Het nemen van beslissingen over sportprestaties op basis van data: hou het simpel, maar wees consistent

Data spelen een steeds grotere rol bij de evaluatie en selectie van sporters. Informatie over fysieke gesteldheid, over positie in het veld, psychologische variabelen en handelingssnelheid zijn voorbeelden van data die coaches en trainers steeds vaker ter beschikking hebben. Hoe moeten we deze data gebruiken? In het kerstnummer van Voetbal International van afgelopen jaar werd aan de trainers van Feyenoord, Ajax, PSV en de bondscoach gevraagd of ze data gebruikten en hoe ze dat deden.  De teneur was dat ze wel keken naar verschillende indicatoren (bijvoorbeeld fysieke gesteldheid), maar dat hun eigen gevoel, inzicht toch altijd leidend was.

Hoe kun je het beste data, je gevoel, en je inzicht combineren? Wat zegt de wetenschap hierover? De wetenschap zegt: “the whole trick is to decide what variables to look at and then know how to add” (Dawes & Corrigan, 1974, p. 105). In de context van bijvoorbeeld het selecteren van voetbalspelers betekent dit dat experts (de trainers, de coaches of de scouts) aan moeten geven waar ze op letten, maar dat het combineren van informatie moet worden overgelaten aan een (simpele) regel. Het probleem is dat experts goed zijn in het identificeren van belangrijke indicatoren over voetbalkwaliteit, maar dat experts minder goed zijn in het combineren van informatie. Daar komt nog eens bij dat we dat vaak niet zo goed doorhebben. Het geeft een goed gevoel om een mooi verhaal aan onszelf te vertellen, maar klopt het wat we tegen onszelf vertellen? Door het combineren van informatie volgens een vaste regel (bijvoorbeeld: beoordelingen aanvallen, verdedigen en omschakelen +  percentage pass nauwkeurigheid, succesvolle tackles en aantal doelpunten) kunnen we consistent en eerlijk voetballers met elkaar vergelijken. Bovendien weten we op welke gronden we de voetballers selecteren, dus wanneer het fout gaat kunnen we zaken verbeteren.

Hoewel het combineren van data op bovenstaande manier simpel lijkt en aan populariteit heeft gewonnen, heeft het daadwerkelijk gebruik van data voor scouting en selectiedoeleinden ook aversie opgeroepen. “Laptoptrainer” wordt vaak denigrerend gebruikt en vooral de oudere trainers  zeggen vaak zaken als “ze denken dat ze het spelletje hebben uitgevonden, maar vroeger konden we ook wel selecteren”. Dit was ook al zo toen Meehl (1954) empirische vaststelde dat  het gebruik van regels betere resultaten opleverde dan het intuïtief combineren van gegevens. Hij deed dat bij onderzoek in de klinische psychologie. Maar later zijn deze bevindingen ook in veel andere gebieden gerepliceerd, zoals bijvoorbeeld de geneeskunde, het onderwijs en de sport.

Als je een beslissing neemt, wil je zien of die klopt en het liefst wil je (nog) betere beslissingen nemen in de toekomst. Hoe kun je beslissingen verbeteren? Dan moet je weten hoe je die beslissing hebt genomen en je moet weten of de beslissing juist was. Wanneer je beslissingen intuïtief neemt en ze blijken niet goed te zijn, waar ligt het dan aan? Dat is dan moeilijk vast te stellen. Als je beslissingen neemt op basis van specifieke indicatoren (“goed druk zetten”, “passeert makkelijk”, “dynamisch”) en ze blijken niet goed te zijn dan kun je zaken verbeteren (misschien ontbreekt: “verdedigen”). Het gebruik van expliciete criteria en expliciete regels om informatie te combineren maakt het transparant en dus makkelijk te verbeteren. Vaak blijken simpele regels het evengoed te doen als meer complexe regels.

Dat neemt niet weg dat veel scouts en trainers moeite hebben om op deze wijze gegevens te combineren. Gebrek aan autonomie, en “meer werk” zijn veelgehoorde klachten. Een ‘unieke’ eigenschap van een speler, gebaseerd op het inzicht van de expert, is dan doorslaggevend in de beslissing,  en dit kan tot rare beoordelingen leiden. Veel scouts hebben bijvoorbeeld hun eigen theorieën die zelden worden getoetst of ze ook echt voorspellend zijn. Om een extreem voorbeeld te noemen: Matthijs de Ligt werd volgens de geruchtenmolen eerder niet op jongere leeftijd door Manchester United gekocht omdat zijn vader te dik zou zijn. Op het ogenblik doen we onderzoek in zowel sportcontext als in andere contexten om te zien hoe mensen genoeg autonomie hebben om tevreden te zijn met de beslissing, maar ook systematisch informatie gebruiken.

 

Literatuur

Dawes, R. M., & Corrigan, B. (1974). Linear models in decision making. Psychological Bulletin, 95-106.

Meehl, P. E. (1954). Clinical versus statistical prediction: A theoretical analysis and a review of the evidence. Minneapolis, MN: University of Minnesota Press.

 

Geschreven door: Rob R. Meijer, Hoogleraar Psychometrische en statistische technieken, Rijksuniversiteit Groningen (GMW) &

Tom L. G. Bergkamp, PhD student performance prediction in sports, Rijksuniversiteit Groningen (GMW)