Transferwaardemodellen in het voetbal: zo werken ze
Een transferwaardemodel schat wat een club onder normale marktomstandigheden zou moeten betalen om een speler over te nemen. Moderne modellen gebruiken daarvoor regressieanalyse en machine learning. Ze rekenen met leeftijd, resterende contractduur, speeltijd, prestaties, het niveau van de club en de sterkte van de competitie. Hieronder staat welke variabelen in zo’n model zitten, hoe de berekening verloopt en hoe betrouwbaar de uitkomst is. Ook komt aan bod wat een model niet kan zien en waar de prestatiedata vandaan komen die deze modellen voeden, zoals expected goals.
Kort samengevat
- Een transferwaardemodel voorspelt de prijs van de registratie van een speler op de transfermarkt. Het meet niet de kwaliteit van de speler op zich.
- De variabelen vallen in vier groepen: speler, contract, team en marktcontext.
- In goed functionerende segmenten van de markt ligt de correlatie tussen geschatte en werkelijk betaalde bedragen boven de 80%.
- Algoritmische modellen, vaak ‘expected transfer value’ genoemd, reageren direct op nieuwe data. Crowdsourced marktwaarden volgen de consensus van een gemeenschap.
- Blessures, conflicten en acute geldnood bij een club vallen buiten het model. Ze verklaren veel van de grote afwijkingen.
Inhoudsopgave
- Waarom transferwaarde om modellen vraagt
- Marktwaarde, transferwaarde en expected transfer value
- De bouwstenen van een transferwaardemodel
- Zo komt een model tot een bedrag
- Crowdsourced versus algoritmisch: de verschillen
- Hoe betrouwbaar zijn de uitkomsten?
- Wat een model niet ziet
- Een rekenvoorbeeld in hoofdlijnen
- Waar betrouwbare xG-data te vinden zijn
- Onze kijk op transferwaardemodellen
- Veelgestelde vragen
- Bronnen
Waarom transferwaarde om modellen vraagt
De transfermarkt is in korte tijd sterk gegroeid. Volgens het CIES Football Observatory gaven clubs in 2019 voor het eerst meer dan € 10 miljard uit aan transfersommen, ruim drie keer zoveel als tien jaar eerder. Bij zulke bedragen is een inschatting op gevoel een financieel risico. Een verkopende club wil weten welke vraagprijs verdedigbaar is. Een kopende club wil weten wanneer een bod te hoog wordt.
Transferwaardemodellen geven daarvoor een objectief vertrekpunt. Ze zijn getraind op historische transfers en zoeken naar de patronen die bepalen welk bedrag er uiteindelijk wordt betaald. Daarmee leggen ze vast wat de markt in vergelijkbare gevallen eerder heeft gedaan. Het model zegt dus niet wat een speler ‘verdient’. Het zegt wat kopers en verkopers voor een vergelijkbaar profiel gewoonlijk afspreken.
Marktwaarde, transferwaarde en expected transfer value
In discussies over spelerswaarde lopen drie begrippen vaak door elkaar. Het onderscheid bepaalt hoe een cijfer gelezen moet worden.
- Marktwaarde (crowdsourced): een inschatting die tot stand komt via een gemeenschap van gebruikers en moderatoren. De waarde weerspiegelt de consensus en wordt bijgewerkt wanneer die consensus verschuift.
- Transferwaarde of expected transfer value: een algoritmische voorspelling van de transfersom die een club onder vrije marktomstandigheden zou betalen. Deze modellen geven de uitkomst meestal als bandbreedte en niet als één bedrag.
- Werkelijke transfersom: het bedrag dat clubs na onderhandeling afspreken, soms aangevuld met bonussen en doorverkooppercentages.
De bandbreedte is geen detail. Een speler is waard wat ligt tussen wat een verkoper redelijkerwijs kan vragen en wat een koper redelijkerwijs mag verwachten te betalen. Hoe breder die marge, hoe grilliger de markt voor dat profiel. Bij spelers van absolute wereldklasse is de marge het breedst, omdat er weinig vergelijkbare transfers bestaan om de schatting op te baseren.
