Clubs EA FC 분석: 커스텀 지표

EA FC 클럽 모드 분석 시스템 구축: 엑셀에서 본격 웹사이트까지

EA FC의 클럽 모드(실제 플레이어 11×11)는 통계를 위한 공식 API가 부족합니다. 골, 어시스트, 인터셉트 등의 데이터를 수동으로 수집하면 심층 분석이 불가능한 표만 만들어집니다. 이러한 기본 지표로는 플레이어 비교, 경기 기여도 평가, 플레이 스타일 파악이 어렵습니다.

표준 접근법은 이해를 제한합니다: 기본 통계는 결과만 반영할 뿐, 찬스 창출 과정, 듀얼 일관성, 슈팅 위치 효과성은 무시합니다.

커스텀 메트릭 개발

핵심 단계는 플레이어 효율성, 팀 영향력, 포지션 역할 등 질문에 답하는 메트릭을 도입하는 것입니다.

pXA: 패스 대 기대 어시스트

pXA는 위협적인 찬스를 만들기 위해 필요한 패스 횟수를 측정합니다.

• 낮은 pXA: 플레이어가 빠르게 공을 위협적인 위치로 이동시킵니다.
• 높은 pXA: 효과 없는 패스가 많습니다.

위협적인 찬스 메이커와 단순 패서를 구분합니다.

Beaten Rate: 듀얼 패배 빈도

1대1 상황에서의 취약성을 반영합니다.

• 낮은 값: 안정적, 듀얼을 거의 패배하지 않습니다.
• 높은 값: 수비가 약합니다.

기본 통계가 맹점인 수비수와 미드필더에게 중요합니다.

슈팅 위험 계수

슈팅 위치의 질을 평가합니다.

• 높음: 유리한 지역.
• 낮음: 장거리 또는 비효율적인 시도.

많이 슈팅하는 선수와 정확한 슈팅을 하는 선수를 구분합니다.

복합 프로필 및 시각화

메트릭은 레이더 차트, 평점, 포지션별 비교로 집계됩니다. 이를 통해:

• 빠른 프로필 평가.
• 플레이어 비교.
• 강점/약점 식별.

적용 분야:

• 팀 선수 선발.
• 경기 분석.
• 스카우팅.
• 자동화 리포트.

메트릭은 단순하고 실용적이며 기본 통계보다 정보성이 뛰어납니다.

구현 단계

시작—엑셀 리포트와 수동 데이터 해석 소셜 미디어 게시물. 비교 수요가 도구 필요성을 확인시켰습니다.

다음—Yandex DataLens로 메트릭 집계 및 시각화.

ChatGPT 자동화: 텍스트 생성, 경기 분석(1시간에서 10분으로 단축), 레이더 차트, 템플릿.

기술 아키텍처

개발 경험 없이 구축한 본격 웹사이트:

스택:

• 프론트엔드: Next.js
• 백엔드: API 라우트(Next.js)
• 데이터베이스: MySQL
• ORM: Prisma
• 배포: Docker + 클라우드

데이터 흐름:

• 수집 → DB 저장.
• 집계 → API.
• 표시 → UI.

기능:

• 플레이어/팀 프로필.
• 고급 통계.
• 비교.
• 스타일 기반 스카우팅.
• 판타지 리그.

여정: 수동 표에서 자동화 플랫폼까지.

핵심 요약

• EA API 부재로 수동 입력과 커스텀 메트릭에 의존해야 했습니다.
• pXA, Beaten Rate, 슈팅 위험 계수가 분석 깊이를 제공합니다.
• Next.js + Prisma 시스템이 수집, 집계, 시각화를 자동화합니다.
• 실용적 활용: 스카우팅, 선발, 리포트—메트릭이 리그에서 사용됩니다.
• 증거: 개발 배경 없이 혼자 프로젝트 구현.

— Editorial Team