Die Daten liegen offen — nutze sie, bevor der Buchmacher es tut
Formel 1 produziert pro Rennwochenende Terabytes an Telemetriedaten — und ein wachsender Teil davon ist öffentlich zugänglich. Geschwindigkeitsprofile, Sektorzeiten, Reifenabbau-Kurven, Boxenstopp-Dauern und sogar Team-Radio-Transkripte stehen jedem zur Verfügung, der weiß, wo er suchen muss. Wer diese Daten systematisch auswertet, hat einen Informationsvorsprung gegenüber der Masse der Wetter — und oft auch gegenüber den Buchmacher-Algorithmen, die zwar schnell, aber nicht allwissend sind.
Die Formel 1 ist der datentransparenteste Tier-1-Sport der Welt. Kein anderer Sport stellt so viele Echtzeit-Performance-Daten öffentlich zur Verfügung — Sektorzeiten auf die Tausendstelsekunde, Reifencompound-Informationen, GPS-basierte Positionsdaten und Boxenstopp-Dauern. Für Wetter ist das eine einzigartige Chance: Du kannst Wahrscheinlichkeiten auf Basis realer Leistungsdaten schätzen, statt dich auf Bauchgefühl oder Mediennarrative zu verlassen. Dieser Artikel zeigt die wichtigsten Datenquellen, wie du Free-Practice-Daten auswertest und wie du den Weg von der Zahl zur Wettentscheidung systematisierst.
Datenquellen: Wo du die Zahlen findest
Die wichtigste Quelle ist F1 Live Timing — der offizielle Timing-Service der Formel 1, der während jeder Session Sektorzeiten, Rundenzeiten, Positionsdaten und Reifenstatus in Echtzeit liefert. Die Daten sind kostenlos über die F1-Website und die F1-App zugänglich. Für die Wettanalyse sind die Trainingsdaten am wertvollsten, weil sie die Grundlage für deine Pre-Race-Einschätzung bilden.
FastF1 ist eine Open-Source-Python-Bibliothek, die F1-Timing-Daten strukturiert aufbereitet und für die Analyse zugänglich macht. Du kannst Sektorzeiten vergleichen, Geschwindigkeitsprofile erstellen und Long-Run-Analysen durchführen — alles mit wenigen Zeilen Code. Für Wetter ohne Programmierkenntnisse existieren Community-Seiten, die FastF1-Analysen visuell aufbereiten und nach jeder Session veröffentlichen.
Team-Radio-Transkripte bieten qualitative Informationen, die in keiner Statistik auftauchen. Wenn ein Fahrer über Untersteuern klagt oder ein Ingenieur eine Strategieänderung diskutiert, liefert das Kontext für die nackten Zahlen. Die F1 veröffentlicht ausgewählte Team-Radio-Clips, und Community-Seiten transkribieren oft zusätzliche Ausschnitte.
Pirelli veröffentlicht vor jedem Rennen eine detaillierte Compound-Analyse: welche Reifenmischungen verfügbar sind, wie groß der Pace-Unterschied zwischen den Compounds ist und welche Strategieoptionen die Simulation nahelegt. Diese Daten sind Gold für Pit-Stop-basierte Wettstrategien.
Im Bereich professioneller Wettdaten hat die Formel 1 2025 eine Partnerschaft mit ALT Sports Data geschlossen — die erste offizielle Data-Partnerschaft der Serie speziell für den Wettmarkt. ALT Sports Data liefert strukturierte Daten für Buchmacher, aber der Deal signalisiert auch, dass die F1 den Wettmarkt als strategischen Partner sieht und die Dateninfrastruktur entsprechend ausbaut.
Die Community ist die unterschätzte Datenquelle. Mit 96 Millionen Social-Media-Followern produziert die F1-Community eine Flut von Analysen, Visualisierungen und Einschätzungen. Twitter, Reddit und spezialisierte F1-Daten-Blogs liefern nach jeder Session Analysen, die Trainingszeiten in Kontext setzen — Reifenkorrektur, Benzinlast, Verkehr. Wer diese Community-Analysen als Ergänzung zur eigenen Datenarbeit nutzt, spart Zeit und gewinnt Perspektiven.
Free Practice auswerten: Schritt für Schritt
Die Free-Practice-Sessions am Freitag und Samstag liefern die härtesten Daten vor dem Rennen — wenn du weißt, was du herausfiltern musst. Die rohen Rundenzeiten sind fast wertlos, weil sie durch unterschiedliche Benzinlasten, Reifencompounds und Verkehr verzerrt sind. Die Kunst liegt in der Korrektur.
Schritt eins: Qualifying-Simulation identifizieren. Im FP2 fahren die meisten Teams eine oder zwei Runden auf niedrigem Benzin mit dem weichsten Compound — die Qualifying-Simulation. Diese Zeiten sind der beste Indikator für die relative Qualifying-Pace. Vergleiche die Qualifying-Runs verschiedener Fahrer und korrigiere für den Compound-Unterschied, falls unterschiedliche Mischungen verwendet wurden.
