Come l'IA analizza una partita: dai dati alla probabilità

L’IA non prevede il risultato di una partita. Calcola quanto è probabile ciascun esito e poi dice quanto si fida del proprio calcolo. La differenza conta. Una previsione suona come “andrà così”. Una probabilità suona più noiosa e dice di più: “in una situazione come questa, con dati come questi, di solito succede questo”. Tra i numeri grezzi e una lettura finita ci sono quattro passaggi, e nessuno di loro è magia. Eccoli, in ordine.

Cosa fa davvero l’IA con una partita

Immagina che qualcuno ti metta davanti duecento numeri su due squadre e ti dia un’ora di tempo. Gol, tiri, serie in casa e in trasferta, chi è infortunato, chi è rientrato, cosa è successo negli ultimi cinque scontri diretti, come arrivano le due squadre al finale di stagione. Il compito: dire quale esito è più probabile.

Ce la faresti. Ma alla duecentesima partita di fila saresti stanco, e alla trecentesima inizieresti a piegare la risposta verso quello che avevi già deciso nei primi trenta secondi. Le persone funzionano così.

Una macchina non si stanca e non si innamora della propria prima impressione. Ed è qui che finisce tutto il suo vantaggio. Non vede quello che non è nei dati, non capisce il contesto che nessuno le ha raccontato, e non ha idea che l’allenatore abbia litigato con il capitano stamattina. Diventa utile non perché è “più intelligente”, ma perché fa lo stesso lavoro noioso con lo stesso standard trecento volte di fila.

Passo 1. Quali dati entrano nell’analisi

La prima cosa da capire: la qualità di una lettura dipende quasi interamente da cosa ci è entrato dentro. Un bel modello su dati scadenti produce belle sciocchezze.

Statistiche e forma

La base sono i risultati e come sono arrivati. Non solo il punteggio, ma quanto una squadra ha creato, quanto ha concesso, quanto è stata solida nelle ultime settimane. “Cinque vittorie di fila” e “cinque vittorie di fila sofferte, con un tiro in porta a partita” sono due serie molto diverse. La metrica che separa le due cose è il valore atteso dei tiri — cosa misura e dove inganna è spiegato in cos’è l’xG nel calcio.

Scontri diretti

Come si sono comportate le due squadre l’una contro l’altra. Un indicatore infido: funziona finché rosa e modo di giocare sono rimasti quelli, e diventa rumore appena in due anni sono cambiati allenatore, metà della formazione titolare e magari anche la categoria. In Serie A, dove una sessione di mercato attiva può ridisegnare una rosa in un mese, questa correzione è particolarmente necessaria, e ignorarla è l’errore più comune dell’analisi fatta a mano — la regola pratica per azzerare uno scontro diretto obsoleto è in scontri diretti (H2H): cosa sono.

Formazioni

Chi è convocato, chi è infortunato, chi viene risparmiato prima di un turno europeo infrasettimanale. Un singolo giocatore raramente cambia il quadro, ma un cambio di portiere o l’assenza di entrambi i centrali sì.

Notizie fresche, pochi minuti prima dell’analisi

Le statistiche descrivono il passato, la partita si gioca oggi. Per questo, prima di calcolare qualsiasi cosa, il sistema controlla separatamente quello che è appena successo: formazioni confermate, comunicati dei club, meteo, arbitro designato. È l’unico strato che non si può prendere da un database — va cercato nel momento stesso dell’analisi.

Lo strato di consenso

Un piano a parte: come le fonti professionali valutano quella partita. Sharkline raccoglie questo dato da oltre venti fonti indipendenti, le porta su un’unica scala e pesa ciascuna in base alla sua affidabilità. Non per copiare un giudizio altrui, ma per vedere dove quel giudizio non coincide con quanto dicono le statistiche. Il disallineamento in sé è informativo: di solito dietro c’è o una notizia che non è ancora arrivata ai numeri, o un errore di una delle due parti.

Passo 2. Perché i dati grezzi non si possono usare così come sono

Tra “dati raccolti” e “numeri calcolati” c’è un passaggio che da fuori non si vede, e che conta più di tutto il resto.

I dati si contraddicono tra loro. Una fonte segna un giocatore infortunato, un’altra lo mette in lista. Una mostra una squadra in gran forma di risultati, un’altra in forma pessima se si guarda la qualità delle occasioni create. Il modello deve risolvere questo in qualche modo, e il modo in cui lo risolve conta più del modello stesso.

