Possession value uitleg: wat de metric meet en hoe je hem leest
Possession value meet hoeveel een actie de kans vergroot of verkleint dat een team binnen korte tijd scoort: exact ΔP(score) min ΔP(concede). De metric kijkt verder dan expected goals of expected assists, omdat elke pass, dribbel of tackle een eigen waarde krijgt. Hieronder leggen we uit hoe die berekening werkt, welke acties waarde opleveren en wat recent onderzoek zegt over de betrouwbaarheid van moderne modellen.
Kort samengevat:
- De berekening vergelijkt veranderingen in scoringskans en tegengoalkans binnen ongeveer 15 seconden; de gekozen tijdshorizon beïnvloedt dus de uitkomst.
- Een progressieve pass of dribbel die een verdediger uit positie trekt kan waarde opleveren, terwijl balverlies op eigen helft het tegendoelrisico verhoogt.
- Een onderschepping of gewonnen tackle krijgt vaak een positieve waarde doordat die de kans op een tegengoal verlaagt.
- Moderne neurale netwerken herkenden de waardevollere situatie in ongeveer 78% van de vergelijkingen, maar die score verschilde per dataset en zegt niets over absolute nauwkeurigheid.
- Vergelijk spelers alleen binnen hetzelfde model en dezelfde dataset, en toets opvallende uitschieters aan wedstrijdbeelden voordat je conclusies over prestaties trekt.
Inhoudsopgave
- Wat is possession value en waarom is het nuttig naast xG en xA?
- Hoe bereken je possession value: data en stappen
- Welke acties leveren waarde op: passes, carries, schoten en verdediging
- Recent onderzoek en benchmarks: OJN-Pass-EPV, U-Net en risico versus beloning
- Hoe lees je possession value verstandig? Interpretatie en valkuilen
- Geschiedenis van possession value in de voetbalstatistiek
- Praktische toepassingen voor coaches en analisten
- Toekomst van AI en machine learning in possession value analyse
- Waarom possession value relevant is voor wie wedstrijden écht wil begrijpen
- Bekijk live possession-gerelateerde data op BetsyScore
- Veelgestelde vragen
- Bronnen
Wat is possession value en waarom is het nuttig naast xG en xA?
Possession value, vaak afgekort als PV of EPV (expected possession value), drukt elke actie met de bal uit in een verandering van scoringskans. Waar expected goals (xG) alleen een schot beoordeelt en expected assists (xA) een pass die tot een schot leidt, kent possession value een waarde toe aan vrijwel elke handeling in een fase: een korte pass naar achteren, een dribbel door het middenveld, een onderschepping. Expected threat (xT) werkt met zones op het veld, terwijl possession value rekening houdt met de volledige gamestate, inclusief druk van tegenstanders en de locatie van medespelers.
Dat maakt possession value bruikbaar wanneer je wilt weten wie een wedstrijd daadwerkelijk opbouwt, niet alleen wie afrondt.
- Possession value waardeert elke bal-actie, niet alleen schoten of de laatste pass.
- Het model houdt rekening met zowel de kans om te scoren als de kans om een tegengoal te incasseren.
- Het vult xG en xA aan in plaats van ze te vervangen, vooral bij analyse van opbouwspelers en verdedigers.
Voor analisten die spelersbijdragen buiten de zestien willen kwantificeren, geeft possession value een vollediger beeld dan schotstatistieken alleen.
Hoe bereken je possession value: data en stappen
De kern van possession value draait om twee kansmodellen en een tijdsvenster. Elk model schat, op basis van de huidige gamestate, hoe groot de kans is dat het balbezittende team binnen een korte horizon scoort of juist een tegengoal krijgt. Die horizon ligt doorgaans rond 15 seconden, zodat de metric het effect van een actie meet op wat er direct daarna gebeurt, niet op de hele wedstrijd.
- Verzamel event- of trackingdata: locatie van de bal, spelers en het type actie (pass, dribbel, schot, tackle).
- Bepaal de gamestate voor en na de actie: positie op het veld, druk, aantal spelers tussen bal en doel.
