Eredivisie Voorspellingen: Methode achter Betrouwbare Prognoses
Available in US
Voorspellingen: methode versus onderbuikgevoel
In mijn eerste seizoen als analist voorspelde ik wedstrijden op gevoel. Ajax thuis tegen Heerenveen — Ajax wint, toch? PSV uit bij Sparta — PSV is te sterk. Ik had in 60% van de gevallen gelijk, en ik was daar trots op. Tot ik ontdekte dat de bookmakers in diezelfde periode 63% correct inschatten, en dat mijn “succes” me netto geld kostte door de marge die ik betaalde.
Die realisatie veranderde mijn aanpak fundamenteel. Voorspellen is niet hetzelfde als gelijk hebben — het is beter zijn dan de markt. En de markt heeft teams van analisten, bergen aan data en jarenlange modellen tot haar beschikking. Om daar bovenuit te stijgen heb je een methode nodig die verder gaat dan “ik denk dat”. In 64% van de Eredivisie-wedstrijden vallen meer dan 2,5 doelpunten — dat weet iedereen. De vraag is: kun je voorspellen in welke 64% dat is?
Datamodellen voor Eredivisie-voorspellingen
Het eerste model dat ik bouwde was beschamend simpel: een spreadsheet met het gemiddelde aantal doelpunten per team, thuis en uit apart, en een Poisson-verdeling om de kans op elke mogelijke uitslag te berekenen. Het kostte me een middag om op te zetten en het klopte in 55% van de gevallen. Niet briljant, maar beter dan mijn onderbuikgevoel.
De Poisson-verdeling is het werkpaard van elke voetbalvoorspelling. Het principe: als een team gemiddeld 1.8 doelpunten per thuiswedstrijd scoort en de tegenstander gemiddeld 1.3 tegendoelpunten per uitwedstrijd incasseert, kun je een verwacht aantal doelpunten berekenen en de kansverdeling van uitslagen modelleren. Voor de Eredivisie, met een seizoensgemiddelde van 3,06 doelpunten per wedstrijd, levert dit model bruikbare basisvoorspellingen op.
Maar het basismodel mist context. Het houdt geen rekening met recente vorm, blessures, tactische wijzigingen of Europese verplichtingen. Daarom bouw ik jaarlijks een aanvullende laag: een vormcorrectie op basis van de laatste vijf wedstrijden, een thuisvoordeel-factor die per club varieert, en een vermoeidheidscorrectie voor clubs met Europees programma. Die drie correcties tillen de trefzekerheid van 55% naar 58-60% — marginaal, maar over een heel seizoen significant.
Het meest geavanceerde model dat ik gebruik combineert xG-data met het Elo-ratingsysteem. Elke club krijgt een Elo-score die na elke wedstrijd wordt bijgewerkt, gewogen naar de kwaliteit van de tegenstander en de locatie. De xG-component corrigeert voor geluk — een team dat structureel boven zijn xG scoort, zal terugvallen, en omgekeerd. Die combinatie van langetermijnkracht en korttermijnaanpassing geeft het scherpste beeld van de werkelijke verhoudingen in de Eredivisie.
Een fout die ik bij andere analisten vaak tegenkom: ze bouwen een model en vertrouwen er blind op. Een model is een vereenvoudiging van de werkelijkheid, en elke vereenvoudiging mist nuance. Mijn model voorspelde vorig seizoen dat een bepaalde middenmoter in de top acht zou eindigen — maar het model wist niet dat de sterspeler van die club in oktober zijn kruisband scheurde. Geen enkel statistisch model kan dat soort gebeurtenissen voorspellen, en daarom is de menselijke beoordeling altijd de laatste stap in mijn voorspellingsproces.
Vormanalyse en contextfactoren meewegen
Data alleen vertellen niet het hele verhaal. Ik heb seizoenen gezien waarin een team met uitstekende statistieken vijf wedstrijden op rij verloor, simpelweg omdat de trainer was ontslagen en de groepsdynamiek instortte. Geen enkel model vangt dat soort context op — dat is mensenwerk.
