Zum Inhalt
WeltzeitEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal über KI und Technologieereignisse · analysen · interviews · technischer hintergrund

Suche
LIVE
›

Apples Sports-App ist kaum ein Datenprodukt. Genau das ist der Punkt

Apples Sports-App hat fast keine Funktionen, keinen Newsfeed und keine Mechaniken, die Nutzer binden sollen. Die Geschwindigkeit macht sie brauchbar, nicht die Datenanalyse, argumentiert Slate in einer Juni-Rezension.

SportNachrichtJonas WeberVeröffentlicht: 27. September 20264 Min. LesezeitQuellen 6
Apples Sports-App ist kaum ein Datenprodukt. Genau das ist der Punkt

Der Markt für Sporttechnologie wird als Datenproblem verkauft. Schlagzeilen der letzten Zeit handeln von Leistungsverfolgung, Ticketing-Analysen und KI im Sport. Alles deutet auf größere Pipelines und klügere Modelle. Eines der meistgenutzten Sportprodukte der vergangenen zwei Jahre macht es andersherum.

Slate hat Apples Sports-App im Juni unter der Überschrift rezensiert, sie tue fast nichts. Der Beitrag beschreibt eine App ohne Schlagzeilen, ohne Streaming-Hinweise und ohne Gestaltungselemente, die Nutzer im Produkt halten sollen. Sie zeigt Teamnamen und Logos, Bilanzen, Spielzeiten und Spielstände laufender oder beendeter Spiele, dazu eine Tabellenseite. Das ist das Produkt.

Die Kosten liegen in der Abfrage, nicht im Index

Der Gegensatz zu der Art, wie Analyseanbieter das Problem darstellen, ist scharf. Ein im August veröffentlichter Beitrag von Cassis, einem Anbieter von Datenwerkzeugen, legt einen einfachen Rahmen vor. Er fragt, wo die menschlichen Kosten anfallen, wenn jemand eine Datenfrage beantworten will. Der Beitrag teilt diese Kosten in Indexierung und Abfrage. Indexierung ist die Vorarbeit, Informationen so zu strukturieren, dass sie später auffindbar sind. Abfrage ist der Aufwand in dem Moment, in dem jemand tatsächlich eine Antwort braucht. Der Beitrag leiht sich einen Schrankvergleich von Hrishi Olickel. Schema-on-write heißt, Kleidung direkt in einen Schrank zu räumen, nach Funktion sortiert. Schema-on-read heißt, in einem unordentlichen Haufen zu wühlen, wenn man etwas braucht.

Apples App ist eine extreme Wette auf die Indexierung. Jemand musste entscheiden, welche Ligen zählen und wie Tabellen aufgebaut sind. Jemand musste entscheiden, wie Spielberichte aussehen und wie schnell ein Ergebnis auf dem Sperrbildschirm landet. Der Nutzer zahlt zum Zeitpunkt der Abfrage fast nichts. Der Rezensent von Slate bemerkt, die App habe während der Stanley-Cup-Playoffs Entwicklungen bei den Pittsburgh Penguins angezeigt, bevor die Streaming-Übertragung nachkam. Die automatischen Aktualisierungen mussten abgeschaltet werden.

"We created Apple Sports to give sports fans what they want, an app that delivers incredibly fast access to scores and stats."

Dieses Zitat eines Apple-Managers, im Slate-Beitrag zitiert, ist das ganze Verkaufsargument. Es gibt keine Aussagen über agentische Fähigkeiten oder Ähnliches. Der Rezensent listet als Abdeckung der App WM-Spiele sowie MLS, die NWSL und rund 30 weitere Ligen. Die ecuadorianische Serie A und die zweite Bundesliga sind dabei, dazu Herren- und Damentennis und die LPGA Tour.

Agenten verschieben die Kosten, sie löschen sie nicht

Der größte Teil des aktuellen Vorstoßes in der Sportanalyse setzt auf den umgekehrten Tausch: ein schwereres Produkt akzeptieren und mehr zurückbekommen. Diese Annahme gerät im gesamten Bereich der Datenwerkzeuge unter Druck. Der Cassis-Beitrag argumentiert, KI-Agenten beseitigten die menschlichen Kosten nicht, Daten nutzbar zu machen. Sie verteilten sie um, und diese Umverteilung übersieht man leicht. Ein im Beitrag zitierter leitender Datenmanager beschrieb eine wöchentliche Rotation. Eine Person ist dauerhaft für Ad-hoc-Fragen abgestellt und verbraucht etwa 20% eines Teams von fünf oder sechs Leuten.

