{"id":36963,"date":"2026-11-09T23:32:49","date_gmt":"2026-11-09T22:32:49","guid":{"rendered":"https:\/\/www.codemotion.com\/magazine\/?p=36963"},"modified":"2026-11-09T23:32:51","modified_gmt":"2026-11-09T22:32:51","slug":"modelli-predittivi-alla-prova-dal-calcio-alle-vendite","status":"publish","type":"post","link":"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\/","title":{"rendered":"Modelli predittivi alla prova: dal calcio alle vendite"},"content":{"rendered":"\n

Cosa succede quando un modello nato per prevedere serie temporali si trova davanti a due scenari lontanissimi: la classifica della Serie A e gli scaffali di un magazzino? Ho provato a scoprirlo con due modelli fondazionali gratuiti, creati da aziende diverse.<\/p>\n\n\n\n

Il primo \u00e8 TimesFM 3.0 di Google<\/strong>, usato per il calcio: zero-shot, su serie corte e rumorose. Il secondo \u00e8 Timestral-209M di Mistral<\/strong>, usato per le vendite: sempre zero-shot, ma su serie lunghe, con stagionalit\u00e0 e informazioni note in anticipo. Sono anche concorrenti diretti: nella scheda di Mistral<\/a> Timestral precede di poco TimesFM-3, insieme a Chronos-2, Toto-2.0 e t0-gamma.<\/p>\n\n\n\n

Non cerco per\u00f2 il modello migliore in assoluto: cerco di capire cosa cambia quando un foundation model incontra il terreno giusto o quello sbagliato. Una nota sulle licenze: entrambi sono gratuiti per sperimentare, ma TimesFM \u00e8 per uso non commerciale, mentre Timestral \u00e8 in anteprima pubblica con una licenza MIT modificata che prevede una soglia di fatturato.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Primo esperimento: 38 giornate di caos<\/h2>\n\n\n\n

Undici stagioni di Serie A, un modello di Google da 1,32 GB e la domanda pi\u00f9 semplice del mondo: chi arriva davanti?<\/em><\/p>\n\n\n\n

Tutti, al bar, proviamo a indovinare la classifica finale. Questa volta l’ha fatto un modello nato per prevedere vendite, sensori e meteo. Il racconto \u00e8 dall’interno, con numeri veri e limiti dichiarati. E una domanda sullo sfondo: se sa prevedere una classifica di calcio, cosa sa fare su dati che contano per un’azienda?<\/p>\n\n\n\n

Cos’\u00e8 TimesFM<\/h3>\n\n\n\n

Come ChatGPT prevede la prossima parola, TimesFM<\/a> prevede il prossimo valore di una serie. Nato in Google Research e rilasciato in open source, ne usiamo la versione 3.0 di Hugging Face, un file da 1,32 GB. Lavora in zero-shot<\/em>: non lo riaddestriamo sul calcio, gli diamo la storia e chiediamo il futuro.<\/p>\n\n\n\n

Due dettagli utili. Legge la storia a blocchi da 32 punti (patching<\/em>), e per questo con poche giornate alle spalle \u00e8 praticamente cieco. E restituisce quantili: non dice solo \u00ab85 punti\u00bb, ma \u00ab85, con una banda tra 80 e 90\u00bb.<\/p>\n\n\n\n

Perch\u00e9 il calcio \u00e8 un test bastardo<\/h3>\n\n\n\n

La serie \u00e8 cortissima: 38 giornate per squadra, altro che migliaia di righe di vendite. I risultati saltano tra 0, 1 e 3, e ogni anno promozioni e retrocessioni cambiano i protagonisti. Il trucco \u00e8 trasformare i risultati in punti cumulati<\/strong> (3, 3, 6, 9\u2026), una linea che sale e che si presta meglio a un modello di serie temporali.<\/p>\n\n\n\n

L’obiettivo: a G10 (giornata 10), G19, G25 e G30, prevedere i punti finali e l’ordine di classifica. Qui non ci sono stagionalit\u00e0 pulite n\u00e9 covariate prevedibili, ed \u00e8 proprio il contrasto con la seconda sezione di questo articolo.<\/p>\n\n\n\n

