야구를 보다가,
숫자가 궁금해졌습니다
용인대학교 스포츠레저학과에 재학 중입니다. 스포츠 산업과 현장을 전공으로 배우면서, 경기를 ‘보는 것’과 ‘읽는 것’은 다른 일이라는 생각을 하게 됐습니다.
야구를 보다 보면 “왜 저 선수를 뺐지?” 같은 질문이 계속 남았습니다. 그 질문에 감이 아니라 데이터로 답해보고 싶어서 스포츠 데이터 분석 교육을 수강하며 공개 데이터를 직접 다뤄보고 있습니다.
지금은 공개된 경기 기록으로 리포트를 만들고, 그 숫자를 원본과 대조해 검증하는 연습을 하고 있습니다. 이 사이트에 한 편씩 쌓아갈 예정입니다.
관심 분야
경기력 분석
기록과 트래킹 데이터로 팀과 선수의 강점, 약점을 찾는 일
데이터 검증
숫자가 맞는지 원본과 대조하고, 틀린 곳을 찾아내는 일
현장의 언어로 번역
스포츠를 전공한 사람으로서, 분석을 현장이 바로 쓸 문장으로 바꾸는 일
공개한 분석
8월, 다저스가 달라졌다
— 2025 LA 다저스가 우승할 수 있었던 이유
정규시즌 5위였던 다저스가 어떻게 우승했는지를 실점 데이터로 추적했습니다. 8월을 기점으로 경기당 실점이 4.60점에서 3.43점으로 줄었고, 이 개선폭은 30개 팀 중 1위였습니다. 승률은 거의 그대로였는데, 가을에는 실점 쪽이 이겼습니다.
오타니 vs 베츠 — 정반대 방식으로 잘 치는 두 타자
Statcast 배트 트래킹 데이터로 타격 스타일 지도를 만듭니다. 배트 스피드와 헛스윙률 두 축에 리그 226명을 올려놓고, 같은 팀의 두 선수가 어떻게 다른지 확인할 예정입니다.
피타고리안 승률 계산기
득점과 실점을 넣으면 기대 승률이 나오는 페이지. 실제 승수와의 차이로 ‘운이 좋았던 팀’을 찾아봅니다.
스포츠 데이터 분석
이론 수료
데이터의 종류
이벤트 · 트래킹 · 비정형 데이터가 각각 답하는 질문
데이터 파이프라인
수집 · 적재 · 정제 · 가공 · 제공의 5단계
머신러닝 경기력 분석
부상 예측, 선수 유형 군집화, 생성형 AI 스카우팅
선수단 관리 (AMS)
부하 관리와 부상 예방이 왜 재무 전략인가
GIGO
데이터 품질이 분석의 성패를 가른다는 원칙