Sporttechnik-Analyse ist meist nur Ergebnistafel, und das ist die ehrliche Geschichte

Wer nach Datenanalyse in der Sporttechnologie sucht, findet eine Marktprognose, eine Wettgeschichte und viel Werbetext von Anbietern. Was sich im hier verfügbaren Material nicht findet, ist eine einzige Sportorganisation, die offenlegt, wie ihre Analytik tatsächlich funktioniert.

Dieses Fehlen ist der Befund. Die konkretesten und überprüfbarsten Dokumente in diesem Feld beschreiben allgemeine Datenwerkzeuge. Der Sportbezug ist entweder historisch, kommerziell oder nur angedeutet. Das sollte man klar sagen, bevor man eine Wachstumszahl wiederholt.

Die einzige Sport-App im Stapel macht fast keine Analytik

Slate veröffentlichte im Juni eine lange Würdigung von Apples Sport-App. Das Lob gilt genau dem, was die App nicht tut. Es gibt keine Nachrichtenschlagzeilen, keine Streaming-Hinweise, keine Designelemente, die zum Weiterscrollen verleiten. Man bekommt Teamnamen und Logos, Bilanzen, Spielzeiten und Ergebnisse sowie eine Tabelle. Wettquoten erscheinen standardmäßig auf der Ergebnistafel, lassen sich aber in den Einstellungen dauerhaft abschalten, heißt es in dem Beitrag. Der Autor musste während der Stanley-Cup-Playoffs automatische Benachrichtigungen zu den Pittsburgh Penguins deaktivieren, weil die App schneller war als der Streaming-Feed.

Das ist eine Aussage über Latenz, keine über Analytik, und es ist das technischste Element der Rezension. Der Artikel behandelt keine erwarteten Tore, keine Tracking-Daten, keine Verletzungsmodelle und nichts sonst, was unter eine Überschrift zur Sportanalytik fallen würde. Sein Argument lautet: Ein Produkt, das eine Aufgabe gut erledigt, schlägt ein Produkt, das mit Funktionen vollgestopft ist, die niemand verlangt hat.

Vergleicht man das mit der aktuellen Mode bei Sport-Apps, ist der Gegensatz scharf. Die App der Major League Baseball hat die Ergebnisse mit dem umgeben, was der Autor Dekoration nennt. Die App von ESPN stellt jetzt ihr Live-TV-Angebot und einen vertikalen Videofeed namens Verts in den Vordergrund. Beide sind in dem Sinne Analytik-Geschäfte, dass sie den Nutzer vermessen. Keine von beiden verkauft eine Analyse des Spiels.

Der Benchmark, der analytisches Denken tatsächlich misst

Hex veröffentlichte am 13. August DataBench, eine Rangliste für das, was das Unternehmen agentische Analytik nennt. Die Tabelle ist dicht, und die Zahlen sind die Geschichte. Opus 5.5 erreicht bei maximalem Aufwand 70,5 Prozent, bei durchschnittlichen Kosten von 3,57 Dollar pro Aufgabe. GPT-6 Sol kommt bei XHigh auf 61,3 Prozent für 0,58 Dollar pro Aufgabe. GPT-6 Luna erreicht bei maximalem Aufwand 52,3 Prozent für sechs Cent.

Allein diese drei Datenpunkte beschreiben den Handel, den jedes Datenteam derzeit eingeht. Die Spitze der Rangliste kostet pro Aufgabe rund sechzigmal mehr als das billige Modell, das etwa drei Viertel des Weges schafft. Hex merkt außerdem an, dass es seine Bewerter und Bewertungsmaßstäbe aktualisiert hat, um nicht länger versehentlich irreführende Antworten zu belohnen. Das habe den Benchmark insgesamt deutlich schwerer gemacht, mit besonderer Wirkung auf Modelle von Anthropic. Opus 5.5 steht nach dieser Änderung weiterhin an der Spitze.

