기대 득점(xG) 모델과 축구 분석의 진화: 슈팅 하나가 담아낸 확률의 과학

현대 축구를 이야기할 때 기대 득점, 곧 xG(Expected Goals)라는 지표는 더 이상 소수 전문가의 전유물이 아니다. 경기 중계 화면 하단에 두 팀의 xG 수치가 나란히 표시되고, 감독의 기자회견에서도 "결과는 아쉬웠지만 만들어낸 기회의 질은 좋았다"는 취지의 발언이 이 지표를 근거로 오간다. xG는 한 경기에서 발생한 슈팅 하나하나에 득점으로 이어질 확률을 부여하고, 이를 합산해 팀과 선수가 '만들어낸 기회의 질'을 수치로 환원하는 통계 모델이다. 이 글은 xG가 무엇이며 어떤 원리로 계산되는지, 단순한 슈팅 집계에서 확률 기반 분석으로 넘어온 축구 분석의 진화 과정, 그리고 이 지표의 실제 활용과 명확한 한계까지를 체계적으로 정리한다.

 

 

 

 

 

 

 

 

기대 득점(xG)이란 무엇인가: 슈팅의 질을 확률로 환원하다

 

xG는 특정 슈팅이 골로 연결될 확률을 0에서 1 사이의 값으로 표현한 지표다. 값이 1에 가까울수록 득점 가능성이 높은 결정적 기회이고, 0에 가까울수록 성공 확률이 낮은 무리한 시도로 해석된다. 예컨대 골키퍼와 일대일로 맞선 상황의 슈팅은 대략 0.5 안팎의 값이 부여될 수 있고, 수비수 여러 명에 둘러싸인 채 30미터 밖에서 시도한 중거리 슈팅은 0.02 수준의 낮은 값에 그칠 수 있다. 개별 슈팅의 확률을 경기 전체에 걸쳐 더하면, 그 팀이 만들어낸 기회의 총량과 질을 하나의 숫자로 요약할 수 있다.

 

이 개념의 핵심은 '결과'와 '과정'을 분리한다는 데 있다. 전통적인 통계에서는 하프라인 부근에서 시도한 요행성 슈팅과 골문 앞 6미터 지점의 손쉬운 마무리가 모두 '유효 슈팅 1회'로 동일하게 집계되었다. xG는 이 등가성을 해체한다. 각 기회에 서로 다른 확률값을 부여함으로써, 실제 득점이 나왔는지 여부와 무관하게 '얼마나 좋은 기회였는가'를 평가하는 것이다. 그 결과 xG는 운의 영향을 걷어내고 팀의 구조적 실력을 드러내는 데 유용한 도구가 된다. 한 경기의 스코어는 소수의 결정적 순간에 크게 좌우되지만, xG는 90분 동안 축적된 경기 내용의 밀도를 반영하기 때문이다.

 

 

 

데이터에서 확률로: xG 모델의 작동 원리

 

xG 값은 수많은 과거 슈팅 데이터를 학습한 통계 모델 혹은 기계학습 모델을 통해 산출된다. 모델은 방대한 역사적 슈팅 기록을 바탕으로, 특정 조건에서 시도된 슈팅이 실제로 골이 된 비율을 계산하고, 새로운 슈팅이 발생하면 그와 유사한 과거 사례에 비추어 확률을 추정한다. 주요 데이터 제공사는 각기 다른 규모의 데이터셋을 사용하는데, 대표적으로 Opta(스탯츠 퍼폼)는 수십만 건에 이르는 방대한 슈팅 기록을 활용하며, 한 번의 슈팅을 평가할 때 여러 맥락 변수를 함께 고려하는 것으로 알려져 있다.

 

xG 모델이 고려하는 변수는 크게 슈팅의 기하학적 조건과 상황적 조건으로 나눌 수 있다. 아래는 xG 계산에 흔히 반영되는 주요 요소를 정리한 것이다.

 

 

 

 

여기서 유의할 점은 xG가 슈팅 이전까지의 '기회의 질'을 평가하는 지표라는 것이다. 즉 슈팅을 시도하는 선수가 얼마나 훌륭한 마무리 능력을 갖추었는지는 기본 xG 모델이 직접 반영하지 않는다. 슛의 목표는 선수의 개인기가 아니라, 그 위치와 상황에서 '평균적인 선수라면' 득점할 확률을 추정하는 데 있기 때문이다. 이 전제를 이해하지 못하면 xG를 잘못 해석하기 쉽다.

