Welke tennisstatistieken tellen bij het wedden op Roland Garros?
Available in US
Elk jaar rond Roland Garros word ik overspoeld met vragen over statistieken. Welke cijfers moet ik bekijken? Welke bron is betrouwbaar? Hoeveel data heb ik nodig om een goede weddenschap te plaatsen? Na negen jaar in gravelanalyse heb ik mijn selectie teruggebracht tot vijf kerngetallen die werkelijk voorspellend zijn op klei — en minstens tien cijfers die populair zijn maar waardeloos.
Het probleem met tennisstatistieken is niet dat er te weinig zijn. Het probleem is dat er te veel zijn, en dat de meeste geen voorspellende waarde hebben voor de volgende wedstrijd. Een speler met 70% eerste-servicepunten gewonnen op hardcourt in Cincinnati vertelt je niets over zijn prestaties op gravel in Parijs. De ondergrond verandert alles, en wie dat niet meeneemt in zijn data-analyse, bouwt op drijfzand.
De vijf kerncijfers voor gravelweddenschappen
Drie jaar geleden besloot ik mijn hele analysemethode te vereenvoudigen. Ik had een spreadsheet met 23 variabelen per speler, en mijn resultaten waren niet beter dan toen ik met zes variabelen werkte. De les was duidelijk: meer data is niet beter data. Na het schrappen en testen bleef ik over met vijf cijfers die op gravel de meeste voorspellende waarde hebben.
Het eerste kerncijfer is de winrate op gravel over de afgelopen twaalf maanden. Niet de carrière-winrate — die is te breed — maar de recente vorm op de specifieke ondergrond. Alcaraz’ carrière-winrate op gravel van 82% is indrukwekkend, maar wat mij meer interesseert is zijn winrate in de afgelopen drie graveltoernooien. Een speler die in Monte Carlo, Madrid en Rome telkens in de kwartfinale verloor, heeft een andere verwachtingswaarde dan een speler die twee van die drie won, ook als hun carrière-winrates identiek zijn.
Het tweede is het returnpercentage op tweede service. Op gravel, waar de eerste service minder dominant is dan op hardcourt, wordt de tweede service de achilleshiel. Een speler die 55% of meer van de retourpunten wint op tweede service van de tegenstander, is op gravel een breakmachine. Dit cijfer is de sterkste individuele voorspeller voor matchwinnaar op klei die ik ken.
Het derde is het aantal breakpoints per servicebeurt van de tegenstander — de breakdruk. Op gravel creëren de langere rally’s meer breakpuntkansen, en de speler die consistent druk zet op de service van de tegenstander heeft een structureel voordeel. Dit cijfer correleert sterk met het uiteindelijke wedstrijdresultaat en is nuttiger dan het ruwe break-percentage, omdat het de context van het serviceniveau meeneemt.
Het vierde kerncijfer is de gemiddelde rallylengte. Langere rally’s bevoordelen fysiek sterkere spelers en baseliners met een consistent slagpatroon. Op gravel is de gemiddelde rally langer dan op enige andere ondergrond, en spelers die in die langere rally’s beter presteren dan hun tegenstander, winnen op Roland Garros disproportioneel vaker.
Het vijfde is de vijfde-set-winrate, of bij vrouwen de derde-set-winrate. Dit cijfer meet mentale weerbaarheid en fysiek uithoudingsvermogen in de beslissende momenten. Op Roland Garros, waar de mannenwedstrijden tot vijf sets gaan en de fysieke belasting door de gravelondergrond hoger is, is dit cijfer een tiebreaker wanneer de andere vier indicatoren geen duidelijk verschil laten zien.
Waar vind je betrouwbare tennisstatistieken?
De bron van je data is minstens zo belangrijk als de data zelf. Ik heb in mijn carrière genoeg uren verspild aan het analyseren van statistieken die achteraf onbetrouwbaar bleken — verouderde databases, foutieve registraties, of datasets die matchen op de lagere toernooien niet meenemen.
