Football Eh? Bloody Hell !

Expected assists (이하 xA) 는 패스가 주(primary) 어시스트가 될 확률을 추정한다. 패스의 마무리 지점, 패스의 유형, 기타 요인을 기반으로 xA 모델링을 한다. 모델링 과정에서는 패스로 인해 슈팅이 나왔는지는 크게 중요하지 않다. 패스의 결과로 슈팅이 생성되었는지 관계없이 모든 패스에 대해 xA 값을 추정한다.

지금부터 모델링에 대해 간략이 소개하고 퍼포먼스를 평가하는데 있어 xA가 어느 정도의 가치가 있는지에 대해 소개하고자 한다.

다음과 같은 상황을 가정해보자. 산드로 라미레스가 웨인 루니를 향해 크로스를 올렸는데 루니가 헤더 타이밍을 잘못 잡았거나, 루니의 헤더가 크로스바 위로 지나갈 수도 있다. 라미레스는 루니의 점프 타이밍, 루니가 골문 안으로 공을 넣는지 여부를 컨트롤 할 수 없다.

이러한 이유에서 오직 어시스트만으로 선수의 창조성을 대표하기 어렵다. (단순히 어시스트만 고려하기에는) 창조자(creator)는 패스를 받아주는 선수의 마무리 능력에 의존하기 때문이다. 물론 슈팅으로 이어지는 모든 키패스가 동등한 퀄리티의 득점 기회로 연결되는게 아님을 인지하고 있다. 우리는 이런 사항들을 반영하여 창조자 역할을 수행하는 선수를 평가할 수 있어야 한다.

그렇다면, 득점 기회를 만들어내는 선수의 능력을 어떻게 평가할 수 있을까? 지금 3가지 득점 상황을 예시로 이야기를 시작하고자 한다.

페르난도 요렌테의 헤더로 이어진 길피 시구르드손의 코너킥이 첫번째 사례다. 시구르드손의 코너킥의 xA 값은 0.05다. 이는 시구르드손이 시행한 킥이 어시스트로 연결될 확률이 5% 라는 것이다.

이번에 소개하는 사례는 2015/2016시즌 제이미 바디의 득점이다. 크리스티안 푹스가 제이미 바디를 향해 스루볼을 넣어줬고 바디는 공을 가지고 박스 안으로 들어가 골을 기록했다. 푹스의 패스의 xA 값은 0.12였다. 

첼시는 숏-코너(short-corner)를 진행했고 3차례 패스가 더 이어진 이후 파브레가스가 골을 기록한 페드로를 향해 패스를 시행했다. (빨간색 선) 파브레가스가 시행한 패스의 xA 값은 0.02다. 즉 파브레가스가 시행한 퀄리티 수준의 패스가 어시스트로 연결될 확률이 2% 라는 의미다.

키패스로부터 xG 값을 추정하는 초기 xA 모델은 간단한 작업이었다. 하지만 이는 공을 연결받는 선수가 슈팅을 시도하는 상황만 고려한다는걸 의미한다. 메시가 아슬레틱 빌바오와의 경기에서 넣었던 골처럼 패스를 받은 선수가 공을 소유한채 직접 더 좋은 슈팅 포지션으로 이동한 상황을 포함할 수 없다. 하지만 향상된 xA 모델은 선수의 기여가 적절히 반영될 수 있도록 했고 각 상황을 보다 정확하게 반영한다.

xA 는 패스가 주요 어시스트가 될 확률을 추정하는 통계량이다. 패스를 연결받는 위치, 패스의 유형 등 다양한 요인을 고려하여 모델링 한다. 발전된 xA 모델은 패스로부터 슈팅이 만들어졌는지에 의존하지 않는 통계량이다. 따라서 (슈팅으로 이어지는) 마지막 패스가 아닌 패스에도 가치를 부여할 수 있다. 창조자 역할을 수행하는 선수가 만들어내는 퀄리티를 평가함으로써 우리는 단순히 찬스를 만들어낸 횟수를 넘어선 심도있는 통찰력을 얻을 수 있다.

크리스탈 팰리스와의 경기에서 나온 앤디 캐롤의 멋진 바이시클 킥을 예시로 소개하고자 한다. 여기서 마누엘 란지니(10번)의 패스는 미카일 안토니오(30번)에게 연결되었고 안토니오는 9번 앤디 캐롤을 향해 크로스를 올렸다. 캐롤은 오른쪽 코너 상단으로 멋지게 공을 꽂아넣었다.

