통합 서브 품질 지표

초록

본 논문은 윔블던과 US 오픈의 포인트‑레벨 데이터를 활용해 서브 속도·변동성·위치 정보를 포함한 로지스틱 혼합효과 모델을 구축하고, 서버와 리터너의 무작위 효과를 교차로 추정한다. 이를 통해 각 선수의 서브 전용 점수인 Server Quality Score(SQS)를 도출하고, 기존 가중 Elo(wElo)와 비교해 서브 효율성(3샷 이내 포인트 승리)과 전체 포인트 승률에 대한 예측력을 검증한다. 결과는 SQS가 서브 효율성과 높은 상관관계를 보이며, 서브 전용 지표가 전체 Elo와는 다른 정보를 제공함을 시사한다.

상세 분석

이 연구는 기존 Elo‑계열 레이팅이 경기 전체 성과를 하나의 숫자로 압축하는 한계를 지적하고, 특히 ‘서브’라는 완전히 선수 통제 하에 있는 샷을 별도로 정량화하려는 시도를 한다. 데이터는 2018‑2019년과 2021‑2024년 사이의 윔블던·US 오픈 남·여 단식 경기에서 추출한 포인트‑레벨 기록이며, 서브 속도, 속도 표준편차, 서브 위치(가로·세로) 및 위치 엔트로피를 주요 피처로 선정했다. 피처는 각각 서브의 페이스, 변동성, 방향성, 그리고 위치 다양성을 대표한다. 20회 이상 서브를 기록한 선수만을 대상으로 하여 샘플 안정성을 확보했으며, 연속형 피처는 z‑스코어로 표준화하고 위치는 원-핫 인코딩하였다.

모델링 단계에서는 첫 서브와 두 번째 서브를 별도 로지스틱 혼합효과 모델에 넣었다. 종속 변수는 ‘3샷 이내 포인트 승리(서브 효율성)’라는 이진 변수이며, 이는 서브 → 리턴 → 서버의 두 번째 샷까지의 짧은 교환에서 승패를 판단한다. 고정 효과는 평균 속도, 속도 표준편차, 위치 엔트로피, 그리고 위치 원-핫 벡터의 계수이며, 서버와 리터너 각각에 대한 무작위 절편(u_j, v_k)을 교차 구조로 포함했다. 이 설계는 서버가 마주한 평균 리터너 강도를 평균(0)으로 고정함으로써, 추정된 서버 무작위 효과 u_j가 순수히 서브 능력에 대한 조정값이 되게 한다. 결과적으로 SQS는 로짓 스케일(오즈)상의 선형 예측값으로, 고정 효과와 서버 무작위 효과를 합산한 형태이며, 첫·두 번째 서브 각각 별도 점수(SQS(1), SQS(2))를 제공한다.

검증은 훈련‑테스트 80/20 분할을 통해 수행했으며, 테스트 세트에서 각 선수별 서브 효율성 비율과 전체 포인트 승률을 집계했다. 이후 SQS와 wElo를 각각 독립 변수로 하는 이항 GLM을 적합해 회귀계수와 피어슨 상관계수를 비교했다. 첫 서브에서는 SQS가 서브 효율성과 r≈0.66(윔블던 남자) 등 높은 양의 상관을 보였으며, wElo는 거의 무시되거나 약한 양(≈0.15) 혹은 음의 상관을 보였다. 두 번째 서브에서는 상관이 감소했지만 여전히 대부분 양(≈0.23)이며, wElo는 일관되게 약하거나 부정적인 상관을 나타냈다. 전체 포인트 승률과의 관계는 두 지표 모두 약하고 데이터셋마다 방향이 달라, 서브 전용 지표가 전체 경기 성과와는 별개의 정보를 담고 있음을 확인했다.

이러한 결과는 몇 가지 중요한 시사점을 제공한다. 첫째, 서브 속도·변동성·위치와 같은 물리적 특성을 통계적으로 모델링하면 서브 자체의 효과를 정량화할 수 있다. 둘째, 교차 무작위 효과를 도입함으로써 상대 리터너 강도 차이를 보정하고, 순수 서브 능력만을 추출한다는 점에서 기존 매치‑레벨 레이팅보다 해석력이 높다. 셋째, 서브 효율성이라는 짧은 교환 결과를 목표 변수로 삼음으로써, 서브가 직접적으로 경기 흐름을 좌우하는 순간을 포착한다. 마지막으로, SQS는 코칭·전략 수립에 실용적이다. 예를 들어, 특정 선수가 첫 서브에서 높은 SQS를 보이지만 두 번째 서브에서 낮다면, 두 번째 서브의 속도·위치 다양성 개선이 필요함을 직관적으로 알 수 있다. 또한, 선수 간 서브 능력 비교 시 전체 Elo와 병행해 사용하면 서브와 리턴, 라리(라리) 전반의 균형을 평가할 수 있다.