메뉴
< 사례 연구로 돌아가기

간단한 통계를 사용한 승리: 데이터를 사용해 최고의 유망주를 선별하는 Georgia Tech 미식축구 팀

2011년 영화 머니볼은 통계의 힘을 활용하여 성공적인 야구 팀을 구성하고 운영한 오클랜드 애스레틱스 야구팀의 이야기를 그립니다. 이 영화를 통해 데이터가 스포츠에서 사용되는 방법에 대중의 관심이 다시 집중되었지만, 올림픽부터 자동차 경주에 이르는 광범위한 이벤트에서 기지 있는 코치와 감독들은 수십 년 동안 분석을 이용해 왔습니다.

프로 및 대학 미식축구 팀들은 모두 통계를 이용하여 경쟁팀을 분석하고, 퍼포먼스를 예측하고, 훈련 효과를 평가하고, 심지어는 큰 경기 전에 식이 요법과 수면이 선수들에게 미치는 영향까지도 측정했습니다. 이제 Georgia Tech Yellow Jackets의 코치진은 통계 분석을 사용하여 팀의 러닝백이 될 수 있는 인재를 선별하고 모집하며, 기존 선수의 퍼포먼스를 평가하고 성공할 수 있는 선수의 특성을 정확히 파악합니다. Georgia Tech 미식축구 프로그램에서는 Minitab Statistical Software를 사용하여 데이터를 분석합니다.

과제

미식축구 팀은 모집 가능한 선수에 대한 정보를 많이 수집하는데, 여기에는 종종 하이라이트 영상, 신장, 체중 및 벤치 프레스 능력 같은 일반적인 통계 외에 컴바인이라고 하는 이벤트에서 선수가 거둔 성과에 기반한 운동 실력 점수도 포함됩니다. 컴바인은 고등학교 또는 대학교에서 유망주의 전력 질주, 제자리 높이뛰기, 들어 올리기 스킬 등을 시험하기 위해 지역별로 개최되며, 미식축구 팀은 이를 통해 선수의 빠르기, 민첩성 및 힘에 대한 정보를 얻어 선수의 경기 잠재력을 추정할 수 있습니다.

Georgia Tech Yellow Jackets 미식축구 팀의 Lamar Owens 러닝백 코치는 Minitab Statistical Software를 이용해 러닝백 유망주에 대한 데이터를 분석하여 선수 후보를 수백 명에서 팀의 플레이 스타일에 적합한 자질을 갖춘 단 몇 명의 선수로 줄입니다. 사진 촬영: Danny Karnik

Georgia Tech의 Lamar Owens 러닝백 코치는 해마다 팀을 위해 최고의 인재를 새로 모집하려고 하지만, 수백 명의 고등학교 러닝백 유망주를 줄여 나가는 일은 시간이 많이 들고 비효율적임을 알게 되었습니다. 모든 유망주의 하이라이트 영상과 컴바인 통계를 면밀히 살펴보는 일은 힘들었고, 여러 코치의 의견과 평가를 반영해서 러닝백 후보에 대한 객관적인 결정을 내리기는 더욱 힘들었습니다.

하지만 교육에서 Six Sigma 블랙 벨트를 받은 Owens는 늘 지속적인 개선을 이루는 데 관심이 있었고, Six Sigma 방법을 선수 모집 프로세스를 분석 및 개선하는 데 적용할 기회를 포착했습니다. Owens는 "데이터 기반 방식을 미식축구 팀을 운영하는 방법에 응용할 수 있다는 것이 정말 마음에 들어서 Six Sigma에 관심을 갖게 되었다"며, "모든 선수 및 유망주 데이터를 분석하고 팀에 가장 적합한 러닝백이 될 수 있는 선수의 특성을 가려낼 수 있으면 수백 명의 잠재적인 유망주에서 몇 명으로 범위를 좁히기가 더 쉬워질 수 있다"고 말합니다.

충분한 데이터를 갖고 있는 Owens는 데이터를 분석하고 팀의 선수 모집 프로세스를 간소화할 수 있는 결론에 도달하는 데 도움을 받기 위해 Minitab Statistical Software를 사용했습니다.

Minitab을 활용한 사례

고등학교 유망주를 선별하는 프로세스를 정하기 위해, Owens는 최근 NFL 스카우트 컴바인에 참가했던 러닝백들의 퍼포먼스 데이터를 분석했습니다. 그는 여기에 참가한 최우수 대학 미식축구 선수들의 데이터를 이용하여 고등학교 유망주를 평가하는 데 사용할 상한을 결정했습니다.