캐롤이 맞이한 찬스의 특성에 기반하여, Opta의 xG 모델은 캐롤의 슈팅이 골로 연결될 확률이 5%라는 답을 냈다. 캐롤의 xG 값이 0.05 이기 때문에 과거의 xA 모델이라면, 안토니오의 xA 값은 그대로 0.05가 되었을 것이다. 하지만 새로운 모델에서 패스로 인해 발생하는 슈팅의 결과는 무관하다. 안토니오의 xA 값은 0.034 이다. 이는 안토니오의 크로스가 필연적으로 캐롤의 슈팅으로 이어지지 않는다는걸 반영한 모델인 것이다. 즉, 저 위치에서 안토니오가 시도한 유형의 패스가 어시스트로 이어질 확률이 3.4%인 것이다. 

2015년 코파 델 레이 결승전에서 메시가 혼자서 만들어낸 골을 이야기 해보자. 여기서는 22번 다니 알베스가 메시에게 공을 연결했고 메시가 빌바오 선수 여럿을 제친 이후 골을 만들어냈다. 메시의 슈팅이 골로 연결될 확률은 9%였다. 빌바오 수비 여럿을 제친 메시는 본인 스스로 득점 기회의 퀄리티를 상당히 끌어올렸다. 물론 메시가 알베스에게 공을 연결받은 지점에서 골을 넣을 확률이 9% 가 아닌 것은 분명해 보인다.

만약 고전적인 xA 방법을 사용한다면, 알베스의 xA 값은 메시의 xG 값인 0.09 를 그대로 이어받게 된다. 하지만 이렇게 반영할 경우, 메시가 직접 만들어낸 찬스라는걸 명확하게 반영하지 못한다. 

이러한 이유에서 성공한 모든 패스는 xA 값을 가지게 된다. 비록 그 패스가 바로 슈팅으로 연결되지 않더라도 xA 값을 가질 수 있다. 메시의 골은 모든 패스가 정말로 어시스트가 될 수 있다는 논리를 보여주는 완벽한 사례이다. 사실 알베스의 패스가 어시스트로 이어질 확률은 1%도 안 되지만 말이다.

최근 Optapro 는 점유에 관한 연구를 소개했다. 새로운 연구를 통해 키패스, 슈팅 이전의 사건들에 대해 평가하고 분석할 수 있다는 것은 중요하다.

따라서 향상된 모델은 동료 선수가 슈팅으로 상황을 이어가주느냐에 관계없이 위협적인 지역으로 패스를 넣어주는 선수에 대해 적절한 보상을 해줄 수 있다. 공을 받은 선수가 공의 소유권을 내주어 슈팅으로 상황을 이어가지 못하더라도 찬사를 받을 수 있다. 또한 동료들이 위치한 지점보다 훨씬 더 좋은 포지션을 향해 공을 넣어주더라도 그러한 판단의 가치를 인정받을 수 있다.

다비드 실바의 기록은 흥미롭다. 7개의 어시스트를 기록한 실바는 10.1의 xA 값을 기록했다. xA가 직접적으로 골, 슈팅으로 연결된 패스 뿐만 아니라 모든 유형의 패스를 고려한 통계라는 점을 확인할 수 있다. ProVision 에서 제공한 2016/2017시즌 다비드 실바의 패스맵을 보자. 첫번째 패스맵은 실바의 패스가 시작된 지점을 보여주고 두번째 패스맵은 실바의 패스가 끝난 지점을 보여준다. 우리는 이를 통해서 실바가 높은 평가를 받는 이유를 이해할 수 있다.

마르코 아르나우토비치의 기록 역시 흥미롭다. 스토크 시티는 20개 구단 중 13번째로 슈팅을 많이 시도한 구단이었다. 소속팀의 슈팅 횟수가 적은 편에 속함에도 불구하고 아르나우토비치는 xA 랭킹 7위에 이름을 올렸다. 아르나우토비치의 패스가 슈팅으로 이어지지 않았다 할지라도, 그가 위험 지역으로 패스를 보내는 선수였음을 확인할 수 있다.

선수의 창조성을 수량화하고 평가하는 과정에서 단순히 슈팅, 골로 연결된 패스만 대상으로 하는 통계가 아닌 모든 패스를 대상으로 계산하는 xA 가 훨씬 더 많은 정보를 제공하는 체계임을 알 수 있다.

출처 : http://www.optasportspro.com/about/optapro-blog/posts/2017/blog-expected-assists-in-context/