Sporttechnologie und Datenanalyse: Was das Dossier tatsächlich hergibt

Das Thema dieser Recherche ist Datenanalyse in der Sporttechnologie. Das Dossier, das dieser Redaktion vorliegt, enthält keine Marktgrößen für diesen Sektor, keine Anbieteranteile und keine sportartspezifischen Vergleichswerte. Es enthält eine Reihe von Quellen zu Werkzeugen und Architektur, veröffentlicht zwischen Juni und September 2026. Jede Analyse muss dort ansetzen.

Die einzige Quelle mit direktem Sportbezug ist ein Slate-Artikel vom 10. Juni 2026 über Apples Sports-App. Slate beschreibt sie als App ohne Schlagzeilen, ohne Streaming-Übersichten und fast ohne Werbung, nur Teamnamen und Logos, Bilanzen, Spielzeiten und Ergebnisse. Wettquoten erscheinen laut Autor auf der Ergebnistafel, lassen sich aber in den Einstellungen abschalten. Abgedeckt sind Spiele der Weltmeisterschaft, MLS, NWSL, rund 30 weitere Fußballligen, die ecuadorianische Serie A und die zweite Bundesliga sowie Herren- und Damentennis und die LPGA Tour.

Das ist eine Produktbesprechung, keine Bewertung einer Datenplattform. Dennoch ist sie der einzige sportbezogene Beitrag im Set, und sie enthält eine Aussage, die sich festhalten lässt: Der Nutzen liegt in der Geschwindigkeit des Zugriffs auf Ergebnisse und Statistiken, nicht in der Tiefe der Analyse.

Analyse-Infrastruktur an anderer Stelle im Dossier

Zwei Quellen befassen sich mit Web- und Produktanalyse statt mit Sport. Adaca Analytics, am 8. September 2026 auf GitHub veröffentlicht, ist eine selbst gehostete Dashboard-Schicht für Google Analytics 4 auf Basis von Cloudflare Workers. Tägliche Rollups aus der GA4 Data API oder einem BigQuery-Export landen in einer D1-Datenbank, die der Betreiber besitzt. Echtzeitdaten bleiben bei Google. Das Repository nennt sechs Dashboards ab Werk, einen Builder in vier Schritten, Drill-down-Seiten, gespeicherte Segmente, schreibgeschützte Freigabelinks, den Vergleich mit einem früheren Zeitraum oder dem Vorjahr, Stundenwerte für den heutigen Tag, eine Live-Besucherzahl sowie wöchentliche und monatliche Zusammenfassungen mit E-Mail- oder Slack-Benachrichtigungen. Adaca bezeichnet sich als Softwareberatung und lizenziert das Projekt unter MIT.

Plainoldanalytics, am 13. September 2026 auf GitHub veröffentlicht, geht den umgekehrten Weg: Analyse ist in eine Go-Anwendung eingebettet statt daneben montiert. Das README vergleicht es im Geist mit Umami, Plausible oder PostHog. Das Kernpaket ist speicherunabhängig, ein Import zieht also nie ein Backend mit, und Nutzer wählen ein Speicherpaket wie Speicher oder DuckDB. Der Verkehr wird etwa einmal pro Sekunde auf die Platte geschrieben, und die Dokumentation rät Betreibern, beim Herunterfahren Close() aufzurufen, um noch gepufferte Daten zu schreiben. Adapter gibt es für gin und chi, und das Dashboard wird getrennt eingebunden, damit es nicht als Verkehr gezählt wird.

Keines der beiden Projekte erwähnt Sport. Keines nennt Nutzungszahlen. Beide sind nur als Beispiele für das Muster selbst gehosteter, eigener Daten relevant, auf das Sportorganisationen bei der Bewertung von Analyse-Stacks immer wieder stoßen.

Das Architektur-Argument

Starburst veröffentlichte am 11. September 2026 eine Analyse, die zwei Wege vergleicht, Daten an Agenten zu liefern. Der erste, vom Autor als Option 0 bezeichnet und außer in ungewöhnlichen Fällen nicht empfohlen, extrahiert Rohdaten und schickt sie an den Agenten. Der Beitrag argumentiert, das könne unbezahlbar werden, wenn Agenten pro verarbeitetem Datenelement abrechnen. Der zweite, Option 1, gibt dem Agenten direkten Datenbankzugriff, sodass er eigenes SQL schreibt und iteriert. Der Beitrag merkt an, Agenten könnten weit anspruchsvoller sein als Menschen und eine Datenbank mit spekulativen Abfragen überlasten. Die Datenbankbranche konzentriere sich jedoch darauf, agentische Arbeitslasten zu unterstützen.

Ein White Paper des Wiley Content Hub, gesponsert von CData und datiert auf den 18. September 2026, behandelt stattdessen die Replikationsgeschwindigkeit. Es nennt in der Überschrift eine um 76% schnellere Replikation und beschreibt parallele partitionierte Lesevorgänge über CPU-Threads plus Optimierung des Schreibpfads, mit den größten Gewinnen bei breiten Tabellen mit Hunderten Spalten. CData gibt an, KI für Databricks, Microsoft, Google, Palantir und mehr als 10.000 Kunden weltweit zu betreiben.

Zusammengelesen stützt das Dossier einen engen Punkt. Die Werkzeuge für Sportanalyse werden um Selbsthosting, eingebettete Instrumentierung und Agentenzugriff auf Live-Datenbanken herum neu gebaut. Es stützt keine Aussage darüber, wie viel Sportorganisationen dafür ausgeben oder wie gut eines davon an Spieltagen funktioniert. Diese Zahlen stehen hier nicht.