Owens는 데이터 분포를 시각화하고 평균, 중위수 및 표준 편차 같은 기술 통계량을 수집하여 각 NFL 컴바인 시험에서 최고 등급으로 분류된 러닝백들의 퍼포먼스를 표시하는 요약 보고서를 만들었습니다. 컴바인 평가에는 40야드 달리기, 빨리 달리면서 방향을 바꿀 수 있는 선수의 능력을 시험하는 3콘 드릴, 측방향으로 빨리 움직이는 민첩성과 급격히 힘을 내는 능력을 시험하는 셔틀 런, 제자리 높이뛰기 및 멀리뛰기, 벤치 프레스가 포함되었습니다.

Georgia Tech는 Minitab의 그래프 요약 보고서를 사용하여 NFL 러닝백 유망주들이 셔틀 런 같은 시험에서 보인 퍼포먼스에 대한 중요한 요약 통계를 시각화했습니다(위 보고서 참조).

Owens는 일련의 동일한 시험에서 Georgia Tech 러닝백들의 데이터도 수집한 후 동일한 그래프 분석을 Minitab에서 실행했습니다. 그는 이 데이터를 사용하여 고등학교 유망주 평가에 사용할 하한을 정했습니다.

Owens는 팀 내 현역 러닝백들의 퍼포먼스 데이터에 대해서도 그래프 요약을 실행했습니다. 그는 각 종목마다 현역 선수들의 중위수 점수를 새 유망주가 팀 선수로 고려되기 위해 받아야 하는 점수의 하한으로 사용했습니다. 이 데이터를 토대로, 유망주는 예를 들어 셔틀 런을 Georgia Tech 러닝백들이 달성한 시간의 중위수인 4.32초 이내에 마쳐야 했습니다.

각 종목마다 NFL 유망주들의 시간 중위수를 상한으로 정하고 Georgia Tech 러닝백들의 시간 중위수를 하한으로 정한 Owens는 고등학교 팀들의 러닝백 유망주들을 데이터 기반 표준과 비교하여 평가할 수 있었습니다. 유망주 수십 명을 캠퍼스에 초대하여 같은 컴바인 종목 시험을 치르게 한 후, Owens는 각 선수에 대해 수집한 데이터를 Minitab을 사용하여 분석했습니다.

"Minitab을 데이터 분석에 사용하자 러닝백 유망주들의 자질에 대한 큰 그림을 볼 수 있었다"고 그는 말합니다. "저희가 스카우트하려는 고등학교 4학년 선수와 비슷하거나 팀의 현역 러닝백에 가까운 점수를 얻은 고등학교 2학년을 찾으면 저는 주의를 기울일 가치가 있다는 걸 알아요. 데이터가 있으면 이런 선수에게 더 일찍 주의를 집중하기가 더 쉬워져요."

고등학교 유망주를 NFL 유망주를 포함한 대학 선수들이 달성하는 컴바인 시간과 비교하여 평가하는 것이 공평한지 의아할 수도 있습니다. Owens는 그의 측정 시스템이 범위를 좁히는 데 유용하다고 설명합니다.

"고등학교 유망주들을 공정하게 평가하는 것이 목표가 아닐 수 있다"고 그는 말합니다. "저희는 뛰어난 고등학교 선수, 즉 특이치를 보이는 선수들을 찾고 있고, 이런 뛰어난 선수를 찾을 수 있게 스펙의 상한과 하한을 정했어요.

고등학생이 스펙 하한에 근접하기만 해도 저희는 더 확인해 볼 만한 가치가 있다고 생각해요. 저희의 선수 모집 목표는 최고 중의 최고를 찾는 것이니까요."

14개 컴바인 종목마다 목표 범위를 정하자 매년 수백 명의 러닝백 유망주를 초기에 선별하기가 훨씬 더 쉬워졌습니다. 특정 종목에서 목표 범위 안에 드는 퍼포먼스를 보인 선수 유망주는 해당 종목에서 3점을 받고, 목표 하한에 미달한 유망주는 1점을 받고, 목표 상한을 넘은 유망주는 9점을 받았어요. 총 42점 이상을 받은 유망주는 후에 하이라이트 영상을 토대로 더 평가했어요.

Owens는 위 그림과 같은 채점 모형을 사용하여 러닝백 유망주의 등급을 정하고 추가 평가 대상을 가려냅니다.

