데이콘 KBO 외국인 투수 스카우팅 대회 1등 TNT팀의 수상작입니다. 사용된 코드와 데이터는 DACON에서 확인할 수 있습니다. https://dacon.io/

1. 2019년 KBO
외국인 투수 스카우팅 대회
Statcast 데이터 중심의 구종 개수와
아웃 확률에 기반한 투수 평가
안성진(TNT)

2. 진행 순서
• 접근 방법
• 해결 과정
• 코드 설명

3. • 대회 목적: 2018년까지 KBO에서 활약한 외국인 투수의 데이터를 바
탕으로, 2019년 새로 들어온 외국인 투수 중 2명 스카우트
접근 방법

4. • 대회 목적: 2018년까지 KBO에서 활약한 외국인 투수의 데이터를 바
탕으로, 2019년 새로 들어온 외국인 투수 중 2명 스카우트
• 해결 방법:
접근 방법
KBO에서 좋은
활약을 보인
그룹 선정
(Elite 그룹)
해당 그룹의
MLB에서의
특성 확인
19년도 투수 중
비슷한 특성을
지니고 있는
투수 스카우트

5. 해결 과정 1 – 타겟 그룹 선정
KBO: 62명 MLB: 60명
Statcast: 60명
Target 그룹:
57명 마리몬,
벤덴헐크,
브리검
벨레스터
리즈,
카스티요

6. 해결 과정 2 – 평가 시점 선정
…
해결 방법: KBO에서 좋은 활약을 보인 선수들의 MLB에서의 특성을 확인하고,
해당 특성과 비슷한 특성을 보이고 있는 19년 외국인 투수 스카우트
KBO에서의
첫번째 시즌?
KBO에서의
두번째 시즌?
KBO에서의
n번째 시즌?

7. 해결 과정 2 – 평가 시점 선정
…
해결 방법: KBO에서 좋은 활약을 보인 선수들의 MLB에서의 특성을 확인하고,
해당 특성과 비슷한 특성을 보이고 있는 19년 외국인 투수 스카우트
KBO에서의
첫번째 시즌?
KBO에서의
두번째 시즌?
KBO에서의
n번째 시즌?

8. 해결 과정 3 – “좋은 활약” 정의
해결 방법: KBO에서 좋은 활약을 보인 선수들의 MLB에서의 특성을 확인하고,
해당 특성과 비슷한 특성을 보이고 있는 19년 외국인 투수 스카우트
투수 A 투수 B
ERA: 2.45 ERA: 2.00

9. 해결 과정 3 – “좋은 활약” 정의
해결 방법: KBO에서 좋은 활약을 보인 선수들의 MLB에서의 특성을 확인하고,
해당 특성과 비슷한 특성을 보이고 있는 19년 외국인 투수 스카우트
투수 A 투수 B
ERA: 2.45
TBF: 100
ERA: 2.00
TBF: 20

10. 해결 과정 3 – “좋은 활약” 정의
Elite 그룹

11. 해결 과정 4 – MLB에서의 특성 확인
HR? BB?
ERA? H?

12. 해결 과정 4 – MLB에서의 특성 확인
HR? BB?
ERA? H?
구종의 개수
가설: MLB에서 많은 구종을 구사할 수록, KBO에서의 ERA가 낮을 것이다

13. 해결 과정 5 – 19년 외국인 투수 스카우트
4개
3개
2개
4개
4개
4개
0.723
0.652
0.614
구종 개수 구종 개수 아웃 확률
내림차순
정렬

14. 아웃 확률이란?
X ~ NB(k, p)X ~ B(n, p)
n: 시행 횟수
p: 해당 사건이 발생할 확률
X: n번의 시행 횟수 내에서,
해당 사건이 발생한 한 건수
동전 던지기에서
20번 동전을 던졌을 때 나온 앞면의 수
= X ~ B(20, 0.5) (0 ≤ X ≤ 20)
동전 던지기에서
20번의 앞면이 나오기 위해서 동전을
던진 횟수
= X ~ NB(20, 0.5) (20 ≤ X)
이항분포 음이항분포
k: 성공 횟수
p: 해당 사건이 발생할 확률
X: 해당 사건이 k번 발생하기 까지
시행한 횟수

15. 아웃 확률이란?
X ~ NB(3, p)
X: 3번의 아웃이 성공하기
위해 상대한 타자의 수
x = 3
x = 4
x = 5
x = 6
2명 아웃 1명 아웃
p: 주어진 데이터를 통해 추정

16. “Modeling Pitcher Performance and the Distribution of Runs per Inning in Major
League Baseball”(1996)
출처:
아웃 확률이란?

17. 해결 과정 총 정리
Target
그룹
선정
KBO
1st 시즌
성적 확인
Elite
그룹
선정
MLB
구종
vs
ERA
가설
+
아웃 확률
1 2 3 4 5

18. KBO 첫 번째
시즌에서
‘좋은 활약’을 보인
투수 선정
(엘리트 투수)
MLB 구종
증가할수록
KBO 첫 번째
시즌 ERA 감소
(인사이트 확인)
데이터
기반
인사이트
형성
2011~2018년 데이터로 학습 2019년 데이터에 적용
인사이트
+
아웃 확률
1 2 3 4
별첨 #1

19. 별첨 #2 코드 설명 – dplyr::group_by()
니퍼트
니퍼트
니퍼트
레일리
레일리
니퍼트
니퍼트
니퍼트
레일리
레일리
2011
2012
2013
2015
2016
2011
2012
2013
2015
2016
min(year) -> 2011 min(year) -> 니퍼트: 2011
레일리: 2015
group_by()
적용

20. 별첨 #3 코드 설명 – 스트라이크 존

21. 별첨 #4 코드 설명 – fun_inningResults()
events: 해당 타석의 결과
타석(타자) 별로 오직 한 개의 값

22. PseudoCode:
1. 데이터셋 아래에서 부터 위로 순회
1-1. row 방문 할 때마다 batterCount 증가
1-2. out을 만나면 out stack에서 pop
1-3. out stack이 empty면 inningCount증가
I_N 기록
batterCount를 batterCountTemp에 기록
out stack 초기화 (full 상태)
2. 순회가 끝나고 out stack이 비어 있지 않다면 out
stack에 남아 있는 out 개수만큼 batterCount를 증가
시키고 I_N 기록
3. I_N 리스트의 정보를 한줄로 표현하여 반환

23. out
out
out
out
run
run batterCount = 6
batterCountTemp = 3
out stack = 2
6-3+2 = 5명
중도교체
I_3
I_5
batterCount – batterCountTemp + out stack

24. I_3&2 I_4&0 I_5&0 I_6&2 I_7&0 I_8&1 I_9&0
PseudoCode:
1. “ “ 기준으로 분리
2. “&” 기준으로 분리
3. 행렬로 변환
4. 결과물 반환
I_3 I_4 I_5 I_6 I_7 I_8 I_9
na na na na na na na
I_3 2
I_4 0
I_5 0
I_6 2
I_7 0
I_8 1
I_9 0
I_3 I_4 I_5 I_6 I_7 I_8 I_9
2 0 0 2 0 1 0
별첨 #5 코드 설명 – fun_makeInningDataset()