I dati invecchiano. Una formazione nota il giorno prima del fischio d’inizio e una nota un’ora prima sono due formazioni diverse. Un’analisi fatta al mattino non sa nulla di un infortunio capitato nell’allenamento del pomeriggio.

A volte i dati sono semplicemente pochi. Una Serie C, un primo turno di Coppa Italia, un torneo femminile — il materiale disponibile può essere dieci volte meno rispetto a una partita di massima serie. Non è un motivo per calcolare peggio. È un motivo per dire onestamente che lì la confidenza è più bassa.

Passo 3. Come i dati diventano la probabilità di un esito

Ora arriva l’aritmetica vera e propria. In uscita non c’è una sola opzione ma una distribuzione: una percentuale per ogni esito, che in totale fa cento.

Esempio di carta di analisi. I numeri sono illustrativi.

Prendiamo questa carta. Manchester City contro Liverpool: 44% per la vittoria in casa, 28% per il pareggio, 28% per la vittoria in trasferta. Non si legge come “vince il City”. Si legge in modo più noioso e molto più utile: in una partita così, con dati così, la squadra di casa vince circa in quattro casi su dieci. E in sei, no.

Da qui seguono subito due conclusioni, ed entrambe rompono un’abitudine.

Più probabile non significa “succederà”. 44% è meno della metà. L’esito più probabile di questa specifica partita capita comunque meno spesso di quanto non capiti. Chi dice “il modello ha previsto la vittoria del City” ha semplicemente smesso di leggere prima del numero.

Percentuali piatte sono più oneste di quelle scenografiche. Quando una lettura esce 44/28/28, comunica la cosa principale: la partita è equilibrata, il vantaggio è piccolo. Un servizio che sulla stessa partita disegna 80% e promette un “esito sicuro” non è più preciso. Sta solo vendendo sicurezza, perché la sicurezza si vende meglio di una distribuzione.

Passo 4. Da dove viene la percentuale di confidenza

Accanto alle probabilità, la carta porta un secondo numero — l’anello al 74%. Viene confuso con il primo di continuo, ed è una scala completamente diversa.

La probabilità risponde alla domanda “quanto è probabile questo esito”. La confidenza risponde a “quanto il modello si fida del proprio calcolo”. Si può essere molto sicuri che una partita sia imprevedibile. E si può ottenere una probabilità dall’aspetto convincente su dati che non valgono niente.

Il modo più semplice per sentire la differenza è una previsione del tempo. “40% di probabilità di pioggia domani” e “onestamente non sappiamo com’è domani, la stazione meteo è offline da tre giorni” sono due messaggi diversi, e il secondo conta di più.

Il rischio principale

Per questo ogni lettura porta, su una riga a parte, ciò che più probabilmente la manderà in frantumi. Nell’esempio sopra è il turnover in vista dell’impegno europeo infrasettimanale. Non una scusa inventata dopo, ma parte della lettura: il servizio nomina in anticipo la circostanza in cui sbaglierà.

Quella riga è il modo più semplice per mettere alla prova un servizio. Se non nomina mai il proprio rischio principale, o non lo calcola, o lo calcola e lo nasconde.

Cosa succede quando i dati sono pochi

Lo scenario più interessante, quello in cui si vede la differenza tra uno strumento e un venditore.

A sinistra, una partita con una base dati solida. A destra, il caso in cui c’è una sola risposta onesta. Numeri illustrativi.

Quando su una partita si è raccolto poco materiale, o i dati si contraddicono tra loro, la lettura riceve una valutazione bassa della qualità della ricerca e una raccomandazione diretta: saltala. Niente percentuale di confidenza, perché non c’è confidenza nemmeno lì.

Per un servizio che vive di un abbonamento all’analisi, questo è un esito di lavoro normale. Per un canale obbligato a produrre ogni giorno “l’indicazione sicura di oggi”, è un disastro commerciale: non può permettersi un giorno senza risposta. Quindi la risposta ci sarà sempre, indipendentemente dal fatto che sotto ci sia qualcosa.

Stessa situazione, due comportamenti opposti. È esattamente questo bivio il criterio migliore per scegliere uno strumento.

