← 연구

챔피언 선택 전에 랭크 게임의 승패를 얼마나 맞힐 수 있을까?

2026년 10월 7일 게시 · 북미 솔로 랭크, 16.18 패치(2026년 9월)의 시험 게임 457,284판 · 유럽 서부와 한국은 초기 측정

모델이 볼 수 있는 것

게임이 잡히는 순간에 존재하는 모든 것, 그리고 그 뒤의 것은 아무것도 보지 않습니다. 챔피언도, 밴도, 그 게임 자체의 어떤 정보도 없습니다.

• 열 명의 랭크와 LP, 그리고 경기 기록으로 만든 우리 자체 레이팅.
• 각 플레이어의 최근 랭크 게임 50판: 승패, 경기력, 게임 시간, 라인전 결과, 상대의 수준. 이 게임이 시작되기 전에 끝난 게임만 읽습니다.
• 각 플레이어에게 배정된 포지션, 최근 플레이 중 그 포지션의 비중, 자동 배정 여부.
• 각 플레이어가 그 포지션에서 주로 쓰는 챔피언: 고를 가능성이 높은 챔피언일 뿐, 실제로 고른 챔피언은 아닙니다.

모델은 이전 패치들로 학습했고, 한 번도 본 적 없는 16.18 패치의 북미 게임 457,284판으로 시험했습니다. 아래의 북미 수치는 모두 이 게임들에서 나왔습니다.

얼마나 자주 맞히는가

같은 시험 게임 457,284판에 각 플레이어의 기록을 한 단계씩 더해 가며, 모든 모델에 공개하는 다섯 가지 지표로 비교했습니다(각 지표의 뜻은 정확도 페이지 참고). 동전 던지기는 정확도 50%, AUC 0.5입니다.

랭크만으로는 아무것도 맞히지 못합니다. 두 팀의 우리 레이팅 차이는 동전 던지기보다 나을 것이 없습니다(AUC 0.502, 다섯 가지 지표는 패배 큐 연구에 있습니다). 매치메이킹이 맞추는 것이 바로 그것이기 때문입니다. 모델이 아는 것의 거의 전부는 플레이어들의 최근 게임에서 나옵니다. 마지막 행은 같은 모델의 확신 정도를 따로 떼어 둔 게임으로 보정한 것이며, 아래 절들은 이 행을 사용합니다.

낮은 티어일수록 훨씬 예측하기 쉽습니다

아이언에서는 챔피언 선택 전에 승자를 69.4% 맞힙니다. 골드에서는 61.6%, 플래티넘 이상에서는 약 60%입니다. 이유는 검증하지 않았습니다. 들어맞는 해석 하나는, 계정이 덜 자리 잡았을수록 랭크가 그 플레이어를 덜 설명하고, 낮은 티어에는 랭크가 아직 실력을 따라가지 못한 계정이 더 많다는 것입니다.

우세 팀을 지목하면, 그 팀은 그만큼 이깁니다

모델은 자주 맞히면서도 자신의 확신을 과장할 수 있습니다. 이 모델은 그렇지 않습니다. 60–65%로 본 게임은 실제로 62.3% 이겼고, 70% 이상으로 본 17.4%의 게임은 77.5% 이겼습니다. 동전 던지기에서 5%p 이내인 게임은 26.5%뿐입니다.

랭크는 균형, 폼은 불균형

모든 예측을 그것을 이루는 부분들로 나눴습니다. 게임과 게임 사이의 차이 중 각 부분이 차지하는 몫은 다음과 같습니다.

랭크는 거의 아무것도 설명하지 못합니다. 랭크가 바로 매치메이킹이 맞추는 것이기 때문이고, 매치메이킹은 그것을 잘 맞춥니다. 남는 것은 랭크가 너무 느리게 움직여 보여 주지 못하는 것입니다. 누가 상승세인지, 누가 부진한지, 누가 막 복귀했는지.

“최근 게임”은 조심해서 읽어야 합니다. Riot은 우리가 볼 수 없는 숨겨진 MMR로 매칭합니다. 그 MMR과 보이는 랭크 사이의 차이가 드러나는 곳이 바로 플레이어의 최근 게임이므로, 이 몫의 일부는 연승·연패만이 아니라 모델이 되찾아낸 MMR 차이일 수 있습니다. 이 데이터로는 둘을 구분할 수 없습니다.

비주력 포지션 플레이어는 보정되지 않습니다

배정된 포지션이 최근 게임의 20% 미만이면 비주력 포지션으로 셉니다. 한 팀에 그런 플레이어가 더 많으면 승패에 드러납니다.

비주력 포지션 플레이어가 한 명 늘 때마다 팀 승률이 약 3%p 떨어지며, 양 팀의 수가 같은 게임은 37.9%뿐입니다.

같은 열 명으로 더 균형 잡힌 게임을 만들 수 있었을까?

모든 게임에서 열 명의 플레이어와 포지션은 그대로 두고, 두 팀으로 나누는 다른 모든 방법을 모델에게 물었습니다. 같은 포지션의 두 플레이어가 서로 팀을 바꿀 수 있으므로 가능한 조합은 32가지입니다. 그런 다음 실제 조합이 그중 몇 번째인지 봤습니다.

