E스포츠토토 데이터 수집 툴과 통계 사이트 활용법

프로 경기의 흐름을 표로만 읽으면 놓치는 것이 많다. 팀의 최근 패치 적응력, 대회가 열리는 지역의 시차, 특정 맵에서의 첫 교전 빈도 같은 세부가 배당과 실제 결과 사이의 간극을 만든다. E스포츠토토에서 합리적으로 접근하려면 감이 아니라 데이터가 필요하고, 데이터는 도구와 습관이 만들며, 도구는 각 종목과 리그의 관행을 이해할 때 제 힘을 낸다. 여기서는 내가 현장에서 써 온 수집 파이프라인, 종목별 신뢰할 수 있는 통계 소스, 통계가 실제로 먹히는 구간과 실패하는 구간을 구분하는 기준을 풀어두겠다. 모든 내용은 법과 이용 약관을 지키는 범위에서, 책임 있는 참여를 전제로 한다. 지역에 따라 E스포츠 토토 사이트 이용이 제한되거나 불법인 경우가 있으니 반드시 확인하길 바란다.
무엇을 수집할 것인가, 범위부터 정하는 습관
처음부터 모든 것을 모으려 들면 실패한다. LoL, 발로란트, CS 시리즈, 도타 2, 스타크래프트 2처럼 주요 종목만 놓고 보아도 통계 구조가 다르다. LoL은 라인 단계가 길고 오브젝트 타이밍이 고정적이라 시계열 이벤트의 맥락이 중요하다. 반면 CS는 라운드 단위 의사결정과 맵 풀의 상성이 성패를 가른다. 발로란트는 요원 조합과 맵 유틸 설계가 데이터를 해석하는 렌즈가 된다. 도타 2는 패치 이후 메타 전환 속도가 빠르기 때문에 기간을 자르는 기준이 핵심이다.

따라서 범위를 다음 두 가지 질문으로 좁히는 것부터 시작한다. 첫째, 종목과 리그는 어디인가. 둘째, 내가 예측하고 싶은 사건의 단위는 무엇인가. 매치 승패, 핸디캡, 맵별 스코어, 특정 오브젝트 첫 획득 같은 시장마다 필요한 특징량이 다르다. 예를 들어 LoL에서 첫 드래곤 획득 확률을 예측하려면 15분 이전 전령 시도, 정글 동선 상성, 바텀 라인 프리오 비율 같은 지표가 유의미하지만, 매치 핸디캡을 본다면 장기전 체력, 25분 이후 바론 컨트롤 성공률 같은 지표의 설명력이 커진다.
신뢰할 수 있는 데이터 원천을 고르는 기준
데이터 출처는 정확성과 지속성이 중요하다. 라이브를 따라가다 API가 멈추거나 값이 바뀌면 모델이 순식간에 무용지물이 된다. 몇 년간 써 보고 걸러낸 기준은 간단하다. 공식성, 수집 자동화 용이성, 역사 데이터의 깊이, 메타데이터의 풍부함이다. 아래는 종목별로 내가 자주 참고하는 소스와 그 장단점이다. 특정 사이트와의 협업이나 이해관계는 없다.

LoL은 Riot이 제공하는 퍼블릭 API가 기본 뼈대가 된다. 다만 프로 경기는 리그별로 운영사가 다르고 데이터 접근 레이어가 섞여 있어, 프로 경기 플레이 바이 플레이는 오픈 소스로 모으기 쉽지 않은 구간이 있다. 이때는 경기 결과와 팀, 선수 라인업, 패치 버전 같은 메타데이터를 우선적으로 모으고, 세부 이벤트는 리그 VOD에서 파생 지표를 반자동으로 추출하는 편이 현실적이다. 북미와 유럽 주요 리그는 매주 일정과 라인업 공지의 신뢰도가 높다.

도타 2는 OpenDota API가 역사적으로 가장 풍부하다. 2016년 이후 대형 대회의 대부분이 데이터베이스화되어 있고, 히어로 픽률, 밴률, 라인전 지표, 오브젝트 타이밍까지 폭넓게 제공된다. 단, 프라이빗 로비로 치러지는 일부 프로 스크림은 공개되지 않는다. 표본의 성격을 이해하고 사용해야 한다.

