Hoe data-analyse de beslissingen van voetbaltrainers en scouts verandert

Waarom het traditionele onderbuikgevoel versterking krijgt

Een trainer ziet tijdens een wedstrijd voortdurend details die niet direct in een wedstrijdverslag terechtkomen. De timing van een loopactie, de lichaamshouding van een verdediger, de ruimte achter een doorschuivende middenvelder en de manier waarop een speler reageert na balverlies vormen samen een beeld van het spel. Tegelijkertijd groeit de hoeveelheid beschikbare informatie snel. Van schoten en balbezit tot loopafstanden, veldbezetting en posities per seconde: technische stafleden beschikken over veel meer gegevens dan ooit. Wie bijvoorbeeld de statistieken van Manchester-clubs bekijkt, ziet hoe prestaties steeds vaker in hun context worden beoordeeld in plaats van alleen op basis van uitslagen.

Daarmee ontstaat geen keuze tussen intuïtie en technologie. De kern is juist de combinatie. Data vervangt het oog van de trainer of scout niet, maar werkt als een objectief filter dat opvallende patronen zichtbaar maakt en blinde vlekken verkleint. Een ploeg kan winnen ondanks een structureel zwakke veldbezetting, of verliezen terwijl de gecreëerde kansen uitstekend waren. Tracking, video en geavanceerde statistieken helpen om die verschillen te herkennen. Langs de zijlijn ondersteunen ze bij tactische aanpassingen, terwijl ze op kantoor helpen om transferprofielen en ontwikkelplannen scherper te formuleren.

Verder kijken dan doelpunten en balbezit

Doelpunten, schoten en balbezit blijven nuttige startpunten, maar ze vertellen zelden het volledige verhaal. Een team kan 65 procent balbezit hebben zonder gevaarlijk te worden, terwijl een tegenstander met weinig balbezit meerdere open kansen creëert. Ook het aantal schoten kan misleiden. Tien pogingen van buiten het strafschopgebied zeggen iets anders dan drie schoten vanaf de rand van het doelgebied. Ruwe statistieken beschrijven wat er gebeurde, maar niet altijd hoe waardevol of onder controle die acties waren.

Daarom gebruiken clubs contextuele maten zoals Expected Goals, afgekort xG, en Expected Assists, of xA. xG schat de kans in dat een schot een doelpunt wordt, op basis van onder meer de afstand tot het doel, de schiethoek, het type assist en de spelsituatie. xA beoordeelt de kwaliteit van een beslissende pass vóór een schot. Zo ontstaat een genuanceerder beeld van de aanvallende bijdrage van spelers en teams. Een aanvaller met weinig doelpunten maar een hoge xG kan pech hebben gehad of matig hebben afgewerkt. Een speler met veel doelpunten uit weinig xG kan juist uitzonderlijk efficiënt zijn, maar ook profiteren van een tijdelijke uitschieter.

Belangrijk om te weten: xG meet vooral de kwaliteit van kansen, niet simpelweg het aantal schoten. Een hoge xG-waarde betekent dat een ploeg kansen kreeg die gemiddeld vaak tot een doelpunt leiden. De maatstaf voorspelt geen individuele wedstrijd en neemt niet alle factoren mee, zoals de exacte druk van een verdediger, de kwaliteit van de doelman of de technische uitvoering. Een studie- of analyseaanpak moet xG daarom combineren met video en wedstrijdcontext. Ook geavanceerde data blijft een hulpmiddel, geen zelfstandig oordeel.

Beslissingen tijdens de rust en langs de zijlijn

De praktische waarde van data wordt het duidelijkst wanneer de tijd beperkt is. Moderne videoanalyseprogramma’s kunnen wedstrijdbeelden labelen, fragmenten selecteren en statistieken koppelen aan specifieke fases. Een trainer hoeft dan niet de volledige eerste helft opnieuw te bekijken. Een analist kan bijvoorbeeld drie momenten tonen waarop de rechtervleugelverdediger van de tegenstander te hoog stond, of waarop de eigen zes niet aansloot bij de centrale verdedigers. Platforms voor videoanalyse combineren steeds vaker beeld met fysieke en tactische gegevens, waardoor een fragment niet alleen wordt bekeken, maar ook verklaard.

