먼저 기억할 핵심
- xG는 비슷한 조건의 슈팅이 득점이 될 가능성을 모델이 추정한 값이지 해당 슈팅의 운명이나 경기 승률이 아니다.
- 팀 xG 합계가 같아도 한 번의 큰 기회와 여러 번의 낮은 확률 슈팅은 공격 과정이 다르다.
- 모델과 데이터 제공사마다 입력 변수와 학습 자료가 달라 수치를 비교할 때 출처를 통일해야 한다.
xG가 추정하는 질문을 정확히 말하기
기대득점, 즉 xG는 슈팅이 나온 위치와 각도, 슈팅 방식, 도움의 형태 등 모델이 사용하는 조건을 바탕으로 그 슈팅이 득점이 될 가능성을 추정한 값이다. 과거의 많은 슈팅과 결과를 학습한 모델이 비슷한 상황의 평균적 득점 빈도를 확률로 표현한다. 값이 높을수록 일반적으로 더 좋은 기회지만, 한 번의 슈팅이 실제로 들어갈지는 여전히 득점 또는 실패 둘 중 하나다.
xG는 선수가 슈팅하기 전 공격 전체가 득점으로 이어질 확률을 직접 측정하는 지표가 아니다. 마지막 패스가 약간 길어 슈팅이 나오지 않은 장면, 수비가 막아 슈팅으로 기록되지 않은 위험한 침투는 일반적인 슈팅 기반 xG 합계에 포함되지 않는다. 그래서 공격 전개의 질을 모두 설명하려면 박스 진입, 패스 흐름과 영상 맥락을 함께 봐야 한다.
또한 xG는 특정 슈터가 반드시 평균 수준으로 마무리한다고 선언하지 않는다. 모델에 따라 슈터 정보가 포함되지 않는 경우가 많고, 주된 목적은 기회의 질을 공통 기준으로 비교하는 데 있다. 개별 선수의 마무리 능력을 평가하려면 더 긴 기간의 슈팅 표본과 역할, 부상, 슈팅 선택 변화를 함께 검토해야 한다.
같은 위치의 슈팅도 값이 달라질 수 있는 이유
골문과의 거리와 각도는 가장 직관적인 입력이다. 가까우면서 골문 정면에 가까운 슈팅은 일반적으로 먼 거리나 좁은 각도의 슈팅보다 유리하다. 하지만 위치만 같아도 헤더인지 발로 찬 슈팅인지, 오픈 플레이인지 세트피스인지, 패스가 크로스인지 뒤로 내준 컷백인지에 따라 상황의 어려움이 달라질 수 있다.
일부 모델은 수비자와 골키퍼 위치, 슈팅 직전 공의 속도, 압박 정도 같은 더 세밀한 정보를 사용할 수 있다. 다른 모델은 이벤트 데이터에 기록된 제한된 변수만 사용한다. 따라서 서로 다른 제공사의 숫자가 약간 다르다고 어느 한쪽이 반드시 오류인 것은 아니다. 같은 경기와 기간을 비교할 때는 가능하면 동일한 제공사의 동일한 모델 버전을 쓴다.
모델이 어떤 변수를 쓰는지 공개 범위도 다르다. 독자는 수치의 소수점 차이에 의미를 과도하게 부여하기보다 큰 기회가 어디서 어떤 방식으로 만들어졌는지 본다. 출처가 바뀌면 표와 본문에 이를 표시하고, 서로 다른 모델의 합계를 한 그래프에 이어 붙이지 않아야 한다. 지표의 일관성은 해석의 출발 조건이다.
합계는 같아도 공격의 모양은 다르다
한 팀의 경기 xG는 보통 그 팀이 기록한 개별 슈팅의 xG를 합산해 제시한다. 이 합계는 어느 팀이 더 좋은 슈팅 기회를 얼마나 만들었는지 요약하는 데 유용하다. 그러나 합계는 분포를 숨긴다. 골문 가까운 결정적 기회 한 번과 먼 거리의 낮은 확률 슈팅 여러 번이 비슷한 합계에 도달할 수 있지만 전술적 과정과 재현 가능성은 다르다.
그래서 슈팅 지도와 시간 순서를 함께 본다. 슈팅이 페널티 지역 중앙에서 나왔는지, 세트피스에 집중됐는지, 경기 종료 직전 상대가 내려앉은 뒤 몰렸는지 확인한다. 점수 상황이 바뀌면 앞선 팀은 위험을 줄이고 뒤진 팀은 더 많은 슈팅을 시도할 수 있어 합계의 흐름도 달라진다. 최종 숫자 하나로 경기 전체의 우세를 단정하면 이 변화를 놓친다.
