L'aboutissement de l'entraînement basé sur les données : traduire les fichiers de puissance en capacité prédictive de « ce qui se passera en course »

La fin des données n’est pas le fichier, c’est la prédiction

Le cycliste amateur accumule tout un ensemble de données — FTP, W’, courbe de puissance, CTL, taux de dégradation de l’endurance — mais s’arrête souvent à « connaître ses chiffres ». Le véritable aboutissement de l’entraînement basé sur les données, c’est de traduire ces chiffres en une phrase : sur cette course, où vais-je gagner, où vais-je craquer.

Correspondance entre les dimensions des données et les situations de course

Simulation du scénario de course : transformer les chiffres en scénario

Le cœur de la méthode consiste à « interroger » votre fichier de données avec le profil du parcours : cette montée finale de 13 km à 8 %, à quel moment de votre courbe de puissance se situe-t-elle ? Avec votre taux de dégradation de l’endurance, qu’en restera-t-il après autant de travail accumulé ? Ce point d’attaque sur le mur raide va brûler combien de W’, et pourrez-vous les récupérer ? — En mappant segment par segment les chiffres abstraits sur le parcours concret, vous obtenez un scénario personnalisé de « ce qui va se passer ».

Pourquoi c’est le débouché de tous les thèmes

Chaque thème d’entraînement de cette série — distribution polarisée, dosage VO2max, affûtage, HRV, force, dimension temporelle du ravitaillement — modélise une dimension du fichier. Mais le fichier en lui-même ne court pas. Ce n’est que lorsque vous pouvez les synthétiser en un scénario avant la course, et les utiliser pendant la course pour décider « je suis ou je ne suis pas l’attaque » (en écho au thème de la lecture de course), que les données réalisent véritablement leur valeur.

Principes opérationnels de la simulation de scénario

• Obtenir le profil du parcours cible et annoter segment par segment les exigences d’intensité et de durée
• Interroger le fichier en état de « fatigue » plutôt qu’avec des données fraîches (en écho à l’endurance)
• Identifier les positions attendues de « je vais craquer / je peux gagner » et préparer des contre-mesures
• Intégrer l’environnement (altitude, chaleur) et la faisabilité du ravitaillement comme facteurs de correction (en écho aux thèmes correspondants)
• Après la course, calibrer le modèle avec la performance réelle pour rendre la prédiction suivante plus précise

Le plus haut niveau de littératie des données

Le niveau le plus bas, c’est « avoir des données » ; le niveau intermédiaire, c’est « comprendre les modèles » (savoir que TSS/CTL/HRV sont des modèles, pas des valeurs absolues) ; le niveau le plus élevé, c’est « savoir prédire » — dérouler les modèles en scénario sur un parcours spécifique, et prendre la bonne décision dans l’instant de course où aucune donnée n’est consultable. C’est la même destination que toute cette série cherche à atteindre, de la physiologie à l’équipement en passant par la tactique.

L’échec le plus courant de l’entraînement basé sur les données n’est pas le manque de données, mais des données qui restent sur le disque dur. Le FTP, le W’, le taux de dégradation ne courent pas à votre place — ils ne prennent vie que lorsque vous pouvez dire face au profil du parcours : « Je vais craquer sur le troisième mur, mais je peux reprendre du temps sur le chrono final ». Toutes les courbes de puissance, tous les modèles, doivent finalement répondre à la même question : que va-t-il se passer sur cette course, et suis-je prêt à y faire face. Celui qui peut répondre à cette phrase, celui-là sait vraiment utiliser les données.

Lectures complémentaires

• Le voyage et la destination : la philosophie du processus dans les sports d’endurance
• Guide d’analyse des fichiers de course : le processus complet de revue des données post-course
• Le modèle d’équilibre FTP et W’ : pourquoi ne regarder que le FTP fait perdre les courses d’attaques
• Initiation à l’entraînement au capteur de puissance : guide complet du test FTP et des séances en cinq zones