Trackingcamera’s kunnen patronen zichtbaar maken die op het veld moeilijk te herkennen zijn. Een ploeg lijkt bijvoorbeeld in een 4-3-3 te spelen, maar zakt zonder bal structureel terug naar een 4-5-1. Een aanvallende middenvelder kan bovendien voortdurend in de halfspace verschijnen, waardoor de formatie in balbezit feitelijk verandert. Onderzoek naar systemen voor formatie- en rolwisselingen laat zien dat dergelijke modellen blijvende tactische veranderingen kunnen onderscheiden van tijdelijke positiewisselingen. Dat is relevant voor de trainer, want niet elke afwijkende positie vraagt om een directe ingreep.

Ook wissels kunnen beter worden voorbereid. Vermoeidheidsdata, sprintbelasting, herhaalde hoge-intensiteitsacties en de afname van drukzetting geven aanwijzingen over de fysieke toestand van spelers. Tegelijk moet worden bekeken welke invaller het beste past bij de wedstrijdsituatie. Een snelle buitenspeler is niet automatisch de juiste keuze wanneer de tegenstander laag verdedigt. Modellen kunnen eerdere situaties vergelijken, maar de staf moet de uitkomst verbinden aan de stand, de resterende tijd, kaarten, rollen en mentale dynamiek.

1. Begin met één duidelijke observatie, bijvoorbeeld dat de tegenstander steeds ruimte achter de rechtsback laat.
2. Toon maximaal twee of drie videofragmenten die dit patroon bewijzen.
3. Verbind de beelden aan een eenvoudige actie, zoals sneller doorpassen of de linksbuiten hoger positioneren.
4. Geef spelers per linie één concrete taak en vermijd een lange lijst cijfers.
5. Controleer na de hervatting of de gewenste aanpassing zichtbaar effect heeft.

Slimmer scouten zonder tunnelvisie

Scoutingsafdelingen kunnen onmogelijk duizenden wedstrijden volledig met dezelfde intensiteit bekijken. Prestatie-algoritmes helpen daarom om grote databestanden voor te filteren. Een club kan zoeken naar centrale verdedigers die veel vooruit verdedigen, middenvelders die onder druk terrein winnen of buitenspelers die vaak acties inzetten in het laatste derde deel. Daarna bekijken scouts de relevante videofragmenten. Data bepaalt dus niet automatisch wie wordt aangetrokken, maar verkleint het zoekgebied en maakt vergelijking tussen competities overzichtelijker.

De case van Heracles Almelo laat zien hoe digitale scouting niet alleen over transfers gaat. GPS, video, algoritmes en spelersdata kunnen worden gebruikt om talenten op te sporen en hun ontwikkeling te volgen. Trainers, scouts, data-analisten en performancecoaches werken daarbij nauwer samen. Dat is vooral waardevol in onderbelichte competities, waar een speler minder media-aandacht krijgt maar wel een passend ontwikkelprofiel heeft. Een model kan een speler signaleren op basis van onderliggende prestaties, waarna de scout beoordeelt of diens techniek, spelinzicht, karakter en aanpassingsvermogen bij de club passen.

Gecombineerde systemen voorkomen bovendien dat een speler uitsluitend op één cijfer wordt beoordeeld. Een online speler volgsysteem kan bijvoorbeeld trainingsaanwezigheid, speelminuten, evaluaties, RPE, wedstrijdgebeurtenissen en ontwikkelgesprekken bij elkaar brengen. Voor profclubs en amateurverenigingen verschilt de schaal, maar het principe blijft gelijk: een profiel wordt sterker wanneer wedstrijddata, video en menselijke beoordeling elkaar aanvullen.

