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

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

Suche
LIVE
›

Sporttechnik-Analyse ist meistens nur Anzeigetafel, und das ist die ehrliche Geschichte

Zwei der ausführlichsten Beiträge im dieswöchigen Stapel Sporttechnologie haben gar nichts mit Sport zu tun: Der eine ist ein Benchmark dafür, wie gut KI-Modelle analytische Arbeit leisten, der andere ein selbst gehosteter Ersatz für Google Analytics. Der Sportbezug ist dünner, als die Schlagzeilen vermuten lassen.

SportAnalyseSven AlbrechtVeröffentlicht: 27. September 20265 Min. LesezeitQuellen 5
Sporttechnik-Analyse ist meistens nur Anzeigetafel, und das ist die ehrliche Geschichte

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

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

Die einzige Sport-App im Stapel macht fast keine Analyse

Slate veröffentlichte im Juni eine lange Würdigung von Apples Sports-App, und das Lob gilt genau dem, was die App nicht tut. Es gibt keine Nachrichten-Schlagzeilen, keine Streaming-Hinweise, keine Designkniffe, die einen zum Weiterscrollen bringen. Man bekommt Teamnamen und Logos, Bilanzen, Spielzeiten und Ergebnisse, dazu eine Tabelle. Wettquoten erscheinen standardmäßig auf der Anzeigetafel, lassen sich laut dem Beitrag aber dauerhaft in den Einstellungen abschalten. Der Autor musste während der Stanley-Cup-Playoffs die automatischen Benachrichtigungen zu den Pittsburgh Penguins abschalten, weil die App mit dem Ergebnis schneller war als der Streaming-Feed.

Das ist eine Aussage über Latenz, keine über Analyse, und sie ist das Technischste in der ganzen Rezension. Der Artikel behandelt keine Expected Goals, keine Trackingdaten, keine Verletzungsmodelle und nichts sonst, was unter eine Überschrift zur Sportanalyse passen würde. Sein Argument lautet: Ein Produkt, das eine Aufgabe gut erledigt, schlägt ein Produkt vollgestopft mit Funktionen, die niemand verlangt hat.

Hält man das gegen die aktuelle Mode bei Sport-Apps, ist der Kontrast scharf. Die App der Major League Baseball hat die Ergebnisse mit dem umstellt, was der Autor Kulisse nennt. Die ESPN-App stellt ihr Live-TV-Angebot und einen vertikalen Videofeed namens Verts in den Vordergrund. Beide sind Analysegeschäfte in dem Sinn, dass sie den Nutzer vermessen. Keine von beiden verkauft eine Analyse des Spiels.

Der Benchmark, der analytisches Denken wirklich misst

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

Schon diese drei Datenpunkte beschreiben den Kompromiss, den jedes Datenteam derzeit eingeht. Die Spitze der Rangliste kostet pro Aufgabe rund sechzigmal so viel wie das billige Modell, das etwa drei Viertel des Weges schafft. Hex merkt außerdem an, dass das Unternehmen seine Bewerter und Bewertungsraster überarbeitet hat, damit irreführende Antworten nicht mehr versehentlich belohnt werden. Das habe den Benchmark insgesamt deutlich schwerer gemacht, besonders betroffen seien die Modelle von Anthropic. Opus 5.5 steht nach dieser Änderung weiterhin an der Spitze.

Dieselbe Seite führt Latenzen auf. Opus 5.5 bei Max braucht im Schnitt 677,2 Sekunden pro Aufgabe. GPT-6 Luna bei Max braucht 353,2 Sekunden. GPT-6 Astra bei Low ist in 88,5 Sekunden fertig und erreicht 55 Prozent. Wer ein interaktives Analyseprodukt baut, stößt hier auf die eigentliche Grenze: Die beste Antwort kann Minuten entfernt sein, und die schnelle Antwort kann falsch sein, ohne dass es jemand prüft.