실제 조합은 한가운데에 있습니다. 55.3%의 게임에서 32가지의 평균보다 균형이 좋았고, 전형적인 순위는 32가지 중 16번째입니다. 이 모델이 볼 수 있는 범위에서는, 게임이 받은 팀 구성은 같은 열 명을 무작위로 나눈 것과 비슷한 정도로 균형 잡혀 있습니다.

표는 가장 균형 잡힌 선택지로 게임을 했다면 60% 이상 우세 팀이 여전히 있었을 북미 게임의 비율입니다. “듀오 유지”는 이전에 함께 큐를 돌린 두 플레이어를 절대 갈라놓지 않습니다. 그런 쌍이 있는 게임은 71.4%입니다.

계산상으로는 한 쌍만 바꿔도 한쪽으로 기운 게임이 48.6%에서 4.2%로, 듀오를 유지하면 10.7%로 줄어듭니다.

이것은 모델이 자기 시험지를 직접 채점한 것이므로, 상한선으로 읽어야 합니다. 32개의 추정치 중 가장 균형 잡힌 것은 실제보다 좋게 보입니다. 추정이 빗나간 곳에서만 균형 잡혀 보이는 조합이 있기 때문입니다. 그 게임들은 실제로 치러지지 않았으므로 누구도 확인할 수 없습니다. 그리고 조건이 하나 늘 때마다 실제 매치메이킹은 대기 시간을 치러야 하는데, 여기서는 그것을 고려하지 않았습니다. 이 표가 보여 주는 것은, 한쪽으로 기운 게임을 알아볼 정보가 챔피언 선택 전에 이미 존재한다는 점입니다.

게임의 절반은 모두를 익숙한 포지션에 세울 수 없습니다

열 명 모두가 익숙한 포지션, 즉 최근 50판 중 20% 이상을 플레이한 포지션에 설 수 있는지도 물었습니다. 실제 북미 게임 중 이미 그런 게임은 20.3%뿐입니다. 모두가 익숙한 포지션에 서는 배치가 아예 존재하는 게임은 50.2%이고, 나머지는 열 명의 포지션이 모든 자리를 두 번씩 채우지 못합니다. 모두가 주 포지션에 서는 것은 5.7%에서만 가능합니다. 이 한계는 팀을 어떻게 나누느냐가 아니라 누가 그 게임에 들어왔느냐가 정합니다. 익숙한 배치가 존재하는 경우, 그것을 골라도 균형은 거의 손해 보지 않습니다.

유럽 서부와 한국: 초기 측정

북미 데이터로만 학습한 전적 모델로 유럽 서부와 한국의 18일치 게임도 채점했습니다. 이 모델은 그 플레이어들을 훨씬 덜 압니다(북미는 몇 달치인 데 비해 한 명당 이전 게임 8~10판). 그래서 그곳에서는 우세 팀을 더 적게 찾아냅니다. 이는 측정 도구가 약한 것이지, 매치메이킹이 더 공정한 것이 아닙니다. 그대로 옮겨지는 것은 각 게임 안에서의 비교입니다. 세 지역 모두에서 실제 조합은 대체로 32가지 중 16번째입니다. 이 표는 북미를 포함한 모든 지역에서 전적 모델만 사용하므로, 북미 행은 전체 모델보다 약간 낮습니다.

여전히 패배 큐는 없습니다

더 강한 이 모델로 패배 큐 연구를 다시 돌렸고, 달라진 것은 없었습니다. 5연승 이상 뒤의 다음 게임 승률은 53.0%, 5연패 이상 뒤에는 47.9%였습니다. 모델은 둘 다 예상했고, 연승 중인 플레이어는 여전히 더 약한 팀원이 아니라 조금 더 강한 팀원을 만납니다.

이 연구가 말해 줄 수 없는 것

• 깊이 본 지역은 하나, 패치도 하나입니다. 북미, 16.18 패치입니다. 유럽 서부와 한국은 그 지역으로 학습하지 않은 모델의 초기 측정입니다.
• 이것은 Riot의 MMR이 아니며, 매치메이킹 내부를 들여다본 것도 아닙니다. 공개된 경기 기록으로 게임이 잡힌 그대로를 측정한 것입니다. 매치메이킹은 우리가 볼 수 없는 무언가를 맞추고 있고, 우리 레이팅으로 보면 그것을 거의 완벽하게 맞춥니다.
• 모델은 예측하는 게임 직전까지의 모든 게임을 읽습니다. 같은 날의 앞선 게임도 포함됩니다. 하루에 한 번 갱신되는 시스템이라면 조금 덜 알 것입니다.
• 포지션 선호는 추정한 것입니다. 각자가 플레이해 온 기록에서 추정했으며, 큐를 돌릴 때 고른 포지션은 공개되지 않습니다.
• 여기서는 어떤 플레이어도 지목하거나 평가하지 않습니다. 모든 수치는 수십만 판의 평균이며, 당신의 게임은 그중 한 번의 추첨입니다.