포메이션이 경기 결과에 미치는 영향 버스 주차 전략은 효과가 있을까

초록

본 연구는 22,000여 경기 데이터를 활용해 더블 머신러닝(DML) 기법으로 6가지 대표 포메이션의 인과효과를 추정한다. 공격형 포메이션(4‑3‑3, 4‑2‑3‑1)은 점유율·코너킥에서 약간의 이점을 보였지만 득점 차이에 큰 영향을 주지 않는다. 방어형 포메이션, 이른바 ‘버스 주차’ 전략은 승률이나 레드카드 발생에 유의미한 효과를 나타내지 않아, 전술 선택 시 다른 요인을 고려해야 함을 시사한다.

상세 분석

이 논문은 축구 전술 연구에 머신러닝 기반 인과추정 방법을 도입한 점이 가장 큰 혁신이다. 기존 연구들은 주로 회귀분석이나 경기 기록을 단순 비교하는 수준에 머물렀지만, 저자는 더블 머신러닝(DML) 프레임워크를 활용해 처리효과와 결과변수를 각각 고차원 변수(팀 전력, 선수 가치, 경기 전 컨디션 등)와 잔차화함으로써 편향을 최소화하였다. 특히 ‘카테고리형 처리’를 다루기 위해 제안한 행렬 기반 잔차화 과정은 다중 포메이션 간 비교를 가능하게 하여, 6가지 포메이션(4‑4‑2, 4‑3‑3, 4‑2‑3‑1, 3‑5‑2, 5‑3‑2, 3‑4‑3)을 각각 다른 처리군으로 설정하고, 각 군 간 평균 처리효과(ATE)를 추정한다.

데이터는 2010‑2022 시즌 유럽 5대 리그(프리미어리그, 라리가, 세리에 A, 분데스리가, 리그 1)에서 22,000경기를 추출했으며, 경기당 포메이션은 전술 전문가와 자동 라인업 분석을 결합해 라벨링했다. 종속변수는 골 차이, 점유율, 코너킥 수, 레드카드 수 등 네 가지 핵심 지표이며, 각각에 대해 DML을 별도로 적용했다.

결과는 다음과 같다. 공격형 포메이션인 4‑3‑3과 4‑2‑3‑1은 평균 점유율을 약 34%p 상승시키고, 코너킥 횟수를 0.20.3개 늘렸다. 그러나 골 차이에 대한 평균 처리효과는 0.02~0.05에 불과해 통계적으로 유의미하지 않았다. 반면 방어형 포메이션(5‑3‑2, 3‑5‑2 등)은 점유율과 코너킥이 감소했지만, 승점(승/무/패)이나 레드카드 발생률에 미치는 효과는 0에 가까웠다. 즉 ‘버스 주차’가 경기 승패를 직접적으로 높인다는 가설은 데이터상 근거가 없었다.

또한, 저자는 모델의 한계도 명확히 제시한다. 포메이션 외에도 선수 교체, 경기 전 전술 지시, 상대팀 전술 등 복합적인 요인이 존재하므로, 현재 DML 모델이 모든 교란변수를 완전히 통제했다고 보기 어렵다. 특히, 포메이션이 경기 중에 변동되는 경우(전술 전환)와 같은 동적 요소는 정적 라벨링으로는 포착하기 힘들다.

이러한 한계를 감안하더라도, 본 연구는 축구 전술 분석에 인과추정 방법을 적용한 최초 사례 중 하나이며, 실무 코치가 포메이션 선택의 기대효과를 정량적으로 평가하는 데 유용한 도구를 제공한다. 향후 연구에서는 경기 흐름에 따른 포메이션 변화를 시계열 DML로 확장하거나, 선수 개인의 행동 특성을 포함한 멀티레벨 모델을 구축함으로써 보다 정교한 인과관계를 밝힐 수 있을 것이다.