 

 

 

슈팅 집계에서 확률 모델로: 축구 분석은 어떻게 진화했는가

 

xG의 뿌리는 생각보다 오래되었다. 정확한 기원에 대해서는 이견이 있으나, 축구 경기를 통계적으로 해부하려는 시도는 20세기 중반까지 거슬러 올라간다. 1960년대에 일부 통계학자들은 골이 만들어지는 위치와 경로를 정량화하려 했고, 이는 오늘날의 xG 알고리즘이 담고 있는 문제의식, 즉 '득점 확률이 가장 높은 공간은 어디인가'라는 질문의 원형이 되었다. '기대 득점'이라는 용어 자체는 1990년대 초의 학술 연구에서 등장한 것으로 알려져 있으며, 축구를 연구 대상으로 삼은 과학자와 연구자들의 작업에서 비롯되었다는 점이 여러 자료에서 공통적으로 지적된다.

 

 

 

 

이러한 문제의식이 본격적으로 정교해진 배경에는 야구의 세이버메트릭스, 이른바 '머니볼'로 상징되는 데이터 분석 흐름이 자리한다. 상세한 역사적 기록이 축적된 야구에서 통계적 모델링이 먼저 발전했고, 축구가 그 방법론을 흡수하면서 xG가 축구의 대응 지표로 자리 잡았다는 설명이다. 다만 축구는 야구와 달리 흐름이 연속적이고 이벤트를 구획하기 어렵다는 점에서, 슈팅이라는 이산적 사건을 확률로 환산하는 xG가 초기 분석의 교두보가 되었다.

 

xG가 전문가의 도구에서 대중적 지표로 넘어온 결정적 계기는 2010년대 후반에 마련되었다. 2017년 무렵 주요 데이터 제공사가 xG를 공식 지표로 채택하고, 영국의 대표적 축구 프로그램을 비롯한 방송 중계에 이 수치가 등장하면서 일반 팬에게도 익숙한 개념이 되었다. 당시에는 전통적 관점을 고수하는 진영과 데이터 분석 진영 사이에 상당한 논쟁이 있었다. 숫자가 경기의 감흥을 대체할 수 없다는 비판과, 스코어 이면의 실제 경기력을 드러낸다는 옹호가 맞섰다. 이후 데이터의 규모가 커지고 기계학습 기법이 도입되면서 모델의 정교함은 꾸준히 향상되었다.

 

 

 

xG를 넘어서: 파생 지표들의 확장

 

xG의 성공은 그 자체로 끝나지 않고 다양한 파생 지표의 등장을 촉발했다. 슈팅의 질만이 아니라 창출·전개·마무리의 각 국면을 세분화해 측정하려는 시도가 이어진 것이다. 대표적인 지표들은 서로 다른 국면을 조명하며 상호 보완적으로 쓰인다.

 

 

 

 

이 가운데 슈팅 이후 xG(post-shot xG)는 특히 중요한 진전으로 평가된다. 기본 xG가 슈팅 직전까지의 기회 질을 다룬다면, 슈팅 이후 지표는 실제로 날아간 공의 코스와 위력을 반영해 마무리 능력과 골키퍼의 선방 능력을 분리해 평가할 수 있게 한다. 또한 '기대 위협(xT)'처럼 슈팅이 아닌 볼 전진 자체의 가치를 측정하는 지표는 xG가 놓치던 중원과 측면에서의 전개 기여를 포착한다. 여기에 수비 행동 이전까지 허용한 패스 수를 나타내는 압박 지표(PPDA) 등을 결합하면, 공격의 질과 수비의 적극성을 함께 조망하는 다층적 분석이 가능해진다.

 

 

 

실제 활용: 전술 분석, 선수 영입, 중계와 시장

 

xG와 그 파생 지표는 오늘날 여러 영역에서 실질적으로 쓰인다. 전술 분석의 층위에서는 팀이 어떤 공간에서 기회를 만들고 어떤 지역에서 실점 위험에 노출되는지를 정량적으로 드러낸다. 스코어만으로는 '운이 좋았던 승리'와 '내용상 압도한 무승부'를 구별하기 어렵지만, xG는 그 차이를 수치로 보여준다. 한 시즌 단위로 팀의 xG와 실제 득점, xGA와 실제 실점을 비교하면 성적이 실력에 부합하는지, 아니면 평균으로 회귀할 여지가 있는지를 가늠하는 근거가 된다.

