I modelli per il calcio si appoggiano a quattro tipi di dati: i gol attesi (xG), la forma recente, gli indicatori di gioco (possesso, tiri, duelli) e le quote di mercato. Il limite viene dallo sport stesso. Si segna poco, e la ricerca mostra che meno eventi decisivi ha uno sport, più il caso pesa sul risultato.
Cosa guardano i modelli nel calcio
Nei lavori sul calcio ricorrono sempre le stesse quattro famiglie di dati. Nessuna l'ha inventata l'IA. Ciò che i modelli aggiungono è la possibilità di incrociarle su volumi enormi.
| Famiglia | Cosa coglie | Dove si ferma |
|---|---|---|
| Gol attesi (xG) | La qualità delle occasioni create e concesse | Non dice nulla sulla mira reale di una rosa precisa |
| Forma recente | L'andamento delle ultime giornate | Dipende dal livello degli avversari già incontrati |
| Indicatori di gioco | Possesso, tiri, duelli, pressing | Il legame con il risultato varia |
| Quote di mercato | L'informazione che gli operatori hanno già aggregato | Lega il modello al consenso che dovrebbe valutare |
Guarda l'ultima riga. Molti lavori mettono le quote come variabile in ingresso, perché condensano informazioni difficili da ricostruire altrimenti. Il prezzo diventa così punto di confronto e dato del modello insieme. Quando il modello si scosta dal prezzo, quello scarto dice meno di quanto sembri.
Questa pagina resta sul calcio: xG, pochi gol, peso del pareggio. Per l'IA applicata ai pronostici in tutti gli sport, trovi IA e pronostici sportivi.
L'xG e ciò che non ti racconta
I gol attesi stimano la probabilità che un'occasione diventi gol, in base alla posizione, a come si è sviluppata l'azione e al contesto. Se li sommi su una partita, ottieni una misura della prestazione offensiva e difensiva che non dipende dal risultato finale.
A cosa serve? Soprattutto a correggere come leggi un risultato. Una squadra che vince 1-0 con 0,4 di xG contro 2,1 non ha giocato la stessa partita di una che vince 1-0 con 2,3 contro 0,5. Per capire quale delle due partite si sia giocata, io guarderei l'xG prima del punteggio.
I limiti sono altrettanto chiari. L'xG è una media costruita su un ampio storico. Non conosce la mira di un singolo giocatore. E su una sola partita lo scarto tra gol attesi e gol segnati resta grande.
Perché il calcio resiste ai modelli
Nel calcio gli eventi decisivi sono pochi, quindi il caso pesa molto.
Bunker e Susnjak firmano una rassegna che mette insieme più di vent'anni di lavori sulla previsione dei risultati negli sport di squadra. Su questo punto sono chiari. Due dati, verificati nel testo della rassegna:
- il calcio è lo sport più studiato di tutto il corpus, eppure la migliore precisione registrata arriva al 78 %, il che lo mette solo al quinto posto tra gli sport confrontati;
- alcuni sport meglio piazzati, come il rugby a XV, devono parte del vantaggio a competizioni meno equilibrate. La rassegna insiste sul fatto che la profondità della concorrenza conta almeno quanto lo sport stesso.
La rassegna cita anche lavori secondo cui il puro caso può decidere l'esito fino al 18 % delle partite di una stagione. Quasi una su cinque.
Attenzione però. Sono cifre di ricerca sulla previsione dei risultati. Non sono un tasso di riuscita da applicare a una scommessa. Una scommessa si giudica rispetto a una quota e al suo margine, non rispetto a una percentuale di risposte giuste.
Gioco responsabile: un modello non elimina il rischio. Le scommesse sportive comportano un rischio di perdita economica. Fissati un budget, non cercare di recuperare le perdite e usa gli strumenti di limitazione e autoesclusione disponibili. Hai bisogno di parlarne? Il Telefono Verde dell'ISS risponde all'800 558 822, numero gratuito. Scopri di più sul gioco responsabile.
Il pareggio, un caso a parte
Il calcio è uno dei pochi grandi sport con un terzo esito, ed è il più difficile da modellizzare.
Un pareggio non ha una firma statistica propria. Non indica dominio né squilibrio. È un equilibrio, e può nascere da configurazioni molto diverse. Diversi lavori in letteratura aggirano il problema usando due classi invece di tre. La precisione dichiarata sale in modo meccanico, senza che nessuno capisca meglio la partita.
Quindi, quando uno strumento ti dà una cifra, guarda su quanti esiti è stata misurata. Una precisione su due esiti e una su tre non si confrontano.
