22분 읽기

GPS 리포트를 믿기 전에 확인해야 할 세 가지

추적 기술 타당도 개별화 임계값 데이터 맥락화 신체-전술 통합

월요일 아침, 주말 경기 데이터를 열었다. 센터백 (Centre-Back, CB)이 팀 내 최고 주행거리를 기록했다. 좋은 신호일까? 아니면 전술이 무너진 증거일까? 이 질문에 답하려면, 화면에 뜬 숫자가 어떤 여정을 거쳐 왔는지를 먼저 이해해야 한다.

축구 퍼포먼스 데이터는 세 겹의 필터를 통과한다. 측정 기기의 오차, 임계값 설정의 자의성, 해석 과정의 맥락 부재. 정수기를 떠올리면 된다. 첫 번째 필터가 오염되면, 그 뒤의 필터가 아무리 좋아도 깨끗한 물은 나오지 않는다. 41개 엘리트 클럽을 대상으로 한 설문에서 56개의 서로 다른 훈련 부하 변수가 사용되고 있었지만, 모니터링의 실제 효과는 기대에 한참 미치지 못했다 (Akenhead & Nassis, 2016). 숫자는 넘쳐나는데 판단에 도움이 되지 않는다면, 문제는 데이터의 양이 아니라 파이프라인 자체에 있다.

추적 기술은 얼마나 정확한가

GPS 리포트에 찍힌 숫자는 위치 추정에서 시작된다. 글로벌 항법 위성 시스템 (Global Navigation Satellite System, GNSS), 로컬 포지셔닝 시스템 (Local Positioning System, LPS), 광학 추적 시스템 (Optical Tracking System, OTS) — 각각 고유한 오차 구조를 가진다. LPS는 정적 위치에서 23cm 오차로 GNSS의 96cm, OTS의 56cm보다 우수하고, 동적 조건에서도 20 Hz LPS가 가장 높은 타당도 (Validity)와 신뢰도 (Reliability)를 보였다 (Pino-Ortega et al., 2021).

여기서 역설이 등장한다. 총 이동 거리 (Total Distance, TD)는 시스템을 불문하고 비교적 정확하다. OTS의 총 거리 편차가 0.3%에 불과했다는 보고도 있다 (Linke et al., 2020). 그런데 실무자가 진짜 보고 싶은 변수 — 고속 주행 (High-Speed Running, HSR), 가속 (Acceleration), 감속 (Deceleration) — 에서 오차가 급격히 커진다. 구간별 거리 편차가 최대 19%까지 벌어지기도 했다. 체온계의 전체 범위는 정확하지만, 정작 열이 나는 구간에서 눈금이 흔들리는 셈이다. 실무자가 가장 의존하는 변수가 가장 불안정하다 (Buchheit & Simpson, 2017).

그렇다면 이 숫자들을 시스템 간에 비교할 수 있을까?

같은 숫자, 다른 의미

훈련에서는 GNSS, 경기에서는 OTS로 추적하는 상황은 흔하다. 두 시스템의 숫자를 나란히 놓고 비교하는 것도 흔하다. 하지만 이 비교는 생각보다 위험하다.

스페인 2부 리그 38경기를 분석한 연구에서, 거리 변수는 OTS가, 속도 변수는 GNSS가 높게 나왔다 (Pons et al., 2019). 편향의 방향이 변수마다 다르다는 뜻이다. 한 시스템은 “더 많이 뛰었다”고, 다른 시스템은 “더 빨리 뛰었다”고 말한다. 같은 선수, 같은 경기인데 이야기가 달라진다.

문제는 여기서 끝나지 않는다. 같은 브랜드의 GNSS라도 기기 간 변이가 최대 50%까지 존재한다 (Buchheit & Simpson, 2017). 선수별로 동일 기기를 배정하라는 권고가 잘 알려져 있지만, 배터리 교체나 장비 순환 과정에서 쉽게 깨진다. 시즌 중간에 추적 시스템을 바꾸거나, 보정 방정식 없이 훈련 데이터와 경기 데이터를 합산하는 것은 다른 자로 잰 키를 더하는 것과 같다. 숫자는 하나로 합쳐지지만, 의미는 이미 어긋나 있다.

그런데 설령 측정이 완벽하다고 해도, 또 다른 문제가 기다린다. “빠르다”의 기준을 누가 정하느냐는 것이다.