CS 시리즈는 HLTV가 사실상의 표준 레퍼런스다. 팀과 선수별 장기 추세, 맵 풀, CT와 T 사이드 분할 스탯, ADR, KAST 같은 핵심 지표가 잘 정리되어 있다. 데이터의 신뢰성은 매우 높지만, 실시간 API 사용은 허들링이 있으니 웹 크롤링은 반드시 이용 약관과 로봇 정책을 확인하고, 요청 간격을 충분히 두어야 한다.

발로란트는 VLR 기반의 매치 결과, 라인업, 맵 픽밴 데이터가 유용하다. 요원 조합의 유행이 크게 바뀌는 패치 직후에는 최신 대회만 따로 묶어 비교하는 것이 좋다. Riot의 공식 이벤트 페이지에서 일정과 라인업 정보를 교차 검증하면 누락을 줄일 수 있다.

스타크래프트 2는 Aligulac의 레이팅 데이터가 선수 간 상성 파악에 실용적이다. TvZ, PvT 같은 매치업별 승률 변동을 시계열로 확인하면 메타 전환기의 이변 가능성을 읽을 수 있다.

역사 데이터가 얕거나 API가 없는 리그라면, 중계 플랫폼의 타임라인과 결과 요약, SNS 공지로 메타데이터를 수집하고, 수기 라벨링의 범위를 최소화하는 반자동 워크플로를 짜는 편이 비용 대비 효율이 좋았다.
수집 파이프라인 설계, 작은 자동화부터 안정화까지
초기 세팅은 복잡하게 갈 필요가 없다. Python과 간단한 데이터베이스만으로도 충분하다. HTTP 요청은 requests, HTML 파싱은 BeautifulSoup이나 lxml로 시작하면 된다. 자바스크립트 렌더링이 필요한 페이지는 Playwright 같은 헤드리스 브라우저를 쓰되, 로그인이나 토큰이 필요한 구간은 약관을 확인하고 접근을 제한한다. 스케줄러는 운영 환경에 따라 선택한다. 개인 환경에서는 cron으로도 충분하고, 팀 단위로 운영한다면 Airflow나 Prefect로 태스크 의존성과 재시도를 관리하면 안정성이 오른다.

데이터 저장은 처음엔 SQLite로 충분하다. 스키마가 굳고 동시 접근이 늘면 Postgres로 옮기는 편이 낫다. 컬럼 설계에서 가장 많이 후회하는 부분은 키 관리다. 팀과 선수, 경기, 라운드의 식별자를 외부 소스의 원시 키에만 의존하면, 소스 교체나 다중 소스 병합 시 충돌이 발생한다. 내부용 정규화 키를 두고, 소스별 맵핑 테이블을 따로 관리하면 훗날 병합과 중복 제거가 쉽다.

내가 LoL 서머 시즌에 썼던 간단한 작업은 매일 새벽 4시에 경기 일정과 라인업, 패치 버전을 긁어오고, 잠들기 전 스크립트를 한 번 수동으로 돌려 라인업 변경을 반영하는 방식이었다. 그때 알림을 슬랙으로만 보내다가 새벽 라인업 교체를 놓쳐 큰 손실을 본 적이 있다. 그 뒤로는 중요 이벤트에 대해선 SMS와 메신저를 이중화했고, 라인업 변동의 신뢰도 점수까지 함께 보내게 만들었다. 사람은 졸고, 시스템은 가끔 멎는다. 알림과 재시도를 과하다 싶을 정도로 설계하는 것이 비용을 아낀다.
통계 사이트를 읽는 법, 지표의 맥락을 먼저 세운다
숫자 자체보다 그 숫자가 나온 맥락이 더 중요하다. KDA가 높은데 팀의 평균 게임 시간이 유난히 길다면, 이를 공격성이 높다고 해석하면 곤란하다. CS에서 특정 맵의 승률이 70퍼센트라도 상대가 그 맵을 거의 밴하지 않는 하위권이었다면 상위권과의 대결에서 같은 수치가 나올 가능성은 낮다. 통계를 해석할 때 내가 확인하는 기본 맥락은 네 가지다. 표본 크기, 상대 강도, 패치 또는 메타 시점, 대회 환경이다.

