Premier League: dashboard opgebouwd met Transfermarkt data

Samenvatting

Power BI visualiseert Premier League-data uit Transfermarkt in een dashboard met informatie vanaf 1992.

Power BI-dashboard met Transfermarkt-data

Een maker op Reddit bouwde een Python-scraper die Premier League-informatie van Transfermarkt verzamelt en structureert. De scraper haalt onder meer wedstrijden, gebeurtenissen, standen, selecties, teamwaardes en topscorers op. Het project bevat gegevens vanaf 1992, het jaar waarin de competitie in haar huidige vorm begon.

Na het verzamelen en opschonen van de gegevens maakte de maker een Power BI-dashboard. De gekozen vorm lijkt op een A4-pagina, met een pagina die zich richt op doelpunten.

Waarom dit Power BI-project telt

Dit project laat de volledige keten zien van web scraping tot rapportage. De dashboardbouwer haalt de brongegevens niet handmatig over, maar bouwt eerst een afzonderlijke verzamelstap in Python. Daarna volgen structurering, opschoning en visualisatie in Power BI. Die volgorde maakt zichtbaar waar fouten kunnen ontstaan: in de bron, tijdens de bewerking of in het rapport.

De gekozen dataset combineert sportieve prestaties met context rond teams en spelers. Standen, gebeurtenissen, selecties, teamwaardes en topscorers vragen elk om een eigen structuur. Een goed dashboardontwerp moet die verschillen vervolgens begrijpelijk samenbrengen zonder de gebruiker met losse tabellen te overladen.

De A4-indeling geeft het rapport een vaste presentatieruimte. Dat vraagt om duidelijke prioriteiten per pagina. De genoemde doelpuntenpagina laat zien dat de maker het dashboard rond specifieke vragen opbouwt, in plaats van alle verzamelde velden tegelijk te tonen.

Concrete takeaway voor Power BI

Gebruik dit project als checklist voor een eigen dashboard: scheid scraping, opschoning en rapportage, documenteer welke velden de Python-scraper verzamelt en ontwerp daarna per pagina één duidelijke vraag. Controleer bovendien of de periode, definities en team- of spelergegevens overal gelijk zijn voordat je conclusies uit de visuals trekt.