Journal Archive

최근 스포츠 산업과 경영 분야의 연구에서 가장 큰 변화는 인공지능 기술의 도입과 빅데이터 분석의 고도화를 통한 스포츠 애널리틱스의 발전이라고 볼 수 있다[1]-[4]. 스포츠 애널리틱스는 스포츠과학과 데이터 애널리틱스의 융합된 학문과 기술을 바탕으로 다량의 데이터를 활용하여 스포츠 관련 조직과 산업 전반에 가치를 창출할 수 있는 다양한 의사결정을 체계화하는 분야로 개념화할 수 있다.

인공지능은 물론 빅데이터와 정보기술을 활용한 스포츠 애널리틱스의 고도화는 다양한 스포츠 산업과 경영의 저변확대와 전반적인 성장에 지대한 영향을 미치고 있으며, 앞으로 더 많은 발전이 기대된다. 스포츠 현장에서는 스포츠와 데이터 애널리틱스를 기반으로 경기데이터(on-field analytics)를 활용하여 선수나 팀의 경기력 예측[5], 부상 예방[6],[7], 전략 및 전술 구상[4], 스포츠 산업의 성장과 확장에 반드시 중요한 스포츠 베팅[8]-[10] 등에 이르기까지 다양한 영역에서 활용되고 있다.

스포츠 애널리틱스 분야는 인공지능 기술이 고도화되고 빅데이터가 체계적으로 구축되면서 경기결과를 예측하고 이를 학계나 현장에서 스포츠 산업적 측면에서 적용하여 혁신하고자 꾸준히 노력해왔다[11],[12]. 최근 스포츠 관련 시장의 급격한 확대는 이러한 인공지능과 빅데이터 기술의 진일보가 결합하여 융·복합적으로 나타나는 현상으로 연구의 노력이 확장되고 있다[13]-[15].

스포츠 산업에서의 빅데이터 애널리틱스의 적용은 스포츠와 직·간접적으로 관련된 데이터를 적용하여 스포츠 조직의 전반적인 경영 성과를 높이고 효율성을 극대화하기 위해 그 활용의 폭을 넓히는 과정을 포함한다. 스포츠 애널리틱스는 구체적으로 인공지능 기술발전과 궤를 같이한다고 볼 수 있다. 기존의 스포츠 통계분석이 의사결정에 도움이 될 수 있는 보조적 자료를 제공하는 데 목적을 둔 것에 반해, 인공지능을 적용한 스포츠 애널리틱스는 최적의 스포츠 관련 의사결정을 실시간에 의사결정자가 적극적으로 참여하는 선행적 과정을 포함한다[16]-[21].

이러한 스포츠 애널리틱스의 중요성을 고려하면 빅데이터를 기반으로 빠르게 정보를 취합하고 전처리하는 것은 물론 정보처리에 적합한 빅데이터 정제기술과 인공지능의 활용이 필수적이라고 본다[22],[23]. 특히, 인공지능을 활용한 빅데이터의 활용은 경기결과 예측 분야에서 전성기를 맞이하고 있다. 이는 단순히 경기결과 예측을 통한 관객의 경기에 대한 몰입증대부터 적극적인 베팅까지 많은 분야에서 활용될 수 있다. 이 과정에서 경기결과 예측을 통한 산업적 활용은 베팅산업, 미디어 분야에서의 새로운 시장 획득 등과 같은 산업적 활용 자체는 물론, 대중의 스포츠에 대한 적극적 관심과 몰입으로 스포츠 산업의 전체적인 규모의 증대에까지 영향을 미칠 수 있을 것으로 보인다.

스포츠 경기결과 예측의 관심은 학술적인 연구에도 그대로 반영된다. 최근 인공지능을 활용하여 경기결과를 예측하는 연구가 급격히 증가하고 있다는 점이 주목된다. 국내외의 선행연구를 체계적으로 고찰하면 골프[24], 농구[8],[13],[14],[25]-[30], 야구[31]-[35], 축구[36]-[40],[9]와 같은 프로스포츠는 물론이고 경마[41],[42], 경륜[43],[10]과 같은 경주 스포츠에서조차 경기결과 예측과 관련한 연구가 쏟아지고 있다. 하지만, 전술한 선행연구의 체계적인 고찰에도 불구하고 아직 국내 프로축구경기 데이터를 활용하여 경기결과를 예측하는 연구는 현재까지 발견하기 힘든 실정이다.

