F1 Data-Analyse voor Wedden — Welke Cijfers Ertoe Doen
Available in US
Vijf jaar geleden baseerde ik mijn F1-weddenschappen op intuïtie en wat ik tijdens de uitzending zag. Mijn resultaten waren wisselvallig — soms goed, vaak niet. Het omslagpunt kwam toen ik begon met het systematisch verzamelen van data: rondetijden, sectorentijden, bandendegradatie, startposities versus finishposities. Sindsdien is data het fundament van elke weddenschap die ik plaats. Niet omdat ik een statisticus ben, maar omdat data je beschermt tegen je eigen vooroordelen.
De correlatie tussen F1-kijkcijfers en weddenschapsvolume bedraagt 0,85 over de periode 2020-2025. Die correlatie geldt ook omgekeerd: hoe meer je kijkt, hoe meer data je hebt. En 86% van de ondervraagde fans bekijkt zestien of meer races per seizoen — dat is genoeg ruwe data om een seizoensanalyse op te bouwen. Andy Milnes van Nielsen benadrukte dat moderne sportwaardecreatie draait om het harmoniseren van feeds, platforms en datadichtheid. Dezelfde logica geldt voor wedders.
Gratis databronnen voor F1-weddenschappen
Je hebt geen dure abonnementen nodig om F1-data te verzamelen. De sport is verrassend transparant met haar cijfers, en de beste bronnen zijn gratis toegankelijk.
De officiële F1-website en app publiceren na elke sessie de volledige rondetijdenlijsten, sectorentijden, topsnelheden en gapanalyses. Dat is je primaire bron. Na de vrije trainingen zie je welke coureurs op welk bandencompound welke tijden rijden. Na de kwalificatie heb je de exacte klokverschillen. Na de race vind je de pitstoptijden, de rondetijdenverloop en de gemiddelde racepace per stint.
Daarnaast is er de F1-community die data aggregeert en visualiseert. Platformen als de FastF1-bibliotheek voor Python geven je toegang tot gedetailleerde telemetriedata — snelheid, versnelling, remdruk — per ronde, per coureur. Je hoeft geen programmeur te zijn om er iets mee te doen: de community deelt regelmatig visualisaties en analyses die je direct kunt gebruiken voor je wedanalyse.
Wat ik zelf gebruik: een spreadsheet waarin ik per raceweekend de kwalificatiekloof per teamgenootpaar, de longrun-pace uit FP2, de degradatiegradienten en de startpositie-versus-finishdata vastleg. Na een half seizoen heb ik genoeg datapunten om trends te identificeren die de bookmaker-odds niet volledig weerspiegelen. Het kost me dertig minuten per weekend om de data bij te werken — een bescheiden tijdsinvestering die zich terugbetaalt in beter onderbouwde weddenschappen.
Nog een bron die te weinig wedders gebruiken: de FIA-documenten. Na elke sessie publiceert de FIA technische bulletins, gridstrafbeslissingen en stewardbesluiten. Die documenten vertellen je of een coureur een gridstraf te verwachten heeft voor de volgende race, of een team een technische waarschuwing heeft gekregen, of er een regelinterpretatie is die de concurrentieverhoudingen beïnvloedt. De markt reageert pas op die informatie als de media erover bericht — maar de documenten zijn vaak uren eerder beschikbaar.
Vrije trainingen lezen: longruns, korte runs en bandendata
Elke F1-fan kijkt naar de rondetijden van de vrije trainingen. Maar de meesten kijken verkeerd — ze vergelijken de snelste ronde van coureur A met die van coureur B, zonder rekening te houden met brandstofniveau, bandencompound en programma. Dat is alsof je twee auto’s vergelijkt zonder te weten of een van hen een volle tank heeft.
