一张整齐的表，可能什么都没说清
举例来说，翻开某位球员的数据页，通常会看到这样一排：出场、进球、助攻、黄牌、红牌、传球成功率、抢断。字段整齐，来源可靠，看上去很全面。
现在假设这是甲队的一位后腰，赛季数据为进球零、助攻一次。对不了解他的读者，这排数字几乎没有信息量，甚至会得出“他没什么贡献”的印象。可如果用另一组指标看，他每场的拦截、向前出球和位置覆盖在球队里名列前茅，是球队中场的重心。同一位球员，两张数据卡，读者得到的是两种完全不同的判断。
这里暴露出的问题不是数据库有缺陷，而是数据卡的组织方式有缺陷：字段按数据库的存放顺序排列，而读者需要的是按“这位球员在球队里做什么”来理解。所以江南体育AI的数据卡设计，重点不在增加字段，而在于重新决定：哪些信息最先出现，哪些需要解释，哪些干脆不放。
角色语境：先问这位球员做什么，再问他做得怎样
同样一个指标，放在不同位置的球员身上，含义不同。例如“传球次数很多”，对一位出球中卫来说是正常职责，对一位边锋来说可能意味着他被迫回撤参与组织。所以数据卡在挑选指标之前，首先要确定球员的角色。
这里的“角色”并不等于位置名称。球队登记的位置是“中场”，实际比赛里他可能是深度组织者、也可能是前插的第二得分点。角色更适合通过近几场比赛的实际表现来判断：平均触球位置、活动范围、进攻与防守动作的比例、传球方向。位置与角色不一致时，以角色为准，并且在数据卡里明确标注“最近几场主要担任……”。
下表是一个示意，说明不同角色的“第一眼指标”可以有什么区别，具体指标需要结合所用数据来源来确定：
| 角色 | 更适合放在第一眼的信息 | 容易误导的信息 |
|---|---|---|
| 中锋 | 射门质量、禁区内触球、跑位次数 | 只看进球数，不看射门机会来源 |
| 边锋 | 一对一突破、传中与形成机会的传球 | 只看助攻，忽略未被把握的机会 |
| 后腰 | 拦截、二次球争夺、向前出球、位置覆盖 | 只看进球助攻，会完全忽略其作用 |
| 边后卫 | 推进距离、回追次数、传中质量 | 单场跑动距离，不区分有球与无球 |
| 门将 | 扑救难度、出击与出球 | 只看零封场次，忽略球队防守质量 |
这张表的重点不是哪个指标“对”，而是指标要跟角色配套。同一个数字在不同角色下含义不同，所以不能对所有球员使用统一的模板。
三层结构：现在、最近、更深
我们把数据卡设计成三层，每层回答一个问题，读者可以在任何一层停下来。
- 第一层，当前状态：回答“这位球员现在是什么样”。只放三到五个最能代表角色的指标，加上一句话的角色说明，例如“最近五场主要担任左路进攻组织者”。这一层要求读者在几秒钟内得到判断。
- 第二层，最近趋势：回答“最近发生了什么变化”。用最近若干场的趋势线或分段对比，而不是单场数字，这样一场爆发或一次失误不会主导印象。趋势需要标注起止范围和样本量，样本太少时明确提示“样本有限”。
- 第三层，比赛上下文与深入信息：回答“这些数字是怎么来的”。包括球员在具体比赛里的位置热区、传球网络、对位记录、与队友的搭配，供愿意深入的用户展开。
这个分层的想法，与阅读深度有关：并非每个人都要走到第三层，但每个人都应当能走到第三层。把深度信息放进可展开的区域，而不是同时展示，避免一张卡片承载过多内容。
不同的人，先看到的顺序也不同
传统数据页为所有读者提供同一个顺序，但普通球迷和战术型用户读数据卡的目的并不一样。
- 普通球迷更关心结果指标：进球、助攻、最近是否首发、有没有伤停。
- 战术型用户更关心过程指标：推进距离、无球跑动、传球方向、压迫参与度。
- 关注青训或新人的读者，更关心成长趋势和出场时间的变化，而不是绝对数字。
- 只想赛前快速扫一眼的用户，更需要“是否首发、状态如何、有没有风险”的三行摘要。