I dati<\/h3>\n\n\n\n

Undici stagioni complete, dal 2015\/16 al 2025\/26: 4.180 partite, nello schema di Football-Data.co.uk<\/a>. Pi\u00f9 la stagione in corso, 2026\/27: 100 partite dopo la decima giornata (al 2 novembre 2026), giorno di stesura di questo articolo e quindi data della previsione.<\/p>\n\n\n\n

La pulizia ha riguardato date in due formati; le stagioni in corso sono escluse dall’addestramento. Per chi vuole replicare, ne escono 2.200 finestre con 19 giornate di contesto e 10 di orizzonte.<\/p>\n\n\n\n

Gli avversari e come li misuriamo<\/h3>\n\n\n\n

Quattro metodi a confronto, senza formule:<\/p>\n\n\n\n

    \n
  1. Proporzione semplice<\/strong>: \u00abse hai 10 punti in 10 giornate, finirai a 38\u00bb.<\/li>\n\n\n\n
  2. Media delle ultime 5<\/strong>: guarda solo l’ultimo periodo.<\/li>\n\n\n\n
  3. Modello esperto<\/strong> (una regressione Ridge di scikit-learn): impara dagli 11 campionati usando punti, gol fatti e subiti, differenza reti e posizione.<\/li>\n\n\n\n
  4. TimesFM zero-shot<\/strong>: gli diamo la serie cumulata e chiediamo i punti finali.<\/li>\n<\/ol>\n\n\n\n

    C’\u00e8 anche un ensemble, 80% modello esperto e 20% TimesFM, per unire precisione e bande di incertezza. Le metriche: l’errore medio in punti (MAE), la qualit\u00e0 dell’ordine (correlazione di Spearman) e la quota di Top 4 azzeccate. Attenzione: quest’ultima \u00e8 una frequenza storica su 11 stagioni, non una probabilit\u00e0 calibrata sul singolo campionato.<\/p>\n\n\n\n

    Cosa \u00e8 successo: i numeri<\/h3>\n\n\n\n

    Errore medio in punti sulle 11 stagioni (pi\u00f9 basso \u00e8 meglio):<\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Il modello esperto vince sempre in media; TimesFM parte male ma si avvicina nel finale. A G19 l’ordine \u00e8 gi\u00e0 solido (Spearman 0,91) e le Top 4 sono azzeccate nel 79,5% delle stagioni. Esempio 2025\/26: a G19 l’Inter, che chiuder\u00e0 a 87, era prevista a 83,4; a G30 TimesFM fa meglio di tutti su quella singola stagione, con un errore di 2,57.
    <\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    La classifica di oggi (2026\/27)<\/h3>\n\n\n\n

    Dopo dieci giornate: Lazio 28, Inter 25, Roma 24, Como 23, Milan 21, Frosinone 20, Juventus 17, Napoli e Bologna 14<\/strong>. La proiezione del modello esperto a fine stagione: Lazio 85,3, Roma 81,5, Inter 79,5, Como 73,4, Milan 70,0<\/strong>. A G10 l’errore storico \u00e8 di \u00b17,2 punti, quindi queste cifre vanno lette come zone, non come sentenze.<\/p>\n\n\n\n

    Curiosit\u00e0: a G10 TimesFM darebbe 105 punti alla Lazio e 3 al Venezia. Per questo, sotto G10, la sua colonna \u00e8 solo documentale.
    <\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Dove inciampa<\/h3>\n\n\n\n

    Con poche giornate \u00e8 cieco.<\/strong> Con 2-10 giornate non ha abbastanza memoria, e a G1 l’errore esplode. Il calcio \u00e8 rumoroso:<\/strong> un gol all’ultimo minuto vale 3 punti o 0, e non c’\u00e8 la stagionalit\u00e0 pulita delle vendite. Troppo pochi esempi:<\/strong> 2.200 finestre per un modello enorme; ho valutato il fine-tuning e l’ho scartato (rischio di overfitting, guadagno atteso sotto il punto di MAE).<\/p>\n\n\n\n

