22분 읽기

경기 분석의 기초: 이벤트 데이터, 추적 데이터, 전술 지표의 이해

이벤트 데이터 추적 데이터 전술 지표 맥락화

학습 목표

  • 이벤트 데이터와 추적 데이터의 정의, 수집 방법, 특성 차이를 설명할 수 있다.
  • 주요 추적 시스템(GPS/GNSS, 광학 추적, LPS)의 작동 원리와 타당도·신뢰도 한계를 이해한다.
  • 핵심 수행 지표(KPI)의 정의, 유형, 설정 과정을 설명할 수 있다.
  • 맥락 변수(경기 장소, 상대 수준, 점유율 등)가 경기 데이터 해석에 미치는 영향을 이해한다.
  • 신체적 데이터와 전술적 데이터를 통합하는 접근법의 필요성과 방법을 설명할 수 있다.

경기 분석 데이터의 세 가지 축

현대 축구 경기 분석은 크게 세 가지 데이터 유형에 기반한다. 이벤트 데이터(Event Data), 추적 데이터(Tracking Data), 그리고 이 둘에서 파생되는 전술 지표(Tactical Metrics)다.

이벤트 데이터는 경기 중 발생하는 이산적 행동을 기록한다. 패스, 슈팅, 태클, 인터셉션, 파울 등 개별 행동이 시간·위치·결과와 함께 코딩된다. OPTA, StatsPerform 같은 상업 데이터 제공업체가 전문 코더를 통해 경기 영상을 분석하며, 한 경기에서 수천 개의 이벤트가 생성된다. 이벤트 데이터는 “무엇이 일어났는가”라는 질문에 답한다.

추적 데이터는 선수의 시공간 좌표를 연속적으로 기록한다. GPS 웨어러블 기기나 경기장에 설치된 카메라 시스템이 초당 10–25회 빈도로 선수의 위치를 수집하며, 이로부터 이동 거리, 속도, 가속도 같은 신체적 지표가 산출된다. 추적 데이터는 “어디서, 얼마나 움직였는가”에 답한다.

전술 지표는 이벤트 데이터와 추적 데이터를 가공하여 만들어지는 파생 지표다. 슈팅의 골 확률을 추정하는 기대 득점(Expected Goals, xG), 팀 포메이션, 프레싱 강도, 선수 간 거리 같은 정보가 원시 데이터에서 계산된다.

세 가지 데이터 유형은 각각 경기의 서로 다른 측면을 포착한다. 이벤트 데이터는 행동의 빈도와 결과를 보여주지만, 행동 사이의 움직임은 담지 못한다. 추적 데이터는 선수의 전체 움직임을 보여주지만, 그 움직임의 기술적·전술적 의도는 알 수 없다. 전 세계 206명의 축구 실무자를 조사한 결과, 이동 변수(속도 구간별 거리·횟수)가 가장 보편적으로 사용되는 지표였으며, 탐색적 데이터 분석이 가장 흔한 분석 접근이었다(Dello Iacono et al., 2025). 단일 데이터 유형만으로는 경기의 전체 그림을 파악할 수 없다. 세 유형을 상호보완적으로 통합 해석할 때 비로소 의미 있는 인사이트가 생긴다.

추적 기술: GPS, 광학 추적, LPS

추적 데이터를 수집하는 기술은 크게 세 가지로 분류된다. 위성 기반 시스템(GPS/GNSS), 카메라 기반 시스템(광학 추적 시스템, Optical Tracking System, OTS), 무선 주파수 기반 시스템(로컬 포지셔닝 시스템, Local Positioning System, LPS)이다.

