Soccer xG 기대 득점 계산기

슈팅 거리, 각도, 신체 부위 및 경기 상황을 바탕으로 슈팅의 기대 득점(xG) 값을 추정합니다. 정밀하게 보정된 로지스틱 모델이 슈팅 위치를 골 확률로 변환하고, 탑다운 방식의 피치 위에 슈팅 각도를 시각화하며, 찬스 품질을 평가하고, 전체 단계별 분석을 보여줍니다. 야드와 미터를 지원합니다.

Soccer xG 기대 득점 계산기

빠른 예시 — 클릭하여 입력값을 채운 후 계산하기를 누르세요:

단위 시스템

경기 상황

골라인으로부터의 거리 (yd)

슈팅이 이루어진 정면 방향의 골라인 기준 거리입니다.

중앙으로부터의 오프셋 (yd)

골대 정중앙에서 좌우로 벗어난 측면 거리입니다. 정면 중앙은 0을 입력하세요.

신체 부위

🥅 페널티킥은 정중앙 12야드의 고정된 지점에서 차기 때문에 위의 거리 및 오프셋 수치는 무시되며, xG 값은 역대 페널티킥 평균 성공률인 0.76으로 고정 적용됩니다.

Embed Soccer xG 기대 득점 계산기 Widget

Soccer xG 기대 득점 계산기 정보

축구 xG 기대 득점 계산기는 슈팅의 품질을 골 확률로 추정합니다. 슈팅의 거리, 좌우 위치, 신체 부위 및 경기 상황을 입력하면 0과 1 사이의 xG 값을 반환하고, 상하향식 피치 다이어그램에 슈팅 각도를 그리며, 찬스 등급을 평가하고, 전체 계산 과정을 보여줍니다. "그게 좋은 찬스였나?"라는 모호한 질문을 비교 가능한 하나의 숫자로 명확하게 바꿔 줍니다.

xG(기대 득점)란 무엇인가요?

기대 득점(Expected Goals, xG)은 골 찬스의 품질을 나타내는 지표입니다. 주어진 특정 슈팅이 골로 연결될 확률을 0에서 1 사이의 스케일로 표현한 것입니다. 0.25 xG의 가치를 지닌 슈팅은 평균적으로 100번 시도했을 때 25번 성공함을 뜻합니다. xG는 경기 당일 우연히 발생한 골 수뿐만 아니라 찬스가 얼마나 위협적이었는지를 보여주기 때문에 현대 축구에서 가장 중요한 고급 지표로 자리 잡았습니다.

xG 계산 공식

대부분의 xG 모델은 로지스틱 회귀(Logistic Regression) 분석을 사용합니다. 슈팅의 각 특징들을 단일 점수로 결합한 후, 로지스틱(시그모이드) 함수를 통해 해당 점수를 확률로 변환합니다. 본 계산기는 기하학적 요소인 슈팅 각도와 거리 두 가지를 활용하고, 신체 부위 및 경기 상황에 따른 조정을 더해 최종 확률을 구합니다.

단계 1 — 슈팅 각도

$$\theta = \arctan\left(\frac{w \cdot x}{x^2 + y^2 - (w/2)^2}\right)$$

단계 2 — 모델 점수 (Logit)

$$L = \beta_0 + \beta_1\,\theta + \beta_2\,d + \text{(신체 부위)} + \text{(상황)}$$

단계 3 — 골 확률

$$\text{xG} = \frac{1}{1 + e^{-L}}$$

여기서 w = 7.32 m는 골대의 너비이고, x는 골라인으로부터의 거리, y는 중앙에서의 좌우 오프셋이며, d는 골문까지의 직선거리입니다. 이 도구의 계수들은 출력값이 전형적인 프로 선수의 슈팅 결과와 일치하도록 최소제곱법으로 보정되었습니다.

각도와 거리가 모두 중요한 이유

xG를 결정하는 가장 큰 두 가지 요인은 골문에서 얼마나 떨어져 있는지와 해당 위치에서 골대가 얼마나 넓게 보이는지입니다. 골문에서 멀어질수록 득점 확률은 급격히 떨어집니다. 하지만 같은 거리의 두 슈팅이라도 찬스의 질은 완전히 다를 수 있습니다. 골대 정면에 있는 선수는 골망 전체를 보지만, 바이라인 쪽으로 치우친 선수는 골대 사이의 아주 좁은 틈새만 보게 됩니다. 이것이 6야드 박스 모서리에서의 슈팅이 거리는 비슷할지라도 페널티 스폿에서의 슈팅보다 훨씬 더 어려운 이유입니다.

전형적인 xG 값 예시

찬스 유형	대략적인 xG	의미
페널티킥	0.76	네 번 중 세 번 골로 연결됨
탭인 / 골문 앞 근거리 중앙	0.40 – 0.70	결정적인 찬스 (Golden Chance)
6야드 박스 내부 중앙	0.30 – 0.50	빅 찬스 (Big Chance)
페널티 스폿 거리 중앙	0.12 – 0.20	오픈 플레이 시 좋은 찬스
박스 가장자리 정면 중앙	0.05 – 0.08	절반의 찬스 (Half Chance)
바이라인 근처의 좁은 각도	0.02 – 0.06	성공 확률이 낮은 어려운 슈팅
장거리 슈팅 (25 m 이상)	0.01 – 0.03	투기적인 슈팅 시도 (Speculative)

슈팅의 xG에 영향을 미치는 요인은?