Wie die Leitungen aussehen, wenn man 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 ab Werk dabei, jede Zahl öffnet eine Detailseite, und Berichte lassen sich wöchentlich oder monatlich per E-Mail oder Slack verschicken. Die Einrichtung ist bewusst manuell: ein Google-Dienstkonto mit Viewer-Zugriff anlegen, den JSON-Schlüssel herunterladen, auf Deploy drücken, Cloudflare Access oder Basic Auth davorsetzen.

Es gibt keine Anmeldung, was je nach Leser der README entweder der Sinn der Sache oder ein Risiko ist. Lizenziert ist das Ganze unter MIT.

Daneben steht Lark, ein Echtzeit-Datenbankserver, überwiegend in Rust auf Glommio geschrieben, mit einer Go-Komponente am Rand, die WebSocket-, WebTransport- und REST-Verbindungen beendet. Er soll ohne Änderungen mit den SDKs der Firebase Realtime Database zusammenarbeiten, sodass eine App Firebase Auth, Hosting und Storage behalten und den Echtzeitbaum woandershin verschieben kann. Laut Repository wird das Format auf der Platte nicht ohne Migrationspfad gebrochen, und die Versionsnummer 0.x spiegelt das Alter des Projekts, nicht eine bekannte Instabilität. Lark Cloud betreibt denselben Code für zahlende Kunden.

Warum billigerer Speicher den Streit nicht entscheidet

Cassis veröffentlichte am 23. August einen Beitrag mit dem Argument, KI-Agenten beseitigten die menschlichen Kosten der Datennutzung nicht, sie verteilten sie nur anders. Das herangezogene Raster heißt Schema beim Schreiben gegen Schema beim Lesen, und das Beispiel aus der Praxis ist ein CFO, der fragt, wie viele aktive Unternehmenskunden im letzten Quartal verlängert haben. Irgendjemand 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: Indexieren, Abfragen und Zuverlässigkeit. Ein Dashboard zahlt die Indexierungskosten im Voraus, manchmal Wochen Arbeit, bevor das erste Diagramm erscheint, und ist dann zuverlässig für die Fragen, für die es gebaut wurde. Ad-hoc-Anfragen verlagern die gesamten Kosten zum Abrufzeitpunkt auf ein Datenteam. Cassis zitiert einen leitenden Datenmanager, der von einer wöchentlichen Rotation berichtet, die dauerhaft etwa 20 Prozent eines Teams von fünf oder sechs Leuten bindet.

Die Frage ist, wer denkt, und wann.

Dieser Satz ist das Nützlichste im ganzen 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 vor derselben Entscheidung: Wo soll die Arbeit hin. Die Werkzeuge werden besser, und der Preis pro Aufgabe für maschinelle Analyse fällt schnell. Nichts davon entscheidet, was aktiv bedeutet.

Kommentare 0

Quellen

5
  1. 01Apple Made a Sports App That Does Almost Nothing. It's IncredibleEN
  2. 02DataBench: A frontier benchmark for complex data work and analytical reasoningEN
  3. 03We rebuilt the old Google Analytics on top of GA4's dataEN
  4. 04Show HN: Lark, OSS realtime database, drop-in compatible with Firebase SDKsEN
  5. 05Why cheaper SQL doesn't make analytics cheapEN

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

Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.

Sven Albrecht

Sven Albrecht

Sport, Auto und Reisen

Sven Albrecht schreibt für FLASH24 über Sport, Autos und Reisen und stützt sich dabei auf Herstellerangaben, Streckenprotokolle und offizielle Ergebnisse. Bei Testwagen vergleicht er Normverbrauch mit realen Messwerten und prüft Drehmomentkurven sowie Akkukapazitäten. Er spricht mit Werkstattmeistern, Rennkommissaren und Bahnbetreibern und wartet auf den Fahrplanwechsel, um Verbindungen quer durch Europa zu vergleichen. Privat fährt er Elektroautos, schraubt in der Garage und plant Bahnstrecken quer durch Europa. Unbelegte Zahlen 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.