Faster Results from a Smarter Schedule: Reframing Collegiate Cross Country through Analysis of the National Running Club Database

당신이 승리하는 스포츠 팀을 만들려는 코치라고 상상해 보십시오. 당신에게는 데이터 더미가 있습니다: 누가 빨리 달렸는지, 누가 느리게 달렸는지, 그리고 언제 달렸는지에 대한 정보입니다. 하지만 여기에는 함정이 있습니다. 달리기란 단순히 물리적인 속도만을 의미하지 않습니다. 상쾌하고 선선한 가을 아침에 달리는 것은 습하고 더운 오후에 같은 거리를 달리는 것과는 느낌이 다릅니다. 지형도 중요합니다. 언덕이 많은 코스는 평탄한 코스보다 더 힘듭니다. 과거의 코치들은 시즌 일정을 짜기 위해 추측에 의존해야 했습니다. 그들은 "작년에 다섯 번의 경기를 했으니 올해도 그래야 한다"와 같은 직관이나 전통에 의존했습니다. 그들에게는 경기를 더 많이 치르는 것이 실제로 선수들을 더 빠르게 만드는지, 아니면 날씨가 그들을 속여서 마치 실력이 향상된 것처럼 착각하게 만드는 것인지를 알려줄 거대하고 공유된 데이터 라이브러리가 없었습니다.

이 논문은 **데이터 기반 성과 분석(data-driven performance analysis)**이라는 스포츠 과학의 특정 분야를 깊이 파고듭니다. 이 논문은 단순하지만 까다로운 질문을 던집니다: "우리는 러너의 과거 결과들을 보고 이번 시즌에 그들이 더 빨라질 것인지 예측할 수 있는가?" 이를 위해 연구진은 '공정성' 문제를 해결해야 했습니다. 그들은 특수한 수학적 기법을 사용하여 레이스 시간을 "표준화"함으로써, 열기, 습도, 언덕의 영향을 제거했습니다. 이를 통해 비 오는 날의 기록을 맑고 화창한 날의 기록과 공정하게 비교할 수 있게 되었습니다. 또한 **팀 일정 편성(team scheduling)**에 대해서도 살펴보았습니다: 더 많은 선수가 더 자주 경기에 참여하는 것이 팀의 우승에 도움이 될까요? 이 질문들에 대한 답은 중요합니다. 왜냐하면 이것이 코치들이 시즌을 계획하는 방식을 바꾸어, 추측에서 벗어나 더 많은 학생이 건강을 유지하고 기술을 향상할 수 있도록 돕는 근거 기반의 의사결정으로 나아가게 할 수 있기 때문입니다.

---

위대한 레이스 일정의 미스터리

당신이 크로스컨트리 팀의 코치라고 상상해 보십시오. 당신에게는 큰 질문이 하나 있습니다: "이번 시즌에 우리 러너들이 최상의 결과를 얻으려면 얼마나 많은 경기를 치러야 하는가?" 오랫동안 코치들은 직관, 전통, 혹은 짐작으로 이 질문에 답해 왔습니다. 하지만 한 연구팀은 탐정 모자를 쓰고 거대한 새로운 데이터베이스인 **국립 러닝 클럽 데이터베이스(National Running Club Database, NRCD)**를 사용하여, 숫자들이 다른 이야기를 하고 있는지 확인하기로 했습니다. 그들은 2023년부터 2025년 사이의 7,083명의 선수로부터 나온 23,000개 이상의 레이스 결과를 분석하여, 코치들이 더 스마트한 일정을 짤 수 있도록 돕는 패턴을 찾아냈습니다.

"마법 같은" 수학적 기법: 시간 표준화

먼저, 연구진은 '사과와 오렌지를 비교하는 문제'를 해결해야 했습니다. 만약 어떤 러너가 더운 날에 경기를 치르고 나서 추운 날에 같은 거리를 달린다면, 그 러너는 추운 날에 더 빠르게 달릴 가능성이 높습니다. 이를 수정하지 않으면, 러너의 체력이 좋아진 것이 아니라 단지 날씨가 도움을 준 것뿐인데도 마치 실력이 향상된 것처럼 보이게 됩니다.