표본 크기는 직관적으로 알 수 있지만 함정이 많다. 예를 들어 발로란트에서 맵 승률 80퍼센트가 5전 4승에서 나온 것과 25전 20승에서 나온 것은 신뢰도가 다르다. 그럼에도 초반 패치 E스포츠배팅 https://xn--e-il4fl4c39h7sjvnfa65tb2d.isweb.co.kr/ 구간에는 작은 표본이 오히려 빠른 신호가 되기도 한다. 핵심은 자신의 모델이 작은 표본을 얼마나 가중할지 규칙을 명시하는 것이다.

상대 강도는 Elo나 Glicko, 단순한 최근 10경기 승률 보정 등으로 대략적인 무게를 줄 수 있다. 도타 2 같은 종목은 오브젝트, 영웅 상성 때문에 단순 승패 보정보다 시기별 픽밴 맥락을 함께 보는 게 낫다.

패치 시점은 두 기간으로 쪼개 보는 습관을 추천한다. 패치 이전 4주와 이후 2주 같은 비대칭 창을 쓰면, 오래 축적된 팀의 하드 스킬과 최신 메타 적응력의 각기 다른 기여를 추정하기 쉽다.

대회 환경은 오프라인과 온라인, 지역 이동과 시차, 관중 규모, 무대 장비까지 포함한다. CS 메이저 같은 대회는 무대 압박에 약한 선수가 실제로 존재한다. 데이터에는 표정과 손떨림이 남지 않는다. 이런 요소는 완전히 정량화하기 어렵지만, 환경 변화가 크면 모델에서 불확실성 폭을 넓히는 방식으로 반영한다.
실무에서 쓰는 모델링 뼈대, 과하지 않게 정확하게
복잡한 딥러닝 모델을 쓰지 않아도 잘 맞출 수 있다. 이진 결과 예측에는 Bradley-Terry나 Elo 변형이 가볍고 효율적이다. 맵 또는 라운드 단위 점수 예측은 포아송 회귀로 시작해도 유용하다. 포아송 가정이 과도하면 일반화 포아송 또는 네거티브 이항으로 넘어가면 된다. 중요한 건 특징량을 잘 고르는 일이다.

LoL에서는 15분 이전 골드 격차의 표준편차, 첫 바위게 컨트롤률, 강제 교전 성공률, 패치 버전의 변경 항목 수 같은 지표들이 유의미했다. 발로란트와 CS에서는 첫 킬 시도율과 성공률, 피스톨 라운드 승률, 세이브 의사결정 비율, 맵별 개장 시간과 사이드 선택 추세가 설명력을 갖는다. 도타 2는 라인 스왑 빈도, 첫 로샨 전투 참여도, 타워 트레이드 비율 같은 시퀀스성이 강한 지표가 좋았다.

모델의 성능 측정은 로그로스와 Brier score를 함께 본다. 전자는 확률 추정의 샤프니스를, 후자는 캘리브레이션을 보여준다. 나쁜 예측은 종종 정확도는 괜찮은데 로그로스가 나쁘다. 배당과의 마찰은 확률의 정확도보다 캘리브레이션에서 발생하기 쉽다. 배당이 60퍼센트로 암시하는 경기를 65퍼센트로 본다면, 로그로스 기준으로는 미세하지만 장기적으로는 수익에 누적 차이를 만든다.
크롤링과 API 사용, 법과 예의를 지키는 기술적 팁
실전에서 제일 많이 받는 질문은 크롤링 속도와 차단 우회다. 그러나 무리한 동시 요청과 헤더 변조, 로그인 우회는 실익보다 리스크가 훨씬 크다. 길게 운영할 생각이라면 속도를 낮추고 캐시를 적극적으로 쓰는 것이 답이다. 팀이나 선수 페이지처럼 내용이 하루에 몇 번 바뀌지 않는 리소스는 로컬 캐시로 24시간 저장하고, 경기 라이브 타임라인처럼 빠른 리소스만 짧게 가져간다. If-Modified-Since와 ETag 같은 조건부 요청 헤더를 쓰면 서버 부담을 줄이고 차단 확률을 낮출 수 있다.

파싱은 항상 구조 변화에 대비한다. CSS 선택자 하나에 모든 걸 걸지 말고, 키 텍스트와 계층을 중복 기준으로 삼는다. 숫자 파싱에는 로케일 이슈가 숨어 있다. 천 단위 구분자와 소수점 기호가 지역마다 다르다. 이 작은 이슈 하나 때문에 야간 배치가 매일 실패한 적도 있다.

