도움 0개여도 기회를 잘 만들었을까요? xA와 xG Assisted 읽는 법

네, 도움 0개인 선수도 좋은 기회를 만들었을 수 있어요. 동료가 득점하지 못하면 도움은 남지 않지만, 패스가 만든 가능성은 기대도움(xA)에 잡힐 수 있기 때문이에요. 다만 xA가 높다는 이유만으로 좋은 경기였다고 확정해서도 안 돼요. 먼저 그 기록이 패스 자체를 평가하는지, 패스 뒤에 나온 슈팅의 기대득점을 집계하는지 구분해야 해요. Stats Perform의 xA는 받는 선수가 슈팅했는지와 무관하게 패스가 도움이 될 가능성을 평가해요. Stats Perform의 xA 설명

도움·기회 창출·기대값의 개념 비교

도움 0개 선수 기록 읽기 순서

• 1. 데이터 제공자와 지표 설명을 기록해요. xA가 패스 기반인지 슈팅 기반인지 확인해요.
• 2. 대회·시즌 또는 시작일과 종료일을 적고, 출전 경기 수와 실제 출전 분을 함께 남겨요.
• 3. 일반 도움인지 판타지 도움인지 확인한 뒤, 도움·기회 창출·기대값을 같은 집계 범위로 맞춰요.
• 4. 누적 xA와 xA/90을 구분해요. 출전 분이 없다면 경기 수를 분모로 대체하지 말고 시간당 비교를 보류해요.
• 5. 전체 기록과 오픈플레이·세트피스 기록을 나눠 확인해요. 구분 자료가 없으면 전체 기록에 대한 평가로 한정해요.
• 6. 같은 제공자·기간·단위에서 비슷한 역할의 선수를 비교해요. 자료가 있다면 특정 경기로 값이 쏠리는지도 확인해요.
• 7. 영상을 볼 수 있다면 대표 패스 장면을 확인하고, 기록으로 확인한 사실과 장면에 대한 해석을 따로 적어요.

같은 패스도 어디까지 보느냐에 따라 평가가 달라져요

가령 공격수가 페널티지역 안에서 패스를 받은 뒤 공을 제대로 다루지 못해 슈팅하지 못한 장면을 생각해 보세요. 설명을 위한 상황이며 특정 경기 기록은 아니에요. Stats Perform 방식에서는 그 패스에 xA가 부여될 수 있지만, 연결된 슈팅이 없으므로 그 장면에서 xG Assisted는 발생하지 않아요. 이 차이를 알아야 ‘슈팅으로 연결되지 않았으니 아무것도 만들지 못했다’는 판단을 피할 수 있어요.

반대로 패스를 받은 선수가 드리블로 수비를 제친 다음 슈팅했다면, 슈팅 시점의 기회에는 받는 선수의 후속 행동도 들어 있어요. xG Assisted는 그렇게 만들어진 슈팅의 xG를 패스와 연결하는 지표예요. StatsBomb의 공식 계산 예시도 슈팅의 패스 식별자를 찾아 해당 패스에 xG 값을 붙여요. 따라서 이를 패서 혼자 만든 가치로 전부 해석하는 것은 조심해야 해요. StatsBomb의 xG Assisted 계산 설명

기록 화면에 xA라는 약자가 있다고 곧바로 계산법을 짐작하지 마세요. 설명에서 ‘패스가 도움이 될 확률’을 말하는지, ‘연결된 슈팅의 xG’를 말하는지 찾아보는 게 먼저예요. 서로 다른 정의로 만든 숫자를 한 순위표에 섞으면 선수 차이와 측정 방식의 차이를 구분할 수 없어요.

실제 사례에서는 도움 순서와 xA 순서가 뒤집혀요

Opta Analyst가 2021년 3월 24일 공개한 설명에는 리버풀의 두 풀백을 비교한 사례가 있어요. 표본은 2019–20 프리미어리그 시즌의 오픈플레이 기록이에요. 트렌트 알렉산더아널드와 앤디 로버트슨은 모두 기회 창출 41회를 기록했지만, 오픈플레이 도움은 각각 6개와 10개였어요. 같은 범위의 xA는 각각 7.1과 4.9로 순서가 반대였고요. 이는 현재 시즌 평가가 아닌 과거의 정의 설명용 사례예요. Opta Analyst의 두 풀백 비교

이 숫자로 실제 도움에서 xA를 빼 보면 알렉산더아널드는 6−7.1=−1.1, 로버트슨은 10−4.9=+5.1이에요. 여기서 확인할 수 있는 것은 실제 결과와 모델 기대값 사이의 차이예요. −1.1을 ‘동료가 날린 도움 1.1개’로 번역할 수는 없어요. 기대값은 놓친 장면을 하나씩 세어 얻은 개수가 아니기 때문이에요.

