세이버메트릭스와 야구 데이터 분석의 발전: 감(感)의 영역이 과학이 되기까지

야구는 오랫동안 경험과 직관의 스포츠로 여겨져 왔다. 그러나 지난 반세기 동안 야구를 바라보는 시각은 근본적으로 달라졌다. 타율과 타점, 방어율 같은 전통 기록만으로는 설명되지 않던 선수의 진짜 가치가 통계학과 데이터 과학의 언어로 재해석되기 시작한 것이다. 이 변화의 중심에 있는 개념이 바로 세이버메트릭스다. 이 글은 세이버메트릭스가 무엇인지, 어떤 배경에서 태어났으며, 데이터 수집 기술의 발전과 함께 어떻게 진화해 왔는지, 그리고 그 한계와 확장 가능성은 무엇인지를 체계적으로 정리한다.

 

 

 

 

 

 

 

 

▍ 세이버메트릭스의 정의와 어원

 

세이버메트릭스는 야구를 객관적이고 실증적으로 이해하기 위해 통계적, 수학적 방법을 적용하는 연구 방법론을 통칭한다. 이 용어는 야구 분석가 빌 제임스(Bill James)가 미국야구연구협회, 곧 SABR(Society for American Baseball Research)의 이름을 따 만들었다. SABR은 1971년에 설립되었으며, 제임스는 이 협회에 대한 경의를 담아 자신의 연구를 '세이버메트릭스'라 명명했다. 제임스는 이를 두고 "야구에 관한 객관적 지식의 탐구"라고 정의한 바 있다.

 

여기서 핵심은 '객관적'이라는 표현이다. 한 선수의 성적에는 본인의 순수한 능력뿐 아니라 동료의 지원, 구장의 특성, 상대 전력, 그리고 순전한 운까지 뒤섞여 있다. 세이버메트릭스의 문제의식은 이 뒤섞인 요소들 중에서 운과 환경의 영향을 최대한 통제하고, 선수 개인이 실제로 기여한 능력만을 분리해 평가하려는 데 있다. 즉 '무슨 일이 일어났는가'를 넘어 '왜 그 일이 일어났는가'를 묻는 접근이다.

 

 

 

▍ 전통 기록의 한계와 새로운 지표의 태동

 

19세기 중반 헨리 채드윅이 박스스코어의 기본 틀을 정립한 이래, 야구는 오랫동안 타율과 방어율로 선수를 평가해 왔다. 문제는 이런 전통 지표가 승리와의 상관관계를 충분히 설명하지 못한다는 데 있었다. 예컨대 타율은 볼넷이나 몸에 맞는 공으로 출루하는 가치를 전혀 반영하지 못한다. 그러나 득점은 안타가 아니라 '누상에 나간 주자'로부터 만들어지며, 결국 경기를 이기는 것은 안타 자체가 아니라 득점이다.

 

이런 인식에서 출루율(OBP)과 장타율의 중요성이 부각되었고, 두 지표를 결합한 OPS(On-base Plus Slugging)가 널리 활용되기 시작했다. 출루 능력과 장타 생산 능력을 하나의 수치로 요약한 OPS는 계산이 비교적 단순하면서도 득점 기여도를 잘 예측한다는 점에서, 이후 대중적으로 자리 잡은 대표적 세이버 지표가 되었다. 빌 제임스는 1977년 자비로 출판한 소책자 '야구 개요(Baseball Abstract)'를 통해 이런 문제의식을 세상에 알렸고, 1980년대에 이르러 대중 출판으로 확산되면서 그의 분석 철학이 폭넓게 퍼져 나갔다.

 

초창기 세이버메트릭스는 야구계의 주류로부터 냉대를 받았다. 오랜 현장 경험을 신뢰하던 이들에게 숫자로 야구를 재단하려는 시도는 '야구를 모르는 사람들의 숫자 놀음'처럼 비쳤다. 그러나 이 회의적 시선은 오래가지 못했다.