데이터 간 병합은 키 충돌이 흔하다. 선수 이름은 대소문자, 띄어쓰기, 팀 태그 유무가 제각각이다. 유사도 매칭을 쓰기 전에 소스별 클린 규칙을 강제 적용한다. 정규식으로 태그를 제거하고, 공백을 하나로 통일하고, 악센트나 비라틴 문자를 정규화하면 매칭 오류가 크게 줄어든다.
통계 사이트와 E스포츠 토토 사이트의 수치 교차 검증
배당은 집단 지성의 압축값이지만, 정보 비대칭이 발생하는 순간이 있다. 라인업이 늦게 확정되는 지역 대회, 장거리 원정 직후 경기, 특정 맵의 리메이크 이후 첫 실전 같은 구간은 통계 사이트가 먼저 반응하고 E스포츠 토토 사이트의 배당이 늦게 움직이는 경우가 종종 있었다. 반대로, 시장이 과잉 반응하는 패턴도 있다. 패치 노트의 큰 숫자 변화가 실제 체감 영향이 적을 때다. LoL에서 포탑 골드 50 감소가 전체 경기 양상에 미친 영향은 숫자만큼 크지 않았고, 발로란트에서 특정 요원의 장비 코스트 변경이 팀의 기본 전술에 미치는 영향은 생각보다 제한적이었다.

내가 매칭 과정에서 자주 쓰는 비교는 세 가지였다. 첫째, 통계 사이트의 최근 4주 지표를 긴 호흡 지표와 비교해 급변 여부를 본다. 둘째, 라인업 변경의 포지션 적합도 점수를 만들어 대체 자원의 과소평가를 잡는다. 셋째, 일정 밀도를 수치화해 피로 누적을 추정한다. 하루 건너 백투백 일정이 이어지는 온라인 컵에서 오히려 2일 차 1경기가 집중력이 높아지는 팀이 있었다. 이런 팀 편향은 장기 통계가 평준화해 버린다. 짧은 창과 긴 창을 같이 본다는 말의 실제 의미가 여기에 있다.
시각화와 모니터링, 의사결정 속도를 높이는 레이아웃
분석을 써먹지 못하면 소용이 없다. 결국 필요한 건 빨리 보고, 빨리 이해하고, 빨리 결정을 바꾸는 시스템이다. 시각화 도구는 정답이 없다. 데이터 팀이 있다면 Tableau나 Power BI가 좋고, 개인이라면 Metabase, Grafana도 충분하다. 중요한 건 레이아웃이다. 나는 다섯 장의 탭으로 요약한다. 경기 캘린더, 팀 카드, 맵 또는 전장 카드, 라인업 알림, 메타 시계열. 각 탭에 과감히 숫자를 줄이고, 색과 축을 일관되게 유지한다. 빨강은 항상 위험, 초록은 기회, 회색은 중립으로 고정해 뇌의 해석 비용을 낮춘다.

실시간 알림은 오탐률을 낮추는 게 생명이다. 라인업 확정 신호가 트윗 루머인지, 공식 대회 페이지인지, 방송 캐스터의 발언인지 출처 레벨을 점수화해 0.7 이상에서만 푸시가 울리게 했다. 초기에 0.5로 잡았다가 한밤중에 루머 푸시가 쏟아져 견딜 수가 없었다. 현장은 소음이 많다. 의사결정에 들어오는 소음을 줄이는 쪽이 성능 개선보다 이익이 큰 구간이 의외로 많다.
품질 관리, 숫자보다 절차가 덜 흔들린다
데이터 작업은 결국 사람의 반복된 실수와 싸움이다. 한 번은 CS 경기의 라운드 수가 연장전 규칙 변경으로 바뀌었는데, 포아송 모델이 이를 반영하지 못해 점수 분포 예측이 일관되게 빗나갔다. 룰셋 변경을 탐지하는 체커를 두고, 변경 의심 신호가 잡히면 관련 모델에 빨간 배지를 달아 사용을 막는 절차를 만든 후로는 같은 실수가 줄었다.

