The FIFA World Cup 2026 Master Dataset: A Normalized 3NF Relational Benchmark of the Expanded 48-Team International Football Tournament

축구는 오랫동안 열정과 본능의 게임이었으나, 지난 수십 년 동안 조용한 혁명이 이 스포츠를 과학으로 변화시켜 왔습니다. 분석가와 코치들은 이제 단순한 점수를 넘어 모든 패스, 슈팅, 교체 상황을 추적하며 경기장에서 일어나는 일을 이해하기 위해 방대한 양의 구조화된 정보에 의존합니다. 스포츠 분석학(sports analytics)이라고 알려진 이 분야는 경기의 혼돈 속에서 패턴을 찾아내어, 데이터를 통해 왜 특정 팀이 승리하거나 패배했는지, 선수가 어떻게 수행했는지, 그리고 다음에 어떤 일이 일어날지를 설명하고자 합니다. 상업적 기업들이 종종 유료 결제 장벽 뒤에 가장 상세한 기록을 보유하고 있지만, 과학계는 새로운 아이디어를 테스트하고 경기에 대한 이해를 높이기 위해 공개적이고 신뢰할 수 있는 데이터셋을 오랫동안 필요로 해왔습니다. 문제는 가용 가능한 공공 데이터가 종종 지저지고, 서로 연결되지 않거나, 경기장의 정확한 위치나 선수의 정밀한 시장 가치와 같이 심층 연구에 필요한 구체적인 세부 정보를 누락하고 있다는 점이었습니다.

2026년 여름, 방글라데시 샤잘랄 과학기술대학교의 연구자 MD 모미눌 이슬람(MD Mominul Islam)은 FIFA 월드컵의 포괄적인 디지털 기록을 생성함으로써 이러한 격차를 해결했습니다. 이 토너먼트는 32개국에서 48개국으로 규모가 확장되었으며, 캐나다, 멕시코, 미국 전역의 16개 경기장에서 104개의 경기가 치러진 역사적인 사건이었습니다. 결승전에서는 스페인이 아르헨티나를 1-0으로 꺾었지만, 데이터 과학 측면에서 이 이벤트의 진정한 의미는 그것이 생성한 활동의 엄청난 양에 있습니다. 연구자는 39일간의 토너먼트 기간 동안 정보를 수집하여 모든 경기, 48개의 진출 팀, 그리고 1,248명의 등록 선수에 대한 세부 정보를 정리했습니다. 그 결과는 선수 생체 데이터, 경기장 지리, 경기 이벤트를 하나의 일관된 시스템으로 연결하는 거대하고 조직화된 사실들의 집합체입니다.

이 작업의 핵심 성과는 "정규화된(normalized)" 데이터베이스를 구축했다는 것인데, 이는 모든 데이터 조각이 고유한 위치를 갖고 다른 모든 것과 논리적으로 연결되도록 정보를 구성하는 특정한 방식입니다. 정보가 중복되거나 모순될 수 있는 흩어진 스프레드시트 대신, 연구자는 퍼즐처럼 맞물리는 12개의 별도 테이블을 구축했습니다. 한 테이블은 16개 경기장의 수용 인원과, 선수들의 호흡과 수행 능력에 영향을 미칠 수 있는 중요한 요소인 해수면 기준 고도를 포함한 상세 정보를 담고 있습니다. 또 다른 테이블은 1,248명의 선수를 추적하며 키, 생년월일, 국제 경기 경험, 그리고 유로화 기준 추정 시장 가치를 기록합니다. 세 번째 테이블 세트는 104번의 경기 자체를 포착하여, 특정 심판, 참여 팀, 최종 점수와 연결합니다. 이러한 구조를 통해 연구자는 멕시코시티 경기장의 고도가 해안 국가 팀의 성과에 어떤 영향을 미쳤는지와 같은 복잡한 질문을, 수십 개의 서로 다른 파일을 수동으로 대조할 필요 없이 던질 수 있습니다.

