안녕하세요 여러분. 저는 JMP의 걸프 코스트 시스템 엔지니어인 라이언 쿠퍼입니다. 오늘 함께해 주신 동료 로라 히긴스도 함께합니다.
안녕하세요, 저는 로라 히긴스입니다. 저는 글로벌 기술 지원팀에서 시스템 엔지니어로 일하고 있습니다.
저희가 진행했던 프로젝트는 메이저리그 야구의 어뢰 배트에 관한 것이었습니다. 이 배트는 독특한 디자인과 그로 인한 공격적인 효과로 주목을 받고 있습니다. 이 아이디어가 어떻게 탄생했는지에 대한 작은 이야기가 있습니다. 로라와 저는 시즌 초반인 4월 초에 휴스턴에서 열린 야구 경기를 관람했습니다. 그곳에서 열리는 디스커버리 세미나에 참석하기 위해 휴스턴에 있었죠.
시즌 초반 며칠이었는데, 제가 사는 텍사스 주에 있는 휴스턴 애스트로스와 로라의 고향인 샌프란시스코 자이언츠가 경기를 하고 있었어요. 그 경기를 보러 갔는데, 어뢰 배트 열풍과 뉴욕 양키스가 연이어 홈런을 치고 있다는 이야기를 들었어요. 그리고 그 홈런들을 만들어내는 마법의 배트가 있다는 것도 알게 됐죠. 그 얘기를 나누면서 경기를 보면서 "이거 프로젝트 하나 해볼까"라고 생각했어요.
바로 그 시작이었습니다. 시즌 초반에 모두가 이런 방식을 사용하기 시작했을 때 몇 가지 데이터 포인트를 제외하고는 사실상 아무런 데이터 포인트도 없었기 때문에, 결과를 발표하게 되어 기쁩니다. 이제는 이를 통해 얻을 수 있는 많은 데이터 포인트와 정말 멋진 인사이트가 있습니다. 여러분 모두에게 이 결과를 선보이게 되어 기쁩니다.
어뢰 배트 자체에 대한 배경 지식을 간략히 설명하겠습니다. 어뢰 배트가 측정 가능한 성능 향상을 보이는지 살펴보겠습니다. 탐색적 데이터 분석, 데이터 마이닝, 그리고 메이저 리그 야구(MLB)가 보유한 다양한 통계 자료를 보관하는 공공 저장소인 스탯캐스트(Statcast)를 활용한 모델링에 집중할 예정입니다.
이 배트가 어떻게 생겼는지 자세히 살펴보죠. 아주 왼쪽에 보이실 겁니다... 여기 포인터를 켜겠습니다. 여기 왼쪽 배트를 보시면 오른쪽 배트와 조금 다르게 생겼습니다. 오른쪽 배트는 전통적인 배트입니다. 옆면을 보시면 배트의 가장자리가 조금 더 곧게 뻗어 있는 반면, 여기 어뢰형 배트는 안쪽으로 휘어져 있습니다. 여기서 일어나는 일은 공을 칠 수 있는 스위트 스팟에 더 많은 무게가 집중되어 있는 반면, 이 배트는 고르게 분산되어 있다는 것입니다. 이것은 이 그림으로 변환되는데, 파란색에는 어뢰형 배트가 있고 스위트 스팟이 더 집중되어 있는 반면, 전통적인 배트는 그 지점이 어디에 있는지에 대한 분포가 더 넓지만 임팩트가 덜할 수 있습니다.
이 사진의 이 부분에서 이 부분으로 넘어가면, 전통적인 배트와 토피도 배트에서 동일한 오버레이와 동일한 색상이 나타나는 것을 볼 수 있습니다. 가장 좋은 지점은 바로 여기입니다. 지금 일어나는 일은 이 배트에서 나오는 공의 예상 발사 속도, 즉 출구 속도 분포입니다. 배트가 약간 더 넓은 이 부분에서는 출구 속도와 발사 속도가 약 5~7% 더 높고 배트에서 나오는 최대 속도가 더 높을 것으로 예상됩니다. 반면 전통적인 배트로 공을 치면 약 2~3% 증가합니다. 이 배트는 실제로, 또는 공을 조금 더 많이 치는 사람의 성과에 큰 영향을 미칠 것입니다.
