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

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

Suche
LIVE
›

Sportanalytik verschlingt ihre eigene Datenpipeline

Apples App Sports reduziert das Ergebnisprüfen auf Spielstände, während die Infrastruktur darunter schwieriger zu bauen wird: neue Werkzeuge für GA4-Dashboards, Analytics-Middleware für Go und agentische Abfragearchitekturen sind in den vergangenen Wochen erschienen.

SportErklärtSven AlbrechtVeröffentlicht: 27. September 20267 Min. LesezeitQuellen 4
Sportanalytik verschlingt ihre eigene Datenpipeline

Apple hat eine App namens Sports. Das ist der ganze Name. Laut Slate, wo sie am 10. Juni zum Start der Weltmeisterschaft besprochen wurde, tut sie fast nichts: Teamnamen und Logos, Bilanzen, Anstoßzeiten, Spielstände. Kein Newsfeed, kein Streaming-Guide, kein Scrollen im TikTok-Stil.

Die Besprechung ist ein nützliches Gegengewicht dazu, wie Sporttechnologie sonst verkauft wird. In denselben Wochen, in denen dieser Text entstand, erschien eine Reihe von Entwicklerwerkzeugen für die Analytik-Infrastruktur. In der Lücke zwischen beiden Geschichten liegt die interessante Arbeit.

Was Apple tatsächlich ausgeliefert hat

Der Rezensent von Slate beschreibt ein Produkt, das um das Weglassen herum gebaut ist. Die App enthält keine Schlagzeilen und keine Streaming-Guides, allerdings sieht man den Sender eines Spiels, wenn man darauf tippt. Wettquoten erscheinen standardmäßig auf der Anzeigetafel und lassen sich mit einem einzigen Schalter dauerhaft abschalten. Werbung gibt es fast keine, gelegentlich stehen Apple-TV-Hinweise oben auf einer Seite. Nutzer wählen aus, welche Ligen und Teams auf der Startseite und in der Seitenleiste erscheinen, und die Spielstände dieser Teams können Live Activities auf dem Sperrbildschirm speisen, müssen aber nicht.

Die Aussage zur Geschwindigkeit in dieser Besprechung ist konkret und prüfbar: Der Autor schreibt, er habe während der Stanley-Cup-Playoffs die automatischen Updates zu den Pittsburgh Penguins abschalten müssen, weil die App Entwicklungen zeigte, bevor sein Streaming-Paket nachkam. Dieselbe Erfahrung berichtet er mit Spielen der NFL, des College Football und des College Basketball. Abgedeckt sind Spiele der Weltmeisterschaft, der MLS, der NWSL und rund 30 weiterer Fußballligen sowie Herren- und Damentennis und die LPGA Tour, mit einfachen Box Scores, Ranglisten und Kaderlisten hinter einem Tipp.

Apple kündigte die App im Winter 2024 an. Slate zitiert die Einordnung eines Apple-Managers zum Start: Das Unternehmen habe „Apple Sports entwickelt, um Sportfans das zu geben, was sie wollen, eine App, die unglaublich schnellen Zugriff auf Spielstände und Statistiken liefert.“

„Wir haben Apple Sports entwickelt, um Sportfans das zu geben, was sie wollen, eine App, die unglaublich schnellen Zugriff auf Spielstände und Statistiken liefert.“

Das ist ein Datenproblem, das als Designproblem auftritt. Jeder Spielstand auf diesem Bildschirm ist ein Feed, eine Zuordnung zwischen Ligen und Teams und ein Latenzbudget. Apple kann diese Kosten tragen. Die meisten Organisationen, die etwas Ähnliches bauen, können das nicht. Deshalb erschien im selben Zeitraum eine Gruppe von Veröffentlichungen für Leute, die die Pipeline selbst zusammenbauen müssen.

