Wat SciSports en Moneyball recruiters leren over data

29 december 2025 · Mert Özdemir

Mijn carrière begon met een computerspel. Ik speelde fanatiek Football Manager, en het leukste deel vond ik niet de wedstrijden maar het scouten: in een database zoeken naar een onbekende speler die beter was dan zijn prijs. Ergens dacht ik: waarom doen echte clubs dit niet? Uit die vraag kwam SciSports voort, en uiteindelijk ook mijn kijk op recruitment. Deze blog gaat over wat voetbalscouting met data recruiters leert, en waar de vergelijking ophoudt. De bredere aanpak staat in de gids over recruitment data en metrics.

Moneyball: het vertrekpunt

In Moneyball beschrijft Michael Lewis hoe de Oakland A’s begin jaren 2000 met een van de kleinste budgetten in het Amerikaanse honkbal toch meededen om de prijzen. General manager Billy Beane liet de scouts met hun onderbuikgevoel niet meer het laatste woord hebben. Hij keek naar statistieken die de markt onderwaardeerde, zoals hoe vaak een slagman op een honk kwam, en kocht spelers die andere clubs links lieten liggen.

Het boek verscheen in 2003 en werd het vertrekpunt voor data in sport. Daarna volgden basketbal, voetbal en uiteindelijk HR. Het idee is simpel: als iedereen op dezelfde kenmerken selecteert, worden die kenmerken duur. Wie andere, beter voorspellende kenmerken vindt, krijgt meer kwaliteit voor hetzelfde geld.

Van Football Manager naar SciSports

Ik studeerde industrial engineering aan de Universiteit Twente en deed in 2012 mijn bachelorscriptie bij FC Twente. Daar hielp ik met data spelers te vinden. In 2013 richtte ik met Anatoliy Babic en Remco van der Veen SciSports op (Tubantia, 2024).

Onze eerste klant was Heracles Almelo. Hoe we daar met data een invaller bij FC Emmen vonden die later naar Wolfsburg ging, vertel ik in de sourcinggids. Wat daarna kwam, was vooral veel werk: modellen bouwen, clubs overtuigen, leren van fouten. Toen Vanad Group SciSports eind 2024 overnam, werkte het bedrijf volgens Tubantia met meer dan honderd organisaties en met vrijwel alle eredivisieclubs.

Na SciSports ben ik hetzelfde gaan doen voor professionals in plaats van voetballers. De vraag bleef gelijk: hoe vind je de beste persoon voor een rol, binnen een budget, buiten de plekken waar iedereen al zoekt?

Wat je wel kunt overnemen

Kijk naar prestaties

In voetbal telt wat iemand per gespeelde minuut doet. De naam van de club op zijn shirt zegt weinig. In recruitment is de functietitel het etiket. Een “senior” bij een klein bedrijf kan meer verantwoordelijkheid hebben dan een “lead” bij een groot bedrijf. Zoek dus op wat iemand opleverde: projecten, resultaten, publicaties, code.

Maak de vijver groter

Scouts keken vroeger naar de competities die ze kenden. Data maakte het mogelijk om ook in kleinere competities te zoeken, waar spelers goedkoper zijn. Recruiters vissen meestal in dezelfde vijver: LinkedIn, het eigen netwerk, de bekende jobboards. Elke bron die je toevoegt, vergroot de kans dat je iemand vindt die je concurrenten niet zien.

Laat de data de shortlist maken en de scout beslissen

Bij SciSports maakte het model een lijst en ging een scout kijken. Pas na dat bezoek viel een besluit. Dat is het model dat ik in recruitment aanhoud: data voor de breedte, mensen voor het oordeel.

Leer van je missers

Een club die bijhoudt welke transfers mislukten, wordt beter in het voorspellen. In recruitment houdt bijna niemand bij hoe een aangenomen kandidaat na een jaar presteert. Begin daar. Hoe je dat doet, lees je in quality of hire meten.

Wat je niet zomaar kunt overnemen

Er is veel minder openbare data

Elke profvoetballer speelt wedstrijden die gefilmd en geanalyseerd worden. Er is data over elke pass, elk duel en elke sprint. Over een accountmanager of een verpleegkundige bestaat dat niet. Wat je hebt, is een cv, een profiel op LinkedIn en wat iemand zelf vertelt. Dat is minder, minder betrouwbaar en vaak verouderd.

De AVG geldt voor iedereen

Wedstrijden van profvoetballers worden openbaar gespeeld en uitgezonden, en daaruit kun je prestatiedata afleiden. Gegevens over werknemers vallen onder de AVG. Je mag niet alles verzamelen wat je kunt vinden, je moet kandidaten informeren als je ze zelf vindt, en je mag niet volledig geautomatiseerd afwijzen. Een Moneyball-aanpak die alles over iedereen opslaat, is in Europa geen optie.