    E a volte basta la cosa pi\u00f9 semplice: proporzione e modello esperto sono quasi imbattibili a inizio stagione. TimesFM non \u00e8 scarso: \u00e8 fuori dal suo terreno ideale. Un foundation model non \u00e8 automaticamente la risposta.<\/p>\n\n\n\n

    Cosa resta utile<\/h3>\n\n\n\n

    Anche quando non vince, TimesFM regala le bande di incertezza: \u00abLazio tra 80 e 90\u00bb, non un numero secco. La previsione pi\u00f9 affidabile arriva a G30 (errore di circa 3,1 punti, Top 4 all’82%); gi\u00e0 a G19 l’ordine \u00e8 credibile. A G10 siamo a \u00b17,2 punti. Morale: su un campionato corto e rumoroso un ragionamento semplice e specializzato spesso batte il modello gigante, che per\u00f2 ti dice quanto \u00e8 incerto.<\/p>\n\n\n\n

    Dallo stadio al magazzino<\/h2>\n\n\n\n

    Va bene, il calcio \u00e8 un gioco. Ma su una serie lunga, stagionale e con soldi veri, un altro modello fondazionale come se la cava? Cambiamo protagonista: da TimesFM di Google a Timestral-209M di Mistral. I due esperimenti non sono confrontabili punto a punto, perch\u00e9 giocano su campi diversi: per me erano la scusa per provare un altro modello open weight.<\/p>\n\n\n\n

    Timestral-209M: prevedere senza studiare<\/h2>\n\n\n\n

    Immaginate un magazzino con tremila referenze e un responsabile che, il luned\u00ec mattina, deve decidere quanti pallet ordinare e quanti addetti convocare. Nessuno gli chiede di leggere il futuro: gli serve una stima condizionata, un ventaglio di domani plausibili. Qui lo scenario \u00e8 opposto al calcio: serie lunghe, stagionalit\u00e0, covariate note in anticipo, errore che si paga in unit\u00e0 vendute. La tesi, subito: Timestral batte una baseline ingenua, ma non \u00e8 una prova definitiva di superiorit\u00e0.<\/p>\n\n\n\n

    Anatomia essenziale<\/h3>\n\n\n\n

    Timestral \u00e8 una famiglia di quattro modelli da 5, 28, 123 e 209 milioni di parametri, rilasciati da Mistral<\/a> a met\u00e0 ottobre 2026, pensati per girare anche su una CPU ordinaria. Dalla scheda ufficiale: legge fino a 32.768 passi di storico, guarda avanti fino a 1.024 passi in un colpo solo, produce 21 quantili e accetta covariate come calendario, prezzi o festivit\u00e0 note in anticipo.<\/p>\n\n\n\n

    La parte pi\u00f9 curiosa \u00e8 l’addestramento: in gran parte su dati sintetici, processi con tendenze, stagionalit\u00e0 e rumori generati ad arte. Cosa ci sia nel corpus reale non \u00e8 dichiarato, e il rapporto tecnico \u00e8 \u00abin arrivo\u00bb. Quanto alla licenza, nega l’uso a chi supera i 20 milioni di dollari di fatturato mensile consolidato, salvo accordo con Mistral: non \u00e8 una royalty, \u00e8 una soglia d’ingresso.<\/p>\n\n\n\n

    Promesse da verificare<\/h3>\n\n\n\n

    Mistral dichiara il primo posto tra i modelli zero-shot su GIFT-Eval, TIME e fev-bench. Su GIFT-Eval il MASE \u00e8 0,658 contro 0,661 di t0-gamma: margini reali ma piccoli, e dichiarati dal produttore, senza replica indipendente. Il problema di fondo delle classifiche lo ricorda Rob Hyndman: confronti spesso fatti con metodi statistici poco curati e un rischio di contaminazione, dato che solo il 6% dei dataset usati da 22 modelli fondazionali non era mai comparso in alcun addestramento. Chi ha visto Primer<\/em> sa cosa succede quando un’informazione viaggia indietro nel tempo senza che nessuno se ne accorga.<\/p>\n\n\n\n