Cosa non sa l’IA in questo schema

La lista è breve e vale la pena tenerla a mente:

• Tutto quello che è successo dopo l’analisi. Una lettura è una fotografia scattata in un momento preciso. Un infortunio nel riscaldamento o una formazione annunciata più tardi non ci sono già dentro.
• Decisioni di cui nessuno ha parlato. La classifica il modello la vede, e può considerare che una squadra non abbia più nulla da giocarsi. Se l’allenatore risparmierà i titolari per la coppa, quando nessuno lo ha detto ad alta voce, non lo sa nessuno.
• Ciò che non è mai diventato dato. Conflitti nello spogliatoio, accordi non dichiarati, tutto quello che non arriva né alle statistiche né alle notizie.
• Situazioni rare. Un esordiente, una partita rinviata, un torneo senza statistiche decenti. Qui il sistema non prova a cavarsela: la qualità della ricerca scende, e la lettura è onesta — saltala.

Niente di tutto questo rende l’analisi inutile. Spiega solo perché ogni lettura onesta ha un tetto, e perché una promessa di risultato è sempre una bugia, chiunque la faccia.

In cosa si differenzia da “l’IA ha scelto questo esito”

“L’IA ha scelto” suona più convincente e dice di meno. Dietro non si vedono né i dati, né la distribuzione, né la confidenza, né il rischio. Non si può verificare. Se va bene: “te l’avevamo detto”. Se va male: “lo sport è imprevedibile”.

Una lettura che ha tutti e quattro i passaggi si può verificare. Si vede da cosa è composta, dove il servizio ammette il proprio punto debole e quanto si fida davvero della propria risposta. Non diventa una garanzia — le garanzie nello sport non esistono. Diventa però chiaro per cosa si sta pagando.

Tutto il meccanismo è descritto nella pagina come funziona Sharkline.

Come si vede in Sharkline

La lista delle partite del giorno. Incontri e numeri sono esempi.

Sharkline analizza centinaia di partite al giorno in nove sport, e lo fa prima che tu apra l’app. Un’analisi completa di una partita richiede circa un minuto. La carta mostra la probabilità di ogni esito, la lettura, una percentuale di confidenza, gli argomenti a favore e contro e il rischio principale. Se una partita non è in lista, si può fotografare o inviare come screenshot.

Quello che non facciamo: non promettiamo risultati, non pubblichiamo “indicazioni sicure” e non produciamo una lettura dove i dati non ci sono. Non è modestia — è l’unico modo in cui una percentuale di confidenza significa davvero qualcosa.

Continua a leggere

• Cosa non sa l’IA di una partita — la mappa fattore per fattore: cosa vede il sistema, cosa vede in parte e cosa non vede affatto.
• Analisi AI o canale di pronostici — cinque verifiche da applicare a qualunque servizio, incluso questo.
• Cos’è l’xG nel calcio — la metrica dietro le parole “crea più occasioni pericolose”.

E se preferisci farlo a mano, parti da come analizzare una partita prima del match.

Domande frequenti

L’IA può prevedere con precisione il risultato di una partita? No. Né l’IA, né una persona, né nessun altro. L’IA calcola la probabilità degli esiti sulla base dei dati, e anche un 70% calcolato bene significa che tre volte su dieci andrà diversamente. Chi promette un risultato esatto sta vendendo sicurezza, non analisi.

Che differenza c’è tra la probabilità di un esito e la percentuale di confidenza? La probabilità dice quanto è probabile l’esito in sé. La confidenza dice quanto il modello si fida del proprio calcolo. Si può ottenere una probabilità alta su dati deboli — il primo numero sarà grande, il secondo piccolo, e conta di più il secondo.

Perché a volte l’analisi consiglia di saltare una partita? Perché ci sono pochi dati, oppure si contraddicono tra loro. In quella situazione qualsiasi numero sarebbe inventato. Un rifiuto onesto è più utile di una risposta verosimile costruita sul nulla.

Su quali dati si basa l’analisi? Statistiche di squadre e giocatori, forma attuale, posizione in classifica, storico degli scontri diretti, formazioni e infortuni — tutto arriva da un’API di dati sportivi. Sopra si aggiunge lo strato di consenso con oltre venti fonti e un controllo separato delle notizie fresche appena prima dell’analisi: formazioni confermate, meteo, arbitro. Ogni lettura porta una valutazione della qualità di questi dati, così si vede quanto fidarsene.

Quanto tempo richiede l’analisi di una partita? Circa un minuto. Le partite nella lista del giorno vengono analizzate in anticipo, quindi si aprono già pronte.