- Schat P(score) met een model dat de kans op een doelpunt binnen de gekozen tijdhorizon voorspelt.
- Schat P(concede) met een vergelijkbaar model voor de kans dat het tegenovergestelde team scoort.
- Bereken de waarde van de actie als V = ΔPscore − ΔPconcede, zoals beschreven in de VAEP-methodologie van KU Leuven.
Een pass die de bal van het eigen strafschopgebied naar de middenlijn brengt, verhoogt P(score) licht en verlaagt het risico op een tegenaanval, dus levert een positieve waarde op. Een verloren bal op het eigen helft doet het omgekeerde. Omdat beide modellen los worden getraind, hangt de uitkomst sterk af van de kwaliteit van de onderliggende data en van hoe de tijdhorizon is gekozen.
Welke acties leveren waarde op: passes, carries, schoten en verdediging
Niet elke actie draagt evenveel bij, en het type bepaalt vaak het teken van de waarde.
- Een progressieve pass die de bal voorbij linies van tegenstanders brengt, verhoogt doorgaans P(score) sterker dan een zijwaartse pass.
- Een carry die een verdediger uit positie trekt, kan evenveel waarde opleveren als een pass, ook zonder balverlies van de tegenstander.
- Een mislukte pass op het eigen helft verhoogt vaak P(concede), omdat de tegenstander direct dichter bij het doel komt te staan.
- Een schot krijgt waarde via de directe kans op een doelpunt, vergelijkbaar met xG, maar dan ingebed in de bredere possession value keten.
- Defensieve acties zoals een onderschepping of een gewonnen tackle scoren positief doordat ze P(concede) van het eigen team verlagen op het moment van de actie.
Een verdediger die stelselmatig ballen onderschept in de opbouwfase van de tegenstander, bouwt daardoor net zo goed possession value op als een aanvaller die dribbelt.
Recent onderzoek en benchmarks: OJN-Pass-EPV, U-Net en risico versus beloning
Modernere EPV-modellen gebruiken neurale netwerken die het hele speelveld als een ruimtelijk raster behandelen in plaats van losse punten. Een U-Net-architectuur, zoals beschreven in het onderzoek Revisiting Expected Possession Value in Football, verwerkt spatio-temporele grids van spelerposities en balbeweging om voor elk moment een waarde-kaart te genereren. Door balhoogte als extra dimensie toe te voegen, kan zo’n model onderscheid maken tussen een grondpass en een hoge bal, wat de inschatting van zowel succeskans als vervolgwaarde verbetert.
Een tweede vernieuwing is de opsplitsing van passwaarde in een reward- en een risk-component. In plaats van één enkel cijfer laat dit zien hoeveel upside een pass biedt tegenover het risico op een tegenaanval bij balverlies, wat een coach concreter houvast geeft dan een samengevoegde score.
De OJN-Pass-EPV benchmark vergelijkt paren van aangepaste gamestates en vraagt modellen welke situatie waardevoller is, in plaats van een exact getal te voorspellen.
Dit relatieve beoordelingsprincipe ligt aan de basis van de evaluatiemethode uit het arXiv-onderzoek naar possession value.
Modellen met U-Net-architectuur en risk/reward-decompositie identificeren de hogere-waarde situatie in ongeveer 78% van de OJN-Pass-EPV benchmarkgevallen. Dat percentage zegt meer over de betrouwbaarheid van relatieve vergelijkingen dan over absolute nauwkeurigheid, en prestaties verschilden bovendien per dataset: op sommige sets verbeterde fine-tuning de score van rond de 68% naar 70%.
Hoe lees je possession value verstandig? Interpretatie en valkuilen
Possession value is krachtig, maar alleen wanneer je weet waar de cijfers vandaan komen. Experts vertrouwen vaak meer op relatieve verschillen tussen spelers of situaties dan op absolute scores, omdat modellen onderling andere schalen en aannames gebruiken. Een EPV-waarde van een leverancier is zelden één op één vergelijkbaar met die van een andere.