글로벌 항법 위성 시스템(Global Navigation Satellite System, GNSS)은 미국 GPS와 러시아 GLONASS를 포함하는 위성 항법 시스템의 총칭이다. 선수가 양 견갑골 사이에 착용하는 웨어러블 기기가 최소 4기의 위성 신호를 수신하여 위치를 산출한다. 현재 10 Hz 이상의 샘플링 주파수가 권장되며, 속도 산출에는 도플러 편이법(Doppler-Shift Method)이, 거리 산출에는 위치 미분법이 사용된다(Clubb & Murray, 2022). GPS는 휴대성이 높아 훈련과 원정 경기 모두에서 사용할 수 있지만, 날씨·경기장 구조·주변 장애물에 의해 신호 품질이 영향을 받는다.

광학 추적 시스템(OTS)은 경기장 주변에 설치된 다수의 카메라로 선수의 위치를 추적한다. 컴퓨터 비전과 머신러닝이 영상에서 선수를 식별하고 x-y 좌표를 추론한다. TRACAB Gen5 시스템의 타당도 검증에서, 준거 시스템(VICON) 대비 위치 측정 오차는 약 0.08 m, 총 이동 거리(TD) 편차는 0.27%에 불과했다(Linke et al., 2020). 광학 추적은 볼 추적이 가능하여 전술 정보 산출에 유리하지만, 고정 인프라 비용이 높고 훈련 환경에서의 활용이 제한된다.

LPS는 경기장 주변에 설치된 안테나(앵커 노드)와 선수가 착용하는 송신기 간 신호로 위치를 산출한다. 초광대역(Ultra-Wideband, UWB) 기술을 사용하는 시스템은 높은 정밀도와 간섭 저항성을 보이며, 실내 환경에서도 작동한다는 장점이 있다.

세 시스템에서 산출되는 지표는 3단계로 분류된다(Buchheit & Simpson, 2017). Level 1은 속도 구간별 이동 거리(TD, 고속 주행 거리(HSR) 등), Level 2는 가속·감속·방향 전환 관련 이벤트, Level 3은 관성 측정 장치(Inertial Measurement Unit, IMU)에서 파생되는 보폭 특성·충격 이벤트 등이다.

지표 단계예시측정 정밀도
Level 1TD, HSR, 스프린트 거리비교적 높음
Level 2가속, 감속, 방향 전환중간–낮음
Level 3보폭 특성, Player Load검증 진행 중

여기서 중요한 역설이 존재한다. 실무자들이 가장 중요하다고 평가하는 변수 — HSR, 가속·감속, 대사 파워 — 가 타당도와 신뢰도 측면에서는 가장 낮은 수준을 보인다(Buchheit & Simpson, 2017). 시스템 간 일치도도 주의가 필요하다. 스페인 2부 리그에서 GPS(10 Hz)와 광학 추적(25 Hz)을 동시에 비교한 연구에서, TD와 저속 구간의 일치도는 매우 높았지만 스프린트 구간의 측정 오차는 약 15%까지 증가했다(Pons et al., 2019). 동일 브랜드 내 GPS 기기 간 변이도 최대 50%까지 발생할 수 있다(Buchheit & Simpson, 2017).

이러한 한계를 고려하면, 동일 선수에게 동일 기기를 지속 사용하는 것이 모범 사례다. 서로 다른 시스템의 데이터를 직접 비교해서는 안 되며, 시스템 간 데이터 교환이 필요할 경우 자체 환경에서 보정 방정식(Calibration Equation)을 산출해야 한다. 타당도 검증은 일회성 이벤트가 아니라 펌웨어·소프트웨어 업데이트에 따라 지속적으로 수행해야 하는 과정이다(Murray & Clubb, 2022).

이벤트 데이터: 패스, 슈팅, xG의 세계

이벤트 데이터의 체계적 수집은 표기 분석(Notational Analysis)에서 출발했다. 1976년 Tom Reilly의 축구 연구에서 수기 코딩으로 시작된 이 방법론은, 현재 상업 데이터 제공업체가 경기당 수천 개의 이벤트를 실시간으로 코딩하는 체계로 발전했다. 이 데이터는 선수 평가, 상대 분석, 스카우팅에 광범위하게 활용된다.

