Un approccio statistico alla Needs Analysis nella preparazione atletica

Dalla needs analysis descrittiva a un modello della performance

La needs analysis rappresenta uno dei primi passaggi nella costruzione di un programma di preparazione atletica. Tradizionalmente, il processo parte dall’analisi delle richieste fisiologiche e biomeccaniche dello sport: quanto deve essere forte un atleta, quanto deve essere veloce e quale livello di potenza o capacità aerobica è necessario per competere ad alto livello. Sono domande importanti, ma esiste un problema: non tutto ciò che possiamo misurare è necessariamente importante per la performance. Un atleta può presentare valori elevati di forza, potenza o VO₂max senza che queste caratteristiche rappresentino i principali determinanti della prestazione nel proprio sport; allo stesso modo, una variabile frequentemente osservata durante la competizione non costituisce automaticamente una Key Performance Indicator (KPI). 

Una needs analysis realmente evidence-based dovrebbe quindi partire dalla performance e procedere progressivamente a ritroso. La distinzione tra dimensioni della prestazione e dimensioni fisiche è fondamentale: le prime descrivono ciò che caratterizza la prestazione in gara; le seconde rappresentano le categorie di capacità fisiche che possono contribuire a produrla e che, soprattutto, possono essere modificate attraverso l’allenamento. È questo secondo livello a rappresentare l’interesse principale del preparatore atletico. 

Sport di squadra e sport individuali: due strade verso lo stesso obiettivo 

Il primo passaggio consiste nel definire chiaramente l’outcome. Negli sport di squadra e situazionali il risultato emerge dall’interazione tra componenti fisiche, tecniche, tattiche e decisionali e può essere espresso in forma categorica: vittoria o sconfitta, qualificazione o eliminazione, azione efficace o inefficace. In questi casi la regressione logistica e l’Odds Ratio (OR) consentono di chiedersi quali KPI siano associate a maggiori odds di successo. Non interessa semplicemente sapere quante accelerazioni, transizioni, azioni ad alta intensità o duelli avvengano durante una partita, ma quali di queste variabili siano effettivamente associate all’outcome competitivo. Un OR superiore a 1 indica maggiori odds dell’evento al crescere del predittore; un OR inferiore a 1 indica l’opposto. L’associazione, naturalmente, non equivale a causalità: tattica, livello dell’avversario, punteggio e contesto possono influenzare simultaneamente KPI e risultato. Negli sport individuali la strada può essere più diretta perché l’outcome è spesso continuo: tempo di gara, velocità, distanza, potenza media, carico sollevato o punteggio. In questo caso una regressione multipla può mettere direttamente in relazione la performance con forza, potenza, sprint, RFD, VO₂max o altri determinanti fisici. Il vantaggio rispetto a una semplice correlazione è che ciascun predittore viene valutato considerando simultaneamente gli altri inclusi nel modello, mentre R² quantifica la proporzione di variabilità dell’outcome complessivamente spiegata. Negli sport individuali, quindi, la distanza tra risultato competitivo e determinanti fisici può essere relativamente breve; negli sport di squadra è spesso necessario un passaggio intermedio dalle KPI alle dimensioni della prestazione. 

Dalle KPI alle dimensioni della prestazione: l’esempio del calcio 

Una partita di calcio moderna può generare un numero enorme di variabili attraverso GPS, sistemi inerziali e optical tracking: distanza totale, distanza ad alta velocità, sprint, velocità massima, accelerazioni, decelerazioni e molti altri indicatori. Il problema è che numerose KPI contengono informazioni parzialmente sovrapposte. La Principal Component Analysis (PCA) consente di ridurre questa complessità trasformando variabili correlate in un numero più limitato di componenti non correlate, costruite per spiegare progressivamente la maggiore quantità possibile di varianza. Un esempio particolarmente intuitivo emerge dall’analisi multivariata delle prestazioni fisiche nella LaLiga spagnola 2023–24. Castellano e colleghi hanno analizzato nove variabili di external match load ottenute mediante optical tracking. La PCA ha identificato tre componenti principali capaci di spiegare complessivamente l’86,4% della varianza: la prima, pari al 53,6%, era caratterizzata principalmente da accelerazioni e decelerazioni; la seconda, pari al 21,3%, soprattutto dalle distanze percorse ad alta velocità; la terza, pari all’11,5%, principalmente dal volume complessivo di corsa. Gli autori hanno interpretato queste componenti come tre dimensioni della prestazione fisica: intensity, velocity e volume.

