Zonder de bal te raken kan een voetballer van grote waarde zijn voor het team. Maar hoe meet je dat?

Wat spelers zonder bal doen – in jargon: ‘off the ball’ – moet je met off-the-ball-data meten, zou je zeggen. Aan off-the-ball-data geen gebrek. In veel stadions hangen tracking-camera’s. Wie waar wanneer loopt, met of zonder bal; het is allemaal bekend. De vraag is alleen: hoe interpreteer je deze data? Wat maakt een bepaalde positie nu goed of slecht?

Lang verhaal kort: daar is de gemeenschap van data-analisten in het voetbal nog hard over aan het denken. Wat al wel kan, is wat Lotte Bransen – econometrist bij voetbaldata-analysebedrijf SciSports – en haar collega’s ‘defensive positioning’ hebben gedoopt. Deze meeteenheid geeft weer hoeveel gevaar een aanvaller minder heeft gesticht dan je vooraf zou verwachten. Expliciete bedoeling hierbij: het meenemen van alles wat een speler doet zonder bal.

Stel, verdediger Stefan de Vrij speelt met Inter Milaan tegen het Napoli van aanvaller Victor Osimhen. Op basis van Osimhens prestaties in eerdere wedstrijden is de verwachting dat Osimhen tegen Inter een bepaald aantal scoringskansen krijgt: kansen die optellen tot een score van 0,9 ‘verwachte doelpunten’ – een manier om de kwaliteit van kansen te kwantificeren.

Na de wedstrijd bekijkt de computer wat er daadwerkelijk gebeurde tijdens Inter-Napoli. Stel, Osimhen doet doelpogingen ter waarde van 0,6 verwachte doelpunten. Het verschil met de verwachte waarde – 0,3 goals – wordt toegeschreven aan de verrichtingen van De Vrij en zijn collega’s in de verdediging. In positieve zin: De Vrij heeft Osimhens gevaar verminderd.

Doe je dit over een heel seizoen, dan krijg je een aardig beeld van de toegevoegde waarde van een verdediger. Anders gezegd: hoeveel hij/zij de tegenstanders slechter of beter deed spelen dan je zou verwachten. Hoe de verdediger dat deed, maakt het model niet uit. De aantallen kopballen, tackles, duels, intercepties et cetera zijn irrelevant. Door die benadering wordt het werk van spelers zonder bal dus ook meegenomen – zonder dat je off-the-ball-data nodig hebt.

Perfect is het model niet. Een nadeel is bijvoorbeeld dat het lastig is om de individuele bijdrage van een speler uit te dokteren. Immers: twee verdedigers die vaak samenspelen, doen niet hetzelfde, maar krijgen wel vrijwel dezelfde score. Bovendien is verdedigen in principe een taak van alle spelers in het team – ook van de aanvallers. Maar stel nu dat de aanvallers van een ploeg weinig verdedigend werk verrichten, dan wordt de taak van de verdedigers zwaarder, en hun score op defensive positioning slechter – buiten hun schuld.

Bransen en haar collega’s weten dit, uiteraard – ze zijn naast wetenschappers ook voetballers. Ze laten zich, bovendien, adviseren door coaches en scouts, over welke posities op het veld doorgaans de meeste invloed op elkaar hebben. Dit zit verwerkt in het model. Het probleem is dat het model geen rekening kan houden met de tactische overwegingen van alle teams.

Kortom: defensive positioning is bij het beoordelen van de verdedigende kwaliteiten van spelers een beginpunt – en geen eindpunt. Dat blijft zo als off-the-ball-data in de toekomst wel kunnen worden geïnterpreteerd. Ja, dan zal een nog scherper beeld ontstaan van de defensieve kwaliteit van spelers. Maar ook dan blijft een mens nodig voor een volledigere beoordeling.

Waarom? Spelers zoals Stefan de Vrij coachen bijvoorbeeld hun medespelers vaak, door in woord of gebaar te zeggen waar ze moeten staan. Dat is cruciaal voor het functioneren van de verdediging, maar je haalt het niet uit de data. Kanttekeningen bij modellen als defensive positioning zijn er dus zeker, zegt Bransen. Maar ze wil ook niet de clichématig bescheiden data scientist zijn. ‘Ik geloof echt dat je uit data snel en goed patronen van spelers kan identificeren.’

Binnenkort kun je meer lezen over het werk van Bransen en andere data-analytici in het voetbal.

Meer lezen?