Day 8 那幾場訪談，最後留下的是一組具體的提醒：資料會在什麼情境下斷掉、消失、或從一開始就沒被系統當成該記錄的東西；哪些資訊只存在人的記憶裡，會隨著人的異動一起流失；哪些資料本身帶有敏感性，牽涉到誰能看、能不能存、該不該存這些更根本的價值判斷。

這些提醒沒有一個是靠加一支 API 就能解決的，但也沒有一個是無解的。接下來的時間裡，團隊把它們一項一項當成正式的設計議題來處理——資料怎麼樣才算「真正被留住」，權限與敏感資訊怎麼分層看待，紀錄的保存方式怎麼因應人員與選手的異動。具體怎麼做，牽涉到當時系統的實作細節，這裡就不多展開，但方向很明確：每一個 Day 8 提到的問題，後來都變成了一項需要被認真回答的設計決定。

換句話說，Day 8 教會我的那堂課，後來真的落地成了一連串具體的取捨——資料，開始真正「留得住」了。
但這件事一旦做到，我馬上撞上下一個問題：就算資料真的被完整地留下來了，資料量持續增加，我們理解運動員的能力，真的會跟著等比例提升嗎？

實際做下來，答案讓我意外。資料增加，不代表理解增加，甚至在某些情況下，資料越多，理解反而越困難。 這篇想談的，就是這個看似違反直覺的現象，以及它背後真正的原因。

從「資料不夠」到「資料太多」

運動科學這個領域，過去最常被提起的限制是「沒有足夠的數據」。這幾年隨著感測設備、穿戴式裝置與數位平台快速發展，這個限制基本上已經被打破了。訓練負荷、速度、距離、心率、肌力表現、恢復指標、睡眠狀態、傷病紀錄、心理評估，這些過去很難系統性蒐集的資訊，現在幾乎可以每天自動產生。

從技術角度來看，這當然是好事，代表我們比過去更接近理解一位運動員的完整狀態。但實際把這些資料攤開在教練面前之後，我發現問題並沒有消失，只是換了一種形式出現：當一位教練每天要面對數十甚至數百個指標時，他真正需要看的，到底是哪一個？

為什麼指標變多，理解反而變少

這個矛盾，是在實際的現場觀察與訪談中慢慢浮現的，起初並不是從理論推導出來的結論。一開始跟教練聊起使用經驗時，很多人其實說不清楚自己到底卡在哪裡，只隱約覺得「東西好像有點太多」、「看起來很齊全，但用起來反而不順」，卻講不出具體是哪裡出了問題。這種說不清楚的感覺，一開始很容易被忽略，因為它不像「這個功能壞了」那樣具體，反而更像一種模糊的不順手。但反覆觀察幾次之後才發現，這種講不出來的卡頓感，背後真正的原因，其實就是指標太多——多到連使用者自己都無法明確指出是哪一個資訊在造成負擔，只感覺到整體變得吃力。

這也是我在設計運動數據平台時感受到最直接的矛盾。增加一個資料欄位，在系統設計上很容易；但每多一個資訊來源，同時也在增加使用者的認知負荷。這件事很少人會在一開始就意識到，因為每一項新資料在被加進來的當下，看起來都是「多一點總是好的」。

一個真實發生過的例子：IBM 的百萬數據平台

這種「功能齊全、卻沒人用得起來」的狀況，其實不是我一個人遇到的困境。曾任職於 NBA 76人球團互動設計師 Tica Lin 林滿新在《我在 76 人的日子》裡就記錄過一次幾乎一模一樣的教訓。

他提到，76 人的分析團隊當年打算模仿 IBM 與多倫多暴龍隊合作開發的球員數據平台，自己打造一套類似的系統。那個平台是一套由多個視窗組成的觸控式互動介面，每個視窗可以獨立顯示球員數據、球隊的 Depth Chart，或是不同球隊之間的數據比較，理論上能把評估球員、選秀、交易合約需要的資訊，一次攤在管理層面前。

