Waarom data cruciaal is
Je zit in de stands, de spanning is te snijden, en je telefoon trilt: een tip. Kijk: die tip is niets zonder cijfers. Data is de ondergrond waar je je weddenschappen op bouwt; zonder die fundering is elke inzet een gok.
Stel je voor: je wilt voorspellen wie de powerplayconversie slaat. Je kijkt naar de laatste 10 wedstrijden, kijkt naar de hoeveelheid schoten per minuut, en je ziet een patroon dat de gemiddelde fan niet ziet. Het is als een molecuulanalyse van een virus – je moet de kleine veranderingen spotten voordat ze uitgroeien tot een uitbraak.
Belangrijkste statistieken
Er zijn drie cijfers die je niet mag missen: Corsi, Fenwick en Expected Goals (xG). Corsi registreert elke schot, elke blokkade, elke gemiste poging – een complete foto van bezit. Fenwick sneekt zich in door powerplays en penalty kills eruit te filteren, waardoor je alleen de pure impact ziet.
xG is de wiskundige voorspeller van hoe vaak een team moet scoren op basis van kwaliteit van kansen. Een team met hoog xG, maar lage feitelijke doelen, is een ondergewaardeerd monster dat binnenkort zal exploderen.
Tools die je nodig hebt
Excel? Te oud. Look: Python met pandas, of R met tidyverse, zijn je nieuwe beste vrienden. Ze kunnen miljoenen rijen data in enkele seconden doorbladeren, terwijl jij nog steeds wacht op de scheidsrechter.
En vergeet de API’s niet van hockeyvandaag.com. Met een simpele pull krijg je live statistieken, wedstrijdroosters en zelfs blessure-updates. Integratie is kinderspel – een paar seconden code en je hebt een real‑time dashboard.
Hoe je een model bouwt
Stap één: verzamel data van de afgelopen drie seizoenen. Stap twee: normaliseer. Zet alles om naar per‑60‑minuten, zodat je geen vertekende blik krijgt doordat een team meer speelt.
Stap drie: split je dataset – 80 % training, 20 % test. Stap vier: kies een algoritme. Logistieke regressie is een startpunt, maar gradient boosting (bijv. XGBoost) geeft je die extra nauwkeurigheid waar je wedkantoor op wacht.
Stap vijf: cross‑validate en fine‑tune hyperparameters. Een klein beetje regularisatie kan het verschil maken tussen een winstgevende en een verliesgevende strategie.
Actie: Zet een mini‑model in elkaar
Hier is waarom je nu moet beginnen: open een Jupyter‑notebook, import pandas, haal de laatste 20 hockeywedstrijden op via de API, bereken xG per team, en zet een simpele lineaire regressie op. Als je ziet dat de resultaten al beter zijn dan je intuïtie, ben je klaar om het te schalen.