연구팀은 "표준화된(Standardized)" 시간 공식을 사용했습니다. 이것은 마치 난이도를 자동으로 조절하는 비디오 게임과 같습니다. 만약 당신이 덥고 언덕이 많은 코스에서 경기를 한다면, 수학적 계산이 당신의 기록을 "레벨 업" 시켜서 평탄하고 시원한 코스에서 달리는 사람과 공정하게 비교할 수 있도록 만들어 줍니다. 연구진은 만약 코치들이 단순히 가공되지 않은 기록(그들이 "변환된 기록만(Converted Only)"이라고 부르는 것)만 본다면, 계절이 지나면서 날씨가 점점 선선해졌기 때문에 러너들이 실제보다 15초에서 21초 정도 더 발전했다고 착각할 수 있다는 것을 발견했습니다. "표준화된" 기록이야말로 진짜 실력을 보여주는 진정한 기록입니다.

큰 놀라움: 미래를 예측할 수는 없다 (아직은)

연구진은 첫 번째 큰 질문에 답하기 위해 강력한 컴퓨터 모델(머신러닝)을 사용했습니다: "우리는 러너의 첫 몇 번의 경기를 보고 그들이 시즌 종료 시점에 얼마나 발전할지 예측할 수 있는가?"

그들은 개인의 발전을 예측하는 모델을 구축했지만, "수정구슬"을 믿는 사람들에게는 다소 실망스러운 결과가 나왔습니다. 모델들은 누가 더 빨라질지를 예측하는 데 실패했습니다. 정확도 점수(R²라고 불리는 것)는 거의 제로였습니다.

• 남성 선수의 경우, 가장 좋은 모델의 R²는 0.043이었습니다.
• 여성 선수의 경우, -0.029였는데, 이는 단순히 평균값으로 찍는 것보다도 못한 결과입니다.

이것은 무엇을 의미할까요? 이는 러너의 초기 경기 기록을 보는 것이 그들의 미래 발전을 예측하는 데 도움이 되지 않는다는 것을 의미합니다. 모델의 결과가 좋지 않은 이유는 컴퓨터가 나빠서가 아니라, 데이터의 "신호(signal)" 자체가 너무 노이즈가 많기 때문입니다. 이것은 마치 식물의 키를 보고 오늘 키가 얼마나 자랄지를 예측하려는 것과 같습니다. 물을 얼마나 주었는지, 혹은 벌레가 잎을 갉아먹었는지와 같은 숨겨진 요인들이 너무 많아서 데이터가 이를 다 담아내지 못하기 때문입니다. 연구진은 완벽한 데이터가 있더라도 기대할 수 있는 최선의 정확도는 약 0.23에서 0.28 정도인데, 모델은 이 수치에도 도달하지 못했습니다. 따라서 첫 번째 경기를 보고 "스타 유망주"를 뽑으려는 코치라면, 데이터는 이렇게 말하고 있습니다: 그 것에 돈을 걸지 마십시오.

팀 전략: 강력한 연결 고리, 하지만 마법의 주문은 아니다

연구진은 개인의 발전을 예측할 수는 없었지만, 팀 차원에서는 매우 명확한 패턴을 발견했습니다. 여기서 이야기는 흥eric해집니다.

그들은 다음과 같이 물었습니다: "더 자주 경기에 참여하는 팀이 전국 챔피언십에서 더 높은 순위를 차지하는가?"
데이터는 강력한 **연관성(association)**을 보여주었습니다: 선수들이 4회 이상 경기에 참여한 팀은 전국 대회에서 상위 15위 안에 들 확률이 훨씬 높았습니다.

• 데이터는 "용량-반응(dose-response)" 관계를 보여주었습니다: 팀원들이 더 많은 경기를 치를수록 팀의 성적은 더 좋아졌습니다.

하지만 반전이 있습니다. 이것은 단 한 명의 슈퍼 에이스(일명 "워크호스")가 모든 경기를 다 뛰는 것에 관한 문제가 아니었습니다. 이 패턴은 **두터운 층(depth)**에 관한 것이었습니다.

• 상위 7명의 득점자뿐만 아니라 많은 선수가 경기 경험을 쌓는 팀이 더 좋은 성적을 냈습니다.
• 연구진은 **유효 레이스 기회(Effective Racing Opportunity, ERO)**라는 개념을 도입했습니다. 이것은 "팀 에너지 점수"라고 생각하면 됩니다. 이는 단순히 팀이 얼마나 많은 경기를 뛰었는지가 아니라, 경기가 전체 로스터에 얼마나 고르게 분산되어 있는지를 측정합니다.
• 높은 ERO(즉, 많은 선수가 경기에 참여함)를 가진 팀은 낮은 ERO를 가진 팀에 비해 상위권에 진입할 확률이 2.7배 더 높았습니다.