    Come abbiamo fatto la prova<\/h3>\n\n\n\n

    Tutto in una cartella di progetto, con una pipeline ripetibile. Dal dataset M5 di Walmart (vendite, calendario, prezzi) abbiamo estratto 300 serie prodotto-negozio con campionamento stratificato: 120 ad alto volume, 120 a volume medio, 60 a basso volume o intermittenti. Tre finestre consecutive da 28 giorni, dal 1 febbraio al 24 aprile 2016, ciascuna con 365 giorni di storico: i valori reali non sono mai entrati nella previsione. Gli ultimi 28 giorni (la parte finale del grafico), sono stati tenuti fuori dai dati mostrati per generare la previsione, in modo da avere un confronto pulito tra previsione e dati reali gi\u00e0 disponibili. Timestral lavora zero-shot, su CPU, con covariate note (giorno della settimana, mese, weekend, eventi, giorni SNAP, prezzo). Il riferimento \u00e8 la previsione stagionale ingenua: ripete il valore dello stesso giorno della settimana precedente.<\/p>\n\n\n\n

    \u00c8 una prova casalinga, non un benchmark: la metrica ufficiale della gara, il WRMSSE, non \u00e8 calcolata, quindi nessun confronto con la classifica originale.
    <\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Numeri sotto esame<\/h3>\n\n\n\n

    Il WAPE \u00e8 l’errore totale diviso per le vendite totali: 0,6348 non significa \u00abaccuratezza del 63%\u00bb, ma un errore pari al 63% del venduto. Contro la baseline, Timestral migliora il WAPE del 23,45%, il MAE del 23,46%, l’RMSE del 19,54% e il MASE del 27,70% (0,80 contro 1,11), con lo stesso segno nelle tre finestre. Ma le cautele pesano. Sul WAPE gli intervalli di confidenza al 95% sono ben separati (0,5883\u20130,6917 contro 0,7610\u20130,9059); su RMSE e MAE si sovrappongono o sfiorano la sovrapposizione, e il vantaggio non \u00e8 dimostrato.<\/p>\n\n\n\n

    Il bias \u00e8 il difetto da non nascondere.<\/strong> Vale \u22120,5632: sottostima sistematica, circa il 28% di vendite medie di due unit\u00e0 al giorno (contro \u22120,025 della baseline). Per chi gestisce scorte \u00e8 il difetto peggiore, perch\u00e9 porta a restare senza merce. Gli intervalli sono invece conservativi: quello al 90% copre il 93,30% dei casi, quello al 50% arriva al 62,62%, dodici punti sopra il nominale; su dati pieni di zeri la copertura \u00e8 gonfiata, e senza un riferimento equivalente non sappiamo se siano buoni o solo larghi.<\/p>\n\n\n\n

    Per volume, sulle 120 serie ad alto volume il WAPE \u00e8 0,5845 contro 0,7518; sul volume medio 0,8708 contro 1,1684. Sulle 60 intermittenti il miglioramento del 40,62% (1,0069 contro 1,6956) \u00e8 ingannevole: un WAPE sopra 1 \u00e8 peggiore di una previsione di soli zeri. I singoli casi lo confermano: un prodotto tra i \u00abmigliori\u00bb per WAPE ha MASE 1,4251, peggio della baseline, e il peggiore vende circa 0,012 unit\u00e0 al giorno. Gli zeri di M5 non sono sempre domanda assente.<\/p>\n\n\n\n

    I limiti: 300 serie su oltre 30.000, 84 giorni, nessuna covariata promozionale, un solo riferimento semplice, nessun confronto con ARIMA, ETS o altri modelli fondazionali, e M5 \u00e8 pubblico dal 2020, quindi non escludo la contaminazione. In parole semplici: un buon risultato zero-shot, chiaramente migliore di una regola elementare, ma non la prova che Timestral sia il modello da scegliere.<\/p>\n\n\n\n

