Apples "Sports"-App zeigt, was Sportanalyse-Produkte falsch machen
Apples schlichte Ergebnis-App aus dem Jahr 2024 ist eines der nützlichsten Sportprodukte auf dem iPhone, gerade weil sie auf Analyse verzichtet. Der Rest der Sportdatenbranche bewegt sich in die andere Richtung.

Die Technikredaktion von Slate veröffentlichte im Juni eine Würdigung der App, passend zur Weltmeisterschaft. Das Argument ist enger und nützlicher, als die Überschrift vermuten lässt. Der Autor beklagt nicht, dass Sport-Apps zu wenig Daten liefern. Er beklagt, dass sie den Spielstand unter diesen Daten begraben.
Apples App heißt schlicht "Sports". Sie enthält keine Schlagzeilen und keinen Feed, der Nutzer festhalten soll. Der einzige Streaming-Hinweis ist eine Kanalliste, die man sieht, wenn man auf ein Spiel tippt. Laut Slate erscheinen Wettquoten beim ersten Download auf dem Scoreboard, lassen sich aber dauerhaft abschalten. Was bleibt, sind Teamnamen, Logos, Bilanzen, Anstoßzeiten und Ergebnisse, dazu eine Tabelle.
Wohin das Geld fließt
Diese Zurückhaltung läuft der Richtung entgegen, in der Anbieter den Sportdatenmarkt an Teams, Ligen und Sender verkaufen. Jüngste Berichte beschreiben einen Markt in Milliardenhöhe, der mit zweistelligen jährlichen Wachstumsraten zulegt. Anbieter bewerben KI-gesteuerte Fanbindung, Ticketing-Intelligenz und Leistungsanalyse als nächste Wertschicht. Diese Zahlen stammen von Marktforschungsfirmen und Pressemitteilungen, nicht aus geprüften Geschäftsergebnissen. Die Schlagzeilen variieren stark je nach Bericht. Die strategische Wette dahinter ist jedoch konsistent: mehr Daten, mehr Personalisierung, mehr Gründe, die App zu öffnen und in ihr zu bleiben.
Der Slate-Autor, nach eigener Beschreibung intensiver Nutzer von Sport-Apps, argumentiert, diese Wette habe schlechtere Produkte hervorgebracht. Die offizielle App der Major League Baseball, einst ein Favorit, umgibt Ergebnisse und Videos inzwischen mit dem, was der Text Kulisse nennt. Sie wirkt dadurch schwerer. Die ESPN-App, so der Autor, priorisiert ihr Live-TV-Angebot und einen vertikalen Videoscroll namens "Verts". Der Ergebnisbereich liegt in "einem weiten Meer anderer Schaltflächen".
Das ist nicht das größte Problem der Welt, aber es hat deutlich mehr Reibung erzeugt, wenn ich meine wichtigsten Sport-Apps benutzt habe, um nun ja, Ergebnisse zu prüfen.
Das ist eine Verbraucherbeschwerde, und so sollte man sie lesen. Sie belegt nicht, dass Investitionen in Analyse scheitern. Sie weist aber auf etwas hin, das Anbieter von Analyse selten messen: die Kosten der Oberfläche, die die Analyse liefert.
Dasselbe Argument in einem anderen Markt
Ein im August veröffentlichter Beitrag von Cassis, einem Anbieter von Datenanalyse, macht einen strukturell ähnlichen Punkt zur Datenarbeit in Unternehmen. Die These: KI-Agenten beseitigen die menschlichen Kosten nicht, die entstehen, wenn Daten nützlich werden sollen. Sie verteilen sie neu. Der Beitrag zitiert einen Rahmen, den er Hrishi Olickel zuschreibt: Schema-on-Write gegen Schema-on-Read. Das heißt: Kleidung direkt in einen sortierten Schrank legen oder in einem Haufen wühlen, wenn man etwas braucht. Diese Wahl, so Cassis, entscheidet, ob man im Voraus zahlt oder beim Abruf.
Dann teilt der Beitrag die Kosten in drei Teile. Indexierungskosten umfassen Vorarbeit wie Schema-Design, das Schreiben von Kennzahl-Definitionen, den Bau von Dashboards und die Einigung von vier Teams darauf, was "aktiver Kunde" bedeutet. Abfragekosten sind der Aufwand im Moment des Abrufs: ein Wiki durchsuchen, SQL schreiben, einen Prompt formulieren oder das Datenteam anschreiben. Zuverlässigkeit heißt, ob die zurückkommende Zahl semantisch richtig ist, nicht bloß technisch korrekt.