• Profielmatching op positie, speelstijl, leeftijd, contractstatus en ontwikkelpotentieel.
• Vergelijking tussen competities met correcties voor niveau, speeltempo en teamsterkte.
• Videoverificatie van terugkerende acties, in plaats van vertrouwen op gemiddelden alleen.
• Ontwikkelmonitoring van speelminuten, trainingsbelasting en technische verbeterpunten.
• Risicobeoordeling rond blessures, beschikbaarheid en aanpassingsvermogen.
• Vermindering van tunnelvisie doordat ook spelers buiten het bekende netwerk in beeld komen.

Valkuilen bij de implementatie in de staf

De grootste fout is niet dat een club te weinig data heeft, maar dat zij te veel informatie zonder prioriteit verzamelt. Een coach die voor elke wedstrijd tientallen dashboards krijgt, weet niet automatisch welke grafiek relevant is. Data-overload kan zelfs leiden tot besluiteloosheid. Spreek daarom vooraf af welke vragen moeten worden beantwoord. Wil de staf weten waarom de opbouw stokt, waarom de drukzetting na een uur wegvalt of welke wissel het beste past bij een bepaalde tegenstander? Pas daarna hoort de keuze voor meetpunten en rapportages te volgen.

De video-analist vervult hierin een cruciale vertaalfunctie. Wiskundige modellen spreken over waarschijnlijkheden, afwijkingen en correlaties, terwijl spelers behoefte hebben aan herkenbare voetbalsituaties. Een hoge sprintbelasting kan wijzen op vermoeidheid, maar ook op een bewuste tactiek waarbij een buitenspeler voortdurend diep moest lopen. Onderzoek van de Universiteit Twente naar wissels benadrukt dat teamdynamiek, positionering en onderlinge coördinatie moeten worden meegenomen. Een invaller verandert immers niet alleen zijn eigen prestaties, maar ook de manier waarop medespelers bewegen.

Let hierop: fysieke GPS-data mag nooit los van de tactische context worden geïnterpreteerd. Een lage loopafstand is niet per definitie slecht, net zoals veel sprints niet automatisch wijzen op een goede wedstrijd. Een controlerende middenvelder kan ruimtes effectief afsluiten zonder grote afstanden af te leggen. De juiste vraag is daarom niet alleen hoeveel een speler liep, maar waarom, wanneer en met welk effect.

• Koppel elk rapport aan één concrete stafvraag.
• Gebruik vaste definities voor termen zoals hoge intensiteit, drukzetting en progressieve pass.
• Laat analisten cijfers altijd illustreren met videobeelden.
• Bespreek privacy, datatoegang en mogelijke vooroordelen in scoutingsmodellen.
• Test nieuwe dashboards eerst met trainers en spelers voordat ze structureel worden ingevoerd.

Bouw stap voor stap aan een effectieve dataflow

Data-analyse werkt het best als een objectieve bril. Zij kan bevestigen dat het oog van de trainer een juist patroon ziet, maar ook aantonen dat een indruk door een opvallend moment is ontstaan. Een doelpunt kan bijvoorbeeld de aandacht afleiden van een reeks zwakke opbouwfases. Andersom kan een nederlaag een team onterecht negatief beoordelen wanneer de kansenverhouding en veldbezetting sterk waren. Door statistiek, video en voetbalkennis samen te brengen, ontstaat een betrouwbaarder besliskader voor training, wedstrijd en transferbeleid.

Zo pak je het aan: begin klein. Kies één probleem, verzamel alleen de data die nodig is om dat probleem te begrijpen en leg de uitkomst vast in een kort rapport met videobeelden. Evalueer vervolgens of de informatie tot een betere trainingsvorm, tactische keuze of scoutingsbeslissing leidde. Pas wanneer die werkwijze waarde oplevert, kan de club uitbreiden met tracking, voorspellende modellen en real-time inzichten. In de toekomst zullen spelers en trainers steeds directer samenwerken met systemen die tactische patronen, belasting en ruimtegebruik tijdens de wedstrijd zichtbaar maken. De menselijke beslissing blijft daarbij centraal, maar wordt sneller, scherper en beter onderbouwd.