    In due parole<\/strong>. Timestral \u00e8 come un meteorologo che, in tre mesi di prova, ha sbagliato un quarto in meno di chi si limita a dire \u00abdomani sar\u00e0 come luned\u00ec scorso\u00bb. Bravo, ma con un vizio: \u00e8 prudente fino all\u2019avarizia e tende a riempire il carrello di meno di quanto serve, cos\u00ec il rischio \u00e8 trovare lo scaffale vuoto. Gli ombrelli che offre \u00abper sicurezza\u00bb sono larghissimi, e sui prodotti che si vendono una volta ogni tanto \u00e8 come cercare di prevedere il lancio di un dado: qui anche il migliore va a tentoni. Un buon allievo, dunque, non ancora un campione da mandare in cabina di regia.
    <\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Chi lo usa, chi no<\/h3>\n\n\n\n

    Mistral cita sensori industriali, finanza, energia e supply chain; il retail \u00e8 coperto soltanto dalla nostra prova. Il valore \u00e8 evidente dove ci sono molte serie, poche risorse statistiche e covariate ricche. Serve meno con poche serie, relazioni causali note, spiegabilit\u00e0 obbligatoria. Il consiglio di Hyndman: partire da un riferimento statistico ben fatto, provare sui propri dati con finestre mobili e pesare il costo totale, licenza compresa.<\/p>\n\n\n\n

    Pi\u00f9 accessibile, non magica<\/h2>\n\n\n\n

    Messi uno accanto all’altro, i due esperimenti dicono la stessa cosa da lati opposti. Nel calcio, un terreno corto e rumoroso, TimesFM non vince: vince il modello semplice e specializzato, e il gigante regala almeno l’incertezza. Nelle vendite, con storia lunga e covariate, Timestral batte la baseline in modo coerente, ma sottostima, ha intervalli larghi e un campione limitato. Nessuno dei due \u00abha vinto\u00bb in assoluto: dipende da giornata, dataset e metrica.<\/p>\n\n\n\n

    La previsione non \u00e8 diventata magia. \u00c8 diventata pi\u00f9 accessibile.<\/p>\n","protected":false},"excerpt":{"rendered":"