결과

새 평가 시스템을 사용하자 Owens와 코치진이 수백에 이르는 러닝백 유망주들의 순위를 매기는 일과 가장 큰 잠재력을 보여서 더 평가해야 하는 선수를 식별하는 일이 훨씬 더 쉬워졌습니다.

"이 새로운 시스템을 구현하고 유망주들을 보다 체계적으로 평가하기 시작하기 전에는 선수의 운동 실력 평가에 주관성이 너무 많이 개입되었다"고 Owens는 말합니다. "그래서 어느 유망주에 초점을 맞춰야 하는지 알기가 어려웠어요. Minitab 분석은 새 평가 시스템을 정착시키는 데 도움이 되었고, 이제 저는 유망주에 대해 수집하는 데이터와 연간 NFL 컴바인 이벤트 데이터, 그리고 시간이 지나면서 팀과 개별 선수들에 대해 수집하는 퍼포먼스 데이터를 토대로 훨씬 더 객관적으로 결정을 내릴 수 있어요.

"저는 새로운 시스템으로 유망주에 대한 데이터를 찾고 더 평가해야 하는 유망주의 순위를 정하는 데 걸리는 시간을 많이 줄였어요. 이 과정에서 얻은 교훈으로 시간을 절약하고 영상에서 선수를 평가하는 프로세스를 더 쉽게 바꾸기도 했어요."

Owens는 이 모든 데이터를 근거로 내릴 수 있는 결론에 대한 코치진과 선수들의 이해 수준도 모두 높아졌다고 말합니다. "종종 스프레드시트에 표시되는 데이터에는 별로 관심이 없는 사람들과 아이디어를 얘기하는데, 그래프를 보여주면 이런 사람들도 쉽게 이해해서 의미 있는 결론을 함께 내릴 수 있게 된다"고 그는 말합니다.

"하지만 코치는 해야 할 일이 많아서 데이터를 분석하고 데이터의 의미를 설명하기 위한 시각 자료를 적절히 만들 시간이 많지 않을 때가 있어요. Minitab이 아주 좋은 이유는 데이터를 입력하고 검정을 몇 개 실행하면 그래프가 자동으로 채워지기 때문이죠."

새 시스템은 팀에 중요한 러닝백 퍼포먼스의 특성도 부각시켰기 때문에 이런 특성을 보이는 유망주를 가려내고 경기 잠재력과 상관 관계가 없는 특성을 무시하기가 훨씬 더 쉬워졌습니다. Owens는 "러닝백의 신장과 체중은 팀에 크게 중요하지 않은 것으로 확인되었다"며, "러닝백의 셔틀 런 및 3콘 드릴 성적이 더 중요한데, 이런 종목을 통해 측방향으로 빨리 움직이는 민첩성과 방향을 바꾸는 능력에 대해 알 수 있기 때문"이라고 말합니다.

이 새로운 평가 시스템은 지난 몇 년 동안 러닝백을 스카우트하는 프로세스에만 사용되었지만, Owens는 그 과정에서 얻은 교훈이 앞으로 Georgia Tech 미식축구 팀의 다른 포지션 선수를 스카우트하는 프로세스의 효율을 높이는 데 도움이 될 것이라 기대합니다.

Owens는 "이 새로운 프로세스가 팀의 러닝백을 모집하는 데 얼마나 유용했는지 알고 있지만, 새 시스템을 사용하면서 계속 다듬고 있고 매년 조금씩 나아지고 있다고 생각한다"며, "하지만 Minitab 도입 후 아주 큰 효과가 있었고, 핵심은 Minitab을 사용하면 간단하고 빠르게 데이터를 분석하고 답을 얻을 수 있다는 것"이라고 말합니다.

조직

Georgia Tech Yellow Jackets

개요

  • 1892년 설립
  • I-A 디비전 대학 미식축구 전국 챔피언 4회, 컨퍼런스 우승 15회
  • NFL에서 뛰었던 150명이 넘는 졸업생
  • 애칭: “Ramblin’ Wreck”

과제

러닝백 모집 프로세스 개선

사용 제품

Minitab® Statistical Software

결과

  • 러닝백 유망주의 순위를 정하는 새로운 평가 시스템 구현
  • 코치진이 가장 유능한 유망주를 더 쉽게 가려낼 수 있게 하여 시간 절약
  • 선수 영상 평가의 신뢰성 확인
  • 어떤 선수 특성이 가장 중요하고 상대적으로 덜 중요한지 알게 됨
  • 유망주, 현역 선수 및 팀 전체에 대한 데이터의 가치 증대
clear