1、周期结构
一个大周期里,数据分析的强度和量要有明确的分工。
日本高中棒球全国锦标赛在阪神甲子园球场举行,俗称甲子园。
换个角度看,数据分析的周期设计,先定比赛日,再往前倒推。这不是一次性的问题,而是需要反复校准的过程。
从数据看,把数据分析的周期排得太满,后面一定会用伤病来还。节奏一旦被打乱,技术动作会跟着走形。
数据分析的准备期、比赛期、调整期,重点完全不同。同一套准备,换个环境执行效果会差很多。
数据分析的训练要放进周期里看,单看一周没有意义。
2、课次安排
从长期看,数据分析的训练课要留出反馈时间,否则只是重复。
值得注意的是,数据分析放在课的开头还是结尾,效果差别很大。这种惯性很难在一两场比赛里改掉。
本垒到外野墙的距离按规定在 99 至 122 米之间。
从选手自己的感受看,把数据分析拆到两次课,比一次课练到力竭更有效。看起来是偶然,其实就是准备不足的必然。
数据分析的课次安排,讲究的是前后衔接而不是单次强度。数据之外,还有很多东西只能靠现场判断。
数据分析的课次安排要能被打断,才经得起赛程变化。如果只记住结论,下次遇到同样的局面还是会犹豫。
3、强度控制
把数据分析的强度写进日志,才谈得上控制。越是想快,越容易在基础环节省事。
把数据分析的强度和量分开看,才知道该加哪一个。把注意力放在可控的变量上,是更现实的做法。
从赛制沿革看,各单项世锦赛的举办周期不同,多数为两年一届,田径、游泳等为两年一届。
数据分析的强度控制,靠的是数据记录和主观感受两条线。看起来是个人能力问题,追下去往往是结构问题。
从观众的角度看,数据分析的强度安排要有起伏,一直平着走等于没有刺激。这解释了为什么同样的方案,换个人执行效果完全不同。
反过来说,数据分析的强度不是越高越好,而是要落在可恢复的区间。问题在于,任何调整都需要时间,而比赛不会等人。
4、效果检验
数据分析的效果检验要留出对照组,否则看不出因果。把判断留在现场,比提前决定更灵活。
用比赛录像检验数据分析,比用训练数据更诚实。这类差别放大到一定程度,就会变成结构问题。
数据分析的效果如果只在训练里成立,说明情境不够接近。如果只盯结果,就会错过过程中的大部分信息。
数据分析的检验周期不宜太短,动作改变需要时间。把问题说得具体,解决方案才落得下去。
从赛事运营的角度看,数据分析的进步常常先体现在稳定性,而不是峰值。
把数据分析的检验做成固定测试,才能横向比较。这类判断没有对错之分,只有是否一致。
总结:
把数据分析的得失拆开看,能带走的东西比结果更多。用模拟比赛去验证,比反复讨论有效得多。
对参与数据分析的人来说,这一场的价值不只是一次输赢,更是一次对判断的检验。