책 목록으로 돌아가기

리버풀 리서치 디렉터로 11년(2012~2023) 근무한 Ian Graham의 회고록. 핵심 메시지는 **"데이터 분석은 시장 비효율을 착취하는 도구"**이며, 축구 이적 시장은 금융 시장보다 비효율적인 공간이라는 것이다. 데이터 없이 직관으로만 운영되는 팀이 다수인 환경에서, 정량적 방법론을 일관되게 적용한 팀(리버풀, 브렌트퍼드, 브라이튼)이 예산 대비 초과 성과를 낼 수 있었다.

How to Win the Premier League (Ian Graham, 2024)

데이터로 리버풀을 우승시킨 통계학자의 이야기

핵심 주장

리버풀 리서치 디렉터로 11년(2012~2023) 근무한 Ian Graham의 회고록. 핵심 메시지는 "데이터 분석은 시장 비효율을 착취하는 도구"이며, 축구 이적 시장은 금융 시장보다 비효율적인 공간이라는 것이다. 데이터 없이 직관으로만 운영되는 팀이 다수인 환경에서, 정량적 방법론을 일관되게 적용한 팀(리버풀, 브렌트퍼드, 브라이튼)이 예산 대비 초과 성과를 낼 수 있었다.

Part 1: 리버풀 이야기 (Ch. 1–5)

Ch.1 — xG의 실전 도입

• 바르셀로나전(3-0 분석): 리버풀이 실제 4-0으로 이기기 전에 xG 분석으로 압승을 예측
• Ian Graham은 리버풀의 데이터 기반 영입 핵심 인물: Salah(Roma 7% 저평가), Van Dijk, Alisson, Robertson
• 배경: John Henry(FSG)와 빌 제임스(Moneyball 원조) 미팅을 통해 축구 Moneyball 프로젝트 출발

Ch.2 — 토트넘 시절 (2007–2012)

• Spurs 시절 Damien Comolli, Michael Edwards("Eddy")와 협업 시작
• Possession Value(Goal Probability Added) 모델 초기 개발: 비슈팅 행동의 기여도 정량화
• Van der Vaart 영입 성공, Gareth Bale 데이터로 옹호
• Hugo Lloris 기회 놓침 — 데이터가 있어도 의사결정권자가 듣지 않으면 무용

Ch.3 — 리버풀 초기 (Brendan Rodgers 체제)

• John Henry 미팅 후 2012년 리버풀 합류
• Brendan Rodgers와의 문화 충돌: 감독이 Transfer Committee를 불신
• Joe Allen(데이터 고평가, 시장 저평가), Benteke(잘못된 영입) 갈등
• 교훈: 데이터 팀과 감독의 정렬(alignment)이 핵심 — 데이터가 좋아도 감독이 안 쓰면 의미 없음

Ch.4 — £65M 실패와 복원

• Suárez 이적금 낭비: Balotelli, Marković, Lambert 영입 실패
• Firmino 발굴: Player Classification 도구로 독특한 역할(가짜 9번) 식별
• Marković 사례 → 이후 모든 진지한 영입 후보에 비디오 분석 20–30경기 추가 의무화

Ch.5 — Klopp 체제의 성공

• Klopp 합류 후 영입 성공률이 41% → 58%로 상승
• Mané, Matip, Wijnaldum, Salah, Robertson, Van Dijk, Alisson, Fabinho 영입
• 챔피언스리그 우승(2019), PL 우승(2020) — 데이터+감독+스카우트 3자 정렬의 결과

Part 2: 과학 (Ch. 6–10)

Ch.6 — 도박 기원의 데이터 혁명

• Dixon-Coles 모델(1997): 포아송 분포 기반 팀 강도 모델링. 베팅 시장 비효율에서 출발
• Tony Bloom(Brighton/Starlizard), Matthew Benham(Brentford/Smartodds): 베팅 데이터 → 축구 경영으로 이전
• Asian Handicap 시장: 효율적 시장 가설에 가장 근접한 축구 예측 시장
• 베팅 시장의 핵심 통찰: 베팅사의 odds = 팀 강도의 최선의 시장 추정치

Ch.7 — Expected Goals 심층 분석

Pre-Strike xG

• iBob 모델(2006): 6야드 박스(33%), 박스 내(14%), 박스 외(4%), 직접 프리킥(8.4%), 페널티(77%)
• 거리/각도/수비 압박/셋피스 여부/카운터어택 상황에 따른 전환 확률 차등화
• 핵심 인사이트: 페널티는 6야드 박스 슈팅의 2.5배 가치 → 박스 내 파울 시 시뮬레이션 중요성

Post-Strike xG

• 궤적 정보 추가: 슈팅 2/3가 0%(오프타겟)로 할당
• 골키퍼 평가의 핵심: Pre-Strike로는 불가능, Post-Strike로만 가능
• Daf Steele의 개선: 골키퍼 위치 기반 인터셉션 거리 도입
• Stats Bomb(2017) 데이터로 수비수 위치 포함 → 기대슈팅 그림자(Expected Goals Shadow)

xG의 한계 인정

• "더 나은 성과 측정값은 xG(70%)와 실제골(30%)의 혼합" (Ben Torvaney 연구)
• 장기적으로 좋은 팀은 xG를 초과 달성 — xG만이 진실이 아님