이벤트 데이터로 구축되는 기술적 수행 프로필(Technical Performance Profile)은 포지션별 강점과 약점을 시각화하는 도구다. La Liga 한 시즌 380경기에서 409명의 선수를 대상으로 21개 이벤트 변수를 분석한 연구에서, 상위 팀의 수비수는 하위 팀 수비수보다 패스 정확도와 볼 터치가 높아 공격 조직에 더 적극적으로 참여했다. 포워드의 경우, 슈팅 시도 횟수보다 유효 슈팅 비율이 상위 팀과 하위 팀을 구분하는 결정 요인이었다(Liu et al., 2015).

이벤트 데이터에서 파생된 고급 지표로 기대 득점(Expected Goals, xG)과 기대 유효 득점(Expected Goals On-target, xGOT)이 있다. xG는 슈팅의 위치, 각도, 상황을 토대로 골이 될 확률을 추정하며, 득점 효율을 평가하는 데 활용된다. 2018년과 2022년 FIFA 월드컵 341골을 분석한 연구에서, 두 대회 모두 팀들의 실제 골 수가 xG보다 적어 득점 전환 효율이 부족했다(Degrenne & Carling, 2024). xG는 단순한 기대치를 넘어, 실제 득점 능력과의 괴리를 드러내는 평가 도구가 된다.

그러나 이벤트 데이터에는 구조적 한계가 있다. 슈팅과 어시스트는 팀 수준, 상대 수준, 경기 장소, 결과 등 모든 맥락에서 높은 경기 간 변동성(CV)을 보이는 민감한 지표다(Liu et al., 2015). 소수 경기만으로 선수를 평가하면 왜곡된 결론에 이를 수 있다. 더 근본적으로, 이벤트 빈도의 집계는 경기의 순차적 맥락과 동적 상호작용을 포착하지 못한다. 패스트브레이크 횟수가 승리와 상관이 있다 해도, 실제로는 리드하는 팀이 상대의 전진 압박을 유도하여 역습 기회가 늘어난 결과일 수 있다. 이러한 내생성(Endogeneity)은 빈도 기반 이벤트 분석에서 인과와 상관을 혼동할 위험을 내포한다(Morgulev & Lebed, 2024).

전술 지표와 KPI의 설계

핵심 수행 지표(Key Performance Indicator, KPI)는 수행 목표(Performance Objective, PO) 달성 여부를 평가하는 정량적 측정치다. KPI는 세 가지 요건을 충족해야 한다. 첫째, 측정 가능해야 한다. 둘째, 객관적이어야 한다. 셋째, 실행 가능해야 한다 — KPI에 기반한 구체적 중재(훈련 설계, 전술 조정 등)가 가능해야 한다(Cardinale, 2022).

KPI 설정은 PO에서 출발한다. 리그 우승, 특정 라운드 진출, 실점 감소 같은 목표가 먼저 정의되고, 이를 달성하기 위한 수행 결정 요인이 분석된 후, 그 요인을 추적할 수 있는 KPI가 도출된다. 이 과정은 반드시 코칭 스태프와의 협업으로 이루어져야 한다. 협업 없이 설계된 KPI는 현장에서 활용되지 않을 위험이 있다(Cardinale, 2022). 전술 KPI의 유형은 기술적(패스 성공률, 슈팅 효율), 전술적(포메이션 효율, 프레싱 강도), 생리적(VO₂max, 젖산 역치), 심리적(자신감, 집중력) 영역으로 나뉘며, 개별 선수의 KPI를 동료 및 상대 대비 비교하기 위해 표준 점수나 백분위를 활용한 벤치마킹이 일반적이다.