다음의 짧은 점검 목록은 배치가 돌아가기 전에 꼭 본다.
지난 24시간 소스별 수집량이 7일 이동평균의 70퍼센트 이상인지 확인한다 신규 경기의 패치 버전과 룰셋이 메타 테이블의 최신 값과 일치하는지 검사한다 라인업 변경의 출처 신뢰도 점수가 임계치 이상인지, 의심 건은 보류 큐로 보낸다 주요 지표의 분포가 전주 대비 3표준편차를 넘는지 시그널을 낸다 배당 스냅샷과 내부 확률의 괴리가 임계치 이상인 매치만 대시보드에 올린다
목록을 단순하게 유지해야 팀원들이 실제로 지킨다. 20개가 넘는 체크는 결국 아무도 보지 않는다. 5개 내에서 가장 사고를 많이 막는 항목만 남긴다.
패치 전환기, 작은 창과 영리한 특징량
패치가 바뀌면 과거가 덜 유용해진다. 그래도 전부 버릴 필요는 없다. 팀의 기초 체력, 코칭 스태프의 적응력은 패치가 바뀌어도 크게 달라지지 않는다. 이럴 때 썼던 방법이 두 가지다. 첫째, 패치 영향도의 범주를 나눈다. 숫자 변화의 크기가 아니라 게임플레이 층위에서 판을 흔드는지 판단한다. 오브젝트 리스폰 타이밍, 경제 시스템, 시야 규칙처럼 플레이 패턴을 갈아엎는 변화는 과거 가중치를 과감히 줄이고, 챔피언 개별 수치, 무기 반동 미세 조정 같은 변화는 과감히 과거를 유지한다. 둘째, 패치 노트 텍스트를 토큰화해 변화의 범위를 자동 분류하는 소규모 NLP를 붙인다. 사람이 모든 노트를 세밀하게 읽을 수 없으니, 우선순위를 기계가 정하고 마지막 결정을 사람이 내리는 구조가 유지보수에 좋다.

