De data waar bookmakers niet altijd naar kijken
Available in US
De data waar bookmakers niet altijd naar kijken
Ik herinner me het moment waarop ik voor het eerst telemetriedata van een vrije training downloadde en op mijn scherm uitplootte. Snelheidstraces per bocht, gaspedalpercentages, remdrukgrafieken — een zee van informatie die vertelde wat de rondetijden niet vertelden. Een coureur die op P6 stond in de sessie maar in elke bocht een tiende sneller was dan zijn teamgenoot op P4 — dat verschil verdween in het totaalplaatje maar sprong eruit in de telemetrie. Sindsdien is data mijn primaire wapen bij F1-wedden.
90 procent van de ondervraagde F1-fans voelt zich emotioneel betrokken bij raceresultaten, en 61 procent interacteert dagelijks met F1-content. Maar de overgrote meerderheid van die betrokkenheid is emotioneel, niet analytisch. Wie de moeite neemt om de beschikbare data systematisch te analyseren, opereert in een informatievoordeel ten opzichte van de markt. ALT Sports Data levert als Official Betting Data Supplier van F1 real-time data aan bookmakers, maar de openbare data die beschikbaar is voor iedereen bevat verrassend veel bruikbare informatie die bookmakers niet altijd volledig verwerken in hun prijzen.
Vijf openbare databronnen voor F1-analyse
Je hoeft geen abonnement te hebben op professionele dataplatforms om een informatievoorsprong op te bouwen. Er zijn vijf openbare bronnen die ik elk raceweekend raadpleeg.
De eerste is de officiële FIA-sessiedata. Na elke vrije training, kwalificatie en race publiceert de FIA gedetailleerde classificaties met rondetijden, gapverschillen en het aantal gereden ronden per coureur. Die data is gratis beschikbaar op de F1-website en geeft je een basisbeeld van de relatieve snelheid.
De tweede bron is de FastF1-library — een open-source Python-tool die telemetriedata van de officiële F1-livestream haalt. Hiermee kun je snelheidstraces, throttle- en rempedaaldata, en versnellingsgegevens per ronde opvragen. Het vereist basiskennis van programmeren, maar de documentatie is toegankelijk en de community is actief. De leercurve is steil in het begin, maar na een weekend oefenen kun je de basisanalyses zelfstandig uitvoeren.
De derde bron zijn de live timing-feeds tijdens sessies. De officiële F1-app toont real-time sectortijden, bandencompounds en gapverschillen. Die data verdwijnt na de sessie uit de app, dus ik maak screenshots of noteer de relevante cijfers handmatig.
De vierde bron zijn de technische analyses van gespecialiseerde F1-media. Journalisten die de paddock bezoeken, rapporteren over auto-upgrades, aerodynamische wijzigingen en strategische overwegingen die niet in de data verschijnen. Die kwalitatieve informatie is essentieel om de kwantitatieve data te interpreteren.
De vijfde bron is de Pirelli-bandendata. De bandenleverancier publiceert per raceweekend informatie over de beschikbare compounds, de verwachte degradatie en de aanbevolen strategie. Die informatie is vrij beschikbaar en biedt een startpunt voor je eigen degradatieanalyse.
Sectortijden vertalen naar weddenschappen
Sectortijden zijn de kern van mijn pre-race analyse. Elk circuit heeft drie sectoren, en de relatieve prestatie per sector vertelt meer dan de totale rondetijd.
Mijn werkwijze is systematisch. Na elke vrije training noteer ik de top-10 sectortijden en markeer ik de “consistente” tijden — tijden die een coureur meerdere ronden achter elkaar rijdt, in tegenstelling tot eenmalige uitschieters. Een coureur die in sector 2 drie ronden achter elkaar een 28.4 rijdt, is betrouwbaarder dan een coureur die eenmaal een 28.2 rijdt maar normaal op 28.7 zit.