Datakwaliteit speelt een grote rol: modellen gebaseerd op trackingdata zien meer nuance dan modellen die alleen eventdata gebruiken, wat praktische toelichtingen over VAEP expliciet benoemen. Let ook op volume-bias: een speler met veel balcontacten kan een hoge totale possession value opbouwen zonder dat elke actie afzonderlijk veel waarde toevoegt.
Pro-tip: Vergelijk possession value altijd binnen dezelfde dataset en hetzelfde model, en controleer opvallende pieken met beeldmateriaal voordat je er een conclusie aan verbindt.
Geschiedenis van possession value in de voetbalstatistiek
Possession value ontstond als antwoord op de beperkingen van simpele telstatistieken zoals balbezitpercentage en passing accuracy, die niets zeggen over waar en wanneer een actie plaatsvindt. De eerste versies van expected possession value, bekend als F21-EPV, modelleerden het veld met trackingdata en kenden elke positie een scoringswaarschijnlijkheid toe. Die aanpak maakte het voor het eerst mogelijk om een pass naar de zestien anders te waarderen dan eenzelfde pass op de eigen helft.
Met de introductie van VAEP door onderzoekers van KU Leuven verschoof de focus van zuivere positiewaarde naar actiewaarde: niet de plek op het veld telt, maar het verschil dat een specifieke handeling maakt in de kans op scoren en incasseren. Dat maakte de metric toepasbaar op eventdata, die breder beschikbaar is dan trackingdata, en daarmee toegankelijker voor clubs zonder dure trackingsystemen.
De meest recente stap is de overgang naar neurale netwerken die het hele speelveld als ruimtelijk raster verwerken, zoals de U-Net-modellen uit het onderzoek naar OJN-Pass-EPV. Deze modellen nemen extra variabelen mee, zoals balhoogte, en splitsen waarde op in reward en risk. Die evolutie laat zien hoe possession value is gegroeid van een eenvoudige positiewaardering naar een genuanceerd instrument dat steeds dichter bij de werkelijke complexiteit van het spel komt.
Praktische toepassingen voor coaches en analisten
Coaches en analisten gebruiken possession value vooral om bijdrages zichtbaar te maken die niet in een doelpunten- of assist-telling terugkomen. Een controlerende middenvelder die zelden scoort maar wel voortdurend de bal progressief verplaatst, krijgt via possession value een cijfer dat zijn werkelijke invloed op de wedstrijd beter weerspiegelt dan traditionele statistieken.
In wedstrijdvoorbereiding helpt de metric om patronen bij de tegenstander te herkennen: op welke zones van het veld bouwt de tegenstander waarde op, en via welke spelers verloopt die opbouw het vaakst? Die informatie stuurt beslissingen over waar je perst en wie je uit het spel probeert te halen.
Na afloop van een wedstrijd gebruiken analisten possession value om spelersprestaties te vergelijken binnen dezelfde context, bijvoorbeeld om te zien of een vervanger een vergelijkbare bijdrage leverde als de speler die hij verving. Omdat de metric rekening houdt met risico, helpt het ook om onderscheid te maken tussen een speler die veilig speelt en een speler die bewust risicovollere, waardevollere passes probeert.
Voor amateur- en jeugdopleidingen blijft de toepassing beperkter, simpelweg omdat trackingdata en gedetailleerde eventdata op dat niveau minder vaak beschikbaar zijn. Daar blijft possession value vooral een hulpmiddel voor clubs en competities met voldoende data-infrastructuur.
Toekomst van AI en machine learning in possession value analyse
De richting van toekomstig onderzoek ligt in rijkere inputdata en slimmere architecturen. Modellen die nu al balhoogte meenemen, bewegen zich richting volledige driedimensionale trackinggegevens, inclusief spelershouding en loopsnelheid, wat een nog preciezere inschatting van scoringskansen mogelijk maakt.
Benchmarks zoals OJN-Pass-EPV wijzen ook op een bredere trend: evaluatie via relatieve, expert-gelabelde vergelijkingen in plaats van absolute scores. Die aanpak vermindert subjectiviteitsproblemen en zal naar verwachting vaker terugkomen bij het testen van nieuwe modellen, ook buiten pass-evaluatie.