De bouwstenen van een transferwaardemodel
De wetenschappelijke methode van het CIES Football Observatory en vergelijkbare academische modellen gebruiken dezelfde vier groepen variabelen.
| Categorie | Voorbeelden van variabelen | Waarom het telt |
|---|---|---|
| Speler | Leeftijd, positie, gespeelde minuten, goals, assists, interlands | Leggen ervaring, inzetbaarheid en productie vast |
| Contract | Resterende looptijd van het contract | Bepaalt de onderhandelingspositie van de verkopende club |
| Team | Prestaties van de club, sterkte van de competitie, recente transferuitgaven | Plaatsen de individuele cijfers in hun sportieve en economische context |
| Context | Inflatie op de transfermarkt, algemene marktontwikkeling | Corrigeren voor het feit dat dezelfde speler elk jaar meer kost |
Leeftijd: een curve, geen rechte lijn
Leeftijd is een van de sterkste voorspellers van transferwaarde, maar het verband is niet lineair. In regressiemodellen wordt leeftijd daarom vaak ook als kwadratische term opgenomen. Zo kan het model een piek weergeven: de waarde stijgt bij jonge spelers met potentie, vlakt af rond het midden van de twintig en daalt daarna. Een 21-jarige en een 31-jarige met identieke statistieken krijgen daardoor sterk uiteenlopende waarden.
Resterende contractduur
Een speler met vier jaar contract geeft de verkopende club een sterke positie. Een speler met nog twaalf maanden niet. Wie weigert te verkopen, kan hem een jaar later transfervrij zien vertrekken. Modellen laten de waarde daarom dalen naarmate het contract korter wordt, ook als de sportieve prestaties gelijk blijven. Dit is een van de duidelijkste voorbeelden van een factor die de prijs bepaalt zonder iets over de kwaliteit van de speler te zeggen.
Sportief niveau van club en competitie
De sterkte van een competitie is een van de belangrijkste en minst begrepen variabelen. Een statistische studie naar transfersommen wereldwijd weegt het sportieve niveau van een competitie via de resultaten van clubs uit dat land in internationale toernooien over de afgelopen vijf jaar. Het gaat dan om toernooien als de Champions League of de Copa Libertadores. Zo meet het model het werkelijke sportieve gewicht van een competitie en niet de populariteit ervan. Voor Eredivisie-spelers betekent dit dat Europese resultaten van Nederlandse clubs direct doorwerken in de waardering van individuele spelers. Wie de onderliggende cijfers wil vergelijken, vindt in het overzicht van Eredivisie statistieken waar actuele en historische data te vinden zijn.
Prestaties en speeltijd
Gespeelde minuten zijn in veel modellen belangrijker dan doelpunten. Een speler die structureel speelt bij een club op hoog niveau heeft zich op dat niveau bewezen. Goals en assists tellen mee, maar zijn gevoelig voor toeval. Daarom maken analisten steeds vaker gebruik van onderliggende maatstaven zoals expected goals, die de kwaliteit van kansen meten in plaats van de afloop ervan. De uitleg over expected goals laat zien hoe xG wordt berekend en gelezen. Voor spelers die vooral bijdragen in de opbouw zegt een maatstaf als possession value vaak meer dan het aantal assists.
Interlands en ervaring
Interlands en ervaring op hoog niveau verhogen de geschatte waarde. Dat komt niet per se doordat zulke spelers beter zijn. Historische transferdata laten zien dat kopers voor deze kenmerken meer betalen. Het model volgt het gedrag van de markt, niet een oordeel over talent.
Marktcontext en inflatie
De transfermarkt kent inflatie. Een transfersom uit 2016 is niet direct vergelijkbaar met een transfersom uit 2026. Modellen corrigeren daarom voor de algemene prijsontwikkeling, zodat historische transfers als bruikbare referentie dienen voor actuele waarderingen.