Vormanalyse is het handmatige stuk van mijn voorspellingsproces. Elke week bekijk ik de samenvattingen van de wedstrijden die relevant zijn voor mijn selecties. Niet om de uitslag te zien — die ken ik al — maar om het spel te lezen. Hoe hoog stond de defensielijn? Hoeveel ruimte gaf de tegenstander weg? Was het verschil in kwaliteit groter of kleiner dan de uitslag suggereerde?
Contextfactoren die ik systematisch meeweeg: het aantal rustdagen tussen wedstrijden, het reisschema bij uitduels, de weersomstandigheden bij buitenwedstrijden, en de stand op de ranglijst als indicator van motivatie. Een club die veilig op de tiende plek staat, speelt met een andere intensiteit dan een club die nog om Europees voetbal strijdt. Die motivatieverschillen zijn niet in de data zichtbaar, maar wel in de quoteringen — en de quoteringen onderschatten het effect vaak.
De Kansspelautoriteit erkende dat de piek in gokactiviteit samenviel met het EK voetbal in 2024 en de daaropvolgende regels — maar die seizoensgebonden pieken zijn ook zichtbaar in de Eredivisie. De topper-weken produceren meer weddenschappen, efficiëntere markten en minder ruimte voor value. De rustigere speelrondes — midweek-wedstrijden, duels in de wintermaanden — zijn minder efficiënt geprijsd en bieden meer ruimte voor wie de context kent.
De betrouwbaarheid van voorspellingen toetsen
Het eerlijkste wat ik over mijn voorspellingen kan zeggen: ze kloppen in 58% van de gevallen bij 1X2-uitkomsten. Dat is beter dan willekeurig, beter dan mijn eerste seizoen, maar ver verwijderd van de 100% die sommige tipservices beloven. De vraag is niet of je voorspelling klopt — de vraag is of je winstgevend bent.
Om dat te toetsen gebruik ik twee maatstaven. De eerste is yield: het totale rendement gedeeld door de totale inzet, uitgedrukt als percentage. Een yield van 5% betekent dat ik voor elke 100 euro inzet 5 euro winst maak. Dat klinkt bescheiden, maar over een seizoen met 200 weddenschappen is het substantieel. Een yield boven de 3% is structureel winstgevend; boven de 7% is uitzonderlijk.
De tweede maatstaf is de Brier-score, die de nauwkeurigheid van kansinschattingen meet. Als ik een team 70% kans op winst geef en het wint, is mijn Brier-score beter dan wanneer ik 55% had geschat. Het voordeel van de Brier-score boven yield: het is onafhankelijk van de quoteringen en meet puur de kwaliteit van je voorspelling. Ik vergelijk mijn Brier-score per seizoen met die van de slotquoteringen van bookmakers — als mijn score lager is, ben ik scherper dan de markt.
De conclusie na acht seizoenen: mijn modellen zijn beter dan de markt in specifieke niches — wedstrijden tussen middenmotors, duels na Europese weken, en de eerste vijf speelrondes van het seizoen. Bij de topwedstrijden — Ajax-PSV, Feyenoord-Ajax — is de markt vrijwel altijd efficiënter dan ik. Die zelfreflectie is niet bescheidenheid, het is de basis voor het selecteren van de juiste wedstrategieën.
Hoe betrouwbaar zijn Eredivisie-voorspellingen op basis van data?
Datamodellen voorspellen de 1X2-uitkomst van Eredivisie-wedstrijden in ongeveer 55-60% van de gevallen, afhankelijk van de complexiteit van het model. Dat is beter dan willekeurig, maar niet feilloos. De waarde zit niet in het percentage correct, maar in het herkennen van wedstrijden waar het model een grotere edge heeft dan de markt.
Welke data heb ik minimaal nodig om een wedstrijdvoorspelling te maken?
De basisvereisten zijn: doelpuntengemiddelden per team thuis en uit over minstens tien wedstrijden, de stand op de ranglijst, en de recente vorm over de laatste vijf duels. Voor nauwkeurigere voorspellingen voeg je xG-data, Elo-ratings en contextfactoren als blessures en Europese verplichtingen toe.
Gemaakt door de redactie van 'Gokken Eredivisie'.
