Die Datenschicht im Sport spaltet sich: Dashboards im eigenen Besitz, Agenten mit Datenbankzugriff

Am 8. September veröffentlichte die Softwareberatung Adaca das Projekt adaca-analytics auf GitHub, eine selbst gehostete Dashboard-Ebene für Google Analytics 4, die auf Cloudflare Workers läuft. Zehn Tage später, am 18. September, erschien ein von CData gesponsertes Whitepaper auf dem Wiley Science and Engineering Content Hub. Es konzentrierte sich auf die Replikationsgeschwindigkeit und versprach 76 % schnellere Replikation auf derselben Infrastruktur. Zwischen diesen beiden Daten veröffentlichte Starburst am 11. September eine Architektur-Analyse, die fragt, wer oder was überhaupt Datenabfragen durchführen sollte.

Keines davon ist sport-spezifisch. Genau darum geht es. Die Infrastruktur, die entscheidet, welcher Spieler geschont wird, welcher Ticketpreis angezeigt wird und welcher Broadcast-Highlight geschnitten wird, wird auf der Ebene der Rohre neu aufgebaut. Die Sportbranche ist dabei größtenteils Konsument dieser Entscheidungen, nicht deren Gestalter.

Das Dashboard-Argument: Die Zahlen besitzen

Das Tool von Adaca ist bewusst unspektakulär. Laut dem GitHub-README landen tägliche Zusammenfassungen aus der GA4 Data API oder einem BigQuery-Export in einer D1-Datenbank, die dem Betreiber gehört, während Echtzeitdaten live bei Google bleiben. Es kommen sechs Dashboards mit, und ein vierstufiger Builder ermöglicht die Erstellung von Custom-Dashboards. Jede Zahl ist klickbar: Quellen, Seiten und Länder öffnen Detailseiten mit eigenen Trends und Aufschlüsselungen, die vorberechnet sind, damit sie in einem einzigen Roundtrip laden.

"Adaca ist eine Softwareberatung. Wir bauen Custom-Software, integrieren Senior Engineers in Kundenteams und setzen KI für unsere Kunden ein. Adaca Analytics ist Open Source unter der MIT-Lizenz."

Die Einrichtung erfordert ein Google-Service-Konto mit Viewer-Zugriff auf die GA4-Property und dessen JSON-Key. Bei der Deployment wird das Repository geforkt, D1 und KV bereitgestellt und der Key abgefragt. Es gibt kein Anmelden, daher empfiehlt das README, Cloudflare Access oder das integrierte Basic Auth davorzuschalten.

Für einen Verein oder Rechteinhaber liegt der Reiz in Besitz und Kosten. Für ein Sportdaten-Team liegt er darin, dass ein Vergleich mit der Vorperiode, dem Vorjahr oder einem beliebigen Zeitfenster nur einen Klick kostet, statt einen Ticket an eine zentrale Analytics-Gruppe, die bereits zwölf andere Anfragen in der Warteschlange hat.

Das Agenten-Argument: Die Schlüssel übergeben

Der Post von Starburst ist keine Produktankündigung. Es ist eine Taxonomie, und eine nützliche, wenn man herausfinden will, wo Sport-Analytics-Budgets in den nächsten zwei Saisons tatsächlich landen werden.

Der Autor nutzt ein Supermarkt-Beispiel, das fast perfekt auf eine Sport-Geschäftsfrafrage passt: War mein Eier-Verkauf letzte Woche profitabel? Die korrekte Antwort benötigt Transaktionsdaten, Loyalitätsdaten, Warenkorb-Zusammensetzung und Store-Layout, verteilt über mehr als eine Datenbank. Ersetze Eier durch ermäßigte Familientickets und Loyalitätskarten durch Jahreskartendaten, und du hast das gleiche Problem, mit dem ein Fußballverein jeden Montagmorgen konfrontiert ist. Der Post argumentiert, dass Agenten, keine Menschen, zunehmend diesen iterativen Großteil der Arbeit erledigen, und dass die Qualität der Ausgabe stark davon abhängt, wie die Daten zum Agenten gelangen.

Er skizziert drei Optionen. Option 0, rohe Daten extrahieren und als Dateien zum Agenten zu schicken, wird kategorisch verworfen: Der Post stellt fest, dass es prohibitiv teuer werden kann, wenn Agenten pro Datenpunkt abrechnen, und dass seine Leistungsnachteile es zu "keiner guten Option in der Praxis" machen. Option 1 gibt dem Agenten direkten Datenbankzugriff und lässt ihn selbst SQL schreiben, so dass er gegen die Datenbank-Execution-Engine iteriert, statt Terabytes über das Netz zu ziehen. Der Post merkt an, dass dies Systeme belasten kann, da Agenten viel fordernder sind als Menschen und eine Datenbank mit spekulativen Abfragen überlasten können, aber die Datenbankindustrie konzentriere sich nun darauf, agentische Workloads zu unterstützen.

Bei den Zwischenoptionen, bei denen die Datenbank einige Verarbeitungen durchführt, bevor sie Ergebnisse übergibt, verbringt der Post den größten Teil seiner analytischen Energie. Die drei Dimensionen, die er zur Bewertung nutzt, sind diejenigen, die jeder Sport-Analytics-Leiter messen sollte: Korrektheit, Latenz und Token-Kosten.

Wo die Sportdaten tatsächlich liegen

Sportorganisationen betreiben tendenziell einen Hybrid. Fan-orientierte Web- und App-Analytics laufen in etwas wie GA4 oder einem Äquivalent, was die Ebene ist, die Adaca anvisiert. Ticketing, CRM und Merchandising leben in operativen Datenbanken. Broadcast- und Tracking-Daten liegen woanders, oft in Volumina, die den CData-Replikations-Pitch relevant machen.

Das von CData gesponserte Whitepaper argumentiert, dass steigende Datenmengen den Engpass von den Daten selbst auf die Architektur verlagert haben, die sie bewegt, und dass nächtliche Batch-Fenster nicht mehr passen. Es beschreibt parallele, partitionierte Lesevorgänge, die eine große Quellentabelle in Zeilenbereichs-Partitionen aufteilen und sie gleichzeitig über CPU-Threads lesen, plus Write-Path-Optimierungen, die pro Datei und pro Spalte Overhead reduzieren. Breite Tabellen mit Hunderten von Spalten profitieren am meisten, heißt es, und die Ergebnisse werden über gängige Cloud-Ziele berichtet.

Die Parallele zu Sport-Tracking-Daten ist leicht zu ziehen. Ein einzelnes Match kann Hunderte von Spalten mit Ereignis- und Positionsdaten erzeugen, und eine Liga erzeugt Hunderte von Matches pro Woche. Wenn Replikation der Engpass ist, wartet das Analytics-Team auf Infrastruktur, statt bessere Fragen zu stellen.

Was die drei Dokumente nicht klären, ist die Governance. Adacas Antwort besteht darin, Cloudflare Access vor einen Worker zu schalten, der einen Service-Account-Key mit Viewer-Rechten hält. Starbursts Antwort besteht darin, den Agenten die Datenbank steuern zu lassen und zu akzeptieren, dass er ein fordernderer Nutzer sein wird als jeder menschliche Analyst. Keines adressiert, was passiert, wenn der Agent oder das Dashboard auf Athletengesundheitsdaten oder auf wettnahen Signale gezeigt wird, die Regulatoren bereits im Auge haben.

Die Tools kommen schneller als die Regeln. Diese Lücke, nicht die Dashboards, ist die Geschichte, mit der sich die Sporttechnologie in der nächsten Saison beschäftigen wird.