Zo komt een model tot een bedrag
De opbouw van een transferwaardemodel volgt in de praktijk een vaste volgorde.
- Verzamelen van historische transfers. De basis is een zo groot mogelijke dataset van betaalde transfersommen, gekoppeld aan de kenmerken van speler en club op het moment van de transfer.
- Selecteren van variabelen. Analisten bepalen welke factoren de transfersom aantoonbaar verklaren. Variabelen zonder voorspellende waarde vallen af.
- Kiezen van een rekenmethode. Klassieke modellen gebruiken lineaire regressie. Geavanceerdere varianten werken met multilevel-regressie, die rekening houdt met de nesting van spelers in clubs en competities, of met machine learning, die ook niet-lineaire verbanden oppikt.
- Valideren. Het model wordt getest op transfers die het niet heeft gezien. De vraag is hoe dicht de voorspellingen bij de werkelijk betaalde bedragen liggen.
- Vertalen naar een bandbreedte. De uitkomst is een range met een middenwaarde. De breedte geeft de onzekerheid weer.
- Periodiek bijwerken. Omdat speeltijd, contractduur en prestaties voortdurend veranderen, worden de waarden regelmatig opnieuw berekend, vaak maandelijks.
De omvang van de dataset doet ertoe. Een regressieanalyse van 62 transfers uit het Premier League-seizoen 2019/20 laat zien hoe een kleine steekproef al verbanden kan blootleggen. Tegelijk toont zo’n analyse waarom professionele modellen op honderdduizenden transfers uit vele competities worden getraind: pas dan zijn er genoeg vergelijkbare gevallen voor elk spelersprofiel.
Crowdsourced versus algoritmisch: de verschillen
Beide benaderingen hebben een eigen functie. Het verschil zit in de bron van het cijfer en in de snelheid waarmee het reageert.
| Kenmerk | Crowdsourced marktwaarde | Algoritmisch model (expected transfer value) |
|---|---|---|
| Bron | Consensus van gebruikers en moderatoren | Historische transferdata en statistische modellen |
| Uitkomst | Meestal één bedrag | Meestal een bandbreedte met middenwaarde |
| Updates | Wanneer de gemeenschap de waarde herziet | Periodiek, op basis van nieuwe data |
| Reactie op contractduur | Vertraagd en wisselend | Direct, als vaste variabele |
| Sterk in | Sentiment, debat, publieke perceptie | Scouting, onderhandeling, inschatting van prijsranges |
| Zwak in | Spelers buiten de schijnwerpers, subjectieve bias | Uitzonderlijke spelers, persoonlijke factoren |
Onderzoek van de Erasmus Universiteit Rotterdam, getiteld Beyond crowd judgments, onderzocht of een datagedreven schatting van marktwaarde een alternatief kan zijn voor oordelen van de crowd. Het vertrekpunt van die studie is dat transferbeslissingen tot de belangrijkste beslissingen van clubmanagers horen. Een objectieve, reproduceerbare waardering is voor die beslissingen bruikbaar. In de praktijk vullen de twee benaderingen elkaar aan: de crowd vangt sentiment, het model vangt structuur.
Hoe betrouwbaar zijn de uitkomsten?
De betrouwbaarheid van transferwaardemodellen wordt gemeten door voorspelde en werkelijke bedragen naast elkaar te leggen. Het CIES Football Observatory rapporteert dat de correlatie tussen geschatte en betaalde transfersommen boven de 80% ligt in de transferperiodes die het onderzocht. Volgens het instituut wijst dat erop dat de transfermarkt, door een econometrische bril bekeken, grotendeels rationeel functioneert.
Een hoge correlatie betekent niet dat elke voorspelling klopt. Ze betekent dat het model de rangorde en de orde van grootte van transfersommen goed treft. Een speler die op een range van € 18 tot € 24 miljoen wordt geschat en voor € 30 miljoen vertrekt, past nog altijd in een sterk correlerend model. Voor de lezer is de praktische vuistregel: gebruik de bandbreedte als referentie en niet de middenwaarde als prijskaartje.