여기에 몇 가지 작은 그래픽이 있습니다. 꼭 시청해 보시길 추천하는 비디오가 있는데, 사람이 이 배트와 그래픽을 그리고 배트에 무슨 일이 일어나는지 설명하는 영상입니다. 여기, 이 그래픽은 언급할 가치가 있는데, 도끼를 휘두르는 것과 같습니다. 예를 들어 이 전통적인 배트와 같은 것의 경우 무게가 도끼의 아주 끝에 분산됩니다. 반면에 그 무게를 돌려서 자신에게 더 가까운 아주 끝에 놓으면 휘두르기가 훨씬 더 쉽습니다. 무게가 약간 이동하고, 휘두르기가 더 쉬워집니다. 여기서 일부 메커니즘이 잠재적으로 변경되었으며, 이것이 작동하는 방식과 관련하여 데이터가 어떻게 보이는지 살펴보겠습니다.
이 데이터 탐색의 일부 방법과 목표를 살펴보겠습니다. 이 데이터는 Python 패키지인 PyBaseball을 통해 접근했고, 코드는 대부분 ChatGPT로 작성되었습니다. 실제로 ChatGPT 대화 링크는 여기에 있습니다. 이 대화가 어떻게 작성되었는지, 그리고 Python에서 어떻게 활용되었는지 살펴보는 것도 좋습니다.
JMP 18과 JMP 19 이후 버전의 가장 큰 장점은 Python이 통합되어 있다는 것입니다. Python 코드를 직접 생성하고, 직접 작성하고, 원하는 작업을 수행한 후 JMP에 입력하면 이와 같은 패키지에서 가져올 수 있습니다.
이 야구 패키지는 각 투구에 대해 약 119개의 서로 다른 변수를 가지고 있습니다. 즉, 행이 하나 있습니다. 여기서 데이터 세트가 어떻게 생겼는지 살펴보겠습니다. 각 행은 실제로 트랜잭션과 투구입니다. 각 투구에 대해 측정된 119개의 서로 다른 항목, 즉 데이터 포인트가 있습니다. 이 데이터를 가져와서 사용자가 토피도 배트를 사용하는지 여부에 따라 세분화합니다. 이 부분도 ChatGPT에서 찾았습니다. 이 부분을 찾는 좋은 방법은 없습니다. 문서화가 잘 되어 있지 않아서 ChatGPT에서 분석했습니다.
우리가 살펴보는 것은 발사 속도, 스퀘어업과 블래스트, 그리고 스윙 메커니즘과 같은 핵심 지표입니다. 스퀘어업과 블래스트는 타구 속도와 관련된 지표입니다. 여기서는 위의 두 그림을 살펴보겠습니다. 이 그림들은 용어집에 있는 MLB Statcast 웹사이트에서 가져온 것이며, 참고 자료에도 링크되어 있습니다.
하지만 스퀘어업은 공을 칠 때 가능한 최대 속도의 몇 퍼센트를 의미하는 것이고, 블라스트는 실제로 향상된 스퀘어업입니다. 블라스트는 실제로 최고의 스윙이며, 누군가가 토피도 배트를 성공적으로 사용함에 따라 그 스윙이 더욱 향상될 것으로 예상됩니다.
우리가 사용한 도구 중 일부는 Graph Builder였습니다. 여기 몇 가지를 보실 수 있습니다. 분포, 수식 열, JMP 19에 새로 추가된 데이터 테이블 태그, 그리고 Bootstrap Forest, Boosted Trees, Workflow Builder와 같은 모델링 기법을 사용하여 모든 것을 하나로 통합했습니다. 결론적으로, 우리가 하고자 하는 것은 선택된 플레이어 내에서 어뢰 배트 도입 후 성능 변화를 살펴보고 모델링을 통해 전체적으로 살펴보는 것입니다.
설정으로 돌아가서 작동 방식을 살펴보겠습니다. JMP의 Python 스크립트를 언급했는데, 이 스크립트는 해당 Python 스크립트의 일부이며 Statcast 데이터에 접근하는 방식입니다. Statcast 데이터 자체도 있습니다. 이는 스퀘어업과 블라스트 데이터를 수동으로 추출한 것인데, 이는 PyBaseball 패키지의 데이터에 실제로 포함되어 있지 않기 때문입니다.