De vertaling naar weddenschappen verloopt via circuitkenmerken. Op een circuit waar sector 3 — een lang recht stuk — doorslaggevend is voor inhaalacties, biedt een coureur die daar dominant is een hogere racekans dan zijn kwalificatiepositie suggereert. De racewinnaarmarkt reflecteert de startpositie, maar de sectordata laat zien dat die startpositie tijdens de race kan worden gecompenseerd door topsnelheid op het rechte stuk.
Een patroon dat ik consistent waarneem: de markt overschat de kwalificatieprestatie en onderschat de langerunpace. Dat komt doordat kwalificatieresultaten publiek en zichtbaar zijn — iedereen ziet wie op pole staat — terwijl langerundata uit de vrije trainingen minder aandacht krijgt. De wedder die de langerundata analyseert, heeft een informatievoorsprong die zich vertaalt in betere kansschattingen.
Degradatiemodellen: hoeveel lappen de banden nog?
Bandendegradatie is de heilige graal van F1-analyse. Het bepaalt wanneer een pitstop nodig is, welke strategie optimaal is, en welke coureur in de slotfase van de race het sterkst is. En het is een variabele die je kunt kwantificeren met de beschikbare data.
Mijn degradatiemodel is simpel maar effectief. Ik neem de langeruntijden uit de vrije trainingen — de stints van tien of meer ronden die teams rijden om de bandenslijtage te testen — en bereken de gemiddelde tijdsverlies per ronde. Een degradatie van 0,05 seconden per ronde is laag; 0,15 seconden per ronde is hoog. Het verschil bepaalt of een eenstopstrategie haalbaar is of dat een tweestopper noodzakelijk wordt.
Waar het interessant wordt voor wedders: als de degradatiecijfers van twee teams significant verschillen. Stel dat Team A een degradatie van 0,08 seconden per ronde toont en Team B een degradatie van 0,14 seconden. Team A kan langer doorrijden op dezelfde set banden, wat een strategisch voordeel oplevert — ze kunnen later stoppen, de undercut vermijden, en in de slotfase op versere banden rijden.
De markt prijst dat verschil doorgaans niet volledig in. Bookmakers baseren hun odds primair op de kwalificatieresultaten en de recente racehistorie, niet op de degradatiecijfers uit de vrije trainingen. Dat verschil — tussen wat de markt ziet en wat de data zegt — is waar ik mijn weddenschappen op baseer. Een praktische tip: ik houd een spreadsheet bij met degradatiecijfers per circuit, per seizoen. Na drie seizoenen heb je een database die je vertelt wat de “normale” degradatie is voor elk circuit. Afwijkingen van dat historische gemiddelde — veroorzaakt door gewijzigde bandencompounds, regelwijzigingen of weersinvloeden — zijn de signalen waarop ik mijn weddenschappen baseer. Over negen seizoenen is dat de meest consistente bron van value die ik heb gevonden. Wie meer wil leren over hoe je die analyse inbedt in een bredere strategie, vindt dat in mijn gids voor F1-wedstrategieën.
Waar vind ik gratis F1-telemetriedata?
De FastF1 Python-library biedt gratis toegang tot gedetailleerde telemetriedata van alle officiële F1-sessies. De officiële F1-website publiceert sessieresultaten met rondetijden en gapverschillen. De F1-app toont live timing met sectortijden en bandendata tijdens sessies. Gespecialiseerde F1-media publiceren analyses en visualisaties op basis van deze data.
Hebben bookmakers betere data dan ik?
Bookmakers hebben via ALT Sports Data toegang tot real-time datafeed die sneller en gedetailleerder zijn dan de openbare bronnen. Maar de openbare data — sessietijden, sectordata, degradatiecijfers, Pirelli-informatie — bevat genoeg informatie om een informatievoorsprong op te bouwen ten opzichte van de gemiddelde wedder. De sleutel is niet de kwantiteit van de data maar de kwaliteit van je analyse.
Geschreven door het team van 'Online Wedden op Formule 1'.