이 데이터셋이 특히 가치 있는 이유는 무료 공공 데이터에서 흔히 누락되는 지표들을 포함하고 있기 때문입니다. 이 컬렉션에는 슛이 이루어진 위치와 각도를 기반으로 득점 가능성을 추정하는 통계적 척도인 '기대 득점(expected goals)'이 포함되어 있습니다. 또한 누가 경기 중이었는지, 언제 교체되었는지, 얼마나 오래 경기장에 머물렀는지에 대한 분 단위 기록을 제공합니다. 모든 경기에 대해, 이 데이터셋은 팀이 공을 얼마나 점유했는지와 몇 번의 슛을 시도했는지와 같은 팀 전술 요약을 제공합니다. 나아가 연구자는 컴퓨터가 데이터로부터 학습하는 것을 돕기 위해 설계된 사전 계산된 특징(pre-calculated features)들을 포함하여, 다른 이들이 경기 결과를 예측하는 모델을 더 쉽게 구축할 수 있도록 했습니다. 데이터는 조별 리그 첫 경기부터 결승전까지 토너먼트 전체를 다루며 경쟁의 전체 궤적을 포착합니다.

정보의 신뢰성을 보장하기 위해, 연구자는 단순히 인터넷에서 숫자를 복사하여 붙여넣지 않았습니다. 그들은 FIFA 및 기타 권위 있는 출처의 공식 보고서와 데이터를 대조하는 자동화된 시스템을 구축했습니다. 이 과정에는 숫자가 타당한지 검증하기 위한 9가지의 서로 다른 테스트를 실행하는 것과 30경기에 대한 수동 점검이 포함되었습니다. 예를 들어, 시스템은 전체 팀 및 선수 수가 공식 집계와 일치하는지, 경기 상태(status)에 대응하는 점수가 없는 경기가 있는지, 그리고 상세 이벤트 로그의 선수별 득점 합계가 선수 통계의 총 득점과 일치하는지 등을 확인했습니다. 이러한 엄격한 검증 과정을 통해 데이터가 매우 높은 수준으로 정확함을 확인했으며, 실증적 정확도는 99.87%에 달했습니다.

이 작업에서 제시된 결과물은 단순한 점수 목록이 아니라 미래의 발견을 위한 검증된 토대입니다. 데이터는 팀이 생성하는 기대 득점과 실제 득점 사이에 강력한 상관관계가 있음을 보여주며, 성능을 예측하는 데 사용되는 통계 모델이 현실과 밀접하게 일치함을 입증합니다. 또한, 상위 15개 진출국의 스쿼드 총 시장 가치를 보여줌으로써 국가 간의 경제적 격차를 강조합니다. 비록 라이선스 제한으로 인해 모든 선수의 움직임을 초고속으로 초 단위까지 추적하는 데이터는 포함하지 못했지만, 이 데이터셋은 오픈 액세스 리소스로서 보기 드문 수준의 상세함을 제공합니다. 이는 토너먼트의 물리적 조건, 코치들의 전술적 결정, 그리고 모든 선수의 개인적 기여를 분석 가능한 형식으로 포착합니다.

이 데이터셋은 표준 데이터베이스 소프트웨어와 머신러닝 도구에서 사용할 수 있는 형식으로 제공되며, 스포츠 과학에 관심 있는 누구에게나 열려 있습니다. 이는 토너먼트 확장이 경기에 어떤 영향을 미치는지, 서로 다른 환경이 선수 성과에 어떻게 작용하는지, 또는 축구의 미래를 예측하는 더 나은 모델을 어떻게 구축할지를 연구하고자 하는 연구자들에게 벤치마크 역할을 합니다. 이 정보를 공개적이고 신뢰할 수 있게 만듦으로써, 이 작업은 과학자들이 데이터 정제(data cleaning)가 아닌 발견에 집중할 수 있도록 큰 장벽을 제거합니다. 결과적으로, 이는 세계에서 가장 인기 있는 스포츠 이벤트 중 하나에 대한 명확하고 구체적인 기록이며, 2026년 월드컵의 이야기를 단순한 하이라이트나 헤드라인이 아닌, 게임의 정밀하고 상호 연결된 사실들을 통해 전달할 수 있도록 보존되었습니다.