구독자를 위한 읽기 · 전술·게임모델 · 아티클
이 숫자나 도구가 실제로 어떤 결정을 도와줄까?
<aside> 💡
30초 핵심
2025년 발표된 연구 중 가장 진전된 것은 한 시즌 동안 팀이 겪는 전술적 변화를 다뤘다. 스페인·잉글랜드·이탈리아·독일·프랑스 5대 리그에서 치러진 3,652경기를 체스에서 쓰이던 채점 방식인 Elo 시스템으로 분석했다.
연구 결과는 팀이 일정한 국면을 주기적으로 거친다는 것을 확인해줬다. 얼마나 위험을 감수하느냐는 그 팀이 처한 흐름과 직결된다. 좋은 결과가 이어지면 팀은 더 공격적으로 위험을 감수하고, 나쁜 흐름에서는 스스로를 보호하려는 경향을 보인다.
</aside>
체스식 접근 외에 실시간 경기 분석에 게임이론을 접목하려는 시도도 소개된다. 게임이론은 각 행위자의 결과가 다른 행위자의 선택에 달려 있는 상황에서 의사결정을 연구하는 수학·경제학 분야다. 이 연구는 맥락을 넓히는 것이 다시 한번 핵심이라는 점을 보여준다. 두 팀이 경기 내내 끊임없이 서로를 무력화하려 하는 축구에서, 계속 적응해오는 상대 앞에서도 안정적으로 유지되는 결정이 무엇인지를 찾으려는 것이다. 이 접근을 통해 전략적 균형을 식별하면, 실시간으로 전술적 취약점을 줄이는 데 활용할 수 있다.
앞서 소개한 예측 방식들이 기술적으로 실현 가능하다는 근거는 다른 연구 분야에서도 확인된다. 축구 경기 영상에 컴퓨터 비전 알고리즘을 적용해 선수 개개인의 위치, 이동 경로, 공의 움직임이라는 세 가지 정보를 추출하는 시스템이 이미 개발돼 있다. 이렇게 얻은 데이터는 경기의 공간적·시간적 전개를 측정 가능한 정보의 연속으로 변환해, 수학적·계산적 모델이 처리할 수 있게 만든다. 이를 바탕으로 과거 경기 데이터를 학습한 순환신경망(RNN) 모델은 선수들이 다음에 위치할 지점을 높은 정확도로 추정하는데, 전술적 움직임 추정 정확도는 85%, 탐지 정확도는 90%에 달한다.
자료를 바탕으로 구성한 허브의 관찰·적용 제안이다.
정의·분모·대상·기간과 현장 맥락을 함께 확인한다.
본문의 지표 하나를 골라 무엇을 세는지와 세지 못하는 것을 한 줄씩 적고 실제 판단 사례와 연결한다.
복기 질문: 수치가 달라지면 어떤 결정을 왜 바꾸게 되는가?
예측력이 이 정도로 정교해졌다면, 경기 결과 자체를 맞히는 데도 쓸 수 있지 않을까. 캐나다에서 진행된 한 연구는 2019~2022시즌 프리미어리그의 공개 데이터를 활용해 이 질문에 답하려 했다. 전적 통계, 피로도·경기력 지표는 물론 날씨 같은 환경 요인까지 변수로 반영해 홈팀 승리 여부를 예측했다. 결과는 북메이커의 예측 수준과 비슷한 정도에 그쳤고, 그것을 넘어서지는 못했다. 연구진은 머신러닝이 결과 예측에 유효한 도구이긴 하지만, 그 효과는 결국 어떤 변수를 선택하느냐에 달려 있다고 결론지었다. 자료는 머신러닝이 축구 특유의 불확실성 자체를 없애지는 못하겠지만, 지금까지 경기 속에 숨어 있던 패턴을 계속 발굴해내는 방식으로 계속 발전할 것이라고 전망한다. 이미 프로 분석 현장에서 흔해진 이런 도구들은 머지않아 아마추어 현장에서도 익숙한 풍경이 될 가능성이 크다. 다만 자료는 AI가 감독을 대신해 결정을 내리는 것이 아니라, 감독이 전략을 준비할 수 있도록 가능한 시나리오를 제시하는 역할에 머문다는 점, 그리고 데이터 표준화 부족과 연구 재현의 어려움, 일부 모델의 불투명성이 여전히 광범위한 실전 적용을 가로막는 한계로 남아 있다는 점도 함께 짚는다.
본문의 관점을 다른 사례와 비교해 읽을 자료다.