프로축구 종목은 명실상부 세계 최대 규모의 인기 스포츠로 볼 수 있다. 실제로 2022년 기준 프로축구의 시장규모는 3.2억 불로 추정되며 지속 성장하여 2028년에는 4.0억 불의 가치로 증가할 것으로 예상한다[44]. 이는 국내에서 가장 인기 있는 프로스포츠 종목으로 알려진 프로야구의 세계적인 시장규모가 10억 불의 규모와 비교해 볼 때 상당히 높은 수치라 볼 수 있다. 따라서, 프로축구 관계자는 물론 일반인들 역시 경기결과 예측에 높은 관심을 가지는 것으로 확인된다[9],[45],[36].

하지만, K리그(한국프로축구) 경기결과 예측에 관한 연구가 부재하다는 것은 스포츠 산업 및 현장에서의 수요와 연구의 발전 간 공백이 발생하여 존재한다는 것을 알 수 있다. 축구는 다른 팀 스포츠와 비교하면 인공지능을 도입한 경기결과 예측에 분명한 어려움이 존재한다. 경기데이터를 활용하여 경기결과를 예측하기 위해서는 경기와 관련한 양질의 충분한 데이터가 필요하다. 농구는 다른 스포츠에 비해 득점이 많이 발생한다는 특성 덕분에 득점을 예측할 수 있는 많은 데이터가 누적된다고 볼 수 있다. 또한, 야구는 플레이 간 분절이 자주 발생하기 때문에 세부적인 경기지표 대부분을 데이터로 축적할 수 있다는 장점이 존재한다. 하지만, 축구는 적은 득점과 플레이의 단절 없는 연결성, 다른 프로스포츠 종목과 비교하면 작전타임의 부재 등으로 상대적으로 분석을 위한 자료의 축적에 어려움이 존재한다[9].

아울러, K리그는 유럽의 5대 축구 리그(잉글랜드 프리미어리그, 스페인 라 리가, 독일 분데스리가, 이탈리아 세리에 A, 프랑스 리그앙)와 비교했을 때, 실증분석을 위한 충분한 데이터가 누적되어 있다고 보기 힘들다. 또한, 다른 프로축구리그에 비해 K리그는 잦은 무승부가 더 발생하는 특성을 간과할 수 없으므로 경기결과 예측이 더욱 어렵다고 볼 수 있다. 따라서, K리그 경기결과를 예측하기 위해서는 다른 종목이나 리그에서의 경기결과를 예측하는 것과는 다른 시도가 필요하다.

이에 따라 본 연구의 목적은 K리그가 내재하고 있는 경기결과 예측의 어려움을 극복하고, K리그 경기 기록을 활용하여 머신러닝 알고리즘을 활용한 경기결과의 예측을 시도하고자 한다. 특히, 2차 경기지표(advanced metrics)가 충분히 축적되어 있지 않으며, 무승부가 많이 나타나는 리그의 특성을 반영하여 승/패를 예측하기 위해 분류 중심의 알고리즘을 사용한 대부분의 기존 연구와 달리 회귀 알고리즘을 중심으로 경기결과 각각의 머신러닝 알고리즘의 예측 성능을 비교하고, 이를 바탕으로 경기결과를 예측하고자 한다.

보다 구체적으로, 선형회귀(Linear Regression), 캣부스트(Cat Boost), 랜덤 포레스트(Random Forest), 엑스트라 트리(Extra Trees), XG 부스트(XG Boost), SGD(Stochastic Gradient Descent)의 6가지 알고리즘을 활용하여 득점과 실점 차이를 예측하고, 이 중 가장 높은 예측 성능을 기록한 머신러닝 알고리즘을 기반으로 경기결과를 실질적으로 분류하고자 한다. 이를 위해 2020~2023시즌 K리그 정규리그에서 발생한 경기 관련 자료를 수집하여 분석하고 이에 관한 학술 및 실무적 시사점을 살펴보고자 한다.

본 연구는 2020년 2월 25일부터 2023년 7월 22일까지 펼쳐진 K리그 144경기를 선형회귀, 캣부스트, 랜덤 포레스트, 엑스트라 트리, XG 부스트, SGD 회귀분석의 6가지 머신러닝 알고리즘을 적용하여 경기결과를 예측한 결과 결정계수 기준으로 선형회귀(0.815) → 캣부스트(0.733) → 엑스트라 트리(0.693) → 랜덤 포레스트(0.624) → XG 부스트(0.596) → SGD 회귀분석(0.567) 순으로 예측 성능이 높은 것으로 나타났다. 이를 바탕으로 선형회귀 기반 머신러닝 알고리즘을 기준으로 실제 예측을 경기분석에 적용해 본 결과, 총 144경기 중 119경기(82.6%)의 결과를 정확히 예측하였다. 이 중 홈팀이 승리한 경기에 승리할 것으로 예측할 가능성이 89.7%로 가장 높았고, 패배한 경기를 패배할 것으로 예측한 경기는 84.4%로 뒤를 이었다. 마지막으로 무승부 경기를 무승부로 정확히 예측한 경기는 전체의 70.7%에 해당한다.