De ATP en WTA publiceren hun officiële statistieken op hun websites, en die zijn de meest betrouwbare bronnen voor basiscijfers als winrate, service-statistieken en head-to-head-records. Het voordeel: de data is gecontroleerd en actueel. Het nadeel: de analyse-opties zijn beperkt, en geavanceerdere statistieken als rallylengte en breakdruk zijn niet altijd beschikbaar voor alle wedstrijden.
Gespecialiseerde tennisdata-platforms bieden diepere analyses, waaronder puntstatistieken, shot-tracking en oppervlakte-specifieke filters. De meeste van deze platforms werken op abonnementsbasis, en de kosten variëren van tien tot vijftig euro per maand. Voor serieuze wedders is dat een investering die zich terugverdient — mits je de data ook daadwerkelijk in je analyse integreert en niet alleen verzamelt.
Mijn advies: begin met de gratis ATP/WTA-bronnen en breid uit naar een betaald platform zodra je merkt dat je analyses consequent worden beperkt door het gebrek aan ondergrond-specifieke data. Het heeft geen zin om te betalen voor data die je niet gebruikt.
Drie valkuilen bij het interpreteren van tennisdata
De eerste valkuil is het gelijkstellen van correlatie met causaliteit. Een speler die zijn afgelopen tien wedstrijden op gravel won, heeft een winrate van 100%. Maar als zeven van die tien tegenstanders buiten de top 100 stonden, zegt dat percentage minder dan het lijkt. Ik filter altijd op het niveau van de tegenstander — alleen wedstrijden tegen top-50-spelers tellen mee in mijn gravelanalyse voor Roland Garros.
De tweede valkuil is het negeren van recente blessurehistorie in de statistieken. Een speler die net terugkeert van een blessure kan statistieken laten zien die gebaseerd zijn op zijn niveau van voor de blessure. Die cijfers zijn misleidend — de fysieke capaciteit is veranderd, maar de historische data reflecteert dat niet. Sportradar registreerde in 2025 alleen al 78 verdachte tenniswedstrijden, en een deel daarvan betrof matchen waarin onverklaarde prestatiedalingen het gevolg waren van niet-gerapporteerde fysieke klachten eerder dan van opzettelijk verlies.
De derde valkuil is het te zwaar wegen van head-to-head-records. Het klinkt logisch: als speler A drie keer heeft gewonnen van speler B op gravel, wint A de volgende keer ook. Maar head-to-head-records op gravel zijn vaak gebaseerd op slechts twee tot vier wedstrijden, verspreid over meerdere jaren. De statistische significantie is laag, en de omstandigheden — leeftijd, fysieke conditie, seizoensfase — zijn per wedstrijd anders. Ik gebruik head-to-head als context, nooit als primaire voorspeller. Meer over hoe de gravelondergrond de odds structureel beïnvloedt, lees je in mijn gravelstrategie-analyse.
Welke statistiek is het meest voorspellend op gravel?
Het returnpercentage op tweede service is de sterkste individuele voorspeller voor de matchwinnaar op gravel. Spelers die consequent meer dan 55% van de retourpunten op tweede service winnen, creëren structureel meer breakkansen en winnen disproportioneel vaker op klei. Dit cijfer is op gravel belangrijker dan op andere ondergronden, omdat de eerste service minder dominant is op de tragere gravelondergrond.
Zijn head-to-head-records betrouwbaar voor Roland Garros-voorspellingen?
Head-to-head-records op gravel zijn nuttig als context maar onbetrouwbaar als primaire voorspeller. De meeste gravelhistories tussen twee spelers bestaan uit slechts twee tot vier wedstrijden, verspreid over jaren. De omstandigheden — leeftijd, fysieke conditie, seizoensfase — variëren per wedstrijd. Gebruik head-to-head als aanvulling op ondergrondspecifieke prestatie-indicatoren, niet als vervanging.
Geschreven door het team van 'Wedden Roland Garros'.