📏 거리

가장 강력한 단일 요인입니다. 골문에서 멀어질수록 xG는 가파르게 떨어집니다.

📐 각도

골대가 얼마나 시야에 들어오는지를 뜻합니다. 중앙 슈팅은 각도가 넓고, 바이라인 슈팅은 좁습니다.

🦵 신체 부위

동일한 위치인 경우, 헤더보다 발로 찬 슈팅이 골로 더 자주 연결됩니다.

⚡ 상황

속공과 1대1 상황은 xG를 높이며, 프리킥과 밀집된 세트 피스 상황은 xG를 낮춥니다.

🥅 페널티킥

항상 동일한 위치에서 진행되므로 약 0.76이라는 고정된 역사적 데이터 값을 부여받습니다.

🧱 수비 압박

프로 무대에서 쓰이는 완전한 모델은 수비수와 골키퍼의 위치도 반영하며, 본 도구는 이를 단순화하여 적용했습니다.

이 계산기 사용 방법

단위 및 거리 선택: 야드 또는 미터를 지정하고 골라인에서 슈팅 위치까지의 거리를 입력합니다.
좌우 오프셋 입력: 골대 중앙을 기준으로 슈팅 위치가 얼마나 측면으로 벗어났는지 입력합니다. 정면인 경우 0을 입력합니다.
신체 부위 및 상황 지정: 발 또는 헤더를 선택하고 오픈 플레이, 속공, 1대1, 프리킥, 세트 피스, 페널티킥 중 경기 상황을 고릅니다.
계산하기 클릭: xG 값, 찬스 품질 등급, 피치 위의 슈팅 각도 콘, 페널티킥과의 비교 및 단계별 세부 계산 과정을 확인합니다.

자주 묻는 질문 (FAQ)

xG(기대 득점)란 무엇인가요?

xG 또는 기대 득점(Expected Goals)은 골 찬스의 품질을 측정하는 통계입니다. 골문까지의 거리, 골대와의 각도, 사용된 신체 부위 및 경기 상황과 같은 요소를 기반으로 슈팅이 골로 연결될 확률을 0과 1 사이의 스케일로 나타냅니다. xG가 0.30인 슈팅은 100번 시도했을 때 약 30번 득점할 것으로 기대할 수 있습니다.

How is xG calculated?

xG는 수천 개의 역사적 슈팅 데이터를 기반으로 훈련된 통계 모델(일반적으로 로지스틱 회귀)로 계산됩니다. 이 모델은 슈팅 각도와 골문까지의 거리와 같은 슈팅 특징을 단일 점수로 결합한 다음, 로지스틱(시그모이드) 함수를 사용하여 해당 점수를 0과 1 사이의 확률로 변환합니다. 저희 계산기는 전형적인 프로 경기 슈팅 결과와 일치하도록 보정된 계수를 사용합니다.

What is a good xG value for a shot?

대부분의 슈팅은 낮은 xG 값을 가집니다. 장거리 슈팅은 대개 0.05 미만이고, 박스 가장자리에서의 슈팅은 약 0.05에서 0.08 사이이며, 6야드 박스 안에서의 찬스는 0.3에서 0.5 이상이 될 수 있고, 페널티킥은 약 0.76입니다. 대략 0.3을 넘는 단일 슈팅은 빅 찬스(결정적 찬스)로 간주됩니다.

Why does shot angle matter so much in xG?

각도는 슈팅 위치에서 골대가 얼마나 넓게 보이는지를 나타냅니다. 중앙에서의 슈팅은 골대의 전체 너비를 보는 반면, 바이라인 근처의 좁은 각도에서의 슈팅은 조준할 골대가 아주 가느다란 틈새로만 보입니다. 거리가 같더라도 각도 때문에 xG 값이 완전히 달라질 수 있으며, 이것이 6야드 박스 모서리에서의 슈팅이 정면에서의 슈팅보다 훨씬 더 어려운 이유입니다.

Why is a penalty always about 0.76 xG?

페널티킥은 수비수 없이 골문 정면 12야드 떨어진 고정된 위치에서 진행됩니다. 모든 페널티킥은 본질적으로 동일하기 때문에, xG 모델은 그 기하학적 구조를 계산하지 않습니다. 대신 프로 축구에서 약 76%에 달하는 장기적인 역사적 페널티킥 성공률을 그대로 할당합니다.

Why is the xG of a header lower than a foot shot?

헤더는 같은 위치에서의 발 슈팅보다 방향을 지시하기 어렵고 파워가 덜 발생하며, 일반적으로 밀집된 박스 안으로의 크로스에서 나오기 때문에 성공률이 낮습니다. xG 모델은 헤더의 확률을 낮춤으로써 이를 반영하며, 이것이 이 계산기에서 발 대신 헤더를 선택할 때 xG가 감소하는 이유입니다.