因此第一层的排序会随读者偏好调整，具体做法与球迷个性化的整体思路一致：兴趣画像由用户可见、可改的信息构成，个性化只作用于排序与展示深度，不改变数据本身。同一位球员的同一个数字，无论谁看，都必须是同一个值，来源与统计口径也必须一致。
个性化也有它的克制之处：即使为战术型用户把推进指标放在最前面，也应当保留进球与助攻的入口，防止读者因为排序差异而错过基础信息。
会误导人的数字，需要加一行说明
数据卡的另一半工作，是识别“看上去清楚，其实容易误读”的指标。下面几类，我们倾向于在数据卡里添加语境说明，或者换一种呈现方式：
- 不带出场时间的累计数：一位主要替补出场的球员，累计数字自然低于首发球员。更合理的做法是同时给出每90分钟的比例，并标明出场分钟数；分钟数很少时，比例不具参考意义，应当提示。
- 不区分对手强弱的成功率：传球成功率在对手压迫强度不同的比赛里含义不同，一个安全传球较多的球员成功率往往很高，却不代表他更有创造力。
- 只有结果没有机会来源的进球数：一个赛季进球较少的前锋，可能只是机会质量不高，也可能是把握能力有问题，需要与射门质量一起看。
- 短样本的极端值：只踢了两三场的球员，任何指标都可能出现极端数值，此时数据卡应当直接标注“样本有限”，而不是画出一条看似有说服力的趋势线。
- 单场爆发：一场高光会显著拉高平均值，趋势图需要能让读者看出这是持续表现还是偶发。
这些说明不需要写得冗长，一行小字往往就够，例如“出场分钟较少，比例仅供参考”。数据卡的诚实，体现在它愿意告诉读者哪些数字不该被过度解读。
可视化：图形要帮助比较，而不是装饰
数据卡里的图形容易被做成装饰，比如雷达图，看起来很“数据化”，但它有一个常见问题：不同指标的量纲和范围不同，被放进同一个圆里，读者很难判断面积代表什么。江南体育AI更倾向于选择能直接支持比较的形式：
- 与同位置、同角色球员的相对位置，用分位或简单的区间条表示，并标注比较对象是谁。
- 最近若干场的趋势，用一条平滑但不过度的折线，同时保留单场点，让读者能看出波动。
- 位置热区与传球方向，用示意的场地图，标注样本比赛数量。
无论使用哪种形式，都需要注明比较范围。“在联赛边锋中排名靠前”这样的表述，读者会自然追问“什么范围、多少场”，答案应当能在卡片里找到。
数据从哪来、怎样保证一致
数据卡背后是几类数据的组合：赛季统计、单场事件、位置与追踪数据、球员基本信息与伤停状态。它们更新的频率不同，也可能存在统计口径差别，例如不同来源对“关键传球”的定义不完全一致。因此数据卡在设计上要满足几点：
- 同一张卡里的所有指标使用同一个口径的来源，不混合来源；
- 每个指标带有更新时间，比赛刚结束时，未完成校对的数据应当提示“更新中”；
- 球员的位置、角色说明由结构化数据生成，不由模型凭印象撰写；
- 如果系统用语言模型生成数据卡上的说明文字，例如“最近五场主要担任……”，句子中所有数字都要能在结构化数据里对应，这与AI体育主播的事实校验思路是同一套做法。
赛后的数据校对也需要留出时间，尤其是比赛刚结束的几个小时，数据源可能还在修订。在这段时间里，数据卡可以显示“初步数据”，等校对完成再更新。
还没解决的问题
- 角色的自动判断：从近几场比赛里判断角色，需要足够的追踪数据，数据不足时怎样保守地表达，是一个需要小心处理的地方。
- 不同联赛之间的可比性：跨联赛比较受比赛强度、风格差异影响，我们倾向于默认只在同一联赛、同一赛季内比较。
- 信息量与可读性的平衡：每加一个指标，读者的负担就增加一点，什么时候该停，需要靠实际阅读行为去调整，而不是靠设计者的喜好。
- 与叙事内容的衔接：数据卡里的趋势，往往可以引出赛后复盘中的关键时刻，两者怎样互相跳转，我们在赛后复盘从转折点开始里继续讨论。
一张好的数据卡，读完以后读者应当能回答一个问题：这位球员在球队里做什么，最近做得怎么样。如果读完还需要自己去猜这些数字的含义，那说明字段排得再整齐，也只完成了一半的工作。