그러나 연구진은 이것이 마법의 주문이 아니라 상관관계라는 점을 매우 주의 깊게 강조했습니다. 그들은 팀 일정을 변경한다고 해서 자동으로 우승할 수 있다는 것을 증명할 수는 없었습니다. 자세히 살펴보니, "두터운 층"과 "더 많은 경기 참여"는 종종 더 큰 규모의 클럽을 가지고 있다는 것의 부수적인 효과였습니다. 규모가 큰 프로그램은 자연스럽게 더 많은 선수를 보유하게 되고 더 자주 경기를 치를 여력이 있습니다. 연구진이 팀 규모를 통제 변수로 설정하자, "두터운 층"의 신호는 희미해졌습니다. 즉, 데이터는 더 크고 자원이 풍부한 프로그램이 더 많이 경기를 뛰고 더 높은 순위에 오른다는 것을 보여주지만, 단순히 작은 팀의 일정에 경기를 추가한다고 해서 마법처럼 순위가 올라간다는 것을 증명하는 것은 아닙니다. 연결 고리는 실재하지만, 그것은 프로그램의 전체 규모 및 자원과 결합되어 있습니다.

성별 격차: 더 많이 뛰는 것이 아니라, 참여하는 것이 문제

논문은 또한 남성 팀과 여성 팀의 차이도 살펴보았습니다. 연구진은 큰 불균형을 발견했습니다: 이러한 클럽 프로그램에는 여성 러너보다 남성 러너가 훨씬 더 많습니다.

• 남성은 선수들의 약 **60~63%**를 차지했습니다.
• 하지만 일단 러너가 팀에 합류하고 나면, 남성과 여성은 거의 동일한 빈도로 경기에 참여했습니다.

이것은 매우 중요한 발견입니다. 격차는 여성들이 팀에 들어온 후 경기를 적게 뛰는 것이 아니라, 애초에 경쟁에 참여하는 여성의 수가 적다는 것에 있습니다. 일단 로스터에 이름을 올리면, 여성들도 남성들과 똑같이 자주 경기를 치릅니다.

코치를 위한 시사점

그렇다면 코치는 이 모든 내용에서 무엇을 배워야 할까요?

1. 가공되지 않은 기록을 믿지 마십시오: 9월부터 11월 사이에 러너의 기록이 20초 빨라졌다면, 날씨를 확인하십시오! 그것은 체력의 기적이 아니라 단지 선선해진 가을 공기 덕분일 수도 있습니다. 진짜 성장을 확인하려면 "표준화된" 기록을 사용하십시오.
2. 미래를 예측하려 하지 마십시오: 러너의 첫 번째 경기를 보고 누가 가장 많이 발전할지 알 수는 없습니다. 데이터는 그런 예측을 하기에는 너무 복잡합니다.
3. 팀 전체를 고려하십시오: 데이터는 더 두터운 로스터와 더 많은 경기 기회를 가진 팀이 더 높은 성적을 낸다는 것을 시사합니다. 하지만 이는 대개 클럽의 규모와 연결되어 있습니다. 많은 선수에게 경기 기회를 주는 것은 좋은 목표이지만, 프로그램의 규모와 자원이 뒷받end지 않는다면 단순히 경기를 추가하는 것만으로는 승리를 보장할 수 없다는 점을 이해해야 합니다.
4. 더 많은 여성이 참여하도록 독려하십시오: 일단 팀에 합류하면 경기 빈도가 동일하므로, 성별 격차를 해소하는 방법은 더 많은 여성이 처음부터 달리기 시작하도록 만드는 것입니다.

요약하자면, 이 논문은 개별 러너가 정확히 어떻게 발전할지는 예측할 수 없지만, 팀 전체에 더 많은 경기 기회를 주는 것이 더 나은 결과와 연결된다는 것을 보여줍니다. 이는 추측에서 벗어나, 프로그램의 규모와 자원이 뒷받침되는 선에서 모두에게 달릴 기회를 주는 일정을 구축하는 방향으로 나아가는 과정입니다.