누구의 고강도인가

HSR의 절대 임계값 (Absolute Threshold) 25.2 km/h. 이 기준 하나로 팀 간, 시즌 간 비교가 가능하다. 편리하다. 하지만 편리함에는 대가가 있다.

절대 임계값은 모든 선수에게 같은 사이즈 옷을 입히는 것과 같다. 누군가에겐 꽉 끼고, 누군가에겐 헐렁하다. 실제로 25.2 km/h는 선수 개인 최대 스프린트 속도 (Maximal Sprint Speed, MSS)의 70.4%에서 81.8% 사이에 해당했다 (Silva et al., 2024). 느린 CB에게는 거의 전력 질주에 가까운 속도지만, 빠른 풀백 (Full-Back, FB)에게는 여유로운 순항 속도다. 절대 기준으로 보면 FB가 CB보다 5.8배 긴 스프린트 거리를 기록하지만, MSS의 80%를 기준으로 재계산하면 그 차이가 3.1배로 줄어든다. 느린 선수의 부하는 과소추정되고, 빠른 선수의 부하는 과대추정된다.

개별화 임계값 (Individualised Threshold)은 이 문제를 보완한다. 최대 유산소 속도 (Maximal Aerobic Speed, MAS)나 무산소 속도 여유 (Anaerobic Speed Reserve, ASR)를 기준으로 속도 구간을 설정하면 개인의 생리적 부담을 더 정확히 반영할 수 있다. 그러나 절대 기준과 개별화 기준 사이에는 -69%에서 +70%에 달하는 바이어스가 존재한다. 순위는 호환되지만 절대값은 호환되지 않는다 (Rago et al., 2020).

더 근본적인 문제는 표준화 부재다. 36편을 검토한 스코핑 리뷰 (Scoping Review)에서 개별화 용어와 기준이 연구마다 달랐고, 연구의 3분의 1에서 체력 평가가 데이터 수집 시점으로부터 4주 이상 떨어져 있었다 (Clemente et al., 2023). 시즌 초에 설정한 기준이 시즌 중반의 체력을 반영한다고 볼 수 있을까? 개별화 접근은 절대 기준의 한계를 보완하지만, 기준 검사의 시기와 갱신 주기가 통일되지 않으면 새로운 비교 불가능성을 만든다. 결국 두 접근은 경쟁 관계가 아니라 보완 관계다. 팀 수준 비교에는 절대 기준을, 개인 부하 관리에는 개별화 기준을 쓰되, 두 숫자를 혼동하지 않는 것이 핵심이다.

좋다. 측정도 보정했고, 임계값도 맞춤 설정했다. 그러면 이제 주행 거리가 높은 선수가 더 잘 뛰었다고 말할 수 있을까?

주행 거리가 높으면 잘한 건가

여기가 가장 흔한 오해가 시작되는 지점이다. 경기 중 주행 출력은 체력의 직접 반영이 아니다. 전술적 역할, 경기 상황, 상대 수준, 환경 조건의 산물이다.

잉글랜드 프리미어 리그 (English Premier League, EPL)에서 상위권 팀은 하위권 팀보다 고강도 주행 거리가 오히려 적었다 (Paul et al., 2015). 이유는 전술이다. 볼을 지배하는 팀은 리커버리 런 (Recovery Run)과 수비 스프린트가 줄어든다. 공격 포메이션에서 볼 소유 시 고강도 주행은 방어 포메이션보다 30–40% 높았지만, 총 이동 거리는 변하지 않았다. 기온이 20도를 넘으면 HSR이 8.5% 감소했다는 보고도 있다 (Trewin et al., 2017). 주행 거리라는 숫자는 같은데, 그 뒤의 이유는 완전히 다를 수 있다.

가장 직접적인 반론은 이탈리아 프로 클럽의 3시즌 종단 데이터에서 나왔다. 높은 피트니스와 신선함 (Freshness)을 갖추되 상대적으로 적게 뛴 경기에서 승리 확률이 가장 높았고, 가장 많이 뛴 경기는 무승부였다 (Mandorino et al., 2025). 단일 클럽 데이터이므로 인과로 단정할 수는 없지만, 방향은 분명하다. 주행은 퍼포먼스의 원인이 아니라 전술과 상황의 결과다.

그렇다면 데이터에서 진짜 의미를 꺼내려면 무엇이 필요한가?

