Quanti giorni di riposo prendono davvero gli utenti consistenti? (Dati Arvo 2026)

Perché ci interessano i pattern di riposo

Il consiglio più comune che riceve un principiante — dai forum, dai trainer-influencer, dai generatori AI di workout generici — è 'allenati 4-5 giorni a settimana'. L'assunzione implicita è che di più sia meglio, e che meno giorni di riposo correlino con risultati più rapidi. I dati di questo articolo sfidano quell'assunzione in modo stretto ma utile: gli utenti che davvero restano per 8+ settimane consecutive di allenamento consistente non sono quelli con il conteggio più basso di giorni di riposo.

È osservazionale, non causale — non possiamo dire che prendere più giorni di riposo renda un lifter consistente, solo che i lifter consistenti prendono una distribuzione specifica di giorni di riposo. Ma la direzione della correlazione è opposta al consiglio popolare, e per un principiante che sceglie tra '5 giorni a settimana e alta probabilità di drop-off' contro '3-4 giorni a settimana e una vera chance di restare sul programma per due mesi', la distribuzione di riposo che osserviamo è il prior più utile.

Definizioni esatte delle coorti

Ancoriamo la finestra di osservazione di ogni utente al suo primo workout completato (`MIN(workouts.completed_at)`). La finestra copre i primi 90 giorni di calendario da quell'ancora. Dentro quella finestra fissa buckettiamo ogni utente in una di tre coorti: consistente, drop-off o other. Il bucket 'other' — utenti che non soddisfano nessuno dei due criteri — non è riportato in questo articolo.

Due note sulle regole: (1) contiamo giorni di allenamento distinti per ISO-settimana, non workout grezzi, quindi un utente che logga due workout lo stesso giorno conta ancora come un giorno di allenamento; (2) il run di 8 settimane consecutive può cadere ovunque dentro la finestra di 90 giorni — l'utente non deve iniziare dalla sua prima settimana.

Consistente vs drop-off: confronto side-by-side

Ogni riga nella tabella di confronto è calcolata in modo identico per entrambe le coorti dentro la stessa finestra di 90 giorni. La riga `media workout per settimana attiva` conta solo le settimane dell'utente con almeno un giorno di allenamento — così un utente che ha preso due settimane di pausa non vede la sua media tirata a zero da settimane vuote.

La riga `% utenti a 4 rest day` è la quota di utenti nella coorte la cui mediana di giorni di riposo è esattamente 4. Leggilo come 'quanti lifter in questa coorte fanno una classica settimana di 3-giorni-on, 4-giorni-off come default'.

Istogramma dei giorni di riposo per la coorte consistente

Sotto c'è la distribuzione della mediana di giorni di riposo a settimana nella coorte consistente. Invece di mediare in un singolo numero che nasconde la forma della distribuzione, mostriamo ogni bucket intero. Permette di vedere se la coorte è bimodale (un cluster 'due volte a settimana' più un cluster '5 giorni a settimana') o unimodale (un singolo picco intorno a 3-4 giorni di riposo).

La forma della distribuzione è più informativa della media headline — particolarmente perché la coorte è gated su almeno 3 workout/settimana, quindi la mediana di riposo più bassa possibile in questa coorte è già 4 giorni off.

Perché la forma è quella che è

Tre meccanismi plausibili compongono la distribuzione osservata. Primo, recupero: ai target di volume intermedio (range 10-20 set/muscolo/settimana dalla letteratura volume-landmark di Schoenfeld), 3-4 giorni di allenamento a settimana lasciano abbastanza recupero per colpire ogni gruppo muscolare due volte — un equilibrio frequenza-volume che i dati suggeriscono essere realistico da sostenere. Secondo, attrito di calendario: un impegno di 5-6 giorni si scontra con lavoro, famiglia e viaggi; gli utenti che ci provano di solito accumulano sessioni saltate finché un gap di 14 giorni scatta la classificazione drop-off. Terzo, contabilità motivazionale: un programma di 4 giorni con off-day chiari è più facile da sentire 'in carreggiata' rispetto a un programma di 6 giorni dove un giorno saltato sembra un fallimento.

Questi meccanismi sono speculativi — i dati mostrano solo la distribuzione, non la causazione. Ma la stessa forma di distribuzione appare in dataset osservazionali adiacenti (consistency running di Strava, streak di logging di MyFitnessPal), il che suggerisce che il pattern non è Arvo-specifico.

Come applicare questo al tuo allenamento

Se stai scegliendo una frequenza di allenamento per un nuovo programma e non hai mai sostenuto 5+ giorni per due mesi, il prior che i dati supportano è 3-4 giorni di allenamento a settimana — Lunedì/Mercoledì/Venerdì o uno split upper/lower 4 giorni — rispetto a un programma di 5 o 6 giorni. I dati non dicono che 5 o 6 giorni non funzioni; dicono che non funziona per la persona mediana che ci prova.

Se stai uscendo da un periodo di drop-off e stai ricostruendo, lo stesso prior si applica più forte: un programma di rientro a 3 giorni/settimana con recupero pieno ha più probabilità di farti atterrare nella coorte consistente rispetto a un rientro aggressivo a 5 o 6 giorni. Il generatore Arvo defaulta a template 3-4 giorni per utenti first-time e di rientro proprio per questo motivo.

Cautele e cosa NON è questo

Sono dati osservazionali da utenti Arvo auto-selezionati. La finestra di 90 giorni è fissa; utenti che sarebbero diventati consistenti alla settimana 13 non sono rilevati come consistenti qui. Il classificatore di drop-off è anche grezzo — un utente con un singolo gap di 14 giorni causato da una vacanza è buckettato identicamente a uno che ha genuinamente abbandonato. Il prossimo snapshot raffinerà la regola per distinguere 'in pausa' da 'abbandonato'.

Non stratifichiamo ancora per livello di esperienza, età, accesso all'attrezzatura o tipo di programma (full-body vs split). Il prossimo snapshot trimestrale aggiungerà almeno il breakdown per split-type — utenti full-body potrebbero portare una distribuzione di riposo diversa dagli utenti push/pull/legs, e il dataset ora è abbastanza denso per testarlo.