    Cosa succede quando un modello nato per prevedere serie temporali si trova davanti a due scenari lontanissimi: la classifica della Serie A e gli scaffali di un magazzino? Ho provato a scoprirlo con due modelli fondazionali gratuiti, creati da aziende diverse. Il primo \u00e8 TimesFM 3.0 di Google, usato per il calcio: zero-shot, su serie… Read more<\/a><\/p>\n","protected":false},"author":336,"featured_media":36965,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_editorskit_title_hidden":false,"_editorskit_reading_time":0,"_editorskit_is_block_options_detached":false,"_editorskit_block_options_position":"{}","_uag_custom_page_level_css":"","_genesis_hide_title":false,"_genesis_hide_breadcrumbs":false,"_genesis_hide_singular_image":false,"_genesis_hide_footer_widgets":false,"_genesis_custom_body_class":"","_genesis_custom_post_class":"","_genesis_layout":"","footnotes":""},"categories":[10261],"tags":[14062,14537],"collections":[11549],"class_list":["post-36963","post","type-post","status-publish","format-standard","has-post-thumbnail","category-intelligenza-artificiale","tag-modelli","tag-timesfm","collections-il-meglio-della-settimana","entry"],"yoast_head":"\nModelli predittivi alla prova: dal calcio alle vendite - Codemotion Magazine<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\/\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Modelli predittivi alla prova: dal calcio alle vendite\" \/>\n<meta property=\"og:description\" content=\"Cosa succede quando un modello nato per prevedere serie temporali si trova davanti a due scenari lontanissimi: la classifica della Serie A e gli scaffali di un magazzino? Ho provato a scoprirlo con due modelli fondazionali gratuiti, creati da aziende diverse. Il primo \u00e8 TimesFM 3.0 di Google, usato per il calcio: zero-shot, su serie… Read more\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\/\" \/>\n<meta property=\"og:site_name\" content=\"Codemotion Magazine\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/Codemotion.Italy\/\" \/>\n<meta property=\"article:published_time\" content=\"2026-11-09T22:32:49+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-11-09T22:32:51+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1200\" \/>\n\t<meta property=\"og:image:height\" content=\"896\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Dario Ferrero\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@CodemotionIT\" \/>\n<meta name=\"twitter:site\" content=\"@CodemotionIT\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Dario Ferrero\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"11 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/it\\\/intelligenza-artificiale\\\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/it\\\/intelligenza-artificiale\\\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\\\/\"},\"author\":{\"name\":\"Dario Ferrero\",\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/#\\\/schema\\\/person\\\/d3aecf71fcce8c6de1ae67518f3f1de1\"},\"headline\":\"Modelli predittivi alla prova: dal calcio alle vendite\",\"datePublished\":\"2026-11-09T22:32:49+00:00\",\"dateModified\":\"2026-11-09T22:32:51+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/it\\\/intelligenza-artificiale\\\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\\\/\"},\"wordCount\":1927,\"publisher\":{\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/it\\\/intelligenza-artificiale\\\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/wp-content\\\/uploads\\\/2026\\\/11\\\/modelli-predittivi.jpg\",\"keywords\":[\"modelli\",\"timesFM\"],\"articleSection\":[\"Intelligenza artificiale\"],\"inLanguage\":\"en-US\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/it\\\/intelligenza-artificiale\\\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\\\/\",\"url\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/it\\\/intelligenza-artificiale\\\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\\\/\",\"name\":\"Modelli predittivi alla prova: dal calcio alle vendite - Codemotion Magazine\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/it\\\/intelligenza-artificiale\\\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/it\\\/intelligenza-artificiale\\\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/wp-content\\\/uploads\\\/2026\\\/11\\\/modelli-predittivi.jpg\",\"datePublished\":\"2026-11-09T22:32:49+00:00\",\"dateModified\":\"2026-11-09T22:32:51+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/it\\\/intelligenza-artificiale\\\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\\\/#breadcrumb\"},\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/it\\\/intelligenza-artificiale\\\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/it\\\/intelligenza-artificiale\\\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/wp-content\\\/uploads\\\/2026\\\/11\\\/modelli-predittivi.jpg\",\"contentUrl\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/wp-content\\\/uploads\\\/2026\\\/11\\\/modelli-predittivi.jpg\",\"width\":1200,\"height\":896},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/it\\\/intelligenza-artificiale\\\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Intelligenza artificiale\",\"item\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/it\\\/intelligenza-artificiale\\\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Modelli