데이터에 의미를 입히는 법

전통적 시간-동작 분석 (Time-Motion Analysis, TMA)은 “얼마나 뛰었는가”를 알려준다. 신체-전술 통합 접근법 (Integrated Physical-Tactical Approach)은 “왜 뛰었는가”를 답한다 (Bradley & Ade, 2018). 예를 들어, CB와 센터포워드 (Centre Forward, CF)가 모두 약 600m의 고강도 거리를 기록했다. 숫자만 보면 같다. 그런데 전술적 행동을 코딩하면 풍경이 달라진다. CF는 압박 (Pressing)과 박스 침투 (Break into Box)에, CB는 커버링 (Covering)에 고강도 주행을 집중했다. 같은 거리를 달렸지만, 이유가 완전히 다르다.

포지션을 세분화하면 민감도가 더 높아진다. “측면 수비수”라는 넓은 범주를 쓰면 FB의 리커버리 런과 윙백 (Wing-Back, WB)의 오버래핑 (Overlapping)이 뒤섞인다. FB는 “측면 수비수” 평균보다 고강도 달리기 (High-Intensity Running, HIR) 거리가 34% 적었고, WB는 15% 많았다 (Ju et al., 2023). 다만 전술 행동별 맥락화 HIR 거리의 변동계수 (Coefficient of Variation, CV)는 62–67%에 달하므로, 한 경기 데이터로 선수를 평가하는 것은 한 번의 시험 성적으로 실력을 판단하는 것만큼 위험하다.

외적 훈련 부하 (External Training Load)만으로는 퍼즐이 완성되지 않는다. 같은 외적 부하라도 선수의 피트니스, 피로, 심리 상태에 따라 내적 훈련 부하 (Internal Training Load)가 달라진다 (Impellizzeri et al., 2019). GPS 숫자만 보고 선수 컨디션을 판단하는 것은, 체온계만 보고 감기를 진단하는 것과 비슷하다. 자극과 반응을 함께 읽어야 전체 그림이 보인다. 외적 부하와 내적 부하의 비율을 추적하고, 드릴 데이터베이스를 구축하며, 코칭 스태프와의 커뮤니케이션을 유지하는 것이 파이프라인의 마지막 고리다 (Pillitteri et al., 2024).

현장 시사점

  • 시스템이 달라지면 데이터의 의미도 달라진다. 시스템 전환 시 보정 방정식을 수립하고, 선수별로 동일 기기를 배정한다.
  • 고강도, 가속, 감속 변수는 오차가 가장 크다. 미세한 변화에 의미를 부여하기 전에, 최소 의미 있는 변화 (Smallest Worthwhile Change, SWC)보다 넓은 기준을 적용한다.
  • 절대 임계값과 개별화 임계값은 보완재다. 팀 비교에는 절대 기준을, 개인 부하 관리에는 개별화 기준을 쓰되, 기준 검사를 정기적으로 갱신한다.
  • 주행 거리를 핵심 수행 지표 (Key Performance Indicator, KPI)로 사용하지 않는다. 주행은 전술과 상황의 결과이며, 준비도 (Readiness)가 경기력의 선행 조건이다.
  • 신체적 지표를 전술적 행동과 통합하고, 포지션을 세분화하며, 내적 부하와 외적 부하를 함께 읽는다.

이 모든 작업의 끝에서 결국 남는 질문은 하나다. 우리 팀의 데이터 파이프라인은 숫자를 판단으로 바꾸고 있는가, 아니면 숫자를 더 많은 숫자로 바꾸고 있을 뿐인가?