Ch.8 — Possession Value 모델

마르코프 체인 기반 목표 확률

• 공 위치 × 점유 상태(일반/방어/셋피스/카운터)별 득점 확률:
• 자기 박스: 0.2% → 미드필드: 0.5% → 박스 외곽: 1.5% → 페널티스팟: 10%
• "Dangerous Possession Dominance": 전방 1/3 점유 비중이 전체 점유보다 승리 예측력 높음

선수 평가에 적용

• 패스 성공률 × 위치 가치 변화 = 순 기여 골 수
• Joe Allen(91% 성공률)은 높은 성공률이지만 추가 가치 미미 — "리스크 감수 패서가 낮은 성공률로도 더 가치있을 수 있음"
• Ridgewell Problem: 활발한 방어자가 팀 실점 원인임에도 통계상 높게 평가되는 문제 → 팀 맥락에서 방어 책임 재배분으로 해결

핵심 원칙

• "숫자는 스스로 말하지 않는다. 우리가 숫자를 대변한다." (Nate Silver)
• Messi 기여: 일반 Possession Value보다 훨씬 높음 — 벤치마크는 평균이지 진실이 아님

Ch.9 — 추적 데이터(Tracking Data)

Pitch Control

• Will Spearman이 2017년 개발: "가장 먼저 도달할 수 있는 위치를 제어한다"
• 플레이어 속도·가속·볼 비행 시간·공 컨트롤 불확실성 포함
• 오프볼 플레이어 가치 측정 가능 — "먼 포스트에 서서 기다리는 선수의 가치는?"

트래킹 데이터의 혁신

• Van Dijk: 이벤트 데이터보다 추적 데이터에서 훨씬 뛰어나게 평가
• Konaté(RB Leipzig): 팀의 카미카제 수비 노출이 이벤트 데이터에선 벌점, 추적에선 정당 평가
• DeepMind와 협업: 오프카메라 선수 궤적 "환각(hallucinate)", 코너킥 AI 모델(TacticAI)

브로드캐스트 추적 데이터

• 2018년~: TV 방송만으로 추적 데이터 생성 가능
• 리버풀이 최초 적용 — 스카우팅에 활용

Ch.10 — 이적료와 임금 평가

PRAISE 임금 모델

• Position · Ratings · Age · Inflation · Signing type · Experience
• 직관과 일치: 공격 → 미드필드 → 수비 → 골키퍼 순 하락
• 에이전트들도 직관적으로 비슷한 모델 보유

이적료 모델

• Transfermarkt 군중 시세 포함, 계약 잔여기간, 국가 간 프리미엄(PL 40% 추가)
• Salah: 23% 저평가(Roma의 재정 압박 강매), Balotelli: 64% 저평가(규율 리스크 비정량화)
• Firmino 예시: 시장 "초과 지불"처럼 보였지만, 시장이 포착 못한 부상 강인성·유연성·팀 기여를 별도 평가

돈과 성공의 관계

• 임금과 포인트: 90% 이상 설명력 (Simon Kuper/Szymanski 연구)
• 이적 순지출과 성공: 훨씬 낮은 상관관계 — "이적 시장이 비효율의 최전선"
• 2012–2023 리버풀: 맨유 대비 이적 순지출 40% 적음에도 PL 1회·CL 1회 우승

Part 3: 게임 이상의 것 (Ch. 11–16)

Ch.11 — 슈뢰딩거의 감독

• 감독이 기여하는 포인트: 플레이어와 비슷한 수준(시즌 당 몇 포인트)
• 데이터로 측정하기 쉬운 것: 전술, 선수 선발, 결과
• 측정하기 어렵지만 중요한 것: 감정적 분위기 설정, 선수 유치력, 장기 동기부여
• Klopp의 탁월함: 어린 선수 성장 지원, 결과보다 과정 집중, 선수들이 함께 하고 싶어함
• Ancelotti와의 비교: 슈퍼스타 관리 능숙 vs 미증명 어린 선수 코칭

Ch.12 — GOAT 전쟁 (Messi vs. Ronaldo)

• 데이터 기반 결론: Messi가 더 나은 팀 플레이어
• Messi: 0.74 골(페널티 제외)/90분, 0.42 어시스트/90분 → 총 1.16/90분
• Ronaldo: 0.68 골(페널티 제외)/90분, 0.30 어시스트/90분 → 총 0.98/90분
• Messi의 "수동적 공간 창출": 수비수가 공간을 비워두면 걸어서 들어감 (Fernández & Bornn 연구)
• 결론: "Messi. Obviously."