해당 정보는 결합되어야 하며, 이를 위해 사용되는 방법 중 하나는 스퀘어업 데이터와 블라스트 데이터 조각을 별도의 파일로 저장한 다음, 다중 파일 가져오기와 JMP를 사용하여 한꺼번에 가져오는 것입니다. 저는 스퀘어업 데이터와 블라스트 파일로 가득 찬 폴더를 가지고 있었습니다. 이 파일들을 한꺼번에 가져와서 연결한 다음, 다시 기본 데이터 테이블 스크립트에 병합하여 각 거래에 대한 블라스트와 스퀘어업 데이터를 생성하고 각 피치에 표시했습니다.
여기에서 알려진 모든 어뢰 배트 사용자와 사용 시작 시점의 조회 테이블을 사용합니다. 여기에는 게임 날짜가 첫 사용 이후이면 어뢰 배트 사용자이고, 그렇지 않으면 0인 것으로 간주하는 수식이 있습니다. 그리고 모든 데이터를 결합하는 워크플로가 있습니다. 즉, Statcast 데이터를 Python 스크립트에서 저장된 CSV 파일에서 가져온 다음 여러 파일을 가져오는 것입니다.
해당 정보를 확보하면 탐색적 데이터 분석을 시작할 수 있습니다. 먼저, 어느 정도 영향력이 있다고 판단되는 선수 몇 명을 선정했습니다. 앤서니 볼페는 처음부터 좋은 성과를 거두었다고 언급되었습니다. 여기서는 발사 속도 분포를 살펴보았습니다. 자, 이제 이 부분을 살펴보겠습니다.
이건 그래프 빌더의 섀도우그램입니다. x축은 발사 속도입니다. 레이저 포인터를 여기에 배치해 보겠습니다. x축은 발사 속도이고, 색상은 게임 연도를 나타냅니다. 2024년의 파란색은 2025년보다 발사 속도가 약간 낮았습니다. 빨간색은 약간 더 높고, 여기에 요약 통계가 있습니다.
이를 바탕으로, 우리는 이것이 모든 사람에게 어떤 모습인지 살펴보고 싶었습니다. 여기 가장 오른쪽에는 2025년 발사 속도 모드와 2024년 모드를 일직선으로 표시한 그래프가 있는데, 이를 통해 누가 이렇게 향상되었는지 확인할 수 있습니다. 우리는 이러한 현상이 모든 사람에게 나타나는 것은 아니라는 것을 발견했습니다. 그래서 Anthony Volpe는 발사 속도와 관련하여 이 어뢰 배트를 변경하여 어느 정도 성공을 거두었습니다. 하지만 녹색으로 표시된 다른 사람들과 어뢰 배트를 사용하고 있는지 확실하지 않지만 사용했을 가능성이 있는 사람들은 주황색으로 표시되어 있습니다. 이를 통해 이것이 사람마다 다른 영향을 미친다는 생각이 들게 되었고, 이는 곧 Laura가 보여줄 모델링 결과에서도 드러날 것입니다.
우리가 꽤 자세히 살펴본 또 다른 선수는 콜슨 몽고메리였습니다. 그의 특별한 점은 2025년 7월 초 메이저리그에 데뷔했다는 것입니다. 그는 약 3주 동안 어뢰형 배트를 사용하지 않았는데, 갑자기 어뢰형 배트를 사용하기 시작하면서 홈런이 더 많이 치기 시작했습니다. 여기 원 안에 홈런이 있고, 더 많은 타구를 기록했습니다. 빨간색으로 표시된 부분은 모두 홈런입니다. y축은 발사 속도를 나타냅니다. 그리고 발사 속도의 이동 평균을 구했습니다.
7월 31일쯤, 아마 8월 1일이었던 것 같은데, 그의 어뢰형 배트가 실제로 고장 났고, 약 일주일 반 동안 다른 배트를 사용할 수 없었습니다. 새로운 배트가 만들어지기 전까지 말이죠. 타구 속도가 눈에 띄게 떨어졌고, 발사 속도나 홈런 점수도 예전만큼 높지 않습니다. 배트를 되찾자마자 바로 훨씬 더 빠른 발사 속도의 홈런이 몇 개 나왔습니다. 콜슨 몽고메리에게는 분명 좋은 영향입니다. 탐색적 데이터 분석 결과와 몇 가지 방법론 및 목표에 대한 내용은 여기까지입니다. 이제 데이터 마이닝 및 모델링은 로라에게 넘기겠습니다.
