Den här platsen är reserverad för framtida annonsering och partnerskap inom trav, sport och datadriven analys.
Datadriven loppanalys med ranking, spelvärde och tydliga förklaringar för detta lopp.
Två hästar har rimligt historiskt underlag medan majoriteten saknar tidigare lopp i datan, vilket ger begränsad stabilitet i helhetsbedömningen.
Modellen lyfter två primära kandidater: Prins Paasloo och Paranoh Newport, baserat på lägre sammanvägda modellvärden och bättre hastighets- och formplaceringar. Majoriteten av fältet saknar historik i datan vilket ökar osäkerheten och gör loppet mer öppet än vanligt. Marknadssannolikheterna skiljer sig kraftigt från modellens bedömning för flera hästar.
Prins Paasloo toppar med lägst sammanvägda modellvärde och god hastighetsplacering; modellen ser också rimlig stabilitet i underlaget. Paranoh Newport bedöms som stark tvåa med högsta hastighetsrank och bra körar-/tränarkoppling men har tunnare historik. Fragolino Rosso är tredjeplacerad i modellen men saknar historik och marknaden ser den som klar favorit, vilket skapar misstämmande skillnad.
Prins Paasloo ges högst prioritet tack vare lägst totalpoäng, stark form- och positionskombination samt relativt stabilt historiskt underlag (två relevanta lopp). Paranoh Newport placerar sig nära då den har bästa hastighetsrank och stark körar-/tränarkoppling men endast ett relevant lopp i bakgrundsdata. Fragolino Rossos låga modellvärde förklaras av bristande historik i datan och högre baspoäng, vilket ökar osäkerheten trots att marknaden värderar den högt.
Rang inom startfältet för modellens viktigaste faktorer. 1 = bäst.
| Faktor | 1. Prins Paasloo (3) | 2. Paranoh Newport (9) | 3. Fragolino Rosso (5) |
|---|---|---|---|
| Fartsrank | 2 | 1 | 3 |
| Formrank | 1 | 2 | 3 |
| Distansrank | 1 | 1 | 1 |
| Kuskrank | 5 | 1 | 2 |
| Tränarrank | 5 | 3 | 1 |
| Stabilitetsrank | 2 | 1 | 3 |
| Underlag | 2 lopp | 1 lopp | 0 lopp |
| Startspår | — | — | — |
Modellen ser mest värde i Paranoh Newport och Prins Paasloo — båda har betydligt högre modellbedömd segerchans än marknadens implicita sannolikhet, med Paranoh Newport som den största värdeskillnaden. Fragolino Rosso är marknadens favorit men modellen bedömer dess värde som svagt på grund av bristande historik; där finns negativ värdeskillnad. Fulla oddsdata saknas inte; edgevärden är beräknade i källdata.
Modellen bedömer tryggheten som medelhög: top-2 har historik och stabila signaler, men 9 av 11 saknar relevanta tidigare lopp vilket drar ner helhetstryggheten. Resultatet är att toppkandidaterna har bättre förutsägbarhet än övriga fältet.
Modellen framhäver Prins Paasloo och Paranoh Newport som de mest relevanta utifrån sammanvägt modellvärde, hastighet och viss historik. Fragolino Rosso har marknadens favoritskap men saknar stöd i modellens historiska data, vilket skapar en tydlig skillnad mellan marknad och modell. Generellt höjer den stora andelen hästar utan historik osäkerheten i loppbilden.
| Rank | Nr | Häst | Marknad % | Modell % | Edge % | Kusk | Tränare |
|---|---|---|---|---|---|---|---|
| 1 | 3 | Prins Paasloo | 7.6% | 23.4% | +15.8% | Floris Vandenabeele | Bas Crebas |
| 2 | 9 | Paranoh Newport | 3.8% | 21.4% | +17.6% | Dion Tesselaar | Dion Tesselaar |
| 3 | 5 | Fragolino Rosso | 47.8% | 6.6% | -41.3% | Robin Bakker | Paul Hagoort |
| 4 | 8 | Pele Boko | 1.0% | 6.2% | +5.2% | Erwin Bot | Erwin Bot |
| 5 | 7 | Corsa's Titan | 1.0% | 6.2% | +5.2% | Jaap van Rijn | Jeroen Engwerda |
| 6 | 10 | Peaky Blinder Boko | 1.0% | 6.1% | +5.1% | Jeffrey Mieras | Dion Tesselaar |
| 7 | 4 | Pushin P YB | 38.0% | 6.1% | -31.9% | Danny Brouwer | Danny Brouwer |
| 8 | 6 | Malo Renka TF | 3.8% | 6.0% | +2.2% | John Dekker | Appie Bosscha |
| 9 | 1 | Marshall V.S. | 3.8% | 6.0% | +2.2% | Hugo Langeweg | Hugo Langeweg |
| 10 | 2 | Patrick D Boko | 5.7% | 6.0% | +0.3% | Micha Brouwer | Danny Brouwer |
| 11 | 11 | Proud to be Starro | 7.6% | 6.0% | -1.6% | Jim Veldman | Fons Bakker |
Three-Wide bygger en publik runt trav, spelvägar och datadrivna loppsidor. Den här ytan är reserverad för kommande annonsörer.
