Il problema dell’allenamento “ottimizzato”: quando più dati non significano decisioni migliori
GPS, HRV, wellness questionnaire, accelerometri, jump test, bar velocity, RPE, sleep score.
Mai come oggi abbiamo avuto la possibilità di osservare ciò che accade all’interno e attorno a un atleta.
Possiamo misurare il carico esterno, raccogliere informazioni sulla percezione dello sforzo, monitorare il sonno, seguire la frequenza cardiaca e la sua variabilità, stimare la readiness e costruire dashboard capaci di concentrare decine di variabili in pochi grafici.
Ma c’è una domanda che rischiamo di porci troppo poco:
avere più dati significa davvero prendere decisioni migliori?
La risposta, probabilmente, è: non necessariamente.
Il problema dell’allenamento moderno non è più soltanto come raccogliere informazioni. È capire quali informazioni meritino davvero di modificare una decisione.
Dal dato alla decisione
Il monitoraggio dell’atleta è ormai una componente consolidata della pratica sportiva. La tecnologia ha reso possibile raccogliere dati con una frequenza e una varietà impensabili fino a pochi anni fa.
Ma misurare non significa necessariamente monitorare.
Una misurazione isolata ci dice qualcosa in un determinato momento. Il monitoraggio, invece, implica una raccolta ripetuta e sistematica, finalizzata a osservare cambiamenti nel tempo.
È una distinzione importante perché il valore di un dato non dipende soltanto dalla sua accuratezza tecnica.
Dipende anche da che cosa stiamo cercando di capire e da quale decisione vogliamo prendere.
Una recente review pubblicata su Sports Medicine ha proposto proprio questo cambio di prospettiva: il monitoraggio dovrebbe essere considerato come un processo di supporto alla decisione, non come un insieme di metriche da osservare indipendentemente. Gli autori propongono un principio particolarmente interessante: gli strumenti dovrebbero essere Minimal, Adequate and Accurate, cioè minimali nell’impiego di risorse, adeguati allo scopo e sufficientemente validi e affidabili per ciò che vogliamo misurare (Rebelo et al., 2026).
È probabilmente una delle idee più importanti per comprendere il problema del data overload nello sport.
Quando il numero diventa una distrazione
Immaginiamo un atleta che, prima di una seduta, presenti:
- HRV più bassa rispetto al proprio valore abituale;
- sleep score ridotto;
- wellness score leggermente peggiore;
- RPE della seduta precedente più elevato;
- CMJ leggermente al di sotto della media;
- carico GPS superiore rispetto alla settimana precedente.
Abbiamo molte informazioni.
Ma abbiamo anche una decisione da prendere:
dobbiamo modificare l’allenamento?
E qui la complessità aumenta.
Quale di questi dati è realmente importante?
Quanto deve cambiare una variabile prima che il cambiamento sia sufficientemente grande da avere un significato pratico?
E soprattutto: che cosa succede quando diversi segnali raccontano storie differenti?
Il rischio è quello di trasformare il monitoraggio in una ricerca continua di anomalie.
Un valore cambia → lo osserviamo.
Un secondo valore cambia → lo confrontiamo con il primo.
Un terzo valore conferma parzialmente il segnale → aumenta la nostra preoccupazione.
A quel punto non stiamo necessariamente migliorando la qualità della decisione.
Potremmo semplicemente averne aumentato la complessità.
Un dato corretto può portare comunque a una decisione sbagliata
Questa è forse la distinzione più importante.
Quando parliamo di monitoraggio, tendiamo a concentrarci sulla domanda:
“Il dispositivo misura correttamente?”
È una domanda fondamentale, ma non è l’unica.
Possiamo distinguere almeno tre livelli:
- Errore di misura
Il dato non rappresenta correttamente ciò che dovrebbe misurare.
- Errore di interpretazione
Il dato è sufficientemente valido, ma gli attribuiamo un significato che non possiede.
- Errore decisionale
Il dato è corretto e l’interpretazione plausibile, ma la decisione finale non è appropriata al contesto.
Il terzo livello è particolarmente interessante perché sposta il problema dalla tecnologia all’uomo.
Un wearable può fornire un dato accurato.
Ma un dato accurato non ci dice automaticamente che cosa fare.
Lo stesso problema emerge nella gestione del training load: anche metriche tecnicamente corrette possono essere inserite in catene interpretative o decisionali fondate su assunzioni non sufficientemente solide (West et al., 2024).
