door: Mats de Leeuw den Bouter

Er zijn steeds meer prestatiedata beschikbaar in het voetbal. Terwijl de belangrijkste data een jaar of vijf geleden nog niet veel meer waren dan het aantal schoten en het percentage balbezit van beide teams, wordt er nu bij iedere Eredivisiewedstrijd vijfentwintig keer per seconde de positie van alle spelers en de bal vastgelegd, resulterend in zo’n drieënhalf miljoen (!) datapunten per wedstrijd. Daarnaast worden ook nog alle bal-evenementen in de wedstrijd (zoals schoten, tackles en passes) nauwkeurig geregistreerd. Er is momenteel dus van iedere wedstrijd in het betaalde voetbal een schat aan informatie beschikbaar, waar ongetwijfeld nieuwe inzichten en manieren om beter te worden in verschuilen. Toch wordt er vrijwel niets mee gedaan. Waarom niet?

De ontwikkeling van data in het voetbal is erg snel gegaan. Zo snel zelfs, dat de meeste betaald voetbal organisaties (bvo’s) het niet hebben kunnen bijbenen, en nu een flinke inhaalslag moeten maken. En hoewel de meeste bvo’s ondertussen de waarde van data inzien en op zoek zijn naar manieren om het in hun voordeel te gebruiken, zijn er nog steeds clubs die sceptisch zijn over het nut van data in het voetbal. Vaak worden dan uitspraken gedaan als: 'Het passpercentage of het balbezit kan wel hoog zijn, maar als alles terug naar de keeper gaat hebben we daar niks aan.' Dat klopt weliswaar volledig, maar het mag geen argument zijn om data volledig aan de kant te schuiven. Er zijn namelijk heel veel statistieken en prestatiedata die wél waardevolle inzichten bieden.

Hoog niveau voetbaldata-analyse
Terwijl bvo’s dus niet direct massaal met de data aan de slag gingen, deden veel hobbyisten dat juist wel. Er ontstonden veel onafhankelijke blogs, en een heuse community van amateur-voetbaldata-analisten die samen probeerden zo veel mogelijk inzichten uit de data te halen. Al snel was het niveau van voetbaldata-analyse buiten het profvoetbal hoger dan binnen de meeste betaald voetbal organisaties! Jonge, innovatieve trainers en analisten zonder ervaring in het profvoetbal werden door ervaren, data-sceptische trainers of bestuurders vaak enigszins denigrerend 'laptoptrainers' of 'zolderkameranalisten' genoemd, wat ook niet hielp voor de integratie van data en innovatie in het voetbal.

Ondertussen hebben meerdere clubs over de hele wereld laten zien dat je met goed gebruik van data betere prestaties kunt behalen dan je op basis van de begroting (wat nog altijd de beste indicator van prestatie is) mag verwachten. Zo is het relatief kleine Deense clubje Midtjylland twintig jaar na de oprichting inmiddels drie keer kampioen geworden en speelt het nu tegen Ajax en Liverpool in de Champions League, en heeft datzelfde Liverpool een heel data science-team waarmee ze vorig jaar kampioen van Engeland werden en het jaar daarvoor de Champions League wonnen. De data-analyses die ze bij Liverpool doen zijn dusdanig gecompliceerd (zie afbeelding) dat er meerdere (theoretisch) natuurkundigen en PhD’ers in het data science-team zitten. Zo probeert Liverpool, één van de beste en rijkste clubs ter wereld, alsnog iedere dag nieuwe inzichten te creëren om nóg beter te worden.

Het Expected Possession Value (EPV) model van Liverpool. Hoe roder het gebied op het veld, hoe groter de kans dat een speler van Liverpool daar de bal kan ontvangen en controleren. De EPV-waarde linksboven laat zien hoe groot de kans is dat er op basis van de huidige posities van alle spelers en de bal, binnen 15 seconden een goal gescoord gaat worden. Voor meer info over de Data Science van Liverpool, zie hier.

Het voorbeeld van Liverpool is vrij extreem. Er zijn maar een handjevol clubs ter wereld die de voor hun beschikbare data op een vergelijkbare manier gebruiken. Wat die clubs, Midtjylland en alle andere clubs die data op een succesvolle manier gebruiken gemeen hebben, is dat iedereen binnen de organisatie gelooft in de waarde van data. De trainers gebruiken het om effectieve wisselstrategieën te bedenken, de technisch directeur om ondergewaardeerd talent te vinden en voor weinig geld vast te leggen, en scouts gebruiken het om een nog completer beeld van een mogelijk transfertarget te krijgen.