고맙습니다, 라이언. 제가 결국 집중하게 된 질문은 어뢰 방망이가 타격 특성에 어떤 영향을 미치는가였습니다. 이 모든 데이터가 있었기에 데이터 마이닝 및 모델링 방식을 사용했습니다. 다음 슬라이드입니다. 자, 이제 시작입니다. 이 데이터의 첫 번째 문제는 어뢰 방망이 사용자 수가 너무 적다는 것입니다. 데이터 세트의 균형이 매우 불균형적일 때, 찾고자 하는 정보가 데이터에서 아주 작은 부분을 차지한다면 아무런 신호도 찾기 어려울 것입니다.
그래서 어뢰 배트 사용자와 비어뢰 배트 사용자 모두에 대해 동일한 양의 데이터를 포함하는 데이터 세트를 만들어야 했습니다. 전체 데이터 풀을 사용하여 무작위로 몇 가지를 추출하는 대신, 어떻게 하는 것이 공정할지 결정했고, 정말 비슷하게 보이는 데이터 세트를 만들고 싶었습니다. 그래서 어뢰 배트 사용자의 발사 속도를 기준으로 계층화했습니다. 비어뢰 배트 사용자로부터 비교적 대표적인 표본을 추출하는 것이 상당히 대표적이라고 생각했습니다. 그래서 계층화 작업을 했습니다. 다음 슬라이드입니다.
데이터가 매우 비선형적이었습니다. 다른 모델링 기법을 몇 가지 시도해 봤는데 트리 방법이 가장 효과적이었습니다. 선형적이지 않은 데이터에서는 확실히 그렇습니다. 선형 모델은 이상하게 작동합니다. Bootstrap Forest가 가장 좋고 명확한 답을 주었습니다. 부스팅도 시도해 봤는데, 둘 다 질적으로 비슷한 답을 얻었지만, 실제로 결과를 개선하지는 못했습니다.
33% 검증 열을 사용했는데, 각 배트에 어뢰 배트를 사용했는지 여부를 고려했을 때, 전체적으로 모델이 데이터의 약 9%에서 15% 정도를 설명하는 것을 볼 수 있습니다. 사용하려는 항목에 따라 다릅니다. 오분류율은 괜찮았습니다. 어느 정도 예측은 가능하지만 완벽하지는 않습니다. 하지만 분명히 의미 있는 신호가 있습니다.
결과는 Bootstrap Forest를 사용한 것입니다. 여기 그래프를 보시면 열 기여도를 알 수 있습니다. 배트 스피드가 가장 중요한 요소입니다. 다른 열들도 대부분 비슷한 영향을 미쳤는데, 다음 슬라이드에서 이에 대해 좀 더 자세히 설명하겠습니다.
프로파일러를 사용하면 여기서 어뢰 배트 1은 어뢰 배트를 가지고 있다는 것을 의미하고 0은 어뢰 배트를 사용하지 않는다는 것을 의미합니다. 우리가 보는 것은 더 긴 스윙 길이입니다. 스윙 길이는 배트가 움직이는 전체 범위이며, 어뢰 배트는 더 빨리 스윙할 수 있다는 것을 기억하십시오. 또한 그것을 볼 수 있습니다. 더 높은 배트 속도와 전반적으로 더 높은 발사 속도를 볼 수 있으며 발사 속도는 공이 실제로 얼마나 멀리 갈 것인지입니다. 야구 경기를 볼 때 그래프를 볼 때 표시되는 것은 출구 속도이며 특히 홈런을 만들려고 할 때 공이 얼마나 멀리 갈 것인지에 대한 좋은 지표입니다. 그 메모에서 공이 실제로 어디로 갔는지에 대한 지표 중 하나를 보았습니다. 필딩 위치의 경우 공은 필드로 더 멀리 이동했습니다. 왼쪽인지 오른쪽인지는 실제로 모델에 입력되지 않았습니다.
모델에는 다른 사항도 있었고, 기본적으로 모두 같은 것을 가리킵니다. 즉, 어뢰 배트를 사용하는 사람은 공을 치는 위치에서 더 일관성이 있고, 이는 타당합니다. 배트의 스위트 스팟이 작을수록 스윙 메커니즘이 작동하는 방식 측면에서 더 규율 있는 타자가 되어야 합니다. 이것이 성공인지는 확인하지 않았습니다. 다음 논문에서 살펴보겠습니다. 하지만 결과는 어뢰 배트가 타자에 따라 스윙 메커니즘을 좋게든 나쁘게든 바꾼다는 것이 분명합니다. 하지만 확실히 바꿉니다. 그럼 다음 슬라이드로 넘어가겠습니다. 포스터에는 애니메이션 GIF가 있습니다. 모든 변수의 프로필을 보거나 범위를 이동하려면 PowerPoint에서 확인할 수 있습니다. Ryan, 다시 당신에게 돌아갑니다.
