When the Oakland Athletics, a Major League Baseball team, won 20 games in a row in 2002, the professional sports industry was shocked.
2002년 메이저리그 야구팀인 오클랜드 애슬레틱스가 20연승을 거두자 프로 스포츠 업계는 큰 충격을 받았다.
The Oakland Athletics were a small team with limited funds, which made it difficult for them to attract elite players.
오클랜드 애슬레틱스는 자금이 부족한 소규모 팀이었기 때문에 우수한 선수를 끌어오는 데 어려움을 겪었다.
How did they do it?
그들은 어떻게 연승을 거둘 수 있었을까?
The key to their success was adopting sabermetrics, a statistical model used for making decisions in baseball.
성공의 열쇠는 야구에서 의사결정을 내리는 데 사용되는 통계 모델인 세이버메트릭스를 도입한 것이었다.
Sabermetrics was created in the late 1970s.
세이버메트릭스는 1970년대 후반에 만들어졌다.
It tries to use large amounts of information to discover patterns, trends, and insights that are difficult to find with traditional ways of studying statistics.
그것은 전통적인 통계연구 방법으로는 찾기 어려운 패턴, 추세 및 통찰을 발견하기 위해 대량의 정보를 사용하려고 한다.
Normally, coaches and managers prefer players who can hit the ball hard and far, for such players tend to hit more home runs and extra-base hits.
일반적으로, 코치와 감독은 공을 강하고 멀리 칠 수 있는 선수를 선호하는데, 그런 선수는 홈런과 장타를 더 많이 치는 경향이 있기 때문이다.
Sabermetrics suggests that players’ offensive skills can be better measured by the frequency with which they safely reach base.
세이버메트릭스는 베이스에 안전하게 도착하는 빈도로 선수의 공격 기술이 더 잘 측정될 수 있다고 제안한다.
It does not matter whether this is achieved through hits, walks, or hits by pitch.
출루가 안타, 볼넷 또는 데드볼을 통해 이루어졌는지 여부는 중요하지 않다.
Sabermetrics had not been widely used until the Athletics adopted it in 2002.
세이버메트릭스는 2002년에 애슬레틱스가 도입하기 전까지는 널리 사용되지 않았다.
With sabermetrics, the Athletics were able to identify underrated players with significant contributions to winning and built a strong team on a small budget.
세이버메트릭스를 통해 애슬레틱스는 저평가된 선수 중 승리에 크게 기여하는 선수를 찾아내고, 적은 예산으로 강력한 팀을 구축할 수 있었다.
The success of the Athletics prompted other teams to quickly adopt sabermetrics, sparking a movement to utilize data not only in baseball but also in other sports.
애슬레틱스의 성공은 다른 팀들이 빠르게 세이버메트릭스를 도입하도록 자극했고, 야구뿐만 아니라 다른 스포츠에서도 데이터를 활용하려는 움직임을 촉발시켰다.
Thus, sports data analytics emerged as a systematic approach to predict game outcomes.
그리하여, 스포츠 데이터 분석은 경기 결과를 예측하기 위한 체계적인 접근 방식으로 부상했다.
In soccer, the Liverpool Football Club of the English Premier League is similar to the Oakland Athletics in baseball.
축구에서는 잉글랜드 프리미어 리그의 리버풀 축구 클럽이 야구의 오클랜드 애슬레틱스와 비슷하다.
In 2010, Liverpool underwent a change in ownership.
2010년에 리버풀은 소유주가 바뀌었다.
While data analysis was already prevailing in the Premier League at that time, the new owner of the club, who also owned a baseball team in the United States, aimed to push data analysis in soccer to new heights.
당시 프리미어 리그에서는 이미 데이터 분석이 널리 퍼져 있었지만, 미국에서 야구팀을 소유하고 있던 새 구단주는 축구에서의 데이터 분석을 새로운 차원으로 끌어올리고자 했다.
So he demanded that the club form a new data team.
그래서 그는 구단에 새로운 데이터 팀을 구성할 것을 요구했다.
The new team included a physicist from Cambridge, a nuclear scientist from Harvard, and a former chess champion.
새 팀에는 케임브리지 출신의 물리학자, 하버드 출신의 핵 과학자, 전 체스 챔피언이 포함되었다.
What they had in common was significant expertise in data.
이들의 공통점은 데이터에 대한 상당한 전문성을 갖추고 있다는 것이었다.
The team started to apply data analysis in key areas of club management, including player recruitment, injury prevention, and strategy during the game.
이 팀은 선수 영입, 부상 예방, 경기 중 전략 등 구단 운영의 주요 영역에 데이터 분석을 적용하기 시작했다.
The team analyzed large amounts of data to recruit players who fit the team’s style of play.
그 팀은 팀의 플레이 스타일에 맞는 선수를 영입하기 위해 대량의 데이터를 분석했다.
In training, they collected data on players’ movement patterns, heart rates, and vital signs by using GPS trackers and sensors to prevent injuries.
훈련 중에는 부상을 방지하기 위해 GPS 트래커와 센서를 사용하여 선수들의 움직임 패턴, 심박수, 활력 징후에 대한 데이터를 수집했다.
During games, they used live data to make tactical decisions such as substitutions and formations.
경기 중에는 선수 교체 및 포메이션과 같은 전술적 결정을 내리기 위해 실시간 데이터를 활용하였다.
The data team was praised for its efforts when the Liverpool Football Club won the league championship for the first time in 30 years in 2020.
2020년 리버풀 축구 클럽이 30년 만에 처음으로 리그 우승을 차지했을 때 데이터 팀은 노력에 대한 찬사를 받았다.
The emergence of sports analytics did not go unnoticed by the Korean sports industry.
