Apples "Sports"-App zeigt, was Sportanalyse-Produkte falsch machen

Die Technikredaktion von Slate hat im Juni eine Würdigung der App veröffentlicht, passend zur Weltmeisterschaft. Ihr Argument ist enger und nützlicher als die Überschrift vermuten lässt. Der Autor beklagt nicht, dass Sport-Apps zu wenig Daten hätten. Er beklagt, dass sie das Ergebnis darunter begraben.

Apples App heißt schlicht "Sports". Es gibt keine Schlagzeilen darin, keinen Streaming-Leitfaden außer einer Kanalliste, die man nur sieht, wenn man auf ein Spiel tippt, und keinen Feed, der einen festhalten soll. Laut Slate erscheinen Wettquoten beim ersten Download auf der Ergebnistafel, lassen sich aber dauerhaft per Schalter abschalten. Was bleibt, sind Teamnamen, Logos, Bilanzen, Anstoßzeiten und Ergebnisse, dazu eine Tabellenseite.

Wohin das Geld fließt

Diese Zurückhaltung läuft der Richtung entgegen, in die der Sportdatenmarkt verkauft wird, an Teams, Ligen und Sender. Die jüngste Berichterstattung über die Branche beschreibt einen Markt in Milliardenhöhe, der mit zweistelligen jährlichen Wachstumsraten wächst. Anbieter preisen KI-gesteuerte Fanbindung, Ticketing-Intelligenz und Leistungsanalytik als nächste Wertschicht an. Diese Zahlen stammen von Marktforschungsfirmen und Pressemitteilungen, nicht aus geprüften Betriebsergebnissen. Je nachdem, welchen Bericht man liest, weichen die Schlagzeilen stark voneinander ab. Die strategische Wette dahinter ist jedoch dieselbe: mehr Daten, mehr Personalisierung, mehr Gründe, die App zu öffnen und in ihr zu bleiben.

Der Autor von Slate, 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 Dekoration nennt. Dadurch wirkt sie schwerer. Die ESPN-App, so der Autor, bevorzugt ihr Live-TV-Angebot und einen vertikalen Videoscroll namens "Verts". Der Ergebnisbereich liegt dort in "einem weiten Meer anderer Schaltflächen".

Das ist nicht das größte Problem der Welt, aber es hat deutlich mehr Reibung erzeugt, wenn ich versucht habe, meine wichtigsten Sport-Apps zu benutzen, um nun ja, Ergebnisse zu prüfen.

Das ist die Beschwerde eines Verbrauchers, und so sollte man sie lesen. Sie ist kein Beleg dafür, dass Investitionen in Analytik scheitern. Sie zeigt aber auf etwas, das die Analytik-Anbieter 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 Datenanalytik, macht einen strukturell ähnlichen Punkt zur Datenarbeit in Unternehmen. Seine These lautet, dass KI-Agenten die menschlichen Kosten, Daten nutzbar zu machen, nicht beseitigen, sondern umverteilen. Der Beitrag greift ein Modell auf, das er Hrishi Olickel zuschreibt: Schema-on-Write gegen Schema-on-Read, also Kleidung direkt in einen sortierten Schrank legen gegen das Durchwühlen eines Haufens, wenn man etwas braucht. Diese Wahl, so Cassis, entscheidet, ob man im Voraus zahlt oder beim Abrufen.

Dann teilt er die Kosten in drei Teile. Die Indexierungskosten umfassen Vorarbeiten wie das Entwerfen von Schemata, das Schreiben von Kennzahldefinitionen, den Bau von Dashboards und die Abstimmung von vier Teams darauf, was "aktiver Kunde" bedeutet. Die Abfragekosten sind der Aufwand im Moment des Abrufs: ein Wiki durchsuchen, SQL schreiben, einen Prompt formulieren oder das Datenteam anschreiben. Die Zuverlässigkeit ist die Frage, ob die zurückkommende Zahl semantisch richtig ist, nicht nur 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, was "aktiv" bedeutet, was als "Unternehmen" zählt und welchen Zeitraum "letztes Quartal" im Geschäftskalender der Firma abdeckt. Jedes System im Stapel behandelt diese Frage anders. Die Frage ist, wer das Denken übernimmt, und wann.