이 사례를 읽는 핵심은 순위가 달라지는 이유예요. 실제 도움으로는 득점까지 완성된 결과를, xA로는 모델이 평가한 패스의 가능성을 비교하고 있어요. 또 해당 본문에는 두 선수의 출전 분이 함께 제시되지 않으므로 여기서는 90분당 우열을 계산하지 않아요. 누적 기여와 시간당 생산성을 구분하는 것도 기록 읽기의 일부예요.

xA가 높다는 말에는 비교 대상과 분모가 필요해요

xA 누계는 패스별 기대값을 더한 수치예요. 한 패스의 값은 0과 1 사이지만 시즌 합계는 1을 넘을 수 있어요. 따라서 누적 xA를 퍼센트로 읽거나 다음 경기에서 도움을 기록할 확률로 바꾸면 안 돼요. Stats Perform은 패스 유형과 출발·도착 위치, 거리, 플레이 상황 등을 이용해 이 가능성을 평가한다고 설명해요. Stats Perform의 모델 설명

출전 시간이 다른 선수를 비교하려면 ‘누적 xA ÷ 출전 분 × 90’으로 구하는 xA/90을 함께 볼 수 있어요. 다만 이것은 출전 시간을 같은 길이로 환산하는 계산이지, 상대 수준이나 경기 흐름까지 같게 만드는 보정은 아니에요. 짧은 교체 출전 몇 번의 수치와 한 시즌 선발 출전 기록을 같은 확신으로 읽지 않는 편이 좋아요.

몇 경기를 넘으면 반드시 믿어도 된다는 기준을 이 글에서 정하지는 않아요. 대신 비교표를 만들 때 경기 수와 출전 분을 나란히 남겨 두세요. 비슷한 역할의 선수끼리 같은 대회·기간으로 범위를 맞추고, 특정 한 경기의 값이 누계를 크게 좌우하는지도 살펴보는 방식을 권해요. ‘높다’는 평가는 이렇게 비교 조건을 정한 뒤에 붙이는 게 유용해요.

세트피스와 도움 판정이 결론을 바꾸기도 해요

코너킥을 맡는 선수의 전체 xA를 오픈플레이 창의성으로 그대로 해석하지 마세요. 그렇다고 세트피스에서 만든 기회를 지울 필요도 없어요. 팀에 제공한 전체 기여가 궁금하면 전체 기록을, 움직이는 수비를 상대로 만든 기회가 궁금하면 오픈플레이 기록을 우선하는 식으로 질문을 정하면 돼요. StatsBomb도 오픈플레이 xG Assisted를 별도 항목으로 설명해요. StatsBomb 지표 안내

세트피스 구분은 단순히 공을 처음 찬 순간만의 문제가 아니에요. Opta는 코너킥 등이 걷어내진 뒤 곧바로 다시 페널티지역으로 투입되고 수비가 여전히 세트피스에 대응하는 상황이라면 해당 단계에 포함할 수 있다고 설명해요. 영상만 보고 임의로 분류를 바꾸기보다, 기록 제공자의 구분을 일관되게 적용하는 게 좋아요. Opta의 플레이 상황 정의

도움 칸 자체도 확인해야 해요. Opta는 일반적인 골 도움과 판타지 도움을 구분하며, 페널티킥을 얻어 낸 행동 등은 판타지 도움 범주에 따로 설명해요. 서로 다른 도움 규칙으로 집계한 수치를 xA와 비교하면 출발점부터 달라질 수 있어요. 특히 기록 사이트와 판타지 게임의 도움 수가 다를 때는 선수 평가에 앞서 정의부터 확인하세요. Opta의 도움 정의

도움 0개를 본 뒤에는 어떤 장면을 찾아야 할까요?

이 글에서 권하는 다음 단계는 ‘동료가 못 넣었나?’보다 ‘어떤 패스를 어디로 보냈나?’를 먼저 묻는 거예요. 경기 영상을 볼 수 있다면 받는 선수의 위치, 공을 받은 뒤 슈팅까지의 행동, 수비가 개입한 지점을 확인해 보세요. xA와 xG Assisted가 서로 다른 이야기를 하는 이유를 찾는 데 도움이 되는 관찰 순서예요.

기록과 장면이 뒷받침한다면 ‘도움은 없었지만 해당 기간에 패스로 기회를 제공했다’고 평가할 수 있어요. 반면 xA도 낮다고 해서 경기 전체 기여가 없었다고 넓혀 말하지는 마세요. 이 지표의 평가 대상은 패스가 도움이 될 가능성이며, 압박을 벗어나는 운반이나 동료의 공간을 여는 움직임까지 모두 대신 평가하는 성적표는 아니에요.

도움과 xA의 차이만으로 동료의 결정력, 패서의 불운, 다음 경기 반등 중 하나를 원인이나 결과로 확정할 수는 없어요. 한 기간의 차이가 다음 경기에서 메워져야 하는 것도 아니고요. ‘도움 0개 선수 기록 읽기 순서’를 관심 있는 선수 한 명에게 적용한 뒤, 확인된 기록과 영상에서의 해석을 나눠 한 문장씩 적어 보세요. 숫자에 맞춰 이야기를 만드는 실수를 줄이는 실용적인 방법이에요.

• Stats Perform — アシスト期待値（xA）「アシスト数」では測れない、可能性を数値化
• Opta Analyst — What Are Expected Assists (xA)?
• Stats Perform — Opta Event Definitions
• StatsBomb — Understanding StatsBomb Radars
• StatsBomb — Doing More With StatsBomb Data in R