 

 

 

 

 

 

▍ 머니볼: 이론이 현실이 된 순간

 

세이버메트릭스가 실전에서 위력을 증명한 대표적 사례가 2000년대 초 오클랜드 애슬레틱스의 운영이다. 단장 빌리 빈은 제한된 자금으로 부유한 구단들과 경쟁해야 하는 상황에서, 시장이 저평가하던 능력을 데이터로 찾아내는 전략을 택했다. 당시 다른 구단들이 화려한 타율이나 도루에 지불하던 프리미엄 대신, 득점과의 상관관계가 높으면서도 상대적으로 값이 싼 출루 능력에 주목한 것이 그 핵심이었다.

 

이 접근은 '머니볼'이라는 이름으로 알려지며 야구 산업 전반의 인식을 바꾸는 계기가 되었다. 이후 저평가된 자원을 데이터로 발굴하는 방법론은 특정 구단의 비법에 머물지 않고, 리그 전체가 공유하는 표준적 사고방식으로 확산되었다. 현재는 메이저리그의 모든 구단이 분석 전담 조직을 두고 있으며, 데이터 없이 선수를 평가하고 전략을 수립하는 방식은 사실상 사라졌다고 볼 수 있다.

 

 

 

▍ 데이터 수집 기술의 진화: 계산기에서 트래킹 시스템으로

 

세이버메트릭스의 발전은 데이터 수집 기술의 발전과 궤를 같이한다. 이 흐름은 크게 두 단계로 구분해 볼 수 있다. 초기 세대는 박스스코어와 공개된 기록처럼 누구나 접근할 수 있는 데이터를 계산기와 표 계산 소프트웨어로 가공하는 방식이었다. 반면 이후 세대는 일반 팬이 쉽게 얻을 수 없는 원(原)데이터, 즉 타구의 속도와 각도, 투구의 구속과 회전, 수비 범위 같은 물리적 측정값을 다루기 시작했다.

 

이 전환을 가능하게 한 것이 트래킹 시스템이다. 2006년 포스트시즌에 처음 도입된 PITCHf/x는 카메라 기반으로 투구의 궤적과 속도, 움직임, 위치를 측정하며 투구 분석의 지평을 열었다. 이어 2015년 메이저리그는 30개 구장 전체에 스탯캐스트(Statcast)를 도입해, 타구 속도(exit velocity)와 발사각(launch angle), 회전수, 주자와 수비수의 이동 거리 및 속도까지 경기장에서 일어나는 거의 모든 동적 데이터를 추적하기 시작했다. 이 시스템은 이후 광학 기반 기술로 갱신되며 정밀도를 높여 왔다.

 

측정 방식의 세대별 변화를 간단히 정리하면 다음과 같다.

 

 

 

 

이처럼 측정 가능한 대상이 넓어지면서, 과거에는 눈으로만 평가하던 '타구의 질'이나 '수비 범위' 같은 요소가 수치로 계량되기 시작했다. 이는 세이버메트릭스가 관찰에 기반한 사후 분석에서, 잠재 능력을 예측하고 개인별 개선책을 제시하는 도구로 진화했음을 의미한다.

 

 

 

 

 

 

▍ 현대 세이버메트릭스의 핵심 지표

 

현대 야구 분석은 다양한 고급 지표를 통해 선수를 다각도로 평가한다. 각 지표는 서로 다른 질문에 답하도록 설계되어 있으며, 이를 조합할 때 비로소 선수의 전체 그림이 드러난다. 대표적인 지표들의 성격을 정리하면 다음과 같다.

 

 

 

 

WAR(Wins Above Replacement)는 타격, 출루, 주루, 수비, 투구를 하나의 척도로 통합해 대체 수준의 선수 대비 얼마나 많은 승리에 기여했는지를 추정한다. 서로 다른 포지션과 역할의 선수를 단일 기준으로 비교할 수 있다는 점에서 널리 활용되지만, 계산 방식에 여러 가정이 개입하므로 산출 기관에 따라 값이 달라질 수 있다는 점은 유의할 대목이다.

 

wOBA는 볼넷, 단타, 2루타, 홈런 등 출루 유형마다 실제 득점 기여도가 다르다는 사실을 반영해 가중치를 부여한 지표다. FIP는 투수가 통제하기 어려운 수비의 영향을 배제하고, 삼진과 볼넷, 피홈런처럼 투수 본인이 상대적으로 통제 가능한 결과에 집중한다. 스탯캐스트 시대에 등장한 기대 지표(xBA, xwOBA)는 타구의 속도와 각도를 바탕으로 '그 타구가 통상적으로 어떤 결과로 이어졌는가'를 계산해, 실제 성적과 비교함으로써 운의 개입 여부를 가늠하게 해 준다. 수비 영역에서는 OAA처럼 아웃 확률에 기반해 수비수의 범위를 계량하는 지표가 자리 잡았다.

