De Voetbaltrainer 251

Pagina 19 van: De Voetbaltrainer 251

Vier fases die een data- analist doorloopt ‘De eerste stap voor een data-analist is altijd om heel goed de vraag helder te krijgen. Wat wordt er precies van jou als analist verwacht? Welke behoefte heeft de coach? Waar wil hij me...

Vier fases die een data-
analist doorloopt
‘De eerste stap voor een data-analist is

altijd om heel goed de vraag helder te

krijgen. Wat wordt er precies van jou

als analist verwacht? Welke behoefte

heeft de coach? Waar wil hij meer over

weten en wat wil hij met die informatie

doen? Ook als je al met bepaalde key

performance indicators (KPI’s) werkt, zijn

sommige KPI’s belangrijker dan andere.

Bovendien kan de toepassing verschil-

len. Dat is dus de eerste stap: duik nóóit

in de data voordat je precies weet wat

de coach wil weten en waarom.

Heb je de data geanalyseerd (de tweede

stap), dan is het cruciaal op welke ma-

nier je je bevindingen aanreikt aan de

coach (de derde stap). ‘Op basis van wat

de coach precies met je data-analyse

wil doen, pas je de presentatie ervan

aan. Je visualiseert je bevindingen, zo-

dat het gemakkelijker is voor de coach

om de informatie te doorgronden.’

Daarna komt de vierde stap: context

bieden. ‘Het gaat een coach niet zozeer

om de getallen die hij ziet, maar om de

adviezen die daaruit volgen. Hoe kan

hij zijn elftal verbeteren met behulp

van deze data? Zo had ik in het verle-

den eens contact met een trainer aan

D e V o e t b a l t r a i n e r 2 5 1 2 0 2 0 19

S P E C I A L
D A T A – A N A L Y S E

wie ik overzichten aanreikte van het

aantal expected goals van zijn team.

‘Ik weet wat dit is’, zei hij, ‘maar het

boeit me niet. Ik wil niet weten hoe-

veel expected goals wij creëren, maar

hoe wij dat aantal kunnen verbeteren.’

Oftewel: een trainer is primair geïnter-

esseerd in adviezen, niet in data.’

Kortom, er moet een wisselwerking op

gang komen. ‘Je ploft geen document

op het bureau van de trainer, maar

staat steeds met hem in contact: voor-

af, tijdens en achteraf. Een bepaald

getal, is dat goed voor die speler? Is

het goed op zijn positie? Is het goed

in die specifieke wedstrijd? Ga het ge-

sprek aan, dat is cruciaal.’

Maatwerk
Een laatste advies dat Sormaz geeft,

is het aanpassen van de data-analyse,

visualisatie en toelichting aan degene

waarmee je samenwerkt. ‘Aan een

coach presenteer je je bevindingen

op een andere manier dan aan een

performance analist, wetenschapper,

fysiotherapeut of scout. Sterker nog, je

presenteert het ook anders aan twee

verschillende scouts of twee verschil-

lende wetenschappers. Iedereen heeft

een andere achtergrond, denkt ver-

schillend over de bijdrage van data en

heeft meer of minder tijd tot zijn be-

schikking. Dat heb ik in het begin echt

onderschat.’

Expected goals
Een bekende toepassing van event data is expected goals (xG). Deze parameter geeft aan hoe

groot de kans op een doelpunt is voor een bepaalde doelpoging. Die kans is onder meer af-

hankelijk van de afstand tot het doel. Ook andere factoren zijn van invloed. Vanaf dezelfde

plek leidt een schot uit een teruggetrokken voorzet tenslotte vaker tot een doelpunt dan een

kopbal uit een voorzet. Voor het benaderen van de kans op een doelpunt vanuit een bepaalde

doelpoging worden onder meer honderdduizenden historische doelpunten gebruikt. De xG-

waarde van een doelpoging wordt uitgedrukt als getal tussen 0,00 en 1,00. Een schot van af-

stand heeft een waarde dicht bij 0,00, een kans op de doellijn dicht bij 1,00. Het is aangetoond

dat het ‘xG-doelsaldo’ over een serie wedstrijden een betere voorspeller is van toekomstige

prestaties dan het ‘reguliere’ doelsaldo.

18-19_sormazleicester.indd 19 21-07-20 14:34