참고문헌

  1. Akenhead, R., & Nassis, G. P. (2016). Training load and player monitoring in high-level football: Current practice and perceptions. International Journal of Sports Physiology and Performance, 11(5), 587–593. https://doi.org/10.1123/ijspp.2015-0331
  2. Bradley, P. S., & Ade, J. D. (2018). Are current physical match performance metrics in elite soccer fit for purpose or is the adoption of an integrated approach needed? International Journal of Sports Physiology and Performance, 13(5), 656–664. https://doi.org/10.1123/ijspp.2017-0433
  3. Buchheit, M., & Simpson, B. M. (2017). Player-tracking technology: Half-full or half-empty glass? International Journal of Sports Physiology and Performance, 12(s2), S2-35–S2-41. https://doi.org/10.1123/ijspp.2016-0499
  4. Clemente, F., Ramirez-Campillo, R., Beato, M., Moran, J., Kawczynski, A., Makar, P., Sarmento, H., & Afonso, J. (2023). Arbitrary absolute vs. individualized running speed thresholds in team sports: A scoping review with evidence gap map. Biology of Sport, 40(3), 919–943. https://doi.org/10.5114/biolsport.2023.122480
  5. Hoppe, M. W., Baumgart, C., Polglaze, T., & Freiwald, J. (2018). Validity and reliability of GPS and LPS for measuring distances covered and sprint mechanical properties in team sports. PLOS ONE, 13(2), e0192708. https://doi.org/10.1371/journal.pone.0192708
  6. Impellizzeri, F. M., Marcora, S. M., & Coutts, A. J. (2019). Internal and external training load: 15 years on. International Journal of Sports Physiology and Performance, 14(2), 270–273. https://doi.org/10.1123/ijspp.2018-0935
  7. Ju, W., Lewis, C., Evans, M., Laws, A., & Bradley, P. (2022). The validity and reliability of an integrated approach for quantifying match physical-tactical performance. Biology of Sport, 39(2), 253–261. https://doi.org/10.5114/biolsport.2022.104919
  8. Ju, W., Doran, D., Hawkins, R., Evans, M., Laws, A., & Bradley, P. (2023). Contextualised high-intensity running profiles of elite football players with reference to general and specialised tactical roles. Biology of Sport, 40(1), 291–301. https://doi.org/10.5114/biolsport.2023.116003
  9. Linke, D., Link, D., & Lames, M. (2020). Football-specific validity of TRACAB’s optical video tracking systems. PLOS ONE, 15(3), e0230179. https://doi.org/10.1371/journal.pone.0230179
  10. Mandorino, M., Lacome, M., Verheijen, R., & Buchheit, M. (2025). Time to drop running as a KPI in elite football: Football fitness and freshness as match-day preconditions. Sport Performance and Science Reports.
  11. Paul, D. J., Bradley, P. S., & Nassis, G. P. (2015). Factors affecting match running performance of elite soccer players: Shedding some light on the complexity. International Journal of Sports Physiology and Performance, 10(4), 516–519. https://doi.org/10.1123/ijspp.2015-0029
  12. Pillitteri, G., Clemente, F. M., Sarmento, H., Figuereido, A., Rossi, A., Bongiovanni, T., Puleo, G., Petrucci, M., Foster, C., Battaglia, G., & Bianco, A. (2024). Translating player monitoring into training prescriptions: Real world soccer scenario and practical proposals. International Journal of Sports Science & Coaching, 20(1), 388–406. https://doi.org/10.1177/17479541241289080
  13. Pimenta, R., Antunes, H., Maia, F., Ribeiro, J., & Nakamura, F. Y. (2025). Sprint and high-speed running in soccer: Should we use absolute or normalized thresholds? Journal of Human Kinetics. https://doi.org/10.5114/jhk/209540
  14. Pino-Ortega, J., Oliva-Lozano, J. M., Gantois, P., Nakamura, F. Y., & Rico-González, M. (2021). Comparison of the validity and reliability of local positioning systems against other tracking technologies in team sport: A systematic review. Proceedings of the Institution of Mechanical Engineers, Part P: Journal of Sports Engineering and Technology, 236(2), 73–82. https://doi.org/10.1177/1754337120988236
  15. Pons, E., García-Calvo, T., Resta, R., Blanco, H., López Del Campo, R., Díaz García, J., & Pulido, J. J. (2019). A comparison of a GPS device and a multi-camera video technology during official soccer matches: Agreement between systems. PLOS ONE, 14(8), e0220729. https://doi.org/10.1371/journal.pone.0220729
  16. Rago, V., Brito, J., Figueiredo, P., Krustrup, P., & Rebelo, A. (2020). Application of individualized speed zones to quantify external training load in professional soccer. Journal of Human Kinetics, 72(1), 279–289. https://doi.org/10.2478/hukin-2019-0113
  17. Silva, H., Nakamura, F. Y., Loturco, I., Ribeiro, J., & Marcelino, R. (2024). Analyzing soccer match sprint distances: A comparison of GPS-based absolute and relative thresholds. Biology of Sport, 41(3), 223–230. https://doi.org/10.5114/biolsport.2024.133663
  18. Trewin, J., Meylan, C., Varley, M. C., & Cronin, J. (2017). The influence of situational and environmental factors on match-running in soccer: A systematic review. Science and Medicine in Football, 1(2), 183–194. https://doi.org/10.1080/24733938.2017.1329589