Sport-Apps wurden schwer. Die Analytik dahinter wurde kompliziert
Sporttechnologie wird als Datengeschichte verkauft. Die schwierigere Ingenieursarbeit steckt in den Leitungen: Apples Sports-App lässt alles außer Spielständen weg, Adaca baute Google Analytics auf Cloudflare Workers nach, und ein Jugendlicher fand 17.000.000.000.000 Zeilen in einer Microsoft-Datenbank, nachdem eine JWT-Prüfung übersprungen worden war.

Sporttechnologie wird als Datengeschichte verkauft. Die Angebote, die diesen Monat in Redaktionen eintreffen, handeln von KI auf Sportmärkten, Dashboards zum Fanwachstum und Leistungsanalytik. Das ist die Marketingebene. Die Ingenieursebene sieht anders aus, und sie lässt sich leichter prüfen. Das meiste davon kommt als Open Source, als Bug-Bounty-Bericht oder als Produktnotiz.
Nehmen wir das sichtbarste Verbraucherbeispiel. Slate veröffentlichte im Juni einen Beitrag mit dem Argument, Apples Sports-App sei die beste App, die das Unternehmen seit Jahren herausgebracht habe, gerade weil sie fast nichts tue. Die App, schlicht „Sports“ genannt, enthält keine Nachrichtenüberschriften, keine Streaming-Hinweise und fast keine Werbung. Der Rezensent von Slate merkt an, sie zeige Teamnamen und Logos, Bilanzen, Spielzeiten und Spielstände sowie eine Tabellenseite. Wettquoten erscheinen auf der Anzeigetafel, ein Schalter in den Einstellungen entfernt sie dauerhaft.
Das ist das ganze Produkt. Interessant ist für alle, die mit Sportdaten arbeiten, warum es schnell wirkt. Die App ist bewusst eng gebaut, deshalb muss die Datenpipeline dahinter nie Feeds, redaktionelle Inhalte und Videoinventar in derselben Ansicht zusammenbringen.
Die Anzeigetafel ist der leichte Teil
Der Autor von Slate beschreibt die Anpassung als perfekt. Man wählt Ligen und Teams, sie erscheinen auf einer Startseite und in einer Seitenleiste, ihre Spielstände können als Live Activities auf dem Sperrbildschirm auftauchen. Die Abdeckung reicht weit über die Weltmeisterschaft hinaus bis zur MLS, zur NWSL und rund 30 weiteren Fußballligen, dazu Herren- und Damentennis und die LPGA Tour. Ein Klick auf ein Spiel öffnet einen einfachen Box Score, eine Rangliste oder einen Kader.
Die App wurde im Winter 2024 angekündigt. Slate zitiert einen Apple-Manager, der damals die Prämisse umriss: „We created Apple Sports to give sports fans what they want, an app that delivers incredibly fast access to scores and stats.“ Keine agentische Rahmung, keine Versprechen, Fans näher an das Geschehen zu bringen.
In dieser Zurückhaltung steckt eine nützliche Lehre. Die meisten Sportangebote tragen inzwischen Jahre angesammelter Funktionen mit sich. Der Rezensent von Slate nennt die offizielle App der Major League Baseball, einst ein Favorit, weil sie Spielstände und Video mit Kulisse umstellt. Er nennt auch die App von ESPN, weil sie ihr Live-TV-Angebot und einen Feed im TikTok-Stil namens „Verts“ über den Ergebnisbereich schiebt. Die Reibung ist kein Datenproblem. Es ist ein Produktproblem, das sich als Datenproblem verkleidet.
Dort wird die Leitungsarbeit interessant, und dort ist die öffentliche Bilanz dieses Monats ungewöhnlich reich.
Am 8. September veröffentlichte die Softwareberatung Adaca Adaca Analytics, eine selbst gehostete Dashboard-Schicht für Google Analytics 4 und BigQuery, die auf Cloudflare Workers läuft. Laut der GitHub-README des Projekts landen tägliche Rollups aus der GA4 Data API oder einem BigQuery-Export in einer D1-Datenbank, die der Betreiber besitzt. Echtzeitdaten bleiben live bei Google. Das Repository enthält sechs Dashboards und einen vierstufigen Baukasten für eigene.
