In een aflevering van de Extramilist Show, tipt hardloper Kilian Jornet het gebruik van een hardloopdagboek.
Door de moeite te nemen om na elke loop informatie vast te leggen, met name informatie die je sporthorloge niet vastlegt, kan je dingen leren.
Het maakte me nieuwsgierig. Dus ik ging er mee aan de slag.
Een visueel hardloopdagboek
Ik werk graag met data en ik maak data graag visueel. Daarom besloot ik beide te combineren en voor een visueel datadagboek te gaan.
Toen ik begon met trainen voor een marathon hield ik bij elke loop het volgende bij:
- Hoever liep ik (<10km, 10-20km, 10-30km, >30km) —-
- Hoe ging de loop (goed, mwa, slecht) ❤️
- Hield ik rekening met eten (ja, nee) 🍴
- Dronk ik van te voren koffie (ja, nee) ☕
- Hoe was het weer (goed, mwa, slecht) ☀️
Na 36 hardlooprondes was dit het resultaat:
Ik heb hier een simpele visuele taal toegepast:
- een open vierkant staat voor ‘goed’
- een vierkant met kruis staat voor ‘slecht’ of ‘nee’
- een vierkant met een streep erdoor zit daar tussenin.
- een zwart vierkant is een negatieve uitschieter: als ik bijvoorbeeld geen rekening houd met eten én dan ook nog eens afwijk van mijn standaard dieet.
Laten we dit beeld digitaal maken, waarbij ik de iconen iets aanpas:
- Hartje = hardloopgevoel
- Zon = weer
- Cirkel = eten (bord)
- Koffie = koffiemok
Zo komt alle informatie mooi onder elkaar te staan:
Nu elke loop mooi onder elkaar staat, kan ik onderzoeken of er iets te leren valt.
Op zoek naar informatie
Het helpt om wat focus aan te brengen in het beeld. Zo kan ik de aandacht vestigen op alle goede lopen:
Hierin valt sowieso op dat er meer goede lopen dan slechte lopen waren. Dat is al mooi 🙂 Daarnaast lijken de x’jes bij het eten en de koffie weinig uit te maken.
Laten we ook eens kijken naar de slechtere runs:
Hier lijkt wat meer ruis in te zitten. Ik kan er niet echt een pijl op trekken of er iets van invloed is, al lijkt het wel zo dat slecht weer hier vaker een rol speelt.
Ik kan dit vermoeden onderzoeken door deze hypothese te visualiseren.
Het visualiseren van een analyse
Op basis van mijn beeldtaal en de data kan ik mijn hypothese visualiseren. Ik groepeer de data op de drie factoren: weer, eten en koffie. Daarna verdeel ik de data over twee regels: de slechte en goede runs.
Dat resulteert in het volgende beeld:
Kijk! Mijn hypothese komt direct tot uiting in dit beeld: als je het beeld van de goede en slechte hardlooprondes vergelijkt (de bovenste en onderste rij), dan wijkt met name het beeld bij weer af (de linker twee vlakken).
Het weer heeft dus de grootste invloed op mijn hardloopgevoel: slecht weer betekent een grotere kans op een slechter gevoel na het hardlopen.
Het koste me 36 hardlooprondes, net zoveel minuten aan dataregistratie en het leerde me een les 🙂