Dieselbe Seite enthält Laufzeiten. Opus 5.5 braucht bei maximalem Aufwand im Schnitt 677,2 Sekunden pro Aufgabe. GPT-6 Luna bei maximalem Aufwand braucht 353,2 Sekunden. GPT-6 Astra ist bei niedrigem Aufwand in 88,5 Sekunden fertig, mit 55 Prozent Punktzahl. Für alle, die ein interaktives Analytikprodukt bauen, ist das die eigentliche Einschränkung: Die beste Antwort kann Minuten entfernt sein, und die schnelle Antwort kann auf Arten falsch sein, die niemand prüft.

Wie die Verrohrung aussieht, wenn man sie selbst baut

Zwei Open-Source-Projekte aus demselben Zeitfenster zeigen die andere Hälfte des Problems. Adaca, eine Softwareberatung, veröffentlichte am 8. September einen selbst gehosteten Ersatz für Google Analytics 4 auf Cloudflare Workers. Tägliche Zusammenfassungen kommen über die GA4 Data API oder einen BigQuery-Export und landen in einer D1-Datenbank, die der Betreiber besitzt. Echtzeitdaten bleiben bei Google. Sechs Dashboards sind von Haus aus dabei, jede Zahl öffnet sich in einer Detailseite, und Berichte können wöchentlich oder monatlich per E-Mail oder Slack verschickt werden. Die Einrichtung ist bewusst manuell: ein Google-Dienstkonto mit Viewer-Zugriff anlegen, den JSON-Schlüssel herunterladen, auf Deploy drücken, Cloudflare Access oder einfache Authentifizierung davor setzen.

Es gibt keine Anmeldung. Je nach Leser der README ist das der Sinn der Sache oder ein Risiko. Lizenziert ist es unter MIT.

Separat davon ist Lark ein Echtzeit-Datenbankserver, überwiegend in Rust auf Glommio geschrieben, mit einer Go-Komponente am Rand, die WebSocket-, WebTransport- und REST-Verbindungen abschließt. Er ist so ausgelegt, dass er ohne Anpassungen mit den SDKs der Firebase Realtime Database kompatibel ist. So kann eine App Firebase Auth, Hosting und Storage behalten und den Echtzeitbaum woandershin verlegen. Das Repository erklärt, das Format auf der Platte werde nicht ohne Migrationspfad gebrochen, und die Versionsnummer 0.x spiegle das Alter des Projekts, nicht bekannte Instabilität. Lark Cloud betreibt denselben Code für zahlende Kunden.

Warum billigerer Speicher die Debatte nicht entscheidet

Cassis veröffentlichte am 23. August einen Beitrag mit dem Argument, KI-Agenten beseitigten die menschlichen Kosten der Datennutzbarmachung nicht, sie verteilten sie nur um. Das herangezogene Rahmenwerk ist Schema-on-Write gegen Schema-on-Read, und das Arbeitsbeispiel ist ein Finanzchef, der fragt, wie viele aktive Unternehmenskunden im letzten Quartal verlängert haben. Jemand muss weiterhin entscheiden, welche Tabelle die Kunden enthält, was aktiv bedeutet, was Unternehmen bedeutet und wann das Quartal endet.

Der Beitrag teilt diese Kosten in drei Teile: Indexierung, Abfrage und Zuverlässigkeit. Ein Dashboard zahlt die Indexierungskosten im Voraus, manchmal Wochen Arbeit, bevor das erste Diagramm erscheint, und ist für die Fragen zuverlässig, für die es entworfen wurde. Ad-hoc-Anfragen verlagern die gesamten Kosten zum Abrufzeitpunkt auf ein Datenteam. Cassis zitiert einen leitenden Datenmanager, der eine wöchentliche Rotation beschreibt, die dauerhaft etwa 20 Prozent eines Teams von fünf oder sechs Personen verbraucht.

Die Frage ist, wer das Denken übernimmt, und wann.

Dieser Satz ist das Nützlichste im Stapel für alle, die im Sport arbeiten. Ein Verein, der die Belastung der Spieler verfolgt, eine Liga, die Übertragungsrechte verkauft, und die kommerzielle Abteilung eines Teams, die Verlängerungen zählt, stehen alle vor derselben Entscheidung, wo sie den Aufwand ansetzen. Die Werkzeuge werden besser, und der Preis pro Aufgabe für maschinelle Analyse fällt schnell. Nichts davon entscheidet, was aktiv bedeutet.