그러나 전술 분석에는 근본적인 객관성 문제가 존재한다. 독일 분데스리가 경기 영상을 15–24명의 코치에게 보여준 3개 실험에서, 동일한 영상에 대한 포메이션·빌드업·전술 해석의 일치도가 매우 낮았다(Furley et al., 2024). 과반수의 코치가 같은 포메이션을 식별하지 못했으며, 공간 점유와 핵심 선수 식별에서도 합의가 거의 이루어지지 않았다. 비디오 분석이 객관적이라는 일반적 믿음은 항상 정확하지 않다. 분석의 객관성을 높이려면, 명확한 행동 정의와 체계적 코딩 프로토콜이 필수적이다.

KPI 중심의 기술·상관 연구가 동적이고 비선형적인 팀 스포츠의 실무에 충분히 기여하기 어렵다는 비판도 있다. 빈도 기반 분석을 넘어, 네트워크 과학이나 동적 시스템 접근법 같은 이론적 프레임워크가 “무엇이 일어났는가”를 넘어 “왜 일어났는가”를 설명하는 방향으로 발전해야 한다(Morgulev & Lebed, 2024).

맥락이 데이터를 바꾼다: 통합 해석의 원칙

맥락 변수(Contextual Variables)는 경기 데이터의 해석 방향을 근본적으로 바꿀 수 있는 요인이다. 경기 장소(홈/어웨이), 상대 수준, 볼 점유율, 경기 상황(스코어라인), 볼 인 플레이(Ball in Play, BiP) 시간이 대표적이다.

잉글랜드 프리미어 리그(EPL) 5시즌 1,675경기를 분석한 연구가 이를 잘 보여준다. 총 달리기 거리(TD)와 승점 사이에는 사실상 상관이 없었다(Allen et al., 2026). “더 많이 뛴 팀이 이긴다”는 통념은 데이터로 지지되지 않는다. 반면, 볼 비점유 시 분당 달리기 강도(TOOP)와 점유 시 분당 달리기 강도(TIP)의 비율은 승점과 뚜렷한 양의 관계를 보였다. 상위 팀의 패턴은 명확하다. 볼을 가지고 있을 때는 낮은 신체적 출력(통제와 구조적 우위)을, 볼을 잃었을 때는 높은 강도(압박과 빠른 볼 회수)를 보였다. 달리기 데이터는 전술적 맥락 없이 해석하면 의미를 잃는다.

포지션 분류의 세밀도도 해석에 영향을 미친다. EPL 50경기에서 추적 데이터와 11개 전술적 행동을 통합 코딩한 연구에서, 풀백(FB)은 일반적인 측면 수비(WDP) 범주 대비 고강도 달리기(HIR) 거리가 34% 적었고, 윙백(WB)은 15% 더 많았다(Ju et al., 2023). 일반 포지션 분류를 사용하면 풀백의 실제 수행이 과대추정되고 윙백의 수행이 과소추정된다. 이 차이는 훈련 설계와 선수 선발에 직접적 함의를 가진다.

신체적 지표만으로는 “1차원적이고 맹목적인 거리”에 불과하다는 비판이 존재한다(Murray & Clubb, 2022). 이를 극복하기 위해 추적 데이터와 전술적 행동을 통합하는 신체-전술 통합 접근법(Integrated Physical-Tactical Approach)이 개발되었다. 이 접근법의 타당도·신뢰도 검증에서, 전문가 30명의 전체 정답률은 91.8%였으며, 관찰자 간·관찰자 내 일치도 모두 높은 수준이었다(Ju et al., 2022). 통합 접근법은 맹목적 거리를 목적 있는 거리(Purposeful Distances)로 전환한다. 같은 100 m의 고강도 달리기라도 프레싱을 위한 달리기인지, 오버랩을 위한 달리기인지, 커버링을 위한 달리기인지에 따라 훈련 설계의 방향이 완전히 달라진다.

결국 기술은 단순한 방법으로 얻을 수 없는 고유한 정보를 제공할 때만 가치가 있다(Buchheit & Simpson, 2017). 데이터를 수집하는 시스템이 아니라, 데이터를 해석하고 활용하는 사람이 궁극적으로 가치를 만든다.

