近期状态
观察连续比赛中的资源控制、节奏稳定性与逆风处理，而非只统计胜负。
Stats framework
先定义指标，再讨论强弱
单一胜率容易受到赛程强度、版本变化与样本量影响。更可靠的阅读方式，是将结果指标与过程指标分层，再结合对手质量和比赛阶段解释。
解读边界
历史统计描述已经发生的比赛，无法完整覆盖临场阵容、选手状态、战术调整和版本热修等变量。
对手校正
同一项数据在不同赛程强度下含义不同，需要结合对手层级与赛事阶段校准。
对局结构
拆分对线、转线、资源交换与团战执行，识别优势来源和潜在失分点。
版本适配
英雄优先级、地图资源和比赛节奏改变时，旧样本的参考权重也应同步调整。
Illustrative Data
示例界面，不代表当前赛事数据
队伍与赛区态势面板
切换分析维度，了解数据面板如何组织状态、对抗与稳定性信号。
样本队伍 A · 资源转化
示例 78
样本队伍 B · 前期节奏
示例 66
样本队伍 C · 团战执行
示例 71
阅读提示
指数用于横向筛查，不是胜率
先确认样本范围和对手强度，再查看各项指数是否指向一致。信号分歧时，应降低判断置信度。
样本赛区 A
偏重前期资源
示例标签：高主动性、较快节奏、波动偏高。
样本赛区 B
偏重运营交换
示例标签：资源置换、边线控制、节奏稳定。
样本赛区 C
偏重团战决策
示例标签：中期集结、目标控制、阵容依赖。
优势兑现
领先后扩大资源差的能力。
逆风韧性
劣势下延缓比赛和寻找机会的能力。
节奏波动
不同比赛时段的表现差异。
策略复现
核心战术在不同对手面前的复现程度。
Matchup metrics
把对局拆成三个可观察层级
对线建立初始条件，资源交换塑造中期局面，团战与决策决定优势能否落地。三个层级需要结合BP结构共同阅读。
01
对线与前期
- 补刀与经验差需结合英雄对位预期
- 首轮资源投入反映战术重心
- 视野与支援路线影响表面数据
02
资源与转线
- 目标控制率需区分主动获取与交换
- 转线效率体现团队协同和信息差
- 经济领先来源决定阵容发力窗口
03
团战与BP
- 阵容开团方式影响容错和执行难度
- 英雄池决定BP优先级与战术空间
- 关键团表现应与整场决策分开评价
Patch & meta notes
阅读赛事与版本动态
版本变化会重写数据权重
分析赛事环境时，不应把不同版本的表现直接相加。英雄生态、地图目标、装备强度与比赛节奏的变化，都可能改变队伍既有优势。
缩短旧版本样本窗口
环境改变越大，历史样本在当前判断中的权重越低。
关注BP优先级变化
禁选集中度、位置摇摆与英雄池覆盖会改变对阵空间。
区分适应速度与长期实力
新环境早期的领先可能来自理解速度，也可能随着研究深入而收敛。
From stats to action
让数据进入完整的判断闭环
分析不是终点。将统计信号与赛程、赔率、预测和最终赛果交叉核验，才能持续修正判断。
数据分析常见疑问
理解统计口径与使用边界，避免过度解读。
不能直接等同。历史数据可用于识别倾向和稳定性，但仍需根据当前版本、阵容、对手与赛制调整参考权重。
常见原因包括样本范围、更新时间、比赛阶段、异常局处理与计算公式不同。比较前应先确认指标定义和数据时间点。
不能。赔率是市场信息的一种表达，还可能受到流动性、发布时间与其他信息影响。它适合作为交叉信号，而不是统计结论的证明。