경기 후반 15분 패턴 분석을 통한 79.3% 예측 정확도 달성

StatsBomb Open Data Reveals: Late Goals Aren't Random

Edge Lab2026년 6월 27일7분intermediate

AI 요약

Context

전통적인 스포츠 분석 모델이 경기 후반 득점을 단순한 우연이나 심리적 절박함으로 처리하던 한계 분석. 정적 데이터 기반의 xG 모델이 가진 시계열적 맥락 결여로 인한 예측 정밀도 저하 상황 파악.

1,085개 매치의 Event-level 데이터를 활용한 3단계 시간 윈도우(75-84분, 85-90분, 90+분) 세분화 설계
득점 전 10회의 Possession을 역추적하여 47가지 Feature를 추출하는 시계열 분석 파이프라인 구축
Pressing Intensity와 Tackle Success Rate의 상관관계 역전을 통해 Defensive Collapse 신호를 포착하는 로직 구현
Defensive Line 간격 확대 및 Positional Degradation을 측정하여 Fatigue Advantage 패턴을 정량화
전술 변경 및 선수 교체 시점을 변수로 처리한 Tactical Switch 모델링 적용

실천 포인트

1. 단순 평균값이 아닌 특정 윈도우 내의 지표 변화율(Rate of Change)을 Feature로 반영했는지 검토

2. 상충하는 두 지표(예: 노력 vs 효율)의 괴리 지점을 이상 징후 탐지(Anomaly Detection) 신호로 활용

3. 도메인 특성에 따른 시간 가중치(Time-weighting)를 적용하여 모델의 시계열 민감도 최적화

태그