Das durchgerechnete Beispiel ist ein CFO, der fragt, wie viele aktive Unternehmenskunden im letzten Quartal verlängert haben. Bevor jemand antworten kann, muss jemand entscheiden, welche Tabelle Kundendaten enthält. Außerdem muss entschieden werden, was "aktiv" heißt, was als "Enterprise" zählt und welchen Zeitraum "letztes Quartal" im Geschäftskalender des Unternehmens umfasst. Jedes System im Stack behandelt diese Frage anders. Die Frage ist, wer das Denken übernimmt und wann.
Cassis beschreibt eine wöchentliche Rotation bei einem Unternehmen, bei der eine einzige Person für Ad-hoc-Fragen abgestellt ist. Das bindet dauerhaft etwa 20 % eines Teams von fünf oder sechs Personen. Die Kosten sind real, so der Beitrag, bleiben aber bestehen, weil dies der Weg des geringsten politischen Widerstands ist. Es gibt kein Projekt zu finanzieren, keine Stakeholder zu gewinnen, keinen Prozess zu entwerfen.
Mehr Daten, mehr Entscheidungen darüber, wo die Arbeit landet
Zusammen gelesen beschreiben die beiden Texte denselben Trade-off auf verschiedenen Ebenen. Eine Sport-App, die Live-Quoten, vertikale Videos und personalisierte Alerts nach vorn stellt, setzt auf Indexierung. Sie investiert im Voraus in Funktionen, die Nutzer theoretisch binden sollen. Ein schlichtes Scoreboard setzt auf Abfrage: Geh davon aus, dass der Nutzer weiß, was er will, und tritt zur Seite.
Apples App ist nicht analysefrei. Sie bezieht Daten von Ligen und Wettbewerben aus Fußball, Tennis, Basketball und mehr. Slate berichtet, der Autor musste während der Stanley-Cup-Playoffs automatische Benachrichtigungen zu den Pittsburgh Penguins abschalten. Die App meldete Entwicklungen, bevor die Streaming-Übertragung sie zeigte. Da arbeitet eine Datenpipeline so gut, dass sie stört.
Der Unterschied liegt darin, wofür das Produkt sein Komplexitätsbudget ausgibt. Laut Slates Autor reicht die Abdeckung bis zu WM-Spielen, MLS, NWSL, rund 30 weiteren Fußballligen, der ecuadorianischen Serie A, der zweiten Bundesliga, Herren- und Damentennis und der LPGA Tour. Einfache Boxscores, Ranglisten und Kader stehen hinter einem Tipp. Nichts davon wird als Feed präsentiert.
Slate zitiert einen Apple-Manager aus der Ankündigung der App im Winter 2024: "We created Apple Sports to give sports fans what they want, an app that delivers incredibly fast access to scores and stats." Der Beitrag stellt das der Sprache gegenüber, die für aktuelle KI-Produktvorstellungen typisch ist, und genau dieser Kontrast ist der Punkt.
Was das nicht beweist
Die Vorliebe eines Kolumnisten ist kein Markturteil, und Slates Beitrag erhebt auch keinen Anspruch darauf. Sportorganisationen verkaufen Tickets, Abos und Werbung. Die Anbieter von Analyse, die sie beliefern, beantworten eine echte kommerzielle Frage: Wie macht man aus einem passiven Ergebnisprüfer einen zahlenden Fan? Der Cassis-Beitrag wiederum ist ein Anbieter, der argumentiert, billigere Abfrage-Engines machten Analyse nicht billig. Das stützt zufällig die eigene Positionierung. Beide Quellen haben ein Interesse an der Geschichte, die sie erzählen.
Dennoch lohnt sich die Form der Beschwerde für jeden, der in diesem Feld baut. Das beschriebene Fehlermuster sind nicht fehlende Daten oder schlechte Modelle. Es ist ein Produkt, das entschieden hat, die eigenen Engagement-Kennzahlen seien wichtiger als die Aufgabe des Nutzers. Bezahlt hat es das mit Reibung genau in dem Moment, in dem der Nutzer eine einzige Zahl wollte.
Slates Autor nennt die App am Ende eines von zwei oder drei liebsten Consumer-Tech-Produkten der vergangenen zwei Jahre. Zu den anderen gehört ein Stück Hardware, deren einzige Aufgabe es ist, ein Telefon daran zu hindern, ablenkend zu funktionieren. Die Paarung ist bewusst: Beide Produkte sagen, sie tun eine Sache, und dann tun sie sie. Für Teams und Ligen, denen derzeit Dashboards, Alarmierungsschichten und KI-Zusammenfassungen verkauft werden, ist das der unangenehme Teil. Das am meisten gelobte Sportprodukt der vergangenen zwei Jahre hat keine einzige neue Kennzahl geliefert. Es hat nur aufgehört, die vorhandenen zu verstecken.
Quellen
2- 01Apple Made a Sports App That Does Almost Nothing. It's IncredibleEN
- 02There's still no free lunch in data analyticsEN
Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.
Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.
Kommentare
0- Noch keine Kommentare — seien Sie der Erste.