De nauwkeurigheid verschilt per marktsegment. In segmenten met veel vergelijkbare transfers, zoals middenmoters uit grote Europese competities, zijn de schattingen het scherpst. Bij uitzonderlijke talenten, spelers uit kleinere competities met weinig doorstroming en transfers binnen gesloten netwerken is de spreiding groter.
Wat een model niet ziet
Datagedreven modellen voorspellen de rationele marktprijs. Een transfer is echter ook een menselijke onderhandeling. Het CIES noemt expliciet factoren die buiten het model vallen en die grote verschillen kunnen verklaren:
- Acute geldnood bij de verkopende club. Een club die snel moet verkopen, accepteert vaak een lager bod.
- Conflicten tussen trainer en speler. Een speler die buiten de selectie staat, verliest onderhandelingswaarde.
- Disciplinaire problemen. Gedrag buiten het veld schrikt kopers af, ongeacht de cijfers.
- Blessuregeschiedenis. Een speler met terugkerende blessures vormt een risico dat in de prijs doorwerkt.
Daarnaast spelen factoren als de wens van een speler om naar één specifieke club te gaan, concurrentie tussen kopers en de timing binnen de transferperiode. Een deal op de laatste dag van de zomerperiode kan door tijdsdruk duidelijk afwijken van het model. Wie een transferwaarde leest, leest dus het rationele uitgangspunt. De uiteindelijke prijs ontstaat aan de onderhandelingstafel.
Een rekenvoorbeeld in hoofdlijnen
Het volgende voorbeeld is fictief en dient alleen om de werking van de variabelen te laten zien.
Twee middenvelders hebben in hetzelfde seizoen ongeveer evenveel minuten gespeeld en vergelijkbare aanvallende cijfers geproduceerd.
- Speler A is 22 jaar, speelt bij een subtopper in een competitie met sterke Europese resultaten en heeft nog vier jaar contract.
- Speler B is 29 jaar, speelt bij een vergelijkbare club in een competitie met zwakkere Europese resultaten en heeft nog één jaar contract.
Op papier presteren ze gelijk. In een transferwaardemodel scoort speler A op drie variabelen beter: hij zit voor de leeftijdspiek, zijn contract geeft de club een sterke positie en zijn competitie weegt zwaarder. Het model zal speler A daardoor een veelvoud van de waarde van speler B toekennen. Dat zegt niets over wie op dit moment de betere voetballer is. Het weerspiegelt wat de markt historisch voor zulke profielen betaalde.
Waar betrouwbare xG-data te vinden zijn
Prestatievariabelen zijn de brandstof van elk model, en steeds vaker gaat het daarbij om expected goals en verwante maatstaven. Wie zelf spelers wil vergelijken of een eigen eenvoudig model wil bouwen, heeft betrouwbare xG-cijfers nodig. Bij het kiezen van een bron helpen de volgende criteria.
- Transparante definitie. Een goede bron legt uit welke factoren in het xG-model zitten, zoals afstand, hoek, type assist en lichaamsdeel.
- Brede dekking. Een bron die alleen de grootste competities volgt, is onbruikbaar voor spelers uit de Eredivisie, de Jupiler Pro League of competities buiten Europa.
- Onderscheid met en zonder strafschoppen. Strafschoppen vertekenen de xG van penaltynemers. Non-penalty xG is voor spelersvergelijking eerlijker.
- Cijfers per 90 minuten. Totalen bevoordelen spelers met veel speeltijd. Per-90-cijfers maken spelers met verschillende speeltijd vergelijkbaar.
- Historisch archief. Waarderen vraagt om trends over meerdere seizoenen, niet om één goede maand.
- Snelheid van updates. Cijfers die pas dagen na de wedstrijd verschijnen, zijn minder bruikbaar voor wie vóór en tijdens de wedstrijd analyseert.