본 연구는 다음과 같은 이론적 시사점을 지닌다. 첫째, K리그의 경기결과를 다양한 머신러닝 알고리즘을 적용하여 실질적으로 예측한 최초의 연구로서 그 가치를 지닌다고 볼 수 있다. 전술하였듯이, 프로축구의 승패 예측은 경기데이터 축적의 한계와 빈번한 무승부의 발생으로 다른 종목에 비해 상대적으로 매우 어려우며, K리그의 경우 데이터의 내생적 한계로 인해 이러한 점이 더욱 두드러진다[9].

그러나 고도화된 다양한 머신러닝 알고리즘을 활용하여 분석한 본 연구의 예측 성능은 결정계수 기준 0.815로, 기존의 선행연구에서 프리미어리그 경기결과 예측을 시행했을 경우 기록한 정확도 0.5~0.6 수준의 예측 성능[56],[45],[36]을 상회하는 연구 결과의 수준을 도출하였다. 스포츠 애널리틱스가 상대적으로 더 발전한 타 종목이나 5대 프로축구리그와 비교 시 K리그의 경우에는 그만큼의 충분한 데이터를 축적하고 있지는 않으나, 분석 방법과 다양한 변수의 활용을 통해 기존의 선행연구에서 달성하였던 예측 수준 혹은 그 이상의 예측 성능을 확보할 수 있다는 것을 실증하였다는 점에서 학문적 의의를 지닌다.

둘째, 본 연구는 K리그의 경기 결과를 예측하는 데 여러 머신러닝 알고리즘을 반영하여 최적의 성능을 도출하였다. 전술하였듯이, 축구는 무승부가 자주 발생한다는 점 때문에 승/패 두 가지 경우 중 하나의 선택지만 예측하면 되는 타 종목 예측과 비교해 승/무/패를 각각 예측해야 하므로 더 어렵다고 할 수 있다. 특히, K리그는 다른 프로축구리그에 비해 무승부가 더 많이 발생하는 특성이 있으므로 단순한 승패 분류 방식 이외의 정교화된 접근이 필요하다. 본 연구의 머신러닝 알고리즘 적용 표본인 K리그 144경기 중 41경기가 무승부로 무려 28.5%에 해당한다. 이러한 맥락에서 K리그 경기는 프리미어리그(PL)에 비해서도 예측이 난해하다고 볼 수 있는데, 2022~2023시즌 유럽 프리미어리그의 경우 무승부 경기는 전체 760경기 중 174경기(22.9%)에 불과하며, 경기 승패에 결정적인 설명력을 가지는 xG 등의 2차 경기지표도 부족하다.

이러한 요인으로 인해 경기결과 예측을 서포트 벡터 머신이나 로지스틱 회귀 등의 분류 기반의 알고리즘을 사용할 경우, 타 스포츠 종목보다 예측 성능이 낮을 가능성이 충분히 존재한다. 연구분석의 측면에서 K리그의 경기결과 예측을 통한 충분한 경기결과 예측 성능을 확보하는 데 어려움이 분명 존재한다고 볼 수 있다. 이러한 이유로 K리그 경기결과 예측 연구가 여전히 학계에서 부족한 것은 역시 이에 기인한 것으로 보인다.

본 연구에서는 이러한 한계점을 극복하기 위해 예상 득점 마진을 회귀분석 기반 알고리즘을 활용하여 분석하고, 이를 바탕으로 승/무/패로 다시 분류함으로써 경기결과 예측 수준을 높이기 위해 노력하였고, 그 결과 전체 경기의 82.6%에 해당하는 경기를 정확히 예측하였다. 이는 경기결과 예측을 위해 국내에서 최초로 시도된 방식으로 후속 연구의 방법론적 측면을 새롭게 고찰하는데 기여도가 있을 것으로 기대된다.