스포츠 분석의 등장은 한국 스포츠 업계에서도 주목하지 않을 수 없었다.
One notable example of success is the Korean women’s curling team.
주목할 만한 성공 사례 중 하나는 한국 여자 컬링 대표팀이다.
Following its debut at the Winter Olympic Games of 2014, the team recognized the need to enhance its sweeping technique.
2014년 동계 올림픽에 처음 등장한 이후, 한국 여자 컬링 대표팀은 스위핑 기술을 개선해야 할 필요성을 인식했다.
Sweeping melts the ice and makes the stone move faster.
스위핑은 얼음을 녹여 스톤을 더 빠르게 움직이게 한다.
If too much ice melts, however, the stone moves too fast and misses the target.
하지만 얼음이 너무 많이 녹으면 스톤이 너무 빨리 움직여 과녁을 빗나가게 된다.
On the other hand, if not enough ice melts, the stone stops before reaching the target.
반대로 얼음이 충분히 녹지 않으면 스톤이 과녁에 도달하기 전에 멈춘다.
The amount of ice melting depends on the sweeping speed and pressure.
얼음이 녹는 양은 스위핑 속도와 압력에 달려있다.
Applying too much pressure slows down the sweeping speed, and focusing only on speed makes it hard to transfer enough force to the broom.
너무 큰 압력을 가하면 스위핑 속도가 느려지고, 속도에만 집중하면 빗자루에 충분한 힘을 전달하기 어렵다.
Finding the right balance between speed and pressure is important to melt the right amount of ice.
적절한 양의 얼음을 녹이려면 속도와 압력 사이의 적절한 균형을 찾는 것이 중요하다.
To identify the most effective technique, the Korean team designed a sweeping measurement device.
가장 효과적인 기술을 파악하기 위해 한국 팀은 스위핑 측정 장치를 설계했다.
The device consisted of infrared cameras and sensors attached to the players’ bodies, shoes, and brooms.
이 장치는 적외선 카메라와 선수들의 몸, 신발, 빗자루에 부착된 센서로 구성되었다.
Through the device and motion-capture screens, foot pressure values and other data were obtained for analysis.
이 장치와 모션 캡쳐 화면을 통해 분석을 위한 발의 압력 값과 기타 데이터가 수집되었다.
After monitoring changes in the temperature of the ice surface, the team concluded that speed was more economical than strength for sweeping.
빙판 표면의 온도 변화를 모니터링한 결과, 컬링팀은 스위핑에 있어 힘보다는 속도가 더 경제적이라는 결론을 내렸다.
The use of data analysis was critical in the team’s winning of a silver medal at the 2018 Pyeongchang Winter Olympics.
이 팀의 2018 평창 동계올림픽 은메달 획득에 데이터 분석의 활용이 결정적이었다.
The successful use of sports analytics was not limited to the curling team.
스포츠 분석의 성공적인 활용은 컬링 대표팀에만 국한되지 않았다.
The Korean women’s archery team had dominated the sport for decades.
한국 여자 양궁 대표팀은 수십 년 동안 이 종목을 지배해왔다.
However, the team turned to sports analytics to maintain its edge over its rivals in preparation for the 2020 Tokyo Olympics.
하지만 2020년 도쿄 올림픽을 준비하면서 대표팀은 경쟁국에 대한 우위를 유지하기 위해 스포츠 분석에 눈을 돌렸다.
The team developed a system to monitor players’ heart rates by using advanced visual computing technology to convert facial color variations into heart rates.
대표팀은 선수들의 얼굴색 변화를 심박수로 변환하는 첨단 비주얼 컴퓨팅 기술을 사용하여 선수들의 심박수를 모니터링하는 시스템을 개발했다.
This data was used for psychological training to help players maintain stable heart rates during crucial moments.
이 데이터는 선수들이 결정적인 순간에 안정적인 심박수를 유지할 수 있도록 심리 훈련에 활용되었다.
The team also created an AI coach that helped adjust shooting form.
또한 대표팀은 슈팅 자세를 교정하는 데 도움이 되는 AI 코치도 만들었다.
The team managers requested that the AI coach edit training videos of the players to assist with practical analysis.
팀 매니저들은 AI 코치에게 실질적인 분석에 도움을 줄 수 있도록 선수들의 훈련 영상을 편집하도록 요청했다.
Players and coaches used the edited videos to analyze the players’ usual habits or weaknesses.
선수들과 코치진은 선수들의 평소 습관이나 약점을 분석하기 위해 편집된 영상을 사용했다.
The active use of data analysis by the Korean women’s archery team handed them their ninth Olympic gold medal in a row in Tokyo.
한국 여자 양궁 대표팀의 적극적인 데이터 분석 활용은 도쿄에서 그들에게 9회 연속 금메달을 안겨 주었다.
There are still limitations to what data analysis can capture in games.
경기에서 데이터 분석이 포착할 수 있는 것에는 여전히 한계가 있다.
Factors such as team chemistry, which is related to how well people get along, will likely remain difficult to measure.
사람들이 얼마나 잘 어울리는지와 관련된 팀 화합과 같은 요소는 여전히 측정하기 어려울 가능성이 높다.
Similarly, predicting player performance in a match cannot be entirely accurate as players are humans and not machines.
마찬가지로, 선수는 기계가 아닌 사람이기 때문에 경기 중 선수의 경기력을 예측하는 것도 완전히 정확할 수는 없다.
Still, sports analytics is undeniably elevating the level of play across various sports, and fans are enjoying this development.
그럼에도 불구하고 스포츠 분석은 명백하게 다양한 스포츠에서 경기의 수준을 높이고 있으며, 팬들은 이러한 발전을 즐기고 있다.
카페
고객센터
070-4042-1075 (평일 오전 9:30 ~ 오후 6시)
