1、周期结构
站在裁判的位置,数据分析在周期中的位置如果错了,练得越多越糟。
从数据看,数据分析的周期设计,先定比赛日,再往前倒推。
投手丘高 25 厘米,投手板到本垒距离 18.44 米。
一个大周期里,数据分析的强度和量要有明确的分工。
更准确地说,把数据分析的周期写成表,比记在脑子里靠谱。把节奏放在自己手里,是这项能力的核心。
说到底,数据分析的准备期、比赛期、调整期,重点完全不同。同一个失误重复三次,就不是运气问题了。
2、课次安排
数据分析的课次安排要能被打断,才经得起赛程变化。把每次调整都记录下来,才知道哪些有效。
棒球每队 9 人,常规比赛 9 局,平分时进入延长局。
数据分析的训练课如果没有明确的观察点,等于白练。
数据分析的训练课要留出反馈时间,否则只是重复。这不是一次性的问题,而是需要反复校准的过程。
把数据分析拆到两次课,比一次课练到力竭更有效。把注意力放在过程上,结果反而更可预期。
换个角度看,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。
3、强度控制
从对手的角度看,数据分析的强度不是越高越好,而是要落在可恢复的区间。把标准说在前面,比事后解释省力得多。
从结果看,强度长期顶在极限,数据分析的质量会先崩。看起来是偶然,其实就是准备不足的必然。
值得注意的是,数据分析的强度一旦超过承受线,动作就开始走形。把每一处细节都当成可优化的变量,进度会慢但更稳。
把数据分析的强度和量分开看,才知道该加哪一个。这一点在长途奔袭之后的客场尤其明显。
反过来说,数据分析的强度安排要有起伏,一直平着走等于没有刺激。细节的积累速度,比天赋的差距更决定长期结果。
4、效果检验
数据分析的检验周期不宜太短,动作改变需要时间。
数据分析的进步常常先体现在稳定性,而不是峰值。这种差距在纸面上看不出来,在现场一眼就能看到。
数据分析的效果如果只在训练里成立,说明情境不够接近。
用比赛录像检验数据分析,比用训练数据更诚实。这类经验只有在比赛里才学得到,训练替代不了。
数据分析的效果检验要留出对照组,否则看不出因果。
检验数据分析的进展,尽量用和比赛同构的任务。如果只记住结论,下次遇到同样的局面还是会犹豫。
总结:
这类经验不会立刻变成成绩,但会改变之后的选择。
把数据分析放回整个赛季看,它更像一个校准点,而不是终点。
竞技体育的规律就在这里:所有准备都要在有限的时间里接受检验。准备得越充分,临场的偶然性就越小。