Prima o poi ogni analista si trova davanti alla stessa situazione: una previsione ben studiata non si verifica. La reazione naturale è mettere in discussione il modello, i dati o il metodo. Ma in molti casi, ciò che è successo è semplicemente varianza. Non è un difetto. È parte del modo in cui funziona la probabilità.
1. Cos’è davvero la varianza
La varianza è la naturale variabilità dei risultati che ci si può aspettare anche quando le probabilità sottostanti sono corrette. Una moneta con il 50% di probabilità di uscire testa può comunque dare croce cinque volte di fila. Non significa che la moneta stia “mentendo”. È semplicemente la varianza in azione. I risultati sportivi seguono un principio molto simile, solo con molte più variabili in gioco.
2. Rumore a breve termine vs. segnale a lungo termine
Su una manciata di partite, i risultati possono sembrare irregolari anche quando il modello sottostante è valido. È solo su un campione ampio, composto da decine o centinaia di casi, che emerge la reale accuratezza di un approccio statistico. Giudicare un modello dopo cinque eventi è come definire un dado “difettoso” dopo cinque lanci in cui non è mai uscito il sei.
3. La trappola psicologica
La varianza è una realtà matematica, ma può anche diventare una prova psicologica. Una serie di sconfitte, anche quando è del tutto normale dal punto di vista statistico, può generare dubbi, frustrazione o la tentazione di abbandonare completamente un metodo valido. Riconoscere la varianza per quello che è, qualcosa di previsto e temporaneo che non costituisce un motivo per trarre conclusioni affrettate, aiuta a mantenere l’analisi razionale anziché reagire d’impulso.
4. Cosa monitorare davvero
Invece di reagire a ogni singolo risultato, osserva le prestazioni su un campione sufficientemente ampio. Strumenti come Advise, che registrano ogni previsione e la confrontano con il risultato effettivo, esistono proprio per questo. Ti permettono di valutare i risultati nel tempo, invece di trarre conclusioni da una singola partita.
Un singolo errore non dimostra che un modello non funziona, così come un singolo risultato corretto non ne dimostra la validità. È solo nel lungo periodo che emerge il quadro reale.