실전 예로, 발로란트에서 에코 라운드 전략의 비용 구조가 바뀌었을 때, 피스톨 라운드 이후 2라운드의 무기 선택 패턴이 크게 달라졌다. 이때는 피스톨 라운드 승률의 모델 내 가중치를 일시적으로 낮추고, 세이브 비율과 포스바이 성공률의 가중치를 올려야 로그로스가 안정됐다. 숫자를 고정하지 말고, 규칙과 절차로 바꿔두면 새 패치가 와도 손이 덜 간다.
크로스 리전 매치, 언어와 피로, 핑의 변수
국제 대회는 데이터가 평소보다 덜 맞는다. 이유는 간단하다. 실력 분포의 분산이 커지고, 환경 변수가 커지기 때문이다. 핑은 온라인에서만 이슈가 아니다. 오프라인에서도 스크림 환경과 경기 환경의 미세한 차이가 팀별로 민감도를 다르게 만든다. 언어 장벽도 변수다. 팀이 영어 콜에 익숙한지, 통역을 거치는지에 따라 세부 교전에서의 반응 속도가 달라진다. 이건 정량화가 어렵다. 나는 대체로 국제 대회에서는 모델의 베팅 사이즈를 50퍼센트로 줄이고, 사전 예측보다 라이브에서 상태를 보정하는 쪽으로 전략을 바꾼다. 라이브 데이터가 없다면 참여하지 않는 편이 낫다.
윤리와 리스크 관리, 멈출 줄 아는 시스템
E스포츠토토는 재미와 기술적 탐구의 장이 될 수 있지만, 금융 리스크가 동반된다. 모델의 예측 확률이 높다고 해서 변동성이 사라지지 않는다. 오히려 확률을 잘 맞출수록 불확실성에 둔감해지는 역효과가 생긴다. 예산을 미리 쪼개고, 손실 한도를 시스템이 강제로 지키게 해야 한다. 감정이 개입되는 순간 일관성은 무너진다. 승리 후 과신, 패배 후 복구 심리는 데이터의 적이다. 각 지역의 법과 연령 제한을 확인하고, 불법인 지역에서는 참여하지 말아야 한다. 책임 있는 참여는 승률과 별개로 지켜야 할 원칙이다.
케이스 스터디, 라인업 한 줄의 가치
한 시즌 동안 LoL에서 탑 라이너의 교체가 잦았던 팀이 있었다. 주전은 라인전 지표가 강했지만, 25분 이후 전투에서의 포지셔닝 실수가 잦았다. 백업은 라인전은 약했지만 바론 전투에서의 시야 안배가 좋았다. 통계 사이트의 팀 평균 지표는 시즌 중반 이후로도 큰 변화가 없었다. 그러나 라인업이 백업으로 확정되는 날은 우리 내부 모델이 팀의 후반 승률을 7퍼센트포인트 높게 봤다. E스포츠 토토 사이트의 배당은 라인업 확정 30분 전까지는 거의 움직이지 않았고, 이후에야 조금씩 반영됐다. 이때 차이는 라인업 변동 감지와 포지션 적합도 스코어, 그리고 대회 일정 밀도에서 나왔다. 물론 모든 라인업 변경이 기회가 되진 않는다. 연습량이 적거나 콜 체계가 바뀌면 오히려 리스크가 커진다. 그래서 라인업 스코어는 0에서 1까지가 아니라, 방향성까지 반영한 -1에서 1 스케일로 썼다. 교체가 악재면 음수, 호재면 양수로 캘리브레이션을 분명히 한다.
도구 세팅, 가볍게 시작해도 충분히 이긴다
처음부터 거대한 시스템을 짤 필요는 없다. 노트북 한 대로도 다음 스택이면 시작이 가능했다.
Python, pandas, requests, BeautifulSoup, Playwright로 수집과 전처리를 묶는다 SQLite로 시작하고, 스키마가 굳으면 Postgres로 마이그레이션한다 cron으로 새벽 배치를, 간단한 Flask 앱으로 상태 페이지를 띄운다 Metabase로 대시보드를 만들고, Slack과 SMS로 이중 알림을 건다 Git으로 파이프라인 코드를 형상 관리하고, 태그를 배포 단위로 고정한다
이 스택은 무료거나 저비용이고, 무엇보다 설치와 유지가 간단하다. 성능보다 가용성이 중요하다. 수집이 멈추지 않는 것이 모델의 정교함보다 장기적으로 더 큰 차이를 만든다.
흔한 오류와 회피 요령
처음 시작하는 분들이 많이 겪는 오류는 크게 다섯 가지였다. 첫째, 지나치게 많은 특징량을 넣어 신호 대비 잡음이 늘어난다. 둘째, 표본 선택 편향을 무시한다. 상위권 팀의 데이터만 모아놓고 중하위권과의 매치를 예측하려 든다. 셋째, 배당을 무시한다. 시장이 이미 반영한 정보를 다시 반영해 중복 효과만 낸다. 넷째, 라이브 상태 보정이 없다. 경기 당일의 컨디션, 장비 문제, 연기 같은 변수가 생기면 사전 모델을 고집한다. 다섯째, 과거의 성공을 일반화한다. 한 시즌 잘 먹힌 특징량이 다음 시즌에도 통할 거라 가정한다.

회피 요령은 단순하다. 특징량은 예측 변수 간 상관을 주기적으로 점검해 줄인다. 표본 편향은 데이터 수집 단계에서부터 하위 리그와 지역을 포함하고, 가중치를 통해 강도 차를 보정한다. 배당은 항상 내부 확률과 비교해 스프레드를 측정하고, 신뢰 구간 밖의 매치만 검토 리스트에 올린다. 라이브 보정은 가능하면 하프타임이나 맵 사이의 인터벌에만 제한한다. 과거의 성공은 리셋 주기를 잡아둔다. 분기마다 상위 20퍼센트 특징량만 살아남고 나머지는 후보군으로 돌린다.
마무리, 데이터로 읽고 현장에서 검증한다
결국 중요한 건 두 가지다. 지속적으로 신뢰할 수 있는 데이터를 모으는 시스템, 그리고 그 데이터를 현장에서 빠르게 검증하고 피드백하는 루프다. 통계 사이트는 훌륭한 출발점이지만, 그대로 믿기보다 내 환경과 문제에 맞춰 가공해야 효율이 난다. E스포츠토토를 다루는 모든 과정은 기술이지만, 책임과 법은 기술 바깥의 문제다. 합법적인 범위에서, 감당 가능한 리스크 안에서, 수집과 분석과 의사결정을 훈련하자. 그러면 숫자가 말해 주는 미세한 차이를 듣게 된다. 그리고 그 작은 차이가 계절이 바뀔 때마다 꾸준한 결과를 만들어준다.