Immagina di entrare in un supermercato. Compri pasta, latte, forse quel gelato che ti tenta. Ora immagina di farlo ogni settimana per anni. Si crea una montagna di dati: cosa compri, quando, quanto spendi, se cambi marca. Per i ricercatori è un "dato longitudinale multidimensionale ad alta dimensionalità": parole difficili per dire che ci sono tante variabili (prodotti) misurate tante volte (settimane).
Capirci qualcosa è un incubo statistico. Le variabili sono legate (chi compra pasta spesso compra sugo), cambiano nel tempo (dieta estiva vs invernale) e a volte mancano (settimana in vacanza).
Un nuovo studio su arXiv propone una soluzione elegante: le **variabili latenti**. Sono fattori "nascosti" che non vediamo direttamente — come "voglia di cucinare", "budget settimanale", "attenzione alla salute" — ma che legano tra loro tutti gli acquisti visibili.
Il modello riesce a gestire dati misti (quantità, sì/no, categorie), buchi temporali e trova queste forze invisibili. Poi usa un teorema del limite centrale per dare certezze matematiche alle previsioni.
Testato su veri scontrini della spesa, il sistema impara a prevedere il carrello futuro e a spiegare *perché* compriamo certe cose insieme. Non è magia, è algebra lineare che scova pattern umani.
La prossima volta che passi la tessera fedeltà, ricorda: dietro quel "beep" c'è una matematica che cerca di capire i tuoi desideri nascosti.
