Robin van Persie, trainer van sc Heerenveen, kreeg deze week in de media een transferadvies. Analisten vergeleken mogelijke aanwinsten met onder meer Jakub Moder, de Poolse middenvelder. De vraag is wie beter past in Heerenveens speelplan voor het nieuwe seizoen. De discussie laat zien hoe keuzes in het moderne voetbal steeds vaker steunen op data en kunstmatige intelligentie.
Data sturen transferscouting
Clubs gebruiken platforms als Wyscout (Hudl), Opta van Stats Perform en het Nederlandse SciSports om spelers te beoordelen. Zulke systemen combineren wedstrijdstatistieken en trackingdata met algoritmen. Ze schatten hoe een speler past bij een speelstijl en competitie. Dat helpt om sneller en gerichter te kiezen.
Een scouting-algoritme is een model dat patronen zoekt in veel data en daar een voorspelling aan koppelt. SciSports werkt bijvoorbeeld met de SciSkill Index, een getal dat de verwachte bijdrage van een speler samenvat. Zulke scores geven richting, maar zijn geen eindbesluit. De uitkomst is zo goed als de gebruikte data en aannames.
Voor clubs met beperkte budgetten, zoals Heerenveen, verkort dit de shortlist en verlaagt het risico. Trainers en technisch directeuren toetsen scenario’s: wat gebeurt er als een controleur vertrekt, of als er meer pressing nodig is? De mens bepaalt de context, het model levert vergelijkbare profielen. Zo ontstaat een evenwicht tussen snelheid en zorgvuldigheid.
Grenzen van algoritmen zichtbaar
Algoritmen generaliseren op basis van het verleden. Een speler die uitblinkt in één competitie kan elders minder renderen. Verschil in tempo, scheidsrechterslijn en ploeggenoten verandert de uitkomst. Dat vang je niet volledig in één score.
Databias speelt ook mee. Competities met minder camera’s of zwakkere datakwaliteit leveren onvolledige profielen op. Spelers uit zulke competities worden dan lager ingeschat, los van hun werkelijke niveau. Dit is een bekend risico bij machine learning en vraagt om menselijk tegenwicht.
Context is cruciaal: rol in het elftal, blessurehistorie en mentale fit zijn moeilijk te kwantificeren. Medische gegevens mogen bovendien niet zomaar worden gedeeld. Overmatig leunen op een model kan dus tot verkeerde aankopen leiden. Een gemengde aanpak blijft nodig.
Europese regels raken sportdata
De AVG bepaalt hoe clubs spelersdata mogen gebruiken. Wedstrijd- en trackingdata zijn persoonsgegevens en vragen om een duidelijke grondslag, dataminimalisatie en versleuteling. Contractafspraken met spelers en beveiligde opslag zijn daarom essentieel. Dit geldt ook bij samenwerking met dataleveranciers buiten de EU.
De Europese AI-verordening (AI Act) brengt extra plichten voor besluitvormende systemen. Als een algoritme direct bijdraagt aan aannamebeslissingen, kan het onder de categorie hoog risico vallen. Dan zijn risicobeheer, documentatie, menselijk toezicht en registraties vereist. Dit geldt op het moment van schrijven nog gefaseerd, naarmate de wet in werking treedt.
De AI-verordening kan scoutingsoftware die de werving van personeel beïnvloedt als “hoog risico” aanmerken, met strengere eisen voor transparantie, veiligheid en menselijk overzicht.
Gebruik in de kleedkamer of op de training heeft ook impact. Wearables en camera’s vragen om duidelijke doelen en beperkte bewaartermijnen. Clubs moeten uitleggen wat er wordt gemeten en wie toegang heeft. Transparantie richting spelers en staf is verplicht en voorkomt conflict.
Nederlandse tools winnen terrein
Nederlandse partijen spelen een zichtbare rol in voetbaldata. SciSports levert modellen voor talentherkenning en tactische fit aan clubs in en buiten de Eredivisie. De combinatie van eventdata en positiegegevens geeft snel vergelijkbare profielen. Daarmee kunnen clubs alternatieven vinden als een eerste keuze te duur is.
Ook academische samenwerking groeit. Universiteiten en betaald voetbalorganisaties onderzoeken hoe tracking en videodata beter te koppelen zijn. Het doel is minder ruis en meer context per actie. Dit vermindert het risico op verkeerde conclusies door kale cijfers.
Internationale leveranciers als Opta en Wyscout blijven de basis. Zij leveren gestandaardiseerde datasets en videoclips. Nederlandse clubs profiteren zo van brede vergelijkingen met Europese competities. Dat maakt marktprijzen en opleidingswaarde inzichtelijker.
Mens en model beslissen samen
De best practice is een getrapt proces. Eerst filtert een algoritme kandidaten op profiel en prijs. Daarna volgt live scouting, gesprek en medische check. Elk stapje verkleint het risico op een mismatch.
Teams borgen dit met menselijk toezicht en logboeken. Zij leggen vast hoe een model is gebruikt en welke overwegingen doorslaggevend waren. Zo voldoen ze aan de AI Act en de AVG. En ze leren van elke geslaagde of mislukte transfer.
Voor een trainer als Van Persie levert dit rust en houvast. Data helpen het profiel scherper te definiëren, zonder blind te varen op één advies. De uiteindelijke keuze blijft een voetbalbeslissing. Met algoritmen als hulpmiddel, niet als scheidsrechter.