predittivi alla prova: dal calcio alle vendite\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/#website\",\"url\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/\",\"name\":\"Codemotion Magazine\",\"description\":\"We code the future. Together\",\"publisher\":{\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"en-US\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/#organization\",\"name\":\"Codemotion\",\"url\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/wp-content\\\/uploads\\\/2019\\\/11\\\/codemotionlogo.png\",\"contentUrl\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/wp-content\\\/uploads\\\/2019\\\/11\\\/codemotionlogo.png\",\"width\":225,\"height\":225,\"caption\":\"Codemotion\"},\"image\":{\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/Codemotion.Italy\\\/\",\"https:\\\/\\\/x.com\\\/CodemotionIT\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/#\\\/schema\\\/person\\\/d3aecf71fcce8c6de1ae67518f3f1de1\",\"name\":\"Dario Ferrero\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/860e20df873940f3a6bb7f64e995c70b9fd9d18f64e3233dd779168cc6a75dca?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/860e20df873940f3a6bb7f64e995c70b9fd9d18f64e3233dd779168cc6a75dca?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/860e20df873940f3a6bb7f64e995c70b9fd9d18f64e3233dd779168cc6a75dca?s=96&d=mm&r=g\",\"caption\":\"Dario Ferrero\"},\"sameAs\":[\"https:\\\/\\\/www.verbanianotizie.it\\\/\"],\"url\":\"https:\\\/\\\/www.codemotion.com\\\/magazine\\\/author\\\/dario-ferrero\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Modelli predittivi alla prova: dal calcio alle vendite - Codemotion Magazine","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\/","og_locale":"en_US","og_type":"article","og_title":"Modelli predittivi alla prova: dal calcio alle vendite","og_description":"Cosa succede quando un modello nato per prevedere serie temporali si trova davanti a due scenari lontanissimi: la classifica della Serie A e gli scaffali di un magazzino? Ho provato a scoprirlo con due modelli fondazionali gratuiti, creati da aziende diverse. Il primo \u00e8 TimesFM 3.0 di Google, usato per il calcio: zero-shot, su serie… Read more","og_url":"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\/","og_site_name":"Codemotion Magazine","article_publisher":"https:\/\/www.facebook.com\/Codemotion.Italy\/","article_published_time":"2026-11-09T22:32:49+00:00","article_modified_time":"2026-11-09T22:32:51+00:00","og_image":[{"width":1200,"height":896,"url":"https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi.jpg","type":"image\/jpeg"}],"author":"Dario Ferrero","twitter_card":"summary_large_image","twitter_creator":"@CodemotionIT","twitter_site":"@CodemotionIT","twitter_misc":{"Written by":"Dario Ferrero","Est. reading time":"11 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\/#article","isPartOf":{"@id":"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\/"},"author":{"name":"Dario Ferrero","@id":"https:\/\/www.codemotion.com\/magazine\/#\/schema\/person\/d3aecf71fcce8c6de1ae67518f3f1de1"},"headline":"Modelli predittivi alla prova: dal calcio alle vendite","datePublished":"2026-11-09T22:32:49+00:00","dateModified":"2026-11-09T22:32:51+00:00","mainEntityOfPage":{"@id":"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\/"},"wordCount":1927,"publisher":{"@id":"https:\/\/www.codemotion.com\/magazine\/#organization"},"image":{"@id":"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\/#primaryimage"},"thumbnailUrl":"https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi.jpg","keywords":["modelli","timesFM"],"articleSection":["Intelligenza artificiale"],"inLanguage":"en-US"},{"@type":"WebPage","@id":"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\/","url":"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\/","name":"Modelli predittivi alla prova: dal calcio alle vendite - Codemotion Magazine","isPartOf":{"@id":"https:\/\/www.codemotion.com\/magazine\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\/#primaryimage"},"image":{"@id":"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\/#primaryimage"},"thumbnailUrl":"https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi.jpg","datePublished":"2026-11-09T22:32:49+00:00","dateModified":"2026-11-09T22:32:51+00:00","breadcrumb":{"@id":"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\/#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\/"]}]},{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\/#primaryimage","url":"https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi.jpg","contentUrl":"https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi.jpg","width":1200,"height":896},{"@type":"BreadcrumbList","@id":"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/modelli-predittivi-alla-prova-dal-calcio-alle-vendite\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.codemotion.com\/magazine\/"},{"@type":"ListItem","position":2,"name":"Intelligenza artificiale","item":"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/"},{"@type":"ListItem","position":3,"name":"Modelli predittivi alla prova: dal calcio alle vendite"}]},{"@type":"WebSite","@id":"https:\/\/www.codemotion.com\/magazine\/#website","url":"https:\/\/www.codemotion.com\/magazine\/","name":"Codemotion