Een team is geen elftal

In voetbal is de rol duidelijk: een linksback speelt links achter. In een organisatie verandert een rol met de mensen eromheen. Wat iemand bij zijn vorige werkgever liet zien, hangt af van dat team, die baas en die markt. Dat maakt voorspellen lastiger.

Ook in voetbal gaat het geregeld mis

Data voorspelt prestaties, geen karakter. Wij zaten bij SciSports ernaast bij spelers met een lastig karakter, bij spelers die vaak geblesseerd raakten en bij vroege pieken. Daarover gaat je voorspelt de potentie van een mens.

De scout verdwijnt niet, zijn werk verandert

Toen data in het voetbal opkwam, was een veelgehoorde vraag of scouts nog nodig zouden zijn. Ze bleven nodig. Wel veranderde waar ze hun tijd aan besteedden.

Vroeger reisde een scout naar wedstrijden om spelers te ontdekken. Hij zag er misschien een paar honderd per seizoen. Met data kon een club eerst duizenden spelers filteren op de kenmerken die ze zochten. De scout ging daarna kijken naar de twintig die overbleven, en kon zich richten op wat de data niet liet zien: hoe een speler reageert op een fout, hoe hij met zijn teamgenoten praat, wat hij doet als de wedstrijd tegenzit.

In recruitment gebeurt hetzelfde. Een tool doorzoekt databanken en profielen sneller dan jij. Daardoor hoef je minder tijd te besteden aan zoeken en heb je meer tijd voor wat een tool niet kan: het gesprek met de kandidaat, het doorvragen bij de hiring manager, het oordeel over wie in dit team past. De recruiter die alleen zoekt, krijgt het moeilijk. De recruiter die goed beoordeelt, wordt belangrijker. Meer daarover in AI in recruitment.

Waar je zelf begint te meten

Moneyball begon met een vraag die iedereen kon stellen: welke statistiek voorspelt of een team wint? Beane en zijn analisten ontdekten dat de markt sommige kenmerken overwaardeerde en andere onderwaardeerde.

Dezelfde vraag kun je in je eigen organisatie stellen. Welke eisen in je vacatures voorspellen of iemand goed presteert, en welke zijn gewoonte? Vraagt je organisatie al jaren om een hbo-diploma voor een functie waar de beste medewerkers geen hbo hebben? Dan is dat diploma jouw overgewaardeerde statistiek. Kiezen je beste hires vaak voor een kleinere werkgever voordat ze bij jou kwamen? Dan is ervaring bij een bekende naam misschien overgewaardeerd.

Je hebt geen data-afdeling nodig om dat uit te zoeken. Je hebt een lijst met hires, hun achtergrond en een oordeel over hoe ze presteren. Hoe je die cijfers verzamelt en leest, staat in de data-gids.

Vier boeken voor wie verder wil

Na Moneyball zijn er goede boeken verschenen over data in voetbal. Ze lezen als sportboeken, maar elke recruiter herkent de vragen.

Soccernomics van Simon Kuper en Stefan Szymanski past economie en data toe op voetbal, met hoofdstukken over transfers die structureel mislukken en clubs die slimmer kopen.

The Numbers Game van Chris Anderson en David Sally gaat over wat telt in een wedstrijd, en waarom de zwakste schakel in een team zwaarder weegt dan de ster. Voor recruiters een goede reden om naar het hele team te kijken.

Football Hackers van Christoph Biermann laat zien hoe data-afdelingen bij Europese clubs werken.

Net Gains van Ryan O’Hanlon gaat over de grenzen van data: wat analytics wel en niet kan voorspellen.

Een uitgebreidere bespreking staat in voetbalboeken voor recruiters, en de volledige leeslijst bij boeken.

Zo begin je met een Moneyball-aanpak

  1. Kies één vacature die je vaak invult. Daar heb je de meeste data over.
  2. Zet je hires van de afgelopen twee jaar op een rij. Noteer per hire de bron, het cv-profiel en hoe de persoon na een jaar presteert volgens de manager.
  3. Zoek het patroon. Welke kenmerken hadden de sterke hires gemeen? Welke kenmerken die je in de vacature eist, zeggen niets?
  4. Schrap één eis die niet voorspelt. Vaak is dat een diploma of een aantal jaren ervaring.
  5. Voeg één nieuwe bron toe. Een andere sector, een andere regio of een databank die je nog niet gebruikte.
  6. Leg vooraf vast hoe je beoordeelt. Gebruik een scorecard zodat je achteraf kunt zien wat werkte.
  7. Kijk over een jaar terug. Vergelijk de nieuwe hires met de oude.

Bij Akela, mijn huidige bedrijf, doen we dit met algoritmes en menselijke scouts samen. Maar je kunt morgen beginnen met een spreadsheet. De data-gids laat zien welke cijfers je daarvoor nodig hebt.

Billy Beane had een spreadsheet en een scout die er vertrouwen in had. Ik had een computerspel en een scriptie. Begin gewoon met wat je hebt.