데이터 기반 NBA 팀 구성 최적화

Project Start

본 프로젝트는 NBA 팀 구성 최적화를 목표로 하며, 선수 성과 및 부상 리스크를 고려하여 데이터 기반으로 최적의 로스터를 구성하는 연구를 수행했습니다. 현대 농구에서 샐러리캡 제도와 경기력 극대화가 중요한 요소인 만큼, 이를 고려한 팀 구성 전략을 제시합니다.

연구 목표

• 선수 성과 및 부상 리스크를 반영한 팀 최적화
• 데이터 분석 및 머신러닝 기법을 활용한 팀 구성 개선
• 샐러리캡 내에서 최적의 선수 조합을 찾는 최적화 기법 적용

데이터 설명

• Official NBA Stats: 2001-02 시즌부터 2022-23 시즌 성과 데이터
• 선수 급여 데이터: 2022-23 시즌 선수 급여 데이터
• 선수 부상 데이터: 2017~22 5년간 선수 부상 데이터

주요 데이터 변수

• 경기 성과 지표: 득점(PTS), 리바운드(OREB, DREB), 어시스트(AST), 턴오버(TOV), 스틸(STL), 블록(BLK), 슛 성공률(FG%, 3P%, FT%)
• 부상 데이터: 선수별 시즌별 부상 이력 및 회복 기간
• 급여 데이터: 선수 연봉 및 샐러리캡 제한
• 팀 데이터: 시즌별 팀 성적 및 플레이오프 진출 여부

파이프라인

분석 과정

1. 선수 성과 데이터 전처리 및 요인 분석

• 차원의 저주 해결
  • NBA 특성 고려(효율성 중시)
  • 희소 데이터 열 제거
• 데이터의 다중공선성을 해결하고 변수 차원을 축소하기 위해 **요인 분석(Factor Analysis, FA)**을 적용
  • 요인 해석을 위한 Varimax 회전 적용
• 5개 주요 요인 도출
  • Playmaker Skill: 득점, 어시스트, 턴오버
  • Center Skill: 리바운드, 블록슛
  • Shooting Skill: 야투율, 3점슛 성공률, 자유투 성공률
  • Contribution: 팀 공헌도(+/-)
  • FreeThrow Opportunity: 돌파력 및 파울 유도 능력

2. 선수 유형 분류를 위한 군집 분석

• 요인 분석 결과를 기반으로 선수들을 유형별로 분류하기 위해 K-Means 군집 분석 수행
• Silhouette Score 및 Dunn Index를 이용해 최적 군집 개수 결정 (6개 군집)

• 각 군집의 해석
  • Cluster 0: 전략적 수비형 가드
  • Cluster 1: 후보 센터
  • Cluster 2: 엘리트 가드 및 포워드
  • Cluster 3: 핵심 리더 및 득점원
  • Cluster 4: 전통 센터
  • Cluster 5: 전략적 외곽 슈터

3. 플레이오프 진출 가능성 예측 (MLP 모델)

• 다층 퍼셉트론(MLP) 모델을 사용하여 팀 구성이 플레이오프 진출에 미치는 영향을 학습
• 입력 변수: 각 팀의 군집별 경기 시간 비율, 해당 시즌 플레이오프 진출 여부
• 목표: 플레이오프 진출 여부 예측(이진 분류)

• 최적화된 모델 성능
  • Precision: 0.7931
  • 최종 예측 확률 0.65 이상을 최적 조합 기준으로 설정

4. 최적화 기법을 활용한 팀 조합 탐색

• Simulated Annealing (시뮬레이티드 어닐링) 최적화 알고리즘을 사용하여 최적의 로스터 비율 탐색
• 초기 기준(EDA를 활용한 합리적 선택)
  • 주전 5명(65% 출전시간), 후보 4명(35% 출전시간)
  • 각 군집에 최소 1명의 선수를 포함
  • 플레이오프 진출 확률이 가장 높은 조합을 찾도록 최적화 수행

5. 선수 평가 및 부상 예측 모델링

• 회귀 분석을 활용한 선수 가치 평가

  • 종속변수: 선수 공헌도(+/-)
  • 유의미한 독립변수 선별하여 선수별 성과 평가
  • 최근 경기 가중치 적용: 최신 경기일수록 더 높은 영향을 주도록 지수 평활법(Exponential Smoothing)을 사용하여 가중치 적용
  • 접전 경기 가중치 적용: 경기 종료 시 점수 차가 적을수록 중요도가 높다고 판단하여, 점수 차이를 반비례 관계로 변환하여 가중치 산출

• Transformer 모델을 활용한 부상 예측

  • 선수 경기 성과 및 부상 이력 데이터를 기반으로 Transformer 인코더 구조 적용
  • 검증 데이터 정확도: 81.4% / 테스트 데이터 정확도: 78.5%
  • 부상 확률을 선수 평가(overall) 점수에 반영하여 최종 점수 조정 (부상 확률이 높은 선수의 overall 점수를 log 스케일을 적용하여 감소) (부상 확률이 높은 선수의 overall 점수를 log 스케일을 적용하여 감소)

6. 최종 로스터 구성 및 샐러리캡 고려

• 최적의 조합을 찾기 위해 선수 급여 데이터를 반영한 최적화 수행
• 샐러리캡($134,000,000) 내에서 가장 높은 overall을 기록하는 조합 선택
• 최종 로스터 구성 결과
  • 평균 연봉: $114,734,600 (샐러리캡 준수)
  • 선수 평균 성과 향상 확인
  • 주요 선수 계약 연장 및 트레이드 정보 반영

결과 및 결론

• 본 연구를 통해 샐러리캡을 초과하지 않으면서도 최적의 선수 조합을 구성할 수 있음을 검증
• 군집 분석을 활용한 포지션 초월적 팀 구성 가능성 확인
• 딥러닝 및 최적화 알고리즘을 활용한 새로운 분석 프레임워크 제시
• 부상 리스크까지 반영한 팀 구성 전략이 실제 경기 성과에 긍정적인 영향을 줄 수 있음을 입증

향후 연구 방향

• 팀 전술적 요소 추가 반영 (예: 특정 코치 스타일, 경기 템포 분석)
• 실제 NBA 시즌과 비교하여 예측 정확도 검증
• 강화학습 기반 팀 최적화 적용 가능성 탐색