Een andere lijn is domeintransfer: technieken die nu voor possession value worden ontwikkeld, zoals U-Net-architecturen voor ruimtelijke data, worden ook toegepast op andere voetbalvraagstukken, zoals verdedigende organisatie en pressingpatronen. Naarmate rekenkracht en databeschikbaarheid toenemen, verschuift de vraag minder naar “kan dit model een waarde berekenen” en meer naar “hoe vergelijkbaar en reproduceerbaar zijn deze waarden tussen datasets en leveranciers”. Dat laatste blijft een open uitdaging, omdat verschillen in tijdhorizon, gridresolutie en trainingsdata de uitkomsten blijvend beïnvloeden.
Waarom possession value relevant is voor wie wedstrijden écht wil begrijpen
Possession value sluit precies aan bij wat we proberen te laten zien: niet alleen wie scoort, maar wie een wedstrijd stuurt. Onze live win-kansen en minuut-voor-minuut momentum-meter bouwen op hetzelfde soort denken, de verschuivende waarschijnlijkheid dat een team op korte termijn scoort of incasseert. Wie dieper wil graven in opbouwstatistieken kan terecht op onze Eredivisie statistieken of de bredere analyses op ons voetbalblog.
— Aria
Bekijk live possession-gerelateerde data op BetsyScore
Wie possession value in de praktijk wil volgen, heeft actuele cijfers nodig. We bieden live scores die regelmatig verversen, een momentum-meter per minuut en AI-gestuurde win-kansen gebaseerd op expected goals en vorm, voor vele competities wereldwijd.
Bekijk bijvoorbeeld onze Premier League voorspellingen of lees de Champions League xG analyse om te zien hoe geavanceerde statistieken in de praktijk werken. Start op BetsyScore en volg de volgende wedstrijd met cijfers die verder gaan dan de uitslag alleen.
Veelgestelde vragen
Wat betekent possession value precies?
Possession value meet hoeveel een actie met de bal de kans op scoren vergroot of de kans op een tegengoal verkleint, uitgedrukt als het verschil tussen die twee kansen. De berekening volgt de VAEP-formule: V = ΔPscore − ΔPconcede.
Wat is het verschil tussen possession value en expected goals?
Expected goals (xG) beoordeelt alleen de kwaliteit van een schot, terwijl possession value elke actie in een fase waardeert, van pass tot dribbel tot tackle. Possession value geeft daardoor een breder beeld van wie een wedstrijd opbouwt, niet alleen wie afrondt.
Hoe betrouwbaar zijn possession value modellen?
Moderne modellen met U-Net-architectuur identificeren de waardevollere situatie in ongeveer 78% van de OJN-Pass-EPV benchmarkgevallen, wat wijst op een redelijke maar niet absolute betrouwbaarheid. Resultaten verschillen per dataset, dus vergelijkingen tussen leveranciers of competities vragen om voorzichtigheid.
Waarom scoren verdedigende acties soms positief in possession value?
Een onderschepping of gewonnen tackle verlaagt direct de kans dat het eigen team een tegengoal incasseert, wat in de VAEP-formule een positieve waarde oplevert. Dat maakt possession value nuttig om defensieve bijdragen zichtbaar te maken die in traditionele statistieken onopgemerkt blijven.
Kan possession value gebruikt worden op amateurniveau?
Possession value vraagt om gedetailleerde event- of trackingdata, die op amateur- en jeugdniveau vaak beperkt beschikbaar is. Daardoor blijft de toepassing voorlopig vooral praktisch op het professionele niveau, waar clubs en competities over de benodigde data-infrastructuur beschikken.
Bronnen
- Revisiting Expected Possession Value in Football: Introducing a Benchmark, U-Net Architecture, and Reward and Risk for Passes (ScitePress 2025)
- Revisiting Expected Possession Value in Football (arXiv 2025)
- VAEP (Valuing Actions by Estimating Probabilities) (KU Leuven DTAI)
- Possession value and VAEP, explained — SoccerAnalytics