Esiste inoltre una questione ancora precedente: quanto siamo certi che la metrica rappresenti davvero il costrutto che intendiamo monitorare? La diffusione di un indicatore e la sua riproducibilità tecnica non coincidono necessariamente con la sua validità concettuale. La recente valutazione scientifica delle metriche accelerometriche e del PlayerLoad™ mostra quanto definizioni, procedure di calcolo e interpretazioni possano condizionare il significato attribuito a un numero apparentemente semplice (Staunton et al., 2026).
Una ricerca del 2024 condotta su 72 practitioner di sport di squadra ha mostrato quanto sia già diffuso l’utilizzo di GPS e accelerometri: l’87,5% dei partecipanti dichiarava di utilizzare questi dati per orientare la prescrizione dell’allenamento. Allo stesso tempo, lo studio ha evidenziato differenze nell’utilizzo e nella comprensione delle metriche, in particolare quelle derivate dagli accelerometri (Dawson et al., 2024).
La tecnologia, quindi, non elimina la necessità di interpretazione.
La rende ancora più importante.
Il problema del “signal versus noise”
Ogni sistema di monitoraggio produce una combinazione di segnale e rumore.
Il segnale è il cambiamento che ci interessa.
Il rumore è la variabilità che accompagna inevitabilmente la misurazione.
Il problema è che, nella pratica, non sempre è facile distinguerli.
Un atleta può dormire peggio una notte senza che questo rappresenti un cambiamento significativo nel suo stato di recupero.
Una seduta può produrre un RPE più elevato senza indicare necessariamente un problema.
Un jump test può risultare leggermente peggiore per ragioni che non hanno nulla a che vedere con una reale riduzione della capacità neuromuscolare.
E una variazione dell’HRV può essere reale senza essere sufficientemente importante da giustificare una modifica dell’allenamento.
Rilevare un cambiamento, stabilire che quel cambiamento sia reale e decidere che richieda un intervento sono tre problemi differenti.
La review di Rebelo e colleghi sottolinea proprio l’importanza di interpretare i dati longitudinalmente, attraverso baseline individuali e soglie di cambiamento, invece di attribuire un significato eccessivo alla singola osservazione (Rebelo et al., 2026).
In altre parole:
un dato non dovrebbe essere interpretato soltanto rispetto a un valore ideale, ma rispetto alla storia di quell’atleta.
Più variabili possono anche creare più confusione
La tentazione moderna è spesso quella di aggiungere.
Se l’HRV non è sufficiente, aggiungiamo il sonno.
Se il sonno non è sufficiente, aggiungiamo il wellness questionnaire.
Poi il GPS.
Poi il CMJ.
Poi l’RPE.
Poi un algoritmo che combina tutto.
L’idea sembra intuitiva: se una variabile è imperfetta, molte variabili dovrebbero permetterci di ottenere una fotografia più precisa.
A volte è così.
Ma non automaticamente.
Uno studio pubblicato nel 2025 su atleti di endurance di livello internazionale ha confrontato dati provenienti da wearable, misure soggettive e questionari durante un intero anno di monitoraggio. Gli autori hanno osservato associazioni tra diverse misure, ma anche una marcata variabilità individuale nelle serie temporali, sottolineando il valore di interpretazioni individualizzate rispetto alla sola lettura dei dati aggregati (Spetz et al., 2025).
È una differenza sottile ma fondamentale.
Multidimensionale non significa necessariamente sovraccarico.
Significa utilizzare più dimensioni quando servono a comprendere meglio un fenomeno complesso.
Il paradosso della dashboard
La dashboard perfetta dovrebbe semplificare.
Eppure può accadere l’opposto.
Immaginiamo una schermata con:
12 metriche + 6 grafici + 4 semafori + 3 alert + un readiness score.
Abbiamo trasformato una grande quantità di dati in una rappresentazione visivamente ordinata.
Ma non necessariamente abbiamo trasformato i dati in una decisione migliore.
Anzi, il rischio è quello di confondere visualizzazione dell’informazione con comprensione dell’informazione.
Una dashboard può dirci che qualcosa è cambiato.
Non può necessariamente dirci perché.
E soprattutto non può sempre dirci quanto quel cambiamento debba pesare nella decisione.
Questo è uno dei motivi per cui il monitoraggio dovrebbe essere progettato partendo dalla decisione e non dalla tecnologia disponibile.
Dobbiamo davvero parlare di “decision fatigue”?
Qui è necessario essere cauti.
Il concetto di decision fatigue è interessante, ma sarebbe semplicistico affermare che “più dati causano decision fatigue negli allenatori”.
La letteratura sul fenomeno è più complessa e non è specificamente costruita sul contesto dello sport.