연속된 공격에서 리바운드 슈팅이 여러 번 나온 경우 모델 또는 집계 방식에 따라 독자가 체감하는 득점 가능성과 단순 합계 사이에 차이가 생길 수 있다. 첫 슈팅이 들어갔다면 뒤의 슈팅은 존재하지 않았을 것이기 때문이다. 제공사가 연속 슈팅을 어떻게 처리하는지 확인하고, 알 수 없다면 장면을 설명하면서 합계의 구조적 한계를 밝혀 둔다.
한 경기와 긴 기간을 다르게 읽기
한 경기에서 실제 득점과 xG가 다른 것은 이상한 일이 아니다. 확률이 높은 기회도 실패할 수 있고 낮은 확률의 슈팅도 들어갈 수 있다. xG가 실제 스코어와 다르다는 이유만으로 모델이 틀렸다고 말하거나, 반대로 xG가 높았으니 실제로 더 잘한 팀이라고 자동 선언해서도 안 된다. 스코어는 결과이고 xG는 슈팅 기회의 한 측면이다.
여러 경기에서 xG를 모으면 공격이 반복적으로 좋은 슈팅을 만드는지 살펴볼 수 있다. 하지만 일정의 강도, 홈과 원정, 퇴장, 감독 교체, 선수 구성과 경기 상태가 표본에 섞인다. 기간을 자를 때 이유를 밝히고 상대 수준이 크게 달랐다면 함께 설명한다. 임의로 좋은 구간만 골라 장기 경향처럼 제시하는 선택 편향을 피해야 한다.
실제 득점이 xG보다 높거나 낮은 차이도 즉시 운이나 마무리 실력으로 단정하지 않는다. 표본이 작으면 몇 번의 슈팅 결과가 차이를 크게 만든다. 장기적으로 같은 방향의 차이가 지속되는지, 페널티 포함 여부와 선수 역할이 같은지 확인한다. 데이터가 말하는 범위보다 강한 인과 이야기를 만들지 않는 것이 좋은 xG 해석의 핵심이다.
xG 그래프를 볼 때 던질 여섯 가지 질문
먼저 어느 제공사의 어떤 기간 데이터인지 확인한다. 다음으로 페널티와 세트피스가 포함됐는지, 슈팅 수와 평균 슈팅 질이 어땠는지, 큰 기회가 특정 한 번에 집중됐는지 묻는다. 이어 점수 변화 전후로 기회 생성 방식이 달라졌는지, 퇴장이나 부상처럼 구조를 바꾼 사건이 있었는지 본다. 이 질문들은 숫자를 부정하는 것이 아니라 올바른 문맥에 놓는다.
팀 비교에서는 xG 득실 차이만 보지 말고 기회가 만들어진 통로를 영상으로 확인한다. 높은 압박 뒤 짧은 거리에서 슈팅했는지, 측면 크로스 뒤 헤더가 많았는지, 빠른 전환으로 수비가 정렬되기 전에 진입했는지에 따라 반복 가능한 과정이 다르다. 데이터는 다시 볼 장면을 찾는 지도이고, 영상은 숫자에 원인을 부여할 때 필요한 증거다.
마지막 문장은 한계를 포함해야 한다. 예를 들어 이 경기에서 A팀이 더 높은 xG를 기록했다는 사실과, 그 차이가 후반의 특정 기회에 크게 좌우됐다는 해석을 함께 쓸 수 있다. 그런 다음 모델 출처가 다르면 값이 달라질 수 있고 슈팅 이전의 위협은 포함되지 않는다고 밝힌다. 이 방식은 수치를 권위처럼 내세우지 않으면서도 유용한 정보를 보존한다.
해석할 때의 한계
아래 조건을 함께 고려해야 이 개념을 실제 경기에 과도하게 적용하지 않을 수 있습니다.
- xG 모델마다 입력 변수, 데이터 표본과 연속 슈팅 처리 방식이 달라 제공사 간 수치를 그대로 비교하기 어렵다.
- 일반적인 xG는 슈팅이 나오지 않은 위험한 공격과 슈팅 이후 골키퍼의 실제 대응을 모두 설명하지 않는다.
- 짧은 표본의 실제 득점과 xG 차이를 운, 마무리 능력 또는 전술 효과로 단정할 수 없다.
확인한 자료
정의와 방법론을 확인한 원문입니다. 링크와 최종 확인일을 함께 공개합니다.
- What Is Expected Goals (xG)?Opta Analyst · 확인 2026-08-02
- What is xG? How is it calculated?Hudl StatsBomb · 확인 2026-08-02