 

 

 

▍ 세이버메트릭스를 둘러싼 논쟁과 한계

 

세이버메트릭스가 야구 분석의 주류가 되었다고 해서 모든 논쟁이 종결된 것은 아니다. 데이터 기반 접근을 지지하는 쪽은 수치가 편견과 착시를 걷어내고 더 공정한 평가를 가능하게 한다고 본다. 반면 지나친 통계 의존을 우려하는 쪽에서는, 측정값이 경기의 맥락이나 선수의 심리, 클러치 상황에서의 대응 같은 정성적 요소를 온전히 담아내지 못한다는 점을 지적한다. 실제로 일부 현장 지도자들은 발사각이나 타구 속도 같은 수치보다 상황에 맞는 타격의 질을 더 중시하는 견해를 드러내기도 했다.

 

기술적 한계도 존재한다. 트래킹 시스템은 특정 유형의 타구를 정확히 포착하지 못하는 경우가 있고, 구장별 환경 차이로 인한 측정값의 편차 문제도 꾸준히 제기되어 왔다. 또한 기대 지표는 표본이 충분히 쌓이기 전에는 변동성이 크다는 점, 발이 빠른 타자처럼 시스템이 온전히 반영하지 못하는 유형이 있다는 점도 신중히 고려해야 한다. 따라서 현재의 합의는 데이터를 유일한 정답으로 삼기보다, 여러 입력값 중 하나로 활용해 현장의 판단과 결합하는 방향으로 수렴하고 있다고 볼 수 있다.

 

 

 

▍ 야구를 넘어선 데이터 분석의 확장

 

세이버메트릭스의 방법론은 야구에만 머물지 않는다. 데이터를 수집하고 가공한 뒤 분석해 의사결정에 활용하는 이 3단계 과정은 다른 스포츠는 물론 여러 산업으로 확장되고 있다. 축구, 농구 등에서도 확률과 통계에 기반한 선수 평가와 전략 수립이 보편화되었으며, 금융 분야에서도 고객 데이터를 축적하고 가공해 신용평가나 맞춤형 서비스에 적용하는 방식이 야구 데이터 분석과 구조적으로 유사하다는 점이 지적되어 왔다. 국내 프로야구에서도 이러한 지표와 트래킹 데이터의 활용이 이미 자리 잡았다.

 

다만 종목마다 데이터 분석의 적합성에는 차이가 있다. 야구는 투구 하나하나가 독립적으로 끊어지는 시행에 가까워 통계적 접근이 유리한 반면, 흐름이 끊기지 않고 여러 사건이 동시에 일어나는 종목은 같은 방식의 계량이 상대적으로 어렵다. 이런 차이를 이해하는 것은 데이터 분석을 무비판적으로 확장하지 않기 위해서도 중요하다.

 

 

 

▍ 결론: 데이터가 바꾼 야구, 그리고 앞으로의 방향

 

세이버메트릭스는 야구를 감의 영역에서 검증 가능한 분석의 영역으로 옮겨 놓았다. 전통 기록의 한계에서 출발한 문제의식이 새로운 지표를 낳았고, 머니볼을 통해 실전에서 위력을 증명했으며, 트래킹 기술의 발전과 함께 예측과 개선의 도구로 진화했다. WAR와 wOBA, 기대 지표와 수비 지표에 이르기까지, 현대 야구 분석은 선수의 진짜 가치를 여러 각도에서 조명한다.

 

그럼에도 데이터는 만능이 아니다. 측정의 한계와 맥락의 문제를 인식하고, 수치와 현장의 통찰을 균형 있게 결합할 때 비로소 데이터 분석은 제 역할을 한다. 야구를 즐기는 팬이라면 좋아하는 선수의 기록을 이런 지표들의 관점에서 다시 살펴보는 것도 경기를 더 깊이 이해하는 좋은 출발점이 될 것이다.