모델링과 탐색적 데이터 분석을 통해 도출한 결론 중 일부는… 이 그림을 다시 보면서 그 결론들을 좀 더 자세히 살펴보겠습니다. 어뢰 배트는 일반적으로 선수의 성공 여부와 관계없이 스윙 메커니즘을 바꿉니다. 여기서 일어나는 일과도 일맥상통합니다. 배트를 휘두르는 사람마다 느끼는 감정이 다를 것입니다. 중요한 것은 배트를 성공적으로 휘두르는지, 그리고 결과가 좋은지 여부입니다. 따라서 발사 속도, 스퀘어업, 그리고 블라스트는 탐색적 데이터 분석에서 볼 수 있듯이 향상된 컨택트 품질을 보여주는 유용한 지표입니다.
그러면 어뢰형 배트가 일부 타자에게는 경기력을 향상시킬 수 있지만, 모든 타자에게 그런 것은 아닙니다. 따라서 개인의 스윙 메커니즘과 적응력이 중요한 역할을 합니다. 스윙에서 어떤 일이 일어나고 있는지, 그리고 어떻게 변화하는지를 제어할 수 있어야만 스퀘어업이나 폭발적인 타구, 또는 타구 속도 증가라는 성공을 거둘 수 있습니다.
선수들의 발사 속도와 블라스트, 그리고 스퀘어업을 통해 귀중한 통찰력을 얻었습니다. 하지만 실제로 데이터 마이닝과 모델링을 통해 어뢰 배트가 스윙 메커니즘 자체에 어떤 영향을 미치는지 밝혀냈습니다. 이 과정에서 배트 사용 보고에 의해 모델링이 제한되었습니다. 각 선수의 어뢰 배트 사용 여부와 사용 시기만 나열된 유용한 데이터는 많지 않았습니다. 하지만 우리가 발견한 결과는 매우 중요했고, 결론을 도출할 수 있는 결과를 제공했습니다.
그리고 오른쪽 하단에는 타자 위치와 인터셉트 지점, 그리고 스윙 길이가 나와 있습니다. 이것들은 로라가 설명했던 역학적인 부분과 관련된 용어집에 있는 몇 가지 정의일 뿐입니다. 그렇다면 스윙 길이는 얼마나 될까요? 그리고 인터셉트 지점은 스윙 후반부에 공을 잡는 지점이지만, 훨씬 더 빠릅니다. 즉, 더 빨리 공을 잡고, 더 앞쪽으로 나아갈 수 있습니다. 이 점이 모델링에서 실제로 드러났습니다.
이것으로 프레젠테이션을 마칩니다. 오른쪽 하단에는 더 자세히 알아보고 싶으시다면 꼭 참고하실 만한 몇 가지 참고 자료가 있습니다. Statcast, 검색, 그리고 용어집에 대해 언급했습니다. 해설 기사도 참고하실 수 있습니다.
영어: 제가 그것을 발견했을 때 정말 관심을 끌었던 것은 모든 사람들 중에서도 Savannah Bananas의 이 비디오였습니다.30분짜리 비디오이지만, 그들은 그들만의 방식으로 어뢰 배트를 테스트하고 있습니다.샘플 크기와 디자인이 가장 유익하지는 않을 수 있지만, 그들이 어떻게 안쪽 투구를 더 잘 칠 수 있을지에 대한 이야기와 실제로 배트를 사용하는 도메인 전문가로부터 얻을 수 있는 다른 통찰력, 그리고 그들이 야구 선수로서 볼 수 있는 통찰력에 대해 이야기하는 것을 듣는 것은 정말 정말 좋습니다.그리고 왼쪽의 두 번째 그래프가 있는 Colson Montgomery에 대한 몇 가지 기사가 이것을 계획하는 아이디어로 이어졌습니다.글쎄요, 우리 프레젠테이션을 시청해 주셔서 감사합니다.그리고 좋은 하루 보내세요.