셋째, 본 연구에서는 K리그 경기데이터를 활용하여 경기결과를 예측하기에 적합한 머신러닝 알고리즘을 제안하였다. 본 연구는 선형회귀, 캣부스트, 랜덤 포레스트, 엑스트라 트리, XG 부스트, SGD 회귀분석의 6가지 머신러닝 알고리즘을 활용하여 비교·분석하고 이 중 가장 높은 성능을 보이는 선형회귀를 사용하여 경기결과를 예측하였다. 머신러닝을 통한 경기결과의 예측은 분석하고자 하는 종목의 특성이나 목표 변수, 리그의 특성마다 최적화된 알고리즘에 차이가 존재한다[8],[13],[14],[24][45]. 본 연구는 6개의 회귀 기반의 머신러닝 알고리즘을 비교하고 분석한 결과 K리그 2023시즌에 펼쳐진 경기결과를 예측하기 위해 선형회귀 기반의 머신러닝 모델이 가장 적합한 알고리즘이라는 것을 검증하였다.

아울러, 본 연구는 다음과 같은 실무적 시사점을 지닌다. 첫째, 감독과 코치진을 포함한 프로스포츠 산업의 현장 관계자들은 머신러닝 알고리즘 기반의 경기결과를 활용하여 전력상 예상되는 경기결과와 실제 경기결과 사이에 괴리가 발생하는 경우를 자세히 분석할 수 있다. 이를 통해 현 전력 이상의 성적을 거두기 위해서, 혹은 전력보다 낮은 성적이 나오지 않도록 대처하고 전략을 구성할 수 있다고 본다. 머신러닝 알고리즘을 통한 경기결과 예측은 경기지표를 통해 나타나는 전력과 경기결과 간의 관계를 데이터만을 가지고 분석함으로써 편견 없이 결과를 예측한다는 장점을 지닌다. 즉, 해당 경기에 임하는 팀의 전력을 정확하게 평가하여 경기의 결과를 예측한다고 볼 수 있다.

본 연구의 분석 결과는 K리그의 전체 144경기 중 119경기의 결과를 예측하는 높은 적중률을 보였으나 여전히 25경기(17.4%)에 대한 괴리가 발생하는 점에 주목할 필요가 있다. 이는 전력상 승리를 반드시 확보했어야 하는 경기에서 예상보다 못한 경기결과를 나타내거나, 패배해야 할 것으로 보이는 경기에서 더 나은 성적을 도출하였다는 것을 의미한다. 해당 경기에 대해 더욱 체계적으로 자세하게 분석한다면, 각 팀은 현 단계에서 내재한 전력에 비해 뛰어난 성적을 거두는 것이 가능할 것으로 보인다. 이는 현재의 경기를 위한 대처보다 팀이 가진 특성과 내재한 전력을 장기적 관점에서 효율적으로 활용하는 데 도움이 될 수 있을 것으로 보인다.

둘째, 스포츠 산업적 측면에서 마케팅 담당자를 포함한 프로스포츠 관계자들은 실시간 경기 예측 결과를 바탕으로 적절한 이벤트나 미디어 콘텐츠 자료를 준비할 수 있을 것으로 보인다. 예를 들어, 정규리그 우승을 앞둔 팀은 우승이 확정되는 경기가 언제인지를 머신러닝 알고리즘에 기반하여 선제적으로 예측하여 이에 적합한 이벤트를 준비하고 관련된 비용을 효과적으로 집행할 수 있다. 또한, 세부적으로 승/패뿐만 아니라 경기별 예상되는 득점 마진에 따른 이벤트를 준비하는 것 또한 가능하다고 본다. 경기결과가 언제나 정확하지는 않을 수 있지만, 경기결과 예측을 바탕으로 관련 행사를 준비한다면 효율적인 재정 집행이 가능할 것으로 보인다.

셋째, 스포츠 베팅 혹은 미디어와 같은 경기 자체보다 경기결과를 이용한 다양한 스포츠 산업에 활용될 수 있을 것으로 판단된다. 스포츠 베팅 관련 산업의 경우 급격한 발전에도 불구하고 국내에서는 머신러닝 알고리즘 적용을 통한 경기 예측에 관한 학술적 논의가 여전히 부족한 상황이고, 스포츠 선진국과 비교하면 그 규모 역시 매우 작다고 볼 수 있다. 하지만, 스포츠 베팅산업은 그 자체로 스포츠 산업 전반의 확장력이 여전히 실효적인 것은 물론이고, 스포츠 베팅을 통해 팬들과 대중이 해당 스포츠 종목에 더욱 관심을 가지고 적극적으로 참여할 수 있게 하는 동인이 되기도 한다[43],[10],[57],[58]. 따라서, 본 연구와 같이 체계적이고도 과학적인 머신러닝 알고리즘에 기반한 경기결과 예측에 관한 분석을 활용하여 기타 산업에 적극적으로 활용하는 것은 스포츠 산업 전반의 발전에 기여도가 충분히 있을 것으로 보인다.