Die Details zählen mehr als der Anreißer. Jede Zahl im Dashboard öffnet eine Detailseite mit eigenem Verlauf und Aufschlüsselungen, vorberechnet, damit sie in einem einzigen Roundtrip laden. Es gibt einen Filter für ein ganzes Dashboard, gespeicherte Segmente und schreibgeschützte Freigabelinks, die einen Filter festhalten können. Vergleiche laufen gegen den vorigen Zeitraum, das Vorjahr oder ein beliebiges Fenster. Die Einrichtung verlangt ein Google-Dienstkonto mit Viewer-Zugriff auf eine GA4-Property, den Download seines JSON-Schlüssels und dann ein Deployment zu Cloudflare, das das Repository forkt und D1 und KV bereitstellt. Die README sagt ausdrücklich, dass es keine Anmeldung gibt. Sie rät Betreibern, Cloudflare Access oder die eingebaute Basic Auth vor das Deployment zu setzen. Das Projekt steht unter MIT-Lizenz.
Liest man das gegen den Sportkontext, wird die Form des Problems klar. Ein Verein, eine Liga oder ein Sender, der eine eigene Analytikansicht will, setzt sie heute aus Standardteilen zusammen: eine Worker-Laufzeit, eine kleine Datenbank, ein Dienstkonto mit Leserechten und ein Cron-Job. Teuer ist nicht die Abfrage-Engine. Teuer sind das Zugriffsmodell und die Betriebsdisziplin.
Wenn die Token-Prüfung fehlt
Tom's Hardware berichtete am 28. September, ein Jugendlicher mit dem Handle Faav habe einen nicht authentifizierten Endpunkt in Microsofts interner Analyseplattform Titan gefunden. Der Bericht sagt, ein von ihm gebauter Bot namens Antares habe eine Endpunkt-URL gefunden, die mit einer Fehlermeldung antwortete und ein VPN verlangte. Antares zählte daraufhin Subdomains auf und stieß auf eine bei einem Azure-Cloud-Host, zusammen mit einer Swagger/OpenAPI-Datei, die vier Routen auflistete. Drei verlangten Azure-Active-Directory-Authentifizierung. Eine nicht, und sie hieß /v2/Query. Sie nahm rohes SQL an.
Laut dem Bericht nutzte Faav die Wayback Machine, um eine Version einer Login-Seite von 2023 zu finden, die eine Apache-Superset-Konfigurationsdatei trug. Diese beschrieb das Datenbankschema, darunter 56 Tabellendefinitionen. Der Endpunkt wies seine Abfragen wegen fehlenden JWT ab, also ließ er Antares 10 Tage ohne Erfolg dagegen laufen. Dann bemerkte er, dass die Antworten des Servers darauf hindeuteten, dass die digitale Signatur des Tokens nicht geprüft wurde. Er legte ein Token vor, das Administratorzugriff behauptete, und kam hinein. Ein einziges SHOW DATABASES lieferte 25.000 Datensätze mit Mitarbeiterdaten, dazu Organisationsdaten, Dashboards und Diagramme.
Beim weiteren Graben fand er eine Datenquelle für Bing-Analytik. Beim Zusammenzählen der Zeilen über die Tabellen, so berichtet Tom's Hardware, kam er auf Zugriff auf insgesamt 17.000.000.000.000 Datensätze. Er meldete das Problem über Microsofts Bug-Bounty-Programm und erhielt 5.000 Dollar. In seinem Blogbeitrag schrieb er: „AI and human intuition compounded here. Antares did ten days of work I didn't have to [...] Its persistence, plus one human hunch, is what made this find possible.“
Zwei Dinge sind hier zu trennen. Das erste ist die Schwachstelle selbst: ein Endpunkt, der rohes SQL annahm und keine Tokensignatur prüfte. Das zweite ist die Art der Entdeckung. Die brute-forceartige Subdomain-Aufzählung war automatisiert. Die Erkenntnis, dass die Signaturprüfung fehlte und eine gefälschte Administratorbehauptung deshalb funktionieren würde, war es nicht.
Starburst veröffentlichte am 11. September eine Analyse, die dieselbe Spannung von der Architekturseite her angeht. Der Beitrag geht zwei Wege durch, einen Unternehmens-KI-Agenten zu versorgen: die Daten extrahieren und übergeben oder dem Agenten direkten Datenbankzugriff geben und ihn eigene Abfragen schreiben lassen. Die erste Option, vom Autor „option 0“ genannt, wird schnell teuer, weil Agenten, die pro verarbeitetem Datenelement abrechnen, keine Terabytes bekommen können. Der Autor nennt sie außerhalb ungewöhnlicher Umstände unpraktisch.
