Kapag Tumutok ang Data sa Palabasan

Ang Quiet Collapse ng Isang Managerial Model

Naging nakatitig ako sa mga stats nang dalawang oras—hindi dahil sa emosyon, kundi dahil nagmumura ang mga numero. Ang 2 panalo, 1 patungan, 5 pagkabigo ni Porto? Hindi ito sumpa—ito ay overfit na modelo: maraming bariabla, konting variance.

Hindi ito pagsisikat—ito ay posterior update: sinulatan ng Bayes’ theorem ang desisyon sa ilalim ng presyur. May talent si Sousa, pero sinabi ng data: ang expected goals ay bumaba sa threshold. Ang model ay nag-converge sa mediocrity.

Ang Algorithm ng Pagkabigo

Trained kami sa malinis na data mula sa Lisbon, subalit hindi sumasagot ang intuwisyon. Sa football—at sa statistics—pinakamapangan na bariabla ay oras. Kapag tumatakbo ang fatigue, bumababa ang win rate—hindi dahil sa talino, kundi dahil sa misaligned priors. Hindi tungkol kay Sousa; tungkol ito sa calibration.

Sapat na gumamit ako ng R at Tableau upang maunawa: hindi ito drama—it’s diagnostics. Hindi ipinapatay ang coach dahil nagwawala siya; ipinapatay siya kapag bumaba ang posterior probability sa threshold.

Bakit Hindi Ito Karaniwang Palabasan

Hindi tungkol ito sa taktika o charisma. Tungkol ito kung ano nangyari nang isinaayos mo ang emosyon tulad ng data—at pinapag-usapan ni Bayes habang nananatili pa ang kuwento ng ‘gut feeling.’

Hindi namin kailangan bagong coach—we need better priors.