De afgelopen jaren ging ik op zoek naar de mol met data-analyse. In 2025 gooide ik de spreekwoordelijke handdoek in de ring omdat mijn datamol net voor de finale afviel. Maar… ik paste mijn methode stiekem weer toe tijdens het jubileumseizoen. Wat bleek: het model deed het best aardig.
Wat sowieso tof is: met een goede portie geluk zat mijn model in elke finale goed. Als dat al 6 keer zo is én het model de helft van die keren al eerder juist zat, kunnen we dan wel van geluk spreken? Zo goed zijn mijn molkeuzes o.b.v. gevoel in ieder geval nooit geweest.
Dit betekent niet dat ik weer een blog ga bijhouden. Dit betekent wel dat ik mijn model met je ga delen. Vanaf nu kan je zelf op zoek naar de mol met data-analyse!
Update 12 maart: Oké, ik ga toch een publieke poging wagen. De resultaten van mijn observaties staan onderaan dit artikel.
De theorie
Mijn theorie is simpel:
De mol heeft voorkennis, kennis is macht én de kennis van de mol wordt gedurende het seizoen zichtbaar.
Mijn theorie volgt niet het geld, maar de plek waar het geld te verdienen is, en er zijn opdrachten waarbij de voorkennis van een mol naar de oppervlakte komt.
Er zijn drie smaken opdrachten waarin de kennis van de mol zichtbaar kan worden:
- Grote groepen: de groep wordt opgedeeld met vage termen. Rik vraagt bijvoorbeeld om een groep voor ‘een stoomcursus portproeven’ en een groep om ‘de juiste vaten te vinden’. Een kandidaat weet niet hoe elke groep invloed heeft op het eindresultaat. De mol weet dat wel en kiest vaak de juiste groep. Let wel: vaak betekent niet altijd, maar in een heel seizoen welk vaker dan een kandidaat.
- Kleine groepen: de opdracht wordt uitgevoerd in kleine groepen (individueel of in duo’s). De mol wil zo snel mogelijk starten aan het spel om de kansen van latere spelers te beïnvloeden. Het is van belang dat de mol zelf enige invloed uitoefent op de startpositie. De zwembadopdracht van Nathan is hier een goed voorbeeld van: hij gaat er als een speer vandoor, is lang en fanatiek aan het rennen, maar neemt niets mee. Het kan ook andersom zijn. Als bij het spel blijkt dat de eindposities meer invloed hebben, dan zal de mol hierbij willen zitten.
- Exoten: dan zijn er nog opdrachten die wat afwijken maar wel degelijk kennis bevatten. Neem de kans om de hele pot leeg te spelen tijdens de executie met Anne-Marie en Sahil. De mol wil hier sowieso bijzitten (en zal nooit bij de groep met mogelijk een rood scherm zitten). Een ander voorbeeld: Anne-Marie en Kim verlaten tijdens de zwembadopdracht het spel. Een mol zal dit zelden doen, omdat de invloed op het succes van de opdracht (het geld!) daarmee verdwijnt.
Voor elke opdracht die kennis bevat benoem ik een molgroep: dit kan een echte groep zijn (bijv. de groep die portvaten zoekt) of een fictieve groep zijn (bijv. de eerste helft van de groep die start aan een individueel spel).
Het is bij mijn aanpak belangrijk om niet te kijken naar verdacht gedrag of het wel/niet verdienen van geld. Dat kan je apart meenemen als je wil, maar probeer zo object mogelijk de molgroepen te zoeken.
Hopelijk helpen deze voorbeelden je bij het vinden van voorkennis. Hieronder staan twee manieren om de kennis in te zetten: met pen en papier of met mijn datamodel.
Ga op jacht met pen en papier
Ik heb recentelijk een onderzoekje gedaan naar mijn model t.o.v. het simpelweg turven van het aantal molgroepen waar iemand in zit. Wat blijkt:
Turven werkt al aardig goed.
Alleen in het seizoen met Anna (en hulpmol Kees…) lijken zowel Anna als Rosario in de finale de mol met deze aanpak. Los daarvan zijn er als je turft gedurende het seizoen vaker twee mogelijke mollen.
De resultaten zijn oké, maar ook iets onzekerder dan mijn widm-driessen-bayes aanpak.
Ga op jacht met mijn datamodel
Mijn widm-driessen-bayes aanpak kan je zien als geavanceerd turven:
- Het model start mijn een gelijke molkans voor iedere kandidaat.
- Daarna corrigeert het die molkans wanneer er een molgroep is. Deze correctie weegt mee hoe groot de molgroep was: bij een kleine molgroep wordt de molkans iets sterker vergroot, bij een grote molgroep wordt de molkans iets minder sterk vergroot.
Ik heb mij aanpak uitgewerkt in een Excelsheet. Je geeft hierin per opdracht aan wat je ermee wil doen:
- Overslaan: vul dan bij alle deelnemers de o van overslaan in.
- Molgroep: vul dan bij de deelnemers in de molgroep de m van mol in, bij de overige vul je de k van kandidaat in.
- Afgevallen: vul voor alle volgende opdrachten een x in voor iemand die niet meer meedoet.
Je vult bovenstaande observaties per opdracht in. Er staan in de sheet altijd 3 opdrachten per aflevering, maar soms zijn er minder (zo had de start van seizoen 2026 twee opdrachten). Vul de o van overslaan in voor de niet-bestaande opdracht.
Je kan de Excel-sheet hier downloaden. Ter illustratie heb ik opdracht twee ingevuld met een molgroep waarbij de molgroep bestaat uit de drie duo’s met de laagste bedragen. Dit ziet er in de sheet zo uit:
Met daaronder de molkansen:
(Ik twijfel of mijn beoordeling van de opdracht juist is, dus voel je vrij dit aan te passen.)
Een tip: het model heeft baat bij veel molgroepen. Hecht tijdens de eerste paar afleveringen dus niet te veel waarde aan de uitkomsten van het model.
Daarnaast vind je in de tab 2025 de resultaten van jubileumseizoen 2025:
Resultaten 2026
Ik ga toch een kleine poging wagen om de mol te vinden. Hieronder vind je mijn zeer beknopte lijst met resultaten: wie hebben de hoogste molkans én welke opdrachten neem ik mee? Ik werk dit sporadisch bij.
De huidige mollen zijn: Mateo en Milan.
De opdrachten die ik meeneem:
- Aflevering 2 opdracht 1: de mol wil vroeg in het spel zijn. De mol kan zo enveloppen verwisselen en heeft er baat bij dat Eveline snel gevonden wordt. De molgroep bestaat uit de eerste vier spelers die het speelveld in gingen: Geraldine, Mateo, Milan en Nasrdin.
De hierboven gelinkte sheet werk ik bij o.b.v. de genoemde observaties.
Veelgestelde vragen
Die zijn er nog niet, maar heb je er een? Stuur me dan een berichtje. Dan geef ik antwoord en voeg ik je vraag hieronder toe.