Starburst veröffentlichte im September eine eigene Analyse der agentischen Datenanalyse. Sie kommt von einer anderen Richtung an einen ähnlichen Punkt. Das Unternehmen beschreibt eine Option, die es bewusst "Option 0" nennt: Rohdaten aus Quellsystemen ziehen und als Dateien oder über eine direkte Leitung an einen Agenten schicken. Starbursts Einwand sind die Kosten. Terabytes an einen Agenten zu schicken, kann unbezahlbar werden, wenn der Agent pro verarbeitetem Element abrechnet. Die bevorzugte Option des Unternehmens ist, dem Agenten Zugangsdaten zur Datenbank zu geben und ihn eigenes SQL schreiben zu lassen. Dann erledigt die Datenbank-Engine die Arbeit, für die sie gebaut wurde.

Starburst nennt auch das operative Risiko dieses Ansatzes. Agenten, heißt es in dem Beitrag, können weit fordernder sein als Menschen. Sie können eine Datenbank mit spekulativen Abfragen überlasten, während sie sich vorantasten. Das Unternehmen ordnet das als Lastproblem ein, an dem die Datenbankbranche aktiv arbeitet, nicht als gelöstes Problem.

Kleine Werkzeuge, kleine Oberflächen

Derselbe Instinkt zeigt sich bei kleineren Open-Source-Veröffentlichungen. Adaca Analytics ist ein selbst gehostetes Dashboard-Projekt für Google Analytics 4, im September auf GitHub veröffentlicht. Es läuft auf Cloudflare Workers mit täglichen Rollups aus der GA4 Data API oder einem BigQuery-Export, der in einer D1-Datenbank landet, die der Betreiber besitzt. Echtzeit bleibt bei Google. Das Repo wirbt mit sechs Dashboards ab Werk, einem vierstufigen Builder und vorberechneten Detailseiten, sodass ein Klick auf eine Zahl in einem einzigen Roundtrip zurückkommt. Es steht unter MIT-Lizenz.

DataZen, Ende August auf Hacker News gezeigt, zieht eine vergleichbare Linie beim Umfang für Datenbankarbeit. Es ist ein Desktop-Client unter 15 MB, GPLv3, ohne Konto. Zugangsdaten sind mit AES-256-GCM in der Schlüsselkette des Betriebssystems verschlüsselt, und KI-Anfragen gehen nur an den Anbieter, den der Nutzer konfiguriert. Plainoldanalytics, im September veröffentlicht, ist eine Go-Middleware, die ein Dashboard auf einem bestehenden HTTP-Router einhängt und den Verkehr etwa einmal pro Sekunde auf die Festplatte schreibt.

Keines dieser Produkte verspricht, die Frage des CFO zu beantworten, welche Unternehmenskunden verlängert haben. Sie versprechen, dass die Antwort günstig abzurufen ist, sobald jemand sie definiert hat. Cassis benennt den ungeplanten Teil deutlich. Vier Teams dazu zu bringen, sich zu einigen, was "aktiver Kunde" bedeutet, ist Indexierungsarbeit. Sie verschwindet nicht, nur weil jetzt ein Agent das SQL schreibt.

Für Sportprodukte hält der Vergleich mit einem Unterschied. Fans sind sich längst einig, was ein Spielstand ist. Die Definitionsdebatte, die Analysebudgets auffrisst, gibt es nicht. Vielleicht funktioniert gerade deshalb das Fast-Nichts-Tun.

Kommentare 0

Quellen

6
  1. 01Apple Made a Sports App That Does Almost Nothing. It's IncredibleEN
  2. 02There's still no free lunch in data analyticsEN
  3. 03An Analysis of Two Architectures for Agentic Data AnalysisEN
  4. 04We rebuilt the old Google Analytics on top of GA4's dataEN
  5. 05Show HN: DataZen – a local-first client for cross-database workflowsEN
  6. 06Show HN: Plainoldanalytics: Analytics Middlware for GoEN

Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.

Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.

Jonas Weber

Jonas Weber

Sport, Auto und Reisen

Jonas Weber schreibt für FLASH24 über Sport, Autos und Reisen und stützt sich dabei auf Verbandsstatistiken, Herstellerangaben und eigene Recherchen vor Ort. Bei Ligaspielen prüft er Spielberichte gegen die offiziellen Datenbanken und gleicht Torschützen sowie Einsatzzeiten ab. Im Automobilbereich vergleicht er technische Daten aus Pressemappen mit unabhängigen Tests, im Reisenressort wartet er auf die saisonalen Streckenfreigaben und spricht mit Veranstaltern. Privat verfolgt er Ligastatistiken, diskutiert über den Videobeweis und spielt selbst Amateurbasketball. Zahlen, die er nicht belegen kann, veröffentlicht er nicht.

Redaktion →

Kommentare

0
  1. Noch keine Kommentare — seien Sie der Erste.

Kommentar schreiben

Kommentare sind öffentlich sichtbar. Wir veröffentlichen keine Beleidigungen, Werbung oder Spam.