Das alte Analytics auf den Daten von GA4 neu gebaut

Ein Beispiel ist adaca-analytics, am 8. September von der Softwareberatung Adaca auf GitHub veröffentlicht. Es ist eine selbst gehostete Dashboard-Schicht für Google Analytics 4, läuft auf Cloudflare Workers, und 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 liefert sechs Dashboards ab Werk mit, dazu einen Builder in vier Schritten für eigene. Jede Kennzahl öffnet sich in einer Detailseite mit eigenem Verlauf und Aufschlüsselungen, vorberechnet, damit sie in einem einzigen Round Trip laden.

Die betrieblichen Details zählen mehr als die Funktionsliste. Die Einrichtung verlangt ein Google-Dienstkonto mit Viewer-Zugriff auf die GA4-Property und dessen JSON-Schlüssel. Für das Deployment forkt man das Repository, richtet D1 und KV ein, fordert den Schlüssel an und deployt den Worker mit seinem Cron-Job. Eine Anmeldung gibt es nicht, deshalb rät die README, Cloudflare Access oder die eingebaute Basic Auth davorzusetzen. Die lokale Entwicklung läuft über npm install, eine Datei .dev.vars mit dem Dienstkonto-JSON in einer Zeile, Typgenerierung, eine Datenbankmigration und einen Dev-Server. Die CI hat vier Stufen: Build, Typecheck, Lint und Test. Die Lizenz ist MIT.

Das Versprechen, in den Worten des Repositories selbst, ist die Wiederherstellung einer Produktform, die GA4 verdrängt hat: Dashboards mit Drill-down, gespeicherte Segmente, schreibgeschützte Freigabelinks, die einen Filter festhalten können, Vergleich mit der Vorperiode oder dem Vorjahr, Wochen- und Monatszusammenfassungen und Verkehrswarnungen per E-Mail oder Slack.

Analytics als Middleware statt als Plattform

Eine zweite Veröffentlichung setzt auf die entgegengesetzte Architektur. Plainoldanalytics, am 13. September auf GitHub eingestellt, ist nachträglich anflanschbare Webanalytik für Go-Anwendungen. Die README beschreibt es als im Geist ähnlich zu Umami, Plausible oder PostHog, aber eingebettet in die eigene App statt daneben gehostet. Das Kernpaket ist speicherunabhängig und weiß nichts von einem Backend, der Import zieht also keines mit herein. Man wählt ein Speicherpaket oder implementiert das Storage-Interface und übergibt es dem Konstruktor.

Die Nutzung ist bewusst klein gehalten. Ein memory_store-Konstruktor gibt sowohl einen Storage als auch die Verdrahtung zurück, und ein Aufruf von analytics.Middleware legt sich um einen vorhandenen Router. Das Dashboard hängt an einem Pfad eigener Wahl. Ein Script-Tag ermöglicht die Erfassung von Ereignissen im Client, einschließlich optionaler Sitzungsaufzeichnung und Aufrufen wie plainoldanalytics.track('signup', {plan: 'pro'}). Der Verkehr wird etwa einmal pro Sekunde auf die Platte geschrieben, und ein Close-Aufruf beim Herunterfahren leert den Puffer. Adapter gibt es für gin und chi, und die README zeigt, wie man die Middleware auf eine Routengruppe begrenzt, damit das Dashboard selbst nicht als Verkehr mitgezählt wird.

Zwei kleine Details deuten darauf hin, dass hier jemand geschrieben hat, der Analytics im Produktivbetrieb gefahren hat. Anfragen können Schlüssel-Wert-Eigenschaften tragen, nach denen die Oberfläche filtern kann, und die Nutzereigenschaft wird gesondert behandelt: Sie zeigt den gesamten Verkehr, der an diesen Nutzer gebunden ist. Routen lassen sich vollständig vom Logging ausschließen. Pfadparameter werden so aufgezeichnet, wie sie kommen. Wer einen Handler mit UseRequestPath umhüllt, zeichnet stattdessen die wörtliche Route auf. Das zählt, wenn man Dateien unter einem Wildcard ausliefert und nicht will, dass jede URL zu einer eigenen Zeile wird.