 

선수 영입, 곧 스카우팅 분야에서 xG의 영향은 특히 컸다. 슈팅의 질을 표준화한 지표는 실제 득점 기록의 이면에 감춰진 저평가 자원을 식별하는 도구가 되었다. 득점 수가 xG를 밑도는 공격수는 마무리 운이 나빴을 수 있고, 반대로 득점이 xG를 크게 웃도는 선수는 향후 기록이 조정될 가능성을 의심해 볼 수 있다. 데이터 기반 영입 전략을 적극 채택한 것으로 알려진 일부 유럽 구단들은 이러한 접근으로 제한된 예산을 효율적으로 배분해 왔다.

 

 

 

 

중계와 미디어의 영역에서 xG는 데이터에 기반한 서사를 제공한다. 어느 팀이 경기를 지배했는지, 혹은 어느 팀이 불운했는지를 설명하는 언어로 자리 잡은 것이다. 아울러 확률을 다루는 지표라는 속성상, 각종 경기 예측과 시장 가격 산정에서도 xG는 기초 자료로 활용된다. 다만 이러한 활용은 어디까지나 확률적 추정이며, 개별 경기의 결과를 단정하는 근거가 될 수 없다는 점은 분명히 해 둘 필요가 있다.

 

 

 

xG의 한계와 해석상 주의점

 

xG는 강력한 도구이지만 만능은 아니다. 이 지표를 오용하지 않으려면 몇 가지 한계를 명확히 인식해야 한다.

 

표본의 문제: 단일 경기의 xG는 표본이 작아 변동성이 크다. 한 번의 결정적 기회를 놓친 팀의 xG가 실제 스코어와 크게 어긋날 수 있으며, xG의 신뢰도는 다수의 경기가 누적될 때 비로소 높아진다.

 

모델 의존성: 제공사마다 사용하는 데이터와 변수, 알고리즘이 달라 같은 슈팅에도 서로 다른 xG 값이 매겨진다. 따라서 출처가 다른 xG 수치를 직접 비교하는 것은 주의를 요한다.

 

마무리 능력의 미반영: 기본 xG는 평균적 확률을 전제하므로, 뛰어난 결정력을 지닌 선수의 개인 역량을 과소평가할 수 있다. 이 공백을 메우기 위해 슈팅 이후 지표가 병용된다.

 

맥락의 한계: 이벤트 데이터만 사용하는 모델은 수비 대형이나 선수 위치 같은 공간 정보를 충분히 담지 못할 수 있다. 또한 팀이 리드하거나 뒤진 경기 상황에 따른 전술 변화를 세밀하게 구분하기 어렵다.

 

이러한 한계는 xG를 폐기할 이유가 아니라, 다른 정보와 함께 신중히 읽어야 할 이유가 된다. 통계 지표는 관찰의 대체물이 아니라 보완물이다. 경기 영상 분석, 전술적 맥락, 선수 개개인의 특성에 대한 이해가 xG 수치와 결합될 때, 비로소 이 지표는 그 잠재력을 온전히 발휘한다.

 

 

 

결론: 숫자가 밝혀낸 축구의 숨은 구조

 

기대 득점은 슈팅 하나에 확률을 부여한다는 단순한 발상에서 출발해, 축구 분석의 언어 자체를 바꾸어 놓았다. 슈팅의 단순 집계에서 기회의 질을 정량화하는 확률 모델로, 그리고 다시 창출과 전개와 마무리를 분리해 조명하는 여러 파생 지표로 이어진 이 흐름은 현대 축구가 데이터를 어떻게 받아들여 왔는지를 압축적으로 보여준다. xG는 스코어 이면의 경기 내용을 드러내고, 운과 실력을 구분하며, 저평가된 가치를 발견하는 데 기여해 왔다. 동시에 표본과 모델, 맥락의 한계라는 조건 속에서 신중히 해석되어야 하는 지표이기도 하다.

 

결국 xG가 던지는 메시지는 명료하다. 축구의 결과는 90분 안에 압축되지만, 실력은 축적된 데이터 속에서 서서히 드러난다는 것이다. 경기 결과에 일희일비하기보다 그 이면의 구조를 읽고자 한다면, xG와 그 확장 지표들이 제공하는 관점을 차분히 살펴보는 일은 충분히 가치 있는 접근이 될 것이다.