Cosa porta l'IA al calcio e dove si ferma
Cosa fa bene? Digerire stagioni intere di dati, confrontare gli indicatori da una partita all'altra con lo stesso metro e seguire senza sosta ciò che fanno le quote. Può anche stimare una probabilità per esito, con un margine d'errore che resta ampio in uno sport con pochi gol. Il risultato di una partita non lo conosce. Il punteggio esatto, ancora meno.
Quest'ultimo limite condiziona il modo in cui OddScore si presenta. Il punto di partenza sono le quote di più bookmaker, senza margine, e il loro andamento. Il segnale da 0 a 100 e la lettura IA riassumono ciò che dice il mercato. Non ti dicono come finirà la partita.
Questa pagina resta su dati e modelli. Per il metodo di analisi umana di una partita (mercato 1X2, peso del pareggio, calendario) vai su pronostico calcio. I mercati che la piattaforma segue davvero sono in quote calcio.
Torna alla guida IA e pronostici sportivi →
Torna alla guida completa dei pronostici sportivi →
Mettilo in pratica
Applica questa guida a quote reali.
Vedi una lettura di mercato
Una partita reale con le sue quote, i movimenti e il segnale 0-100.
Apri la demoCalcolatore di margine
Misura il margine di un bookmaker su qualsiasi mercato.
Calcola il margineEsplora il mercato
I movimenti delle quote sono solo una parte della storia. Ecco i prossimi argomenti da leggere.
IA e pronostici sportivi
Cosa può fare l'IA con i dati e perché non diventa mai una certezza.
Capire il ruolo dell'IAPronostico calcio: come analizzare una partita
Il mercato 1X2, il peso del pareggio, la forma e il calendario.
Vedi la guida calcioModelli Poisson e xG nel calcio
Come un modello statistico passa dagli xG alle probabilità di risultato.
Vedi i modelliQuote calcio: i mercati che segue OddScore
L'1X2, l'Over/Under gol e le competizioni coperte.
Vedi i mercatiPronostici sportivi: analizzare prima di scommettere
La guida completa: dati, quote, affidabilità, bias e ruolo dell'IA.
Leggi la guidaI limiti dei pronostici IA
Dati incompleti, scatole nere e troppa fiducia in una cifra che sembra precisa.
Vedi i limitiDomande frequenti
Un modello di IA può prevedere un punteggio esatto?
Non è realistico. Al massimo un modello stima una distribuzione di punteggi possibili, e anche il più probabile ne ottiene solo una fetta piccola.
Che cos'è l'xG e a che cosa serve?
I gol attesi misurano la qualità delle occasioni create da una squadra, non i gol che segna. Ti aiutano a distinguere una buona prestazione da un risultato strappato con due o tre occasioni.
Perché il calcio è difficile da modellizzare?
Perché in una partita succedono poche cose decisive. La rassegna di Bunker e Susnjak (2022) rileva che gli sport con pochi gol lasciano più spazio al caso, e questo limita la precisione dei modelli.
Le quote servono da dato in ingresso ai modelli?
Spesso sì. Diversi lavori in letteratura le usano come variabile perché racchiudono molta informazione.
OddScore fornisce pronostici?
No. OddScore confronta le quote di più bookmaker, ne toglie il margine e ne segue l'evoluzione. La lettura IA riassume ciò che dice il mercato, per esempio il lato che favorisce o la linea che si aspetta. Non è una scommessa da seguire, e OddScore non dà consigli di puntata.
Fonti e metodologia
Dietro questa pagina ci sono una rassegna accademica sulla previsione dei risultati negli sport di squadra con l'apprendimento automatico, una recente rassegna sistematica sull'apprendimento automatico nelle scommesse sportive e, per il quadro italiano, l'Agenzia delle Dogane e dei Monopoli e l'Istituto Superiore di Sanità.
- Riportare le precisioni così come le pubblica la rassegna, sport per sport.
- Non presentare mai la precisione di un modello accademico come un tasso di riuscita applicabile a una scommessa.
- Tenere separata la stima di una probabilità dalla scelta di un esito.
- Indicare come preprint i lavori non ancora sottoposti a revisione paritaria.
- Bunker, R. & Susnjak, T. (2022). The Application of Machine Learning Techniques for Predicting Match Results in Team Sport: A Review. Journal of Artificial Intelligence Research, 73, 1285-1322.
- Galekwa, R. M., Tshimula, J. M., Tajeuna, E. G. & Kyandoghere, K. (2024). A Systematic Review of Machine Learning in Sports Betting: Techniques, Challenges, and Future Directions. Preprint arXiv 2410.21484 (non sottoposto a revisione paritaria).
- ADM: Agenzia delle Dogane e dei Monopoli
- ISS: Telefono Verde gioco d'azzardo