Die Agentenfrage darunter

Starburst veröffentlichte am 11. September eine Analyse zweier Architekturen für agentische Datenanalyse, und sie benennt das Problem, um das die oben genannten Werkzeuge kreisen. Das Szenario ist eine Supermarktkette, die fragt, ob sich die Eier-Aktion der Vorwoche gelohnt hat. Aus den Eierverkäufen allein lässt sich das nicht beantworten. Es braucht Rückfragen: ob die Aktion Kunden gebracht hat, die sonst nicht gekommen wären, ob neue Kunden wiederkamen, was sonst noch in diesen Transaktionen lag, wo diese Artikel im Laden stehen und wie profitabel sie sind.

Starburst legt zwei praktikable Wege dar, einen Agenten zu füttern. Der erste, vom Autor „option 0“ genannt und außerhalb ungewöhnlicher Umstände ausdrücklich nicht empfohlen, extrahiert Rohdaten und schickt sie dem Agenten als Dateien oder über eine direkte Leitung, sodass der Agent die Verarbeitung selbst erledigt. Der Einwand betrifft Kosten und Leistung: Terabytes an etwas zu schicken, das pro Datenelement abrechnet, wird teuer, und der Agent erledigt Arbeit, die eine Datenbank-Engine besser kann.

Der zweite Weg gibt dem Agenten direkten Zugriff auf die Datenbank, sodass er eigenes SQL schreibt und seine Anfragen schrittweise verfeinert. Die Datenbank tut, wofür sie optimiert ist, und der Agent beaufsichtigt. Starburst merkt an, die Literatur sehe hier ein echtes Risiko: Agenten können weit fordernder sein als menschliche Nutzer und ein System mit spekulativen Abfragen überlasten, während sie sich einer Antwort nähern. Der Autor hält dem entgegen, die Branche konzentriere sich inzwischen darauf, solche Lasten zu unterstützen.

Eine Grenze in dem Text lohnt es, zu wiederholen. Der Autor schreibt, es werde eine Weile dauern, bis Agenten Terabytes strukturierter Daten mit derselben Optimierung verarbeiten können wie die heute am Markt erhältlichen Datenbanksysteme, die auf Jahrzehnten der Forschung aufbauen. Bis dahin behält die Datenbank das schwere Ende.

Warum das eine Sportgeschichte ist

Sport ist der härteste Verbraucherfall für diesen Stack, weil der Wert eines Spielstands in Sekunden verfällt und das Publikum in Schüben ankommt: eine WM-Gruppenphase, ein Playoff-Lauf, ein Sonntagnachmittag mit einem Dutzend paralleler Spiele. Der Rezensent von Slate führt an, die App sei schnell genug, um Ergebnisse zu verderben, bevor ein Streaming-Feed nachkommt. Das ist keine Leistung der Oberfläche. Es ist eine Pipeline, die Dutzende Ligen zusammenführen, sie den vom Nutzer gewählten Teams zuordnen und Aktualisierungen innerhalb eines Latenzfensters auf einen Sperrbildschirm schieben muss.

Apple kann das finanzieren. Alle anderen, die ein Fanprodukt, ein Wettprodukt oder eine Vereins-App betreiben, setzen es aus Teilen zusammen. Die im September veröffentlichten Teile sind offen über ihre Kompromisse: die Datenbank selbst besitzen und Drill-down ohne Anbieter bekommen, die Analytik in den eigenen Prozess einbetten und die Plattform überspringen, oder dem Agenten Abfragezugriff geben und akzeptieren, dass er mehr Fragen stellt als je ein menschlicher Analyst. Die App ohne Funktionen ist der leichte Teil. Die Zahl auf den Bildschirm zu bringen, bevor es der Stream tut, ist das Produkt.

Kommentare 0

Quellen

4
  1. 01Apple Made a Sports App That Does Almost Nothing. It's IncredibleEN
  2. 02We rebuilt the old Google Analytics on top of GA4's dataEN
  3. 03Show HN: Plainoldanalytics: Analytics Middlware for GoEN
  4. 04An Analysis of Two Architectures for Agentic Data AnalysisEN

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.