본 연구는 국내에서 스포츠 산업 내 가장 큰 시장규모인 프로스포츠 종목 중 K리그 경기결과를 머신러닝 알고리즘을 활용하여 선도적으로 예측한 실증연구로서 그 이론·실무적 의의를 지닌다. 본 연구의 결론 및 제언의 차원에서 향후 연구에서는 본 연구에서 포괄적으로 다루지 못했던 다양한 요인들을 함께 고려함으로써 연구의 전반적인 발전과 확장에 도움이 될 수 있을 것으로 판단된다.

첫째, 본 연구에서 활용하지 못한 의미 있는 변수를 추가로 고려함으로써 보다 정교한 예측이 가능할 것으로 보인다. 프리미어리그 경기결과를 예측한 선행연구[9]에 근거하면, xG 값과 같은 2차 경기지표를 활용함으로써 기존 0.54 이하였던 F1-score를 0.86까지 개선하였다. 아직 K리그 데이터베이스에는 경기력을 충분히 설명할 수 있는 xG 값과 유사한 2차 경기지표가 사용되지 않고 있다. 향후 연구에서는 이와 같은 2차 경기지표를 계량적으로 확보하여 머신러닝 알고리즘에 사용할 수 있다면, 더욱 정밀한 수준의 예측 정확도를 도출하는 것이 가능할 것으로 보인다.

둘째, 무승부에 대한 예측 정확도를 높일 필요가 존재한다. K리그에서는 유럽 5대 리그와 비교하여 정규리그 전체 경기에서 무승부 발생 비중이 높은 것으로 나타났다. 하지만, 본 연구에서는 승리(89.7%)나 패배(84.4%) 예측과 비교하면 무승부(70.7%)일 경우 경기결과의 예측 적중 비율이 현저히 낮았다고 볼 수 있다. 이는 K리그에서 승/패 경우에 고려한 머신러닝 알고리즘과 무승부일 때 고려할 필요가 있는 다른 알고리즘의 적용이 필요할 가능성이 존재함을 시사한다. 후속 연구에서는 이러한 한계를 극복하여 무승부가 나타나는 경기에서도 예측 정확도를 정교하게 높이는 방법에 관해 실증연구를 설계한다면, 보다 수준 높은 분석과 결과를 도출할 수 있을 것으로 보인다.

셋째, 본 연구에서 적용된 변수의 범위보다 적은 숫자의 변수를 사용함으로써 간명성을 높이고 현장에서 활용하기에 도움이 되는 연구로 분석을 고도화할 필요가 있다. 포괄적이면서도 다양한 경기지표를 사용하는 것은 전반적인 설명력을 높이는 데 도움이 될 수 있지만, 동시에 간명성(parsimony) 역시 중요한 과제이다. 본 연구에서는 총 121개의 변수를 활용하여 F1-score 0.815를 기록하였다. 이는 예측 성능 측면에서는 가치가 충분하다고 볼 수 있지만, 현장에서 활용하기에는 다소 많은 변수의 수가 된다고 판단해 볼 수 있다. 이러한 측면에서 최근 프리미어리그 경기결과 예측에 단 16개의 변수만 활용하여 F1-score 0.86을 기록한 국내 연구는 참고할 만하다[9]. 향후 K리그 경기결과의 예측에 있어 다양한 통계 기법과 머신러닝 알고리즘을 활용하여 모델에 투입되는 변수의 전반적인 숫자를 줄이면서 예측 정확성을 담보할 필요가 있다. 이러한 노력은 연구의 활용도를 극대화할 뿐만 아니라 중요하게 여겨지는 간명성은 물론, 프로스포츠 산업의 현장 관계자들이 주목해야 할 변수들에 대해 더욱 명확히 파악할 수 있는 참고자료의 기능을 제공할 수 있을 것으로 예상한다.

넷째, 본 연구에서는 2020년 이후 개편된 K리그 홈페이지에 나타난 변수들을 최대한 활용하기 위해 2020시즌부터 2023시즌 7월 22일까지 진행된 K리그의 762경기(n=1,524)만을 분석에 활용하였다. 그 결과, 샘플 수의 한계로 최근 스포츠 경기분석에서도 그 활용도가 증가하고 있는 딥러닝을 사용하지 못한 한계점을 지닌다. 향후 연구에서는 더욱 많은 경기의 데이터를 활용함으로써 다양한 딥러닝 알고리즘을 활용하여 데이터를 분석한다면, 보다 의미 있는 진전이 이루어질 수 있을 것으로 기대한다.