Cassis beschreibt eine wöchentliche Rotation in einem Unternehmen, bei der eine einzelne Person fest für Ad-hoc-Fragen abgestellt ist und dauerhaft etwa 20% eines Teams von fünf oder sechs Leuten bindet. Die Kosten sind real, so der Beitrag, doch sie bleiben bestehen, weil dies der Weg des geringsten politischen Widerstands ist: kein Projekt, das finanziert werden muss, keine Stakeholder, die man gewinnen muss, kein Prozess, der zu entwerfen wäre.

Mehr Daten, mehr Entscheidungen darüber, wo die Arbeit landet

Zusammen gelesen beschreiben die beiden Texte denselben Kompromiss auf verschiedenen Ebenen. Eine Sport-App, die Live-Quoten, vertikale Videos und personalisierte Hinweise nach vorn stellt, geht eine Indexierungswette ein: im Voraus in Funktionen investieren, die Nutzer theoretisch binden sollen. Eine schlichte Ergebnistafel geht eine Abfragewette ein: davon ausgehen, dass der Nutzer weiß, was er will, und ihm nicht im Weg stehen.

Apples App ist nicht ohne Analytik. Sie bezieht Liga- und Wettbewerbsdaten aus Fußball, Tennis, Basketball und mehr. Slate merkt an, der Autor habe während der Stanley-Cup-Playoffs automatische Benachrichtigungen zu den Pittsburgh Penguins abschalten müssen, weil die App Entwicklungen meldete, bevor die Streaming-Übertragung es tat. Das ist eine Datenpipeline, die gut genug funktioniert, um lästig zu sein.

Der Unterschied liegt darin, wo das Produkt sein Komplexitätsbudget ausgibt. Der Autor von Slate schreibt, die Abdeckung reiche bis zu WM-Spielen, MLS, NWSL, rund 30 weiteren Fußballligen, der ecuadorianischen Serie A, der zweiten Bundesliga, Herren- und Damentennis und der LPGA Tour. Dazu kommen einfache Box Scores, Ranglisten und Kaderlisten 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 jüngste KI-Produktstarts typisch ist, und genau dieser Kontrast ist der Punkt.

Was das nicht beweist

Die Vorliebe eines Kolumnisten ist kein Markturteil, und Slates Text behauptet auch nicht, eines zu sein. Sportorganisationen verkaufen Tickets, Abonnements und Werbung, und die Analytik-Anbieter, die sie beliefern, beantworten eine echte kommerzielle Frage: Wie macht man aus jemandem, der nur Ergebnisse prüft, einen zahlenden Fan? Der Cassis-Beitrag wiederum ist ein Anbieter, der argumentiert, dass billigere Abfrage-Engines Analytik nicht billig machen. Das stützt zufällig die eigene Position. 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, dass die eigenen Engagement-Kennzahlen wichtiger sind als die Aufgabe des Nutzers. Dafür hat es mit Reibung bezahlt, genau in dem Moment, in dem der Nutzer eine einzige Zahl wollte.

Der Autor von Slate endet mit der Aussage, die App sei eines von zwei oder drei liebsten Verbrauchertechnikprodukten der vergangenen zwei Jahre, neben einer Hardware, deren einzige Aufgabe es ist, ein Telefon daran zu hindern, auf ablenkende Weise zu funktionieren. Die Paarung ist bewusst gewählt: Beides sind Produkte, die sagen, dass sie eine Sache tun, und sie dann tun. Für Teams und Ligen, denen gerade 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 zu verstecken, die es schon gab.