수 있는 방법을 보여주는 좋은 예시입니다. 2017년 옵타프로 애널리틱스 Forum 윌 구르피나-모건이 발표할 때도 비슷한 예시를 채택했습니다.
이벤트 데이터를 적용하여 경기를 분석할 때, 이제는 일반화되고 있는 이 소유물 스타일 프레임워크는 이러한 스타일의 작업을 크게 지원하여 선수, 팀 또는 리그의 전반적인 스타일 접근 방식에 대해 더 많은 정보를 얻을 수 있는 플랫폼을 제공할 수 있습니다.
옵타프로를 대표하여 이 자리를 빌려 이 모델에 대한 의견과 피드백을 주신 Michael Caley, Garry Gelade, Sam Green, Ian Graham에게 감사의 말씀을 전합니다.
