Prodotti scelti e perche¶
Questa pagina dice quali prodotti vendere in onda 1, in che ordine di forza, e per ognuno il claim misurato su cui si regge. I numeri vengono da prodotti_validation.csv e validation.csv. La decisione completa (P1-P5, cosa togliere, cosa aggiungere) e in decision/onda1.md.
Ranking: dal piu forte al piu debole¶
Ordinati per "un cliente oggi paga questo claim, misurato e verificato". La colonna margine dice quanto il valore misurato e sotto (o sopra) il target del business plan. Piu margine = piu claim difendibile davanti a un cliente.
| Rank | # | Prodotto | Margine sul target | Claim misurato | Verdict |
|---|---|---|---|---|---|
| 1 | 2 | Dense-Risk Analytics | ~400x | DDSketch su BTC/USD 1 min 2024 (527 040 candele): 0.51 us mediana, p90 0.57 us. BOCPD: lag 1 su changepoint noto. | confirm |
| 2 | 10 | Dense-Engine Core | 10x-156x | Gradcheck 1.02e-10 (target 1e-9), logit 1169.8 finiti, SGD 2000 step grad 6.4e-8 (target 1e-5). | confirm |
| 3 | N63 | Streaming Metrics Suite | esatto | 7 metriche online vs sklearn: log_loss, brier, kappa, precision, recall, fbeta2, softmax_ce. Tutte concordano al 1e-9. | confirm |
| 4 | 1 | Dense-Guard AntiFraud | claim ridotto | LODA/HST su creditcardfraud: AUROC 0.94-0.95, F1 Tatbul p99.9 0.38-0.55. Claim 1.000 ROC-AUC downgrade a 0.94, claim 99% accuracy retire. | downgrade |
| 5 | N53 | Online Neural Models | 37x | OnlineNetRegressor RMSE 0.09 vs mean 3.39. OnlineNetClassifier acc 1.0 su iris. | confirm |
| 6 | N6 | Streaming Recommender | 9x | BiasedMF RMSE 0.10 vs mean 0.88 su 2000 rating sintetici. | confirm |
| 7 | N4 | Bandit Optimizer | 1.7x | UCB1 avg reward 0.85 vs random 0.50 su 5-arm. EpsilonGreedy 0.86, Thompson 0.70. | confirm |
| 8 | N3 | Online Model Selection | 1.27x | Miglior modello 0.946 vs media 0.747 su 3 modelli, iris. | confirm |
| 9 | 13 | Convergence Shield | 0 (uguale) | Mondrian forest 0.978 vs sklearn RandomForest 0.978. Nessun vantaggio misurabile su sklearn. Nicchia compliance. | confirm |
| 10 | 21 | Dense-Network Builder | n/a | 26 classi di layer, package installabile, example gira. Funziona, generico. | confirm |
| 11 | 25 | Dense-Neural Layers SDK | n/a | 14 classi di layer, check_packages 5/5 OK in 63 s. Funziona, generico. |
confirm |
| 12 | N2 | Conformal Prediction | FAIL | Coverage 0.886 (warmup 2000) / 0.890 (warmup 3500) vs target 0.90. ACI non raggiunge il teorico. | FAIL |
| 13 | 24 | Non-Blocking SDK | skipped | Claim originale "2.0 s -> 0.03 ms" non regge: sync <50 us, async caller 1.32 ms su Dense(2,1), ratio 0.037. Vendibile come "caller non bloccante", non con il claim numerico. | skipped |
Come leggere il rank¶
Rank 1-3: vendibili oggi. Claim confirm, margine positivo, reference esterna. #2 ha 400x di margine sul target, che significa che anche con un cliente che misura da solo il numero tiene. N63 e cosi esatto che un test di regressione non puo smentirlo.
Rank 4: ancora il piu interessante, ma con claim ridotto. #1 resta il tema del business plan (crypto, fintech) e ha il mercato piu grande, ma i numeri veri sono 0.94 AUROC e 0.50 F1, non 1.000 e 99%. Va venduto al prezzo ridotto (499-2.499 EUR/mese, non 499-4.999).
Rank 5-8: vantaggio misurabile su baseline. N53, N6, N4, N3 battono la media o il random di 1.3x-37x. Sono prodotti reali, con un claim che un cliente puo verificare.
Rank 9-11: funzionano, ma senza vantaggio misurabile. #13 fa lo stesso di sklearn RF. #21 e #25 sono generici. Utili come base, non come prodotto di punta. Vanno in bundle o in P3 freemium.
Rank 12-13: non vendibili come claim attuale. N2 ha un FAIL dichiarato, #24 va riscritto. Non entrano in onda 1 finche il claim non regge.
Cosa ho tolto¶
3 Stream-Balancer, #5 Skyline, #6 Flight Shield, #7 DroneDefense, #9 Kinematics, #16 CycleGuard, #23 Hedge, #29 Curvature Shield. Motivo: partial o missing nel catalogo. La classe che fa il lavoro non c'e, quindi non c'e il prodotto.¶
Onda 2 — esistono, non ancora misurati¶
N25 Vision Toolkit, N26 Neural Trainer Advanced, N27 Autoencoder/VQ, N30 VisionCausal, N9 Drift Detection Suite, N12 Factorization Machines Suite, N15 Streaming Statistics Suite, e gli altri 11 del catalogo (#4, #8, #11, #12, #14, #15, #17, #18, #19, #20, #22, #26, #27, #28).
Esistono nella libreria ma non hanno una misura su dataset pubblico. Passano in onda 1 quando hanno una riga in prodotti_validation.csv con verdict confirm.
Come i prodotti sono stati scelti¶
- catalogo_codice.csv: per ogni SKU del catalogo, le classi della libreria che lo realizzano, con stato (exists/partial/missing).
- prodotti_da_libreria.md e prodotti_nuovi_oltre_N30.md: 60 prodotti dalla libreria, non dal catalogo, con target, prezzo, priorita.
- b02_scope.md: i 9 claim di onda 1, con dataset, metrica, soglie, fonte della soglia.
- prodotti_validation.csv: 51 prodotti testati contro reference esterna. 50 PASS, 1 FAIL dichiarato (N2).
- decision/onda1.md: la decisione finale, 72 prodotti divisi in P1-P5.
Nota su #1 e N64¶
#1 AntiFraud — il claim 1.000 ROC-AUC e 99% accuracy non regge su creditcardfraud con metodi unsupervised. Il claim onesto e: AUROC 0.94, F1 range-based 0.50, zero label di training, fit in 1.6 s. Il pricing scende da 499-4.999 a 499-2.499 EUR/mese.
N64 Event Metrics for TSAD — nel CSV le due righe N64 sono PASS. EventMetrics con threshold_window=0 di default lascia 11 allarmi contigui come 11 detection; con threshold_window=1.0 diventano 1 range. Non e un bug, e la configurazione. Dettagli in bug_dense_armor.md.