Schritt zwei: Long-Run-Analyse. Nach den Qualifying-Runs fahren die Teams Long-Runs auf höherem Benzin — typischerweise 8 bis 15 Runden am Stück auf demselben Compound. Diese Runs simulieren Rennstints und zeigen die wahre Rennpace. Vergleiche nicht die absoluten Zeiten, sondern den Abbau: Wie viel langsamer wird ein Fahrer pro Runde? Ein Abbau von 0,08 Sekunden pro Runde ist signifikant besser als 0,12 Sekunden — über einen Stint von 20 Runden sind das 0,8 Sekunden Unterschied.
Schritt drei: Benzinkorrektur. Die Long-Runs werden mit unterschiedlichen Benzinlasten gefahren. Die Faustregel: Ein Kilogramm Benzin kostet etwa 0,03 Sekunden pro Runde. Wenn Team A seinen Long-Run mit 90 Kilogramm und Team B mit 100 Kilogramm fährt, musst du die Zeiten von Team B um etwa 0,3 Sekunden pro Runde nach unten korrigieren, um einen fairen Vergleich zu erhalten.
Schritt vier: Compound-Korrektur. Pirelli gibt den Pace-Unterschied zwischen den Compounds mit 0,5 bis 0,8 Sekunden an (je nach Strecke). Wenn Team A den Long-Run auf Medium fährt und Team B auf Hard, muss die Differenz korrigiert werden, bevor du vergleichst. Ohne diese Korrektur vergleichst du Äpfel mit Birnen und ziehst falsche Schlüsse über die relative Rennpace der Fahrer.
Von der Zahl zur Wette: Der Workflow
Daten sammeln ist nur der erste Schritt. Der Wert entsteht erst, wenn du die Daten in eine Wahrscheinlichkeitsschätzung übersetzt und diese mit den verfügbaren Quoten vergleichst.
Der Workflow: Analysiere die FP-Daten nach der Methode oben und erstelle eine Rangfolge der Fahrer nach korrigierter Rennpace. Schätze daraus die Wahrscheinlichkeit für Sieg, Podium und H2H-Ergebnisse. Vergleiche deine geschätzten Wahrscheinlichkeiten mit den angebotenen Quoten. Wenn deine geschätzte Wahrscheinlichkeit höher ist als die implizite Wahrscheinlichkeit der Quote, hast du Value gefunden.
Ein konkretes Beispiel: Deine Long-Run-Analyse zeigt, dass Norris die stärkste Rennpace hat. Du schätzt seine Siegwahrscheinlichkeit auf 30 Prozent. Die angebotene Quote liegt bei 4,50 — das entspricht einer impliziten Wahrscheinlichkeit von 22 Prozent. Die Differenz von 8 Prozentpunkten ist dein Value. Die Wette hat einen positiven Expected Value und ist damit platzierbar.
Der umgekehrte Fall ist ebenso wichtig: Wenn deine Analyse eine Siegwahrscheinlichkeit von 20 Prozent ergibt und die Quote eine implizite Wahrscheinlichkeit von 25 Prozent suggeriert, hat die Wette negativen Value — auch wenn der Fahrer dein Favorit ist. Die Disziplin, in diesem Moment nicht zu wetten, ist genauso wertvoll wie die Fähigkeit, Value zu erkennen.
Ein zusätzlicher Schritt für Fortgeschrittene: Erstelle eine einfache Tabelle, in der du vor jedem Rennen deine geschätzten Wahrscheinlichkeiten mit den Marktquoten vergleichst. Nach zehn Rennwochenenden hast du genug Daten, um zu beurteilen, wie akkurat deine Schätzungen sind — und in welchen Märkten du systematisch besser oder schlechter liegst als der Buchmacher. Diese Kalibrierung verbessert deine Treffsicherheit über die Saison hinweg messbar.
Daten als Wettbewerbsvorteil
Die Formel 1 bietet Wettern eine einzigartige Datentransparenz, die in keinem anderen Tier-1-Sport ihresgleichen hat. Wer FP-Daten systematisch auswertet, Long-Runs korrigiert und den Workflow von der Zahl zur Wette beherrscht, trifft fundiertere Entscheidungen als 90 Prozent des Marktes.
Die Empfehlung: Beginne mit einem einfachen Werkzeug — der Long-Run-Analyse im FP2. Nach drei bis vier Rennwochenenden hast du ein Gefühl dafür, wie verlässlich die Trainingsdaten die Rennperformance vorhersagen. Von dort aus kannst du den Workflow verfeinern: Benzinkorrektur, Compound-Korrektur, Qualifying-Pace-Gap. Die Daten liegen offen — der Vorteil gehört denen, die sie nutzen. Und in einem Sport, in dem die meisten Wetter nach Bauchgefühl und Mediennarrativen entscheiden, ist eine strukturierte Datenanalyse der direkteste Weg zu nachhaltigem Wett-Erfolg.