Figura 1. Principal Component Analysis (PCA) delle variabili di external load nella LaLiga 2023–24. Nel pannello A, lo score plot rappresenta la distribuzione delle osservazioni sulle prime due principal components, con i quattro gruppi identificati dalla cluster analysis e le rispettive ellissi di confidenza. Nel pannello B sono riportati eigenvalues, percentuale di varianza spiegata e component loadings delle tre principal components. PC1 è caratterizzata principalmente da accelerazioni e decelerazioni e può essere interpretata come una dimensione di Intensity; PC2 è dominata dalle distanze percorse ad alta velocità e rappresenta la dimensione Velocity; PC3 è caratterizzata soprattutto da total distance e acceleration load e rappresenta la dimensione Volume. Nel complesso, le tre componenti spiegano l’86,4% della varianza, mostrando come numerose KPI di gara possano essere sintetizzate in un numero più limitato di dimensioni della prestazione. Adattata da Castellano et al. (2025). Nota. PC = principal component; TD = total distance; TD21, TD24 e TD28 = distanza percorsa rispettivamente a>21,>24 e>28 km·h⁻¹; aLoad = acceleration load; ACC3 e ACC4 = numero di accelerazioni>3 e>4 m·s⁻²; DEC3 e DEC4 = numero di decelerazioni <−3 e <−4 m·s⁻². 

Questo è il principale vantaggio della PCA nella needs analysis: non identifica automaticamente ciò che deve essere allenato, ma permette di passare da una lunga lista di KPI a poche dimensioni capaci di sintetizzare la struttura della prestazione. Il passaggio successivo è quindi tradurre queste dimensioni della prestazione in candidate dimensioni fisiche.

Dalle dimensioni della prestazione alle dimensioni fisiche 

La componente intensity era caratterizzata soprattutto da accelerazioni e decelerazioni. Da un punto di vista biomeccanico, accelerazione e produzione di forza sono collegate dalla seconda legge di Newton, Fnet = m·a. A parità di massa, una maggiore accelerazione del centro di massa richiede una maggiore forza netta; analogamente, una rapida decelerazione richiede forze capaci di ridurre la velocità del sistema. Questo non significa che il numero di accelerazioni e decelerazioni in partita sia determinato esclusivamente dalla forza: velocità iniziale, tecnica, orientamento della forza, fatica, ruolo e contesto tattico rimangono determinanti. Il principio meccanico fornisce però una giustificazione per considerare la forza e, più in generale, la capacità neuromuscolare come una candidata dimensione fisica. Forza massima, forza relativa, forza isometrica, forza eccentrica e RFD diventano quindi possibili determinanti da investigare.

La componente velocity era invece caratterizzata soprattutto dalle distanze percorse ad alta velocità. Qui il collegamento è più diretto: se l’espressione di elevate velocità di corsa rappresenta una dimensione della prestazione, la capacità di sprint lineare deve essere inclusa tra le dimensioni fisiche da valutare. Resta però da stabilire come misurarla. Uno sprint di 5–10 m descrive soprattutto l’accelerazione iniziale; distanze maggiori permettono di osservare porzioni successive della curva di accelerazione e l’avvicinamento alla velocità massima. Nel calcio, uno sprint sui 30 m rappresenta una soluzione pratica per ottenere split intermedi e descrivere una parte sostanziale dello sprint, mentre flying sprint o distanze maggiori possono essere aggiunti quando l’obiettivo è isolare maggiormente la velocità massima. 

La terza componente, volume, descrive invece la quantità complessiva di lavoro locomotorio sostenuto durante la competizione. Questo indirizza la needs analysis verso il conditioning: la capacità di sostenere e ripetere lavoro nel tempo. Capacità aerobica, VO₂max, maximal aerobic speed, capacità di recupero tra sforzi e repeated-sprint ability diventano quindi possibili determinanti fisici. Anche in questo caso, il collegamento è concettualmente e fisiologicamente plausibile, ma non identifica automaticamente la misura più informativa. 