Ch.13 — 왜 이적이 실패하는가 (얼룩말 농부)

• 50% 규칙: £1,000만 이상 이적 선수의 46%가 향후 2년간 50% 이상 선발 출전 실패
• Anna Karenina 원칙 (Jared Diamond에서 차용): 성공적 이적은 모두 유사하고, 실패는 각각의 이유
• 8가지 실패 요인(부상/성격/포지션 불합치/기존 선수 대체/능력 과대평가/스타일 불합치/감독 불신/나이)
• 각각 92% 성공 확률 가정 → 8가지 모두 성공 확률 = 92%^8 = 51%
• 데이터의 역할: 부상 제외 대부분 요인 완화 가능
• Eddy(Michael Edwards) 원칙: "데이터·스카우트·감독 3자 정렬이면 실패율 크게 낮아진다"
• 리버풀의 개선: 41% → 58% 성공률 (Klopp 체제)

Ch.14 — 홈 어드밴티지 (30% 추가 득점)

• PL 홈팀: 1.6골, 원정팀: 1.2골 (0.4 차이 = Messi급 기여)
• Covid 실험: 무관중 시 홈팀 득점 10% 감소, 원정팀 득점 10% 증가 → PL에서 홈 어드밴티지 거의 소멸
• 심판 편향 실험: 소리 켠 심판들은 홈팀에 유리한 판정 2.3회 더 많이 내림
• 부상 시간: 홈팀 1골 뒤처질 때 35% 추가, 1골 앞설 때 29% 감소
• 자기실현 예언: 원정팀의 수비적 전술이 홈 어드밴티지를 강화

Ch.15 — 통계의 오용과 뱀장사

• 코너가 쓸모없다?: Numbers Game 오류 — 가중치 없는 평균 사용. 가중 분석 시 1코너 = 0.024골 추가 (Possession Value와 일치)
• 클린시트 > 득점?: 측정 단위 불일치. 클린시트는 희귀하므로 1개당 효과 크게 보임 → 총효과는 득점이 더 큼
• Darren Bent vs Wayne Rooney: 팀 득점력 차이를 통제하면 Rooney가 더 임팩트 있음 (작은 팀 선수가 유리한 측정법)
• Pareto Frontier 문제: 10가지 지표 동시 최적화 시도 → 492명 중 240명이 '최적' → 필터링 불가
• McNamara 오류: 측정 가능한 것만 중요하다는 착각 → 분위기·동기부여 등 무형 요소 무시

Ch.16 — 축구의 미래

• 전술 진화: 4단계 사이클(공격→수비전환→수비→공격전환) 기반 혁신
• 게겐프레싱: 전환 단계 교란
• 틱타카: 공 점유 극대화
• 퍼센티지볼: 게겐프레싱의 역전술 (Villa 7-2 Liverpool 사례)
• 세트피스의 잠재력: 작은 팀의 레벨 업 도구 — 임금과 무상관, 작은 팀 vs 큰 팀 차별성 없음
• 석유 자본 축구: 맨시티(91.7포인트/시즌), PSG, 사우디 팀 — 데이터 엣지의 한계

결론: 어떻게 이기지 않는가

• "데이터 팀을 뒀다고 하지만 그 말을 따르지 않는 팀이 대부분" — 데이터를 도입하되 무시
• 체리피킹: 이미 결정한 것을 지지하는 지표만 선택
• 핵심 교훈: 데이터의 역할은 주관적 의견에 객관적 증거로 도전하는 것 — 불편할 수 있음
• "Art loves chance, and chance loves art." — 확률과 불확실성을 이해할수록 아름다움을 더 감상

핵심 개념 요약

트레이딩/투자와의 연결점

1. Signal vs. Noise = 추세 vs. 노이즈: 단기 결과(운)를 장기 성과(기술)로 오해하는 오류 — 트레이딩에서 손실/이익 한 번을 전략 평가에 과대적용하는 것과 동일
2. 이적 시장 비효율 = 금융 시장 비효율: "Moneyball의 분모는 돈" — 데이터 우위가 없는 영역에서 경쟁 포기, 우위 있는 영역에서만 베팅 (Van Tharp의 기대값 원리)
3. 과정 vs. 결과(Outcome Bias): 리버풀 데이터팀이 패배 후에도 "성과는 좋았다"고 분석 — 더글러스의 "결과와 무관하게 시스템 실행"과 동일
4. Anna Karenina 원칙 = 독립 리스크 체크: 여러 리스크 요인을 독립적으로 확인 — 리스크 관리에서 "하나의 빨간 신호도 치명적"
5. Bayesian 업데이트: 적은 증거에서 급격히 업데이트, 많은 증거에서 천천히 업데이트 — 새 선수 vs 기존 선수 평가법

관련 페이지 (링크)

• [[books/thinking-fast-and-slow]] — 책 전반에 걸쳐 카너먼 인용 (낙관주의 편향, 결과 편향, 작은 수의 법칙)
• [[entities/deepmind]] — 리버풀 × DeepMind 협업 (TacticAI, 궤적 예측)
• [[books/insider-insight]] — 시장 비효율 착취 vs. 예측 포기 공통 주제
• [[trading/trading-in-the-zone]] — 과정 vs. 결과, 일관된 시스템 실행
• [[trading/trade-your-way-to-financial-freedom]] — 기대값, R배수, Moneyball 연결
• [[books/thinking-fast-and-slow]] — 판단 편향, 결과 편향
• [[entities/ian-graham]]
• [[entities/michael-edwards]]