但真正推到使用現場之後，這套系統卻遇上跟我在教練訪談裡聽到的同一種抱怨：功能看似齊全，管理層卻不買單。 林滿新用了一個很傳神的比喻——多個數據視窗散落在畫面各處，就像擺滿一整張長桌的豐富食材，看起來澎湃多元，使用者卻不知道哪些可以吃、哪些是自己真正想要的，更不知道最終端出來的，究竟該是一道什麼樣的菜。書裡也點出，這套產品後來在 NBA 聯盟裡並沒有銷售成功，因為它終究更像一支拍給行銷看的漂亮廣告，沒有真正從使用者需求出發去設計。

這段紀錄之所以讓我特別在意，是因為它發生的場景跟運動數據平台幾乎完全對應：兩邊的問題出在同一個地方——資料被原封不動地攤開之後，使用者拿到的只是一整桌食材，沒有人幫忙端出一道菜。 系統做得再完整，只要理解這一步沒有被設計進去，資料照樣會停在「看得到」，卻到不了「看得懂」。

更值得注意的是，這種資訊過量帶來的影響，不只是「看起來比較亂」而已。Day 4 提到的一項研究發現，當任務複雜度升高，人放棄自我判斷、轉而直接同意 AI 建議的比例會明顯上升，但「適當依賴度」——也就是這份依賴到底恰不恰當——卻反而下降。換句話說，當資訊量超過一個人能負荷的範圍，他不會因此更懂得判斷什麼時候該相信系統、什麼時候該保持懷疑，連「察覺系統可能出錯」的能力都會一起被削弱。
這個發現放回運動科學的情境裡，其實相當令人不安。如果我們只是不斷往教練的介面上疊加指標，最後很可能發生的，是教練在資訊過量的狀態下，直接放棄自己累積多年的專業判斷，全盤接受系統丟出來的結論——全貌沒有變得更清楚，判斷權反而先讓出去了。

這代表：資料理解的難題，牽涉的不只是介面設計得好不好看，更包括人在資訊超載時，會不知不覺交出原本屬於自己的判斷權。

找出真正重要的訊號

如果資訊過量本身就是問題，那麼運動數據系統要解決的，其實是「在這些資料裡，哪一個才是現在真正重要的訊號」，而不必展示所有訊號。

以「選手訓練負荷增加 10%」這個常見的數字為例，它本身其實沒有絕對意義。這個變化可能代表正常的訓練進展，也可能代表恢復能力已經跟不上，甚至可能是傷病風險即將出現的早期訊號。真正重要的遠遠超過這個數字本身之外。像是它落在什麼時間點、什麼訓練週期、什麼樣的個人背景之中...。也因此，運動數據分析真正該做的，是理解異常背後正在發生什麼事——單純找出異常值，只是第一步。

這也呼應了 Day 5 討論高風險 AI 介面設計時提到的一個觀察：單一數字或單一預測，往往是最難被驗證、也最容易被過度信任的呈現方式。如果「訓練負荷增加 10%」只是孤零零地丟在畫面上，教練除了接受它，幾乎沒有其他可以著力的地方，因為根本沒有東西可以拿來檢查、拿來核對。一個缺乏脈絡的數字，看起來很精確，實際上卻是最不透明的資訊。

回到產品設計最基本的問題

發現指標太多是問題之後，真正困難的其實是下一步：怎麼決定哪些要留、哪些要拿掉。這時候反而要回歸到做產品最初心的幾個提問——這個數據到底是什麼？使用者拿到它之後，該怎麼使用？這個指標或這張圖表，使用者該怎麼看懂？

這幾個問題聽起來很基本，甚至有點理所當然，但實際檢視每一個指標時會發現，很多資料其實答不出這幾個問題。它可能是技術上蒐集得到，所以就被放進系統；也可能是某個時期覺得有用，就一直留到現在。但如果一個指標連「使用者該怎麼看懂」都說不清楚，代表它其實還沒有真正準備好被放進介面。

這個篩選的過程，我覺得是產品流程裡很重要，卻也最容易被跳過的一環。因為砍掉一個已經存在的指標，往往比新增一個指標更需要說服自己——這件事真的沒用嗎，還是只是現在還看不出用處？
所以比較務實的做法，是把每一項資料先分成三類：明確有用的、明確沒用的，以及暫時看不出用途、但也不確定要不要留下的。