핵심 요약

  • 이벤트 데이터는 경기 중 이산적 행동(패스, 슈팅 등)을 기록하고, 추적 데이터는 선수의 시공간 좌표를 연속적으로 기록한다. 두 유형은 상호보완적이며, 단독으로는 불완전하다.
  • GPS, 광학 추적, LPS는 각각 고유한 장단점을 가지며, 속도 변화율이 높은 동작(가속·감속·방향 전환)에서 모든 시스템의 정밀도가 떨어진다. 시스템 간 데이터를 직접 비교해서는 안 된다.
  • KPI는 수행 목표(PO)가 정의된 후에 설정해야 하며, 측정 가능성·객관성·실행 가능성의 세 요건을 갖추어야 한다. 코칭 스태프와의 협업 없이 설계된 KPI는 활용되지 않을 위험이 있다.
  • 경기 장소, 상대 수준, 점유율 등 맥락 변수는 신체적·기술적 수행 데이터의 발생 빈도에 유의한 영향을 미치므로, 맥락 없이 수치를 해석하면 오류가 발생한다.
  • 추적 데이터(신체적 지표)와 전술적 행동을 통합하는 접근법은 맹목적 거리를 목적 있는 거리로 전환하며, 포지션 특이적 훈련 설계와 선수 선발에 실질적 함의를 제공한다.

참고문헌

  1. Allen, T., Taberner, M., Zhilkin, M., Harper, D., & Alexander, J. (2026). Possession in motion a five-season analysis of running in-possession and out-of-possession with match outcomes in the English Premier League. Biology of Sport. https://doi.org/10.5114/biolsport.2026.159531
  2. 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
  3. Cardinale, M. (2022). Key Performance Indicators. In D. N. French & L. Torres Ronda (Eds.), NSCA’s Essentials of Sport Science. Human Kinetics.
  4. Clubb, J., & Murray, A. M. (2022). Characteristics of tracking systems and load monitoring. In D. N. French & L. Torres Ronda (Eds.), NSCA’s Essentials of Sport Science. Human Kinetics.
  5. Degrenne, O. & Carling, C. (2024). Comparison of goalscoring patterns between the 2018 and 2022 FIFA World Cups. Frontiers in Sports and Active Living, 6, 1394621. https://doi.org/10.3389/fspor.2024.1394621
  6. Dello Iacono, A., Datson, N., Clubb, J., Lacome, M., Sullivan, A., & Shushan, T. (2025). Data analytics practices and reporting strategies in senior football: insights into athlete health and performance from over 200 practitioners worldwide. Science and Medicine in Football, 10(1), 80-95. https://doi.org/10.1080/24733938.2025.2476478
  7. Furley, P., Mehta, S., Raabe, D., & Memmert, D. (2024). Objectivity of match analysis in football: Testing the level of agreement between coaches’ interpretations of video data. International Journal of Sports Science & Coaching, 20(1), 45-55. https://doi.org/10.1177/17479541241278603
  8. Ju, W., J Lewis, C., Evans, M., Laws, A., & S 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
  9. 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
  10. 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
  11. Liu, H., Gómez, M., Gonçalves, B., & Sampaio, J. (2015). Technical performance and match-to-match variation in elite football teams. Journal of Sports Sciences, 34(6), 509-518. https://doi.org/10.1080/02640414.2015.1117121
  12. Morgulev, E. & Lebed, F. (2024). Beyond key performance indicators. German Journal of Exercise and Sport Research, 54(3), 335-340. https://doi.org/10.1007/s12662-024-00944-8
  13. Murray, A. M., & Clubb, J. (2022). Analysis of tracking systems and load monitoring. In D. N. French & L. Torres Ronda (Eds.), NSCA’s Essentials of Sport Science. Human Kinetics.
  14. 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