De vrije trainingen bestaan uit twee typen runs die je als wedder moet onderscheiden. Korte runs — drie tot vijf ronden op lage brandstof — simuleren kwalificatieomstandigheden. De rondetijden geven je een indicatie van de puurste snelheid over een ronde, maar ze zijn beïnvloed door het brandstofniveau dat per team verschilt. Longruns — acht tot vijftien ronden op hoge brandstof — simuleren raceomstandigheden. De absolute rondetijden zijn hier minder belangrijk dan de degradatie: hoeveel langzamer wordt een coureur per ronde naarmate de banden slijten?
Ik focus op FP2 voor longrun-data en FP3 voor shortrun-data. FP1 is doorgaans experimenteel — teams proberen verschillende setups, laten soms een reservecoureur rijden, en de data is minder representatief. FP2 is het moment waarop teams hun racesimulatie draaien: hoge brandstof, racecompound, meerdere stints. De degradatiegradienten uit FP2 vertellen je welke teams hun banden goed behandelen en welke moeite hebben — een cruciale factor voor de racestrategie en daarmee voor je weddenschap.
Een concrete toepassing: als team A in FP2 een degradatie laat zien van 0,05 seconde per ronde op de medium band, en team B 0,12 seconde per ronde, dan heeft team A een strategisch voordeel. Ze kunnen langer doorrijden op dezelfde banden, wat de mogelijkheid opent voor een eenstopstrategie terwijl team B moet tweestoppen. Dat verschil beïnvloedt de race-uitslag op manieren die de kwalificatiesnelheid alleen niet laat zien.
Seizoensstatistieken die voorspellende waarde hebben
Niet alle data is gelijk geschapen. Sommige statistieken zijn ruis, andere zijn goud. Na vijf seizoenen systematisch bijhouden heb ik een handvol metrics geïdentificeerd die consistent voorspellende waarde hebben voor mijn weddenschappen.
De eerste: de gemiddelde kwalificatiepositie versus de gemiddelde finishpositie per coureur. Een coureur die gemiddeld op P4 kwalificeert en op P3 finisht, wint consistent posities in de race — een teken van sterke racepace en strategische flexibiliteit. Een coureur die op P3 kwalificeert maar op P5 finisht, verliest terrein — mogelijke moeite met bandendegradatie of racecraft. Die delta vertelt je iets over de waarde van een coureur op de racewinnaar- en podiummarkt dat de kwalificatie alleen niet onthult.
De tweede: de pole-to-win ratio per circuit. Ik heb voor elk circuit op de kalender de ratio berekend over de afgelopen vijf seizoenen. Op circuits als Monaco ligt die boven de 65%, op circuits als Interlagos onder de 40%. Die ratio bepaalt hoe zwaar ik de kwalificatieresultaten weeg in mijn raceanalyse — en daarmee hoeveel ik bereid ben te wedden op de polesitter.
De derde: de upgradecorrelatie. Na een grote upgrade bekijk ik de kwalificatiekloof van een team ten opzichte van de concurrentie in de races ervoor en erna. Als de kloof na de upgrade consistent kleiner is, werkt de upgrade. Als de kloof gelijk blijft of groter wordt, was het een misser. Teams die een effectieve upgrade doorvoeren, zijn in de weken erna structureel ondergewaardeerd in de odds — de markt reageert traag op technische vooruitgang. Wie meer wil lezen over hoe die data in een bredere F1-wedstrategie past, vindt daar de verbinding.
Welke F1-data is gratis beschikbaar?
De officiële F1-website en app publiceren na elke sessie volledige rondetijden, sectorentijden, topsnelheden en raceanalyses. De FastF1-bibliotheek biedt gedetailleerde telemetriedata. De F1-community deelt daarnaast regelmatig visualisaties en analyses op sociale media en forums.
Hoe betrouwbaar zijn vrije-trainingsresultaten als voorspeller?
FP2-longruns zijn de meest betrouwbare voorspeller van racepace, en FP3-shortruns voorspellen de kwalificatie het best. FP1 is het minst betrouwbaar vanwege het experimentele karakter. Houd altijd rekening met brandstofniveaus en bandencompounds bij het interpreteren van trainingstijden.
Samengesteld door de redactie van 'Formule-1 Wedden'.
