전통 통계 (Traditional Stats)

가장 오래되고 단순한 형태입니다. 야구의 타율(AVG)·홈런(HR)·타점(RBI), 축구의 골·어시스트·패스 성공률, 농구의 득점·리바운드·어시스트처럼 경기 중 발생한 이벤트를 단순 집계한 수치입니다. 직관적이지만 선수의 실제 기여도를 왜곡하는 경우가 많습니다. 예를 들어 타율이 높아도 볼넷을 전혀 얻지 못하는 타자는 실제 출루 기여도가 낮습니다.

고급 지표 (Advanced Metrics)

전통 통계의 한계를 보완하기 위해 여러 수치를 조합·가공한 지표입니다. 야구의 WAR(대체 선수 대비 승리 기여도)·OPS(출루율+장타율), 축구의 xG(기대 득점)·PPDA(압박 강도), 농구의 PER(선수 효율성 지수)·Win Shares가 대표적입니다. 단일 숫자로 선수의 종합 가치를 표현하려는 시도입니다.

트래킹 데이터 (Tracking Data)

카메라·센서·GPS·웨어러블 기기를 통해 수집하는 실시간 위치·속도·가속도 데이터입니다. 선수가 경기 중 뛴 거리, 스프린트 횟수, 공의 궤적, 패스 각도까지 수치화됩니다. NBA의 세컨드 스펙트럼(Second Spectrum), 축구의 Opta·StatsBomb이 대표 제공 기관입니다. API-SPORTS 같은 플랫폼은 15초마다 라이브 데이터를 갱신해 경기 중 이벤트에 대한 빠른 반응과 동적 분석을 가능하게 합니다.

데이터 수집 (Collection)

공식 기록(박스스코어), 트래킹 시스템(카메라·센서), 웨어러블 기기, 스카우팅 리포트, 기상·구장 환경 데이터 등 다양한 소스에서 원시 데이터(Raw Data)를 수집합니다. 국내에서는 KBO 공식 데이터는 스포츠 투아이, K리그 데이터는 Opta 등이 제공합니다.

데이터 정제 (Cleaning)

수집된 원시 데이터에서 오류, 중복, 결측값을 제거하고 분석 가능한 형태로 가공합니다. 실제 스포츠 분석 작업에서 이 단계가 전체 시간의 60~70%를 차지합니다. 분석보다 정제가 더 중요합니다.

탐색적 분석 (EDA)

평균, 중앙값, 표준편차, 상관관계 등 기초 통계로 데이터의 패턴과 이상값을 파악합니다. 히스토그램, 산점도, 히트맵 같은 시각화 도구를 활용해 데이터를 직관적으로 이해하는 단계입니다.

모델링 및 예측 (Modeling)

회귀 분석, 의사결정 트리, 머신러닝(랜덤포레스트·XGBoost), 딥러닝 등의 알고리즘을 적용해 경기 결과 예측 모델을 만듭니다. 선행 연구에서 K리그 762경기 데이터에 파이썬으로 6가지 머신러닝 알고리즘을 적용한 결과 선형 회귀 기준 전체 144경기 중 119경기(82.6%)의 결과를 정확히 예측한 사례가 있습니다.

인사이트 도출 및 적용 (Insight)

분석 결과를 감독·코치·프런트가 이해할 수 있는 형태로 시각화해 전달합니다. 선수 영입 결정, 전술 조정, 부상 예방 프로그램 설계에 반영됩니다. 데이터 분석가와 현장 스태프 간의 소통 능력이 이 단계에서 핵심입니다.