Il problema più generale è quello dell’information overload: una quantità di informazioni tale da rendere più difficile identificarne, elaborarne e utilizzarne efficacemente le parti realmente rilevanti.
Nel contesto sportivo possiamo quindi formulare una domanda, più che una conclusione:
quando la quantità di informazioni supera la capacità pratica di interpretarle, il monitoraggio può smettere di essere uno strumento di semplificazione e diventare una nuova fonte di complessità?
Non abbiamo bisogno di dimostrare che ogni coach soffra di “decision fatigue” per riconoscere questo problema.
È sufficiente osservare che il valore di un sistema di monitoraggio dipende anche dalla sua capacità di produrre informazioni utilizzabili.
Il futuro non sarà avere meno dati
La conclusione, quindi, non dovrebbe essere una critica alla tecnologia.
Sarebbe un errore.
GPS, wearable, sensori, test neuromuscolari e questionari possono offrire informazioni estremamente utili.
Il problema non è la quantità di dati in sé.
È la relazione tra:
dato → informazione → interpretazione → decisione → verifica.
La ricerca sui wearable sta andando proprio in questa direzione: non soltanto aumentare la quantità e la precisione delle misurazioni, ma trasformare dati multidimensionali in informazioni interpretabili e realmente utilizzabili a supporto delle decisioni (Su et al., 2025).
Un buon sistema di monitoraggio dovrebbe quindi partire dalla domanda:
Quale decisione devo prendere?
Solo dopo dovrebbe chiedersi:
Quale informazione mi serve per prenderla?
E soltanto a quel punto:
Qual è il modo più valido, affidabile e sostenibile per ottenere quell’informazione?
È un cambio di prospettiva apparentemente piccolo, ma sostanziale.
Non partiamo più dal dispositivo.
Partiamo dalla decisione.
La vera ottimizzazione
L’allenamento “ottimizzato” non è quello in cui ogni parametro viene misurato.
È quello in cui ogni misura ha una ragione per essere raccolta.
Questo significa accettare che alcune informazioni possano essere irrilevanti.
Che non ogni variazione richieda una risposta.
Che un singolo valore anomalo non debba necessariamente modificare il programma.
E che, in alcuni casi, la decisione migliore possa essere proprio non cambiare nulla.
La tecnologia ci ha progressivamente permesso di osservare più cose.
La prossima sfida sarà imparare a ignorare quelle che non ci aiutano a decidere meglio.
Perché il vero salto di qualità nel monitoraggio dell’atleta non sarà passare da dieci a cinquanta metriche.
Sarà passare da:
“Che cosa possiamo misurare?”
a:
“Quale informazione cambia davvero una decisione?”
E forse è proprio qui che inizia l’allenamento veramente “ottimizzato”.
Riferimenti
Rebelo, A., Bishop, C., Thorpe, R. T., Turner, A. N., & Gabbett, T. J. (2026). Monitoring Training Effects in Athletes: A Multidimensional Framework for Decision-Making. Sports Medicine (Auckland, N.Z.), 56(7), 1603–1624. https://doi.org/10.1007/s40279-026-02417-4
Dawson, L., McErlain-Naylor, S. A., Devereux, G., & Beato, M. (2024). Practitioner Usage, Applications, and Understanding of Wearable GPS and Accelerometer Technology in Team Sports. Journal of Strength and Conditioning Research, 38(7), e373–e382. https://doi.org/10.1519/JSC.0000000000004781
Spetz, L., Rogestedt, J., Nilsson, R., Mattsson, C. M., & Larsen, F. J. (2025). Validating Subjective Ratings with Wearable Data for a Nuanced Understanding of Load-Recovery Status in Elite Endurance Athletes. Sports Medicine – Open, 11(1), 154. https://doi.org/10.1186/s40798-025-00958-y
West, S., Shrier, I., Impellizzeri, F. M., Clubb, J., Ward, P., & Bullock, G. (2024). Training-Load Management Ambiguities and Weak Logic: Creating Potential Consequences in Sport Training and Performance. International Journal of Sports Physiology and Performance, 20(3), 481–484. https://doi.org/10.1123/ijspp.2024-0158
Staunton, C. A., Edholm, P., Ide, B. N., Ditroilo, M., & Wundersitz, D. (2026). PlayerLoad™ and accelerometer-based metrics: scientific evaluation and implications for athlete monitoring. Frontiers in Sports and Active Living, 7, 1710693. https://doi.org/10.3389/fspor.2025.1710693
Su, B., Li, F., & Su, B. (2025). Wearable Sensors for Precise Exercise Monitoring and Analysis. Biosensors, 15(11), 734. https://doi.org/10.3390/bios15110734
