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

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

Suche
LIVE
›

Sporttechnologie wirbt mit Daten, doch die härtere Frage lautet: Wer hält die Schlüssel

Sportanalytik wird weiter als Datenproblem verkauft, das auf mehr KI wartet. Die nützlichere Debatte im Dossier ist architektonisch: Sollen Agenten Rohdaten bekommen oder eine Datenbank, die sie abfragen?

SportAnalyseJonas WeberVeröffentlicht: 27. September 20265 Min. LesezeitQuellen 4
Sporttechnologie wirbt mit Daten, doch die härtere Frage lautet: Wer hält die Schlüssel

Die Sporttechnologie verkauft seit Jahren dasselbe Versprechen: mehr Daten, schnellere Antworten, klügere Entscheidungen. Die Marktforschungs-Schlagzeilen, die jede Woche auf den Tisch kommen, stützen sich auf Wachstumsraten und Abkürzungen. Die technische Wirklichkeit ist unordentlicher. Zwei Dokumente aus dem Stapel dieser Woche sollte man zusammen lesen, denn sie beschreiben entgegengesetzte Wege, einem KI-Agenten die Zahlen zu füttern, auf denen Sportorganisationen zunehmend zu laufen behaupten.

Starburst veröffentlichte am 11. September eine Analyse zweier Architekturen für agentische Datenanalyse. Der Text ist für Unternehmensdatenteams geschrieben, nicht für Vereine oder Ligen, doch das Beispiel ist bewusst alltäglich: ein Lebensmittelgeschäft, das fragt, ob die Eier-Aktion der Vorwoche profitabel war. Die Antwort verlangt zu wissen, ob der Rabatt Kunden anzog, die sonst nicht gekommen wären, ob neue Kunden wiederkamen, was sonst noch im selben Einkauf gekauft wurde, wo diese Artikel im Laden stehen und wie profitabel sie sind. Das ist eine Kette von Folgefragen über mehr als einen Datensatz, und es ist dieselbe Form von Problem, vor der eine Sportorganisation steht, wenn sie fragt, warum eine Sponsoringkampagne den Ticketverkauf bewegt hat.

Option 0: die Daten zum Modell schicken

Der erste Ansatz, den Starburst Option 0 nennt, besteht darin, die relevanten Tabellen zu extrahieren und die Rohdaten als Datei oder direkte Leitung an den Agenten zu schicken, der sie selbst verarbeitet. Das Unternehmen ist deutlich bei den Nachteilen. Terabytes an einen Agenten zu schicken kann unbezahlbar werden, wenn der Agent pro empfangenem oder verarbeitetem Datenelement abrechnet. Starburst schreibt, die Leistungsnachteile senkten die Praktikabilität dieser Option so weit, dass sie keine gute sei. Deshalb trägt sie die Bezeichnung Option 0 und nicht Option 1.

Für Sportteams ist die Rechnung ohnehin unattraktiv. Ein einziges Spiel erzeugt heute Trackingdaten, aus Video abgeleitete Ereignisse, Ticketdatensätze, Merchandise-Transaktionen und App-Telemetrie, und die Zahl der Menschen, die