Min slutsats först: Datagolfs modell ger en mer nyanserad bild av vem som har störst chans att vinna — och enligt deras siffror är Sam Burns hetast. Jag säger det rakt upp: om du frågar mig så litar jag mer på en justerad sannolikhet än på listor som bara tittar på placeringar.
Hur algoritmerna jobbar
Datagolf bearbetar resultat och prestationsdata. De justerar för banans svårighetsgrad. De väger startfältets styrka. Resultatet blir sannolikheter för olika scenarion — inte bara en gissning.
- Banans svårighet ändrar förväntad score.
- Startfältets styrka påverkar hur mycket en bra runda egentligen betyder.
- Modellen levererar procenttal för vinnarmöjligheter.
Det är konkret. Ett exempel: Sam Burns får högst sannolikhet — vilket låter enkelt, men bakom ligger flera lager av justeringar. Han är favoriten visar Datagolf. Jag kan ha fel, men jag tror deras metod slår traditionella rankningar oftare.
Det känns lite som att väga löv med en finmekanisk våg — överdetaljerat för vissa, nödvändigt för mig. —
Vill du ha snabba tips: titta på sannolikheter, inte bara odds eller rank. Men det här öppnar också nya frågor om hur mycket vi litar på modeller mot människors magkänsla. Var går gränsen mellan nyttig precision och överanalys?