Extra informatie
Dat hoeft niet te betekenen dat data leidend zijn. Bij al die succesgevallen is het data-gebruik juist ondersteunend aan de technische expertise van de trainers, directeuren en scouts. Data moet vooral dienen als extra informatie, waardoor je een beslissing zo geïnformeerd mogelijk kan maken. Op termijn leidt dit dan hopelijk tot meer goede beslissingen en vooral ook minder slechte beslissingen. 

Toch maken nog veel clubs technisch beleid op basis van ervaring en gevoel, omdat ze sceptisch zijn over het gebruik van data in het voetbal, of omdat ze simpelweg niet weten wat het kan opleveren. Een aantal keer heb ik gesproken met trainers die bijvoorbeeld de theorie achter Expected Goals niet kenden. Het Expected Goals-model is een manier om kansen te beoordelen op basis van hoe groot de kans is dat het schot een goal wordt. Dit wordt berekend aan de hand van parameters als de afstand tot het doel en de hoek waaruit geschoten wordt. Hiermee kijk je dus puur naar de kwaliteit van de gecreëerde kans, en niet naar de uitkomst van het schot (wat nog wel eens beïnvloed kan worden door geluk of pech). Het blijkt ook dat op lange termijn Expected Goals een betere voorspeller is van toekomstige prestaties dan echte goals of behaalde punten. Expected Goals kan dus bijvoorbeeld gebruikt worden om te bepalen of de daadwerkelijke resultaten overeenkomen met de onderliggende prestaties of dat er juist veel geluk of pech in het spel is geweest. Op basis daarvan kun je weer beter geïnformeerde beslissingen maken over bijvoorbeeld het wel of niet ontslaan van een trainer, wat nu nog vaak op basis van gevoel wordt gedaan.

Nog niet doorgedrongen
Expected Goals (xG) is iets wat in de voetbaldata-community al lang bekend is en enorm veel gebruikt wordt, maar wat dus binnen bepaalde voetbalclubs nog niet echt is doorgedrongen. Ook verschillende profvoetballers die ik begeleid, geven aan er niet of nauwelijks mee in aanraking te komen binnen de club, terwijl het ook voor individuele spelers een manier kan zijn om hun prestaties te monitoren en te verbeteren. Door spelers te vertellen hoe ze kansen met hogere xG-waardes kunnen creëren, zullen ze (op termijn) waarschijnlijk meer gaan scoren, wat de club ook direct betere prestaties oplevert. 

Het hoeft dus bepaald geen rocket science te zijn, hoewel het daar bij Liverpool wel aardig op begint te lijken. Veel clubs hebben dus per wedstrijd drieënhalf miljoen datapunten ter beschikking, maar bij de meeste clubs kunnen relatief eenvoudige statistieken als xG juist de grootste verbetering opleveren. Ook data-sceptische trainers en beleidsbepalers zullen gebruik willen maken van data, zolang het maar snel een positieve impact heeft op de prestaties op het veld. Door steeds te laten zien wat het data-gebruik kan opleveren, creëer je draagvlak binnen de organisatie en hopelijk een infrastructuur waaruit steeds grotere projecten kunnen ontstaan. 

Net als bij een mooie aanval op het veld, is het bij het creëren van een moderne, innovatieve voetbalclub dus belangrijk om zorgvuldig op te bouwen. Een dieptepass waarmee je de spits één-op-één met de keeper zet is natuurlijk het mooist, maar kan niet zo maar altijd gegeven worden. Je moet de juiste voorwaarden creëren om beslissende pass te kunnen geven, en daarvoor is de rest van het team belangrijk. Iedereen moet geloven dat de aanval ergens toe kan leiden, en moet helpen om dat doel te bereiken. Als iedereen erin gelooft, is de kans het grootst dat het een succes wordt.

Mats de Leeuw den Bouter (26) is afgestudeerd sportwetenschapper en mede-oprichter van het bedrijf Impact Performance Coaching, waar hij individuele profvoetballers op tactisch gebied begeleidt aan de hand van data- en videoanalyse.