BetsyScore combineert live stand, realtime statistieken en AI-voorspellingen voor meer dan 200 competities, van de Eredivisie en de Premier League tot de Champions League en het WK 2026. De winstkansen worden berekend op basis van expected goals, recente vorm en onderlinge resultaten, en een momentummeter laat per minuut zien welke ploeg de overhand heeft. Op BetsyScore staan deze data per wedstrijd bij elkaar, inclusief opstellingen en spelersprofielen. Hoe xG zich op het hoogste niveau vertaalt naar resultaten, staat in de Champions League xG-analyse.
Onze kijk op transferwaardemodellen
We werken dagelijks met dezelfde soort data waarop transferwaardemodellen rusten: expected goals, vorm, speeltijd en onderlinge resultaten. Daardoor zien we ook waar die data het sterkst zijn en waar ze tekortschieten. Een transferwaarde is in onze ogen geen oordeel over een speler. Het is een samenvatting van hoe de markt zich historisch gedroeg tegenover vergelijkbare profielen.
Dat verschil is voor fans en analisten belangrijk. Een speler die op basis van xG en minuten uitstekend presteert, kan een lage transferwaarde hebben omdat zijn contract afloopt of omdat hij in een competitie speelt die Europees weinig gewicht heeft. Omgekeerd kan een speler met middelmatige onderliggende cijfers duur zijn omdat hij jong is en een lang contract heeft. Wie sportieve prestaties wil beoordelen, kijkt daarom naar prestatiedata. Wie de prijs wil begrijpen, kijkt naar het transferwaardemodel. De beste analyse legt beide naast elkaar.
We zien ook een parallel met onze eigen voorspellingen. Een winstkans is net als een transferwaarde een kansuitspraak en geen garantie. Zoals in de uitleg over live winstkansen staat, zegt een kans van 60% dat de uitkomst in vier van de tien vergelijkbare situaties anders uitvalt. Wie modellen zo leest, haalt er het meeste uit.
— Aria
Veelgestelde vragen
Wat is expected transfer value?
Expected transfer value is een algoritmische schatting van het bedrag dat een club onder vrije marktomstandigheden zou betalen om een speler over te nemen. Het model is getraind op historische transfers en rekent met variabelen als leeftijd, contractduur, speeltijd en competitieniveau. De uitkomst wordt meestal als bandbreedte gegeven.
Zijn algoritmische modellen nauwkeuriger dan crowdsourced marktwaarden?
Algoritmische modellen reageren sneller en consequenter op objectieve factoren zoals contractduur en speeltijd. Crowdsourced waarden zijn sterker in het vangen van publiek sentiment en debat. Voor het inschatten van een realistische prijsrange zijn datagedreven modellen het geschiktere instrument, maar beide hebben een eigen functie.
Waarom daalt de waarde van een speler met een aflopend contract?
Bij een kort resterend contract verliest de verkopende club onderhandelingsmacht, omdat de speler binnen afzienbare tijd transfervrij kan vertrekken. Kopers weten dat en bieden minder. Modellen nemen de resterende looptijd daarom als vaste variabele op, los van de sportieve prestaties.
Welke websites zijn het beste voor xG-data?
De beste bron hangt af van het doel. Let op een transparante definitie van het xG-model, dekking van de competities die je volgt, cijfers zonder strafschoppen en per 90 minuten, en een historisch archief. Voor live gebruik tijdens wedstrijden is ook de snelheid van updates bepalend.
Kan een model voorspellen of een speler vertrekt?
Gedeeltelijk. Het CIES Football Observatory berekent naast transferwaarden ook transferkansen met econometrische modellen op basis van speler- en teamvariabelen. Zulke kansen geven aan hoe waarschijnlijk een transfer is, maar persoonlijke factoren en de onderhandelingen zelf blijven buiten beeld.
Bronnen
- CIES Football Observatory: Scientific evaluation of the transfer value of football players
- CIES Football Observatory: Transfer values and probabilities
- Statistical Modelling of Football Players’ Transfer Fees Worldwide (2024)
- Beyond crowd judgments: Data-driven estimation of market value in association football
- A Modelling Analysis of Transfer Fees from the 2019/20 Premier League Season