Dalle dimensioni fisiche ai test: la seconda domanda statistica 

La tabella rappresenta ancora un modello teorico, non la conclusione della needs analysis. Biomeccanica e fisiologia suggeriscono cosa potrebbe essere importante; ora bisogna verificare quale misura sia effettivamente più informativa. Se la forza è una dimensione fisica rilevante, è più indicativo uno squat 1RM, la forza relativa, un IMTP, la peak force o la RFD? Se il conditioning è rilevante, è più informativo il VO₂max, la MAS, lo Yo-Yo o la repeated-sprint ability? La risposta richiede di mettere i test candidati in relazione con le dimensioni della prestazione precedentemente identificate.

Le regressioni multiple permettono di affrontare questa seconda domanda. Per esempio, la componente intensity può essere modellata utilizzando squat 1RM, IMTP, RFD e CMJ come predittori; la componente volume può essere messa in relazione con VO₂max, MAS e RSA. Il modello consente di valutare quali misure siano maggiormente associate alla dimensione della prestazione, quanta varianza spieghino e quanta informazione indipendente aggiungano rispetto agli altri test. È inoltre necessario controllare la multicollinearità, perché misure appartenenti alla stessa dimensione fisica possono condividere molta informazione: forza e potenza, per esempio, così come diverse misure della capacità aerobica. 

L’associazione con una dimensione della prestazione, tuttavia, non è sufficiente per giustificare la scelta definitiva di un test. Tra i diversi test candidati, la selezione finale dovrebbe considerare anche la qualità della misura, verificandone validità, affidabilità e sensibilità al cambiamento. La ripetibilità può essere quantificata attraverso l’Intraclass Correlation Coefficient (ICC), che dovrebbe essere interpretato insieme al relativo intervallo di confidenza al 95%, mentre lo Standard Error of Measurement (SEM) permette di stimare l’errore assoluto associato alla misura. Dal SEM può essere derivato il Minimal Detectable Change (MDC), utile per stabilire quanto deve cambiare un risultato prima di poter ragionevolmente considerare quella variazione superiore al normale errore di misura. Il test maggiormente associato a una determinata dimensione della prestazione, quindi, non è necessariamente il test migliore: deve anche essere sufficientemente valido, ripetibile e preciso da distinguere un reale cambiamento nella capacità dell’atleta dalla normale variabilità della misurazione. In pratica, biomeccanica e fisiologia aiutano a decidere cosa vale la pena misurare, l’analisi statistica aiuta a capire quale test sia maggiormente associato alla prestazione, e validità, affidabilità ed errore di misura stabiliscono se quel test sia abbastanza robusto per essere utilizzato nel monitoraggio quotidiano. 

La batteria di test è il risultato della needs analysis 

Una volta selezionata la batteria, la needs analysis dello sport incontra quella individuale. Il primo processo identifica le dimensioni fisiche rilevanti per la disciplina e, quando possibile, per uno specifico ruolo; il secondo determina quanto il singolo atleta possieda quelle caratteristiche. Forza, potenza, sprint e conditioning smettono così di essere risultati isolati e diventano misure selezionate perché collegate a specifiche dimensioni della prestazione. Il confronto tra ciò che la performance richiede e ciò che l’atleta possiede consente infine di identificare punti di forza, deficit e priorità di allenamento. 

Dalla statistica alla programmazione

Il principale vantaggio di questo modello è che ogni test inserito nella batteria e ogni qualità successivamente allenata rispondono a una precisa logica prestativa. La needs analysis non dovrebbe concludersi con una lunga lista di capacità che “sembrano importanti”, ma con una catena logica: cosa determina il successo, quali dimensioni caratterizzano quella prestazione, quali dimensioni fisiche possono sostenerle, come possiamo misurarle e, infine, quali di queste dobbiamo migliorare nel singolo atleta. È in questo passaggio che la needs analysis smette di essere semplicemente un’analisi dello sport e diventa uno strumento per la programmazione dell’allenamento.