Lottomatikai
Lottomatikai è un ecosistema completo — app mobile + dashboard web + backend AI — per l'analisi statistica di grandi serie storiche di dati numerici pubblici. Abbiamo sviluppato l'intera piattaforma: l'app mobile companion nativa per iOS e Android (React Native + Expo) con interprete AI vocale (speech-to-text), notifiche push e autenticazione; la dashboard web (Next.js 15 + TypeScript) con grafici interattivi su oltre 150 anni di dati storici, uno Strategy Builder e un AI Journal; e il backend AI/ML (FastAPI + SQLAlchemy 2.0 async, PyTorch, MLflow, Celery + Redis) con modelli LSTM/Ensemble, pipeline di scraping automatizzata dei dataset ufficiali e motore statistico pre-aggregato. Cuore del prodotto è il rigore metodologico, inteso come controlli che sanno dire di no: backtest senza lookahead per costruzione, calibrazione misurata con binning per quantili e dichiarata degenere quando il modello non ordina nulla, e proprietà statistiche esposte solo dove la pipeline le calcola davvero — meglio un dato assente di uno affermato senza misura. Il successo è definito una volta sola, come vincita effettivamente incassata. A fianco, strumenti di gestione del budget e analisi del rischio. Include un pannello admin con business analytics (MRR, churn, retention, funnel di conversione) e monitoring. Un unico team per mobile, web, AI e DevOps.
Il problema
Analizzare oltre 150 anni di serie storiche numeriche pubbliche è un problema statistico prima che tecnologico: è facilissimo trovare pattern che esistono solo nel campione osservato, e altrettanto facile costruire un'interfaccia che li presenta come certezze. La difficoltà vera era dire quanto vale davvero una previsione, e dirlo in modo verificabile.
Come lo abbiamo affrontato
Il rigore metodologico è parte del prodotto e vive nei controlli che sanno dire di no. I backtest escludono il lookahead per costruzione: una previsione conta solo se è stata scritta prima dell'estrazione a cui si riferisce ed è una giocata davvero convalidabile. La calibrazione si misura con binning per quantili e si dichiara degenere quando il modello emette una probabilità costante — con soglia fissa su bin equi-larghezza il gate non poteva fallire. Le proprietà statistiche si dichiarano solo dove la pipeline le calcola: altrove l'API non le espone. Il successo ha una sola definizione in tutto il sistema, la vincita effettivamente incassata, e le metriche misurano quella.
Scelte tecniche
Ecosistema completo costruito da un solo team: app mobile nativa iOS e Android con React Native ed Expo, interprete AI vocale, notifiche push; dashboard web su Next.js 15 con grafici interattivi e Strategy Builder; backend su FastAPI e SQLAlchemy 2.0 async con modelli LSTM ed ensemble in PyTorch, tracciamento esperimenti con MLflow, scraping automatizzato dei dataset ufficiali e motore statistico pre-aggregato su Celery e Redis. Più un pannello admin con MRR, churn, retention e funnel.
Cosa comprende
App mobile nativa iOS e Android con interprete vocale AI, notifiche push e autenticazione; dashboard web con grafici su oltre 150 anni di dati, Strategy Builder e AI Journal; backend AI/ML con modelli LSTM ed ensemble, pipeline di scraping dei dataset ufficiali e motore statistico pre-aggregato; strumenti di budget e analisi del rischio; pannello admin con MRR, churn, retention, funnel e monitoring. Mobile, web, AI e DevOps seguiti dallo stesso team.