Dati reali, non rumore. Ecco come.

1. La pipeline in 6 passaggi

Dal dato grezzo al numero che leggi nell'asta companion o in un articolo:

1. Ingestion — API-Football fornisce statistiche partita per partita, formazioni, infortuni, calendario. Aggiornamento ogni 15 minuti durante le giornate, ogni notte per il resto.
2. Database — Postgres con schema versionato (49 migration alembic), un giocatore per riga, una partita per riga, indici sui pattern di query usati dal portale.
3. AI scoring — Claude (Anthropic) sintetizza le stats in 7 dimensioni (tecnica, fisico, mentalità, tattica, potenziale, durabilità, costanza) con un punteggio di confidenza esplicito.
4. Fact-check — ogni claim numerico nei nostri articoli viene verificato contro il database con regole deterministiche; le affermazioni non verificabili passano a Perplexity per ricerca web.
5. Editorial review — articoli con score di fact-check ≥ 80 vengono auto-approvati; tra 60 e 79 entrano in un loop di correzione (max 3 round); sotto 60 vengono rifiutati.
6. Publish — solo articoli approvati vengono tradotti e pubblicati. Disclaimer "generato con AI, verificato con fact-check" sempre visibile.

2. Esempio concreto: come arriviamo al punteggio AI

Prendiamo un attaccante esempio. Input grezzi e output sintetico:

Lo stesso framework, applicato a un 18enne con mezza stagione, restituirebbe punteggi simili ma con confidenza bassa. Il sistema te lo dice esplicitamente: trattalo come una scommessa, non come un fatto.

3. Cosa misuriamo per validare il modello

Ogni mese (o quando aggiorniamo il modello) controlliamo 4 metriche interne:

• Copertura posizionale (positional coverage rate) — su una lega media (500 cr, rosa 3·8·8·6), un utente che segue le nostre indicazioni dovrebbe chiudere ≥ 60% delle posizioni del proprio roster ideale, contando alternative di pari valore. Metric interna, non promessa al singolo utente.
• Forza del segnale per ruolo (signal strength) — quanto la nostra valutazione AI predice fantamedia di fine stagione, separato per portiere / difensore / centrocampista / attaccante. Spearman target ≥ 0.55.
• Calibrazione confidenza (confidence calibration) — quando diciamo "Alta confidenza", la valutazione finale dovrebbe essere entro ±5 punti. Quando diciamo "Bassa", entro ±15. Misurato a fine stagione.
• Rejection rate degli articoli — quanti articoli generati superano il fact-check al primo passaggio. Target ≥ 75%; sotto, alziamo le soglie del prompt.

4. Approfondimenti

• Punteggio AI dettagliato — input, modello, scaling, edge case
• Forma (momentum) — EWMA su ultime 5 partite, pesi per ruolo
• Pipeline fact-checking — regole deterministiche, soglie, correzione

5. Cosa NON facciamo

• Non promettiamo nomi specifici di chi colpire all'asta — quello dipende dal tavolo della tua lega. Promettiamo che il modello copra le posizioni con alternative serie.
• Non vendiamo dati a terzi. Non ospitiamo pubblicità invasiva. Niente tracking pixel.
• Non sostituiamo lo scout. Per le decisioni più importanti — un acquisto da 100+ crediti, una scelta tra due 18enni — leggi sempre l'articolo intero, non fermarti al numero.
• Non giriamo modelli closed-source senza segnalarli: tutti i provider AI usati (Anthropic Claude, Google Gemini, Perplexity) sono dichiarati in Imprint e Privacy.

6. Versioning e limiti generali

Ogni sotto-pagina riporta la versione corrente della metodologia. Quando aggiorniamo una formula in modo non banale (es. da v1 a v2), lo segnaliamo qui e nelle note di rilascio. Chi monitora i ranking nel tempo capisce le variazioni.

I nostri indicatori sono sintetici, non previsionali. Si basano sui dati disponibili al momento del calcolo. Non costituiscono previsioni di prestazioni future, né raccomandazioni di scommessa, né consulenza professionale.

Versione metodologia: v1.0 · ultimo aggiornamento aprile 2026.