Magazine","description":"We code the future. Together","publisher":{"@id":"https:\/\/www.codemotion.com\/magazine\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.codemotion.com\/magazine\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en-US"},{"@type":"Organization","@id":"https:\/\/www.codemotion.com\/magazine\/#organization","name":"Codemotion","url":"https:\/\/www.codemotion.com\/magazine\/","logo":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/www.codemotion.com\/magazine\/#\/schema\/logo\/image\/","url":"https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2019\/11\/codemotionlogo.png","contentUrl":"https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2019\/11\/codemotionlogo.png","width":225,"height":225,"caption":"Codemotion"},"image":{"@id":"https:\/\/www.codemotion.com\/magazine\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/Codemotion.Italy\/","https:\/\/x.com\/CodemotionIT"]},{"@type":"Person","@id":"https:\/\/www.codemotion.com\/magazine\/#\/schema\/person\/d3aecf71fcce8c6de1ae67518f3f1de1","name":"Dario Ferrero","image":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/secure.gravatar.com\/avatar\/860e20df873940f3a6bb7f64e995c70b9fd9d18f64e3233dd779168cc6a75dca?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/860e20df873940f3a6bb7f64e995c70b9fd9d18f64e3233dd779168cc6a75dca?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/860e20df873940f3a6bb7f64e995c70b9fd9d18f64e3233dd779168cc6a75dca?s=96&d=mm&r=g","caption":"Dario Ferrero"},"sameAs":["https:\/\/www.verbanianotizie.it\/"],"url":"https:\/\/www.codemotion.com\/magazine\/author\/dario-ferrero\/"}]}},"featured_image_src":"https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi-600x400.jpg","featured_image_src_square":"https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi-600x600.jpg","author_info":{"display_name":"Dario Ferrero","author_link":"https:\/\/www.codemotion.com\/magazine\/author\/dario-ferrero\/"},"uagb_featured_image_src":{"full":["https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi.jpg",1200,896,false],"thumbnail":["https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi-150x150.jpg",150,150,true],"medium":["https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi-300x224.jpg",300,224,true],"medium_large":["https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi-768x573.jpg",768,573,true],"large":["https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi-1024x765.jpg",1024,765,true],"1536x1536":["https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi.jpg",1200,896,false],"2048x2048":["https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi.jpg",1200,896,false],"small-home-featured":["https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi-100x100.jpg",100,100,true],"sidebar-featured":["https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi-180x128.jpg",180,128,true],"genesis-singular-images":["https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi-896x504.jpg",896,504,true],"archive-featured":["https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi-400x225.jpg",400,225,true],"gb-block-post-grid-landscape":["https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi-600x400.jpg",600,400,true],"gb-block-post-grid-square":["https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/11\/modelli-predittivi-600x600.jpg",600,600,true]},"uagb_author_info":{"display_name":"Dario Ferrero","author_link":"https:\/\/www.codemotion.com\/magazine\/author\/dario-ferrero\/"},"uagb_comment_info":0,"uagb_excerpt":"Cosa succede quando un modello nato per prevedere serie temporali si trova davanti a due scenari lontanissimi: la classifica della Serie A e gli scaffali di un magazzino? Ho provato a scoprirlo con due modelli fondazionali gratuiti, creati da aziende diverse. Il primo \u00e8 TimesFM 3.0 di Google, usato per il calcio: zero-shot, su serie……","lang":"it","_links":{"self":[{"href":"https:\/\/www.codemotion.com\/magazine\/wp-json\/wp\/v2\/posts\/36963","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.codemotion.com\/magazine\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.codemotion.com\/magazine\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.codemotion.com\/magazine\/wp-json\/wp\/v2\/users\/336"}],"replies":[{"embeddable":true,"href":"https:\/\/www.codemotion.com\/magazine\/wp-json\/wp\/v2\/comments?post=36963"}],"version-history":[{"count":2,"href":"https:\/\/www.codemotion.com\/magazine\/wp-json\/wp\/v2\/posts\/36963\/revisions"}],"predecessor-version":[{"id":36978,"href":"https:\/\/www.codemotion.com\/magazine\/wp-json\/wp\/v2\/posts\/36963\/revisions\/36978"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.codemotion.com\/magazine\/wp-json\/wp\/v2\/media\/36965"}],"wp:attachment":[{"href":"https:\/\/www.codemotion.com\/magazine\/wp-json\/wp\/v2\/media?parent=36963"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.codemotion.com\/magazine\/wp-json\/wp\/v2\/categories?post=36963"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.codemotion.com\/magazine\/wp-json\/wp\/v2\/tags?post=36963"},{"taxonomy":"collections","embeddable":true,"href":"https:\/\/www.codemotion.com\/magazine\/wp-json\/wp\/v2\/collections?post=36963"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}