Die zweite Option lässt die Datenbank-Engine tun, wofür sie optimiert ist, während der Agent aufeinanderfolgende oder parallele Anfragen schickt. Der Beitrag nennt auch ein echtes Risiko: Agenten können weit fordernder sein als menschliche Nutzer. Sie können eine Datenbank mit spekulativen Abfragen überlasten, während sie ihren Fokus schärfen. Das Supermarkt-Beispiel des Beitrags zeigt gut, warum die Frage schwierig ist. Ob eine Aktion auf Eier profitabel war, verlangt Transaktionsdaten aus einem System, Loyalty- und demografische Daten aus einem anderen und eine Kette von Folgefragen zu Warenkorbzusammensetzung und Wiederbesuchen.
Das hat dieselbe Form wie das Problem der Sportanalytik. Ticketing, Streaming, Merchandise, App-Telemetrie und Stadiondaten liegen in verschiedenen Systemen, und die wichtigen Abfragen spannen über alle. Der Starburst-Beitrag argumentiert, moderne Datenbanksysteme könnten agentische Lasten zunehmend bewältigen. Er ergänzt, Agenten würden die Optimierung langjährig getunter Datenbank-Engines auf Terabytes strukturierter Daten noch eine Weile nicht erreichen.
Die leisen Werkzeuge sind die, auf die man achten sollte
Abseits der Unternehmensebene zeigen zwei kleinere Projekte, wohin die Werkzeuge laufen. Plainoldanalytics, am 13. September auf Hacker News veröffentlicht, ist eine selbst gehostete Analytik-Middleware für Go-Anwendungen. Die README beschreibt sie als im Geist ähnlich zu Umami, Plausible oder PostHog, aber in die App selbst eingebettet. Das Kernpaket ist speicherunabhängig, ein Import zieht also nie ein Backend mit. Betreiber wählen ein Speicherpaket wie DuckDB oder einen In-Memory-Store oder implementieren die Schnittstelle selbst. Der Verkehr wird etwa einmal pro Sekunde auf die Platte geschrieben. Die Middleware zeichnet Pfadparameter auf, außer eine Route ist so umhüllt, dass sie den wörtlichen Pfad festhält. Adapter gibt es für gin und chi.
DataZen, am 29. August veröffentlicht, geht den anderen Weg: ein lokal arbeitender Desktop-Client für Arbeit über mehrere Datenbanken. Die Website listet PostgreSQL, MySQL, SQLite und Redis als eingebaut, mit optionalen Treibern für MongoDB, ClickHouse, DuckDB und SQL Server. Es bietet SQL in natürlicher Sprache, Fehlerdiagnose per Klick, EXPLAIN-Visualisierung, YAML-Workflows und einen eingebauten MCP-Server. Dieser Server stellt Abfragen, Schema-Einsicht und Workflows als Werkzeuge für Agenten wie Claude Desktop, Cursor und Cline bereit. Die Website gibt an, Zugangsdaten würden mit AES-256-GCM verschlüsselt und im Schlüsselbund des Betriebssystems gespeichert. An den KI-Anbieter gingen nur Schema und Abfragekontext, und der vollständige Quelltext sei unter GPLv3 verfügbar. Sie merkt außerdem an, dass kein Konto nötig ist und kein Cloud-Datenbankdienst betrieben wird.
Setzt man die vier zusammen, entsteht ein Muster, das Marktprognosen gern einebnen. Die Verbraucherebene verdichtet sich auf radikale Einfachheit, wie Apples Sports-App zeigt. Die Ebene darunter zersplittert in kleine, prüfbare, selbst gehostete Komponenten, die Betreiber einsehen und kontrollieren können. Und die Sicherheitsbilanz hängt, wie der Fall Microsoft zeigt, weniger davon ab, ob eine Organisation eine Analytikplattform gekauft hat, als davon, ob sie die Signatur eines Tokens geprüft hat.
Nichts davon taucht in einem Marktgrößendiagramm auf. Es zeigt sich in dem Moment, in dem ein Deployment schiefgeht.
Quellen
6- 01We rebuilt the old Google Analytics on top of GA4's dataEN
- 02Teenager hacks open Microsoft database with 17 trillion total rows and 25,000 user accountsEN
- 03Apple Made a Sports App That Does Almost Nothing. It's IncredibleEN
- 04Show HN: DataZen – a local-first client for cross-database workflowsEN
- 05An Analysis of Two Architectures for Agentic Data AnalysisEN
- 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.
Kommentare
0- Noch keine Kommentare — seien Sie der Erste.