前兩類相對好處理，難的是第三類，也就是那些「可能有用」的資訊。這類資料不能急著全部刪掉，但也不能照單全收地留著，而是要持續回去問同樣的三個問題，直到能清楚回答，或者確定它真的只是雜訊為止。

這個去蕪存菁的過程，某種程度上比一開始「收集更多資料」還要花時間，但也正是這個過程，決定了最後教練打開系統時，看到的是一堆資訊，還是真正可以幫助他理解狀況的東西。IBM 那個案例最可惜的地方，或許就是團隊把力氣全部花在把食材備齊、把視窗做全，卻沒有人回頭問一句：使用者真正想吃的，到底是哪一道菜。
這三個問題要怎麼問、怎麼問得準，實務上會需要一套具體的使用者研究方法，這部分我會留到下一篇談 Dashboard 設計時再細談。

如果下一步是導入 AI，會先撞上什麼

走到這一步，很自然會有人問：能不能乾脆讓 AI 直接篩選訊號、給出判斷？這其實也是 Day 7 預告的「下一章」要做的事——把第一章的原則帶進真實場域。但如果系統連「看得懂」都還沒做到，往 AI 推進，會先撞上三道天花板。

• 第一道，是把 AI 做成單向的 Recommendation Engine。
  如果系統只丟出「不建議此選手出賽」，教練只能接受或拒絕，等於重演 Day 6 提過的問題：只能處理結果上的分歧，處理不了理由上的分歧。Day 1 也提醒過，高風險場域的決策錯誤，難以像商業產品一樣靠下一版修正。真正該瞄準的方向，是 Day 6、7 談的 Deliberation ——讓 AI 判斷與教練當下想法並排對比、明確標出差異（例如 AI 認為疲勞風險偏高、教練認為狀態還好），系統再問「為什麼」，而不是丟一句結論了事。但也不必每個案例都辯一輪： Day 7 提醒過討論本身有成本，該先做「觸發判斷」 ——只有 AI 信心不確定、影響很大，或與教練判斷明顯分歧時才啟動完整審辯，其餘案例 AI 直接給結論加一句理由即可，這也呼應 Day 3 的 Attention Management。

• 第二道，是可驗證性問題會被放大。
  一個缺乏脈絡的單一數字已經很難核對，AI 產出的複合式預測（例如「受傷風險上升」）只會更難拆解。Day 7 的解法，是把解釋拆成可以個別點開的最小單位——主要影響因素、單一因素敏感度、與教練判斷的差異點、反事實假設——而不是一大段文字或一個籠統分數，讓教練有實際能質疑、核對的著力點。

• 第三道，是篩選指標這件事，不會因為導入 AI 就自動解決。
  Day 7 的另一個設計啟示補上答案：每次討論之後，把分歧、理由、最終決策都記錄下來，長期能反過來校準篩選機制——讓「看得懂」持續進化，不必一次到位。

換句話說，導入 AI 沒有繞過「看得懂」這一關，反而把這一關的重要性再放大了一次。 第一章的框架與其說是現成答案，不如說是一組座標——有些已經能直接落地（觸發判斷、拆解釋），有些像完整的 Deliberation 架構還需要時間追上。真正的功課，是誠實把運動數據這個場域放回這套座標裡檢視，而不是直接把 AI 當成另一個更大的 Dashboard。

從資料分析走向資料理解

把這些觀察串在一起，其實可以回到最一開始的問題：運動科學最大的挑戰，是資料一旦超過人能消化的範圍，理解反而會變得更困難——而不只是資料不足這麼單純。

Day 8 談的是資料能不能被留住，這篇談的是資料留住之後，能不能被消化。兩者合在一起，才是「理解資料」這件事真正的全貌——而這也代表，下一代運動數據系統，不應該只是把更多指標塞進一個更大的 Dashboard。
下一篇，我會進一步探討：Dashboard 的下一步，為什麼應該從「呈現資訊」走向「支援決策」？以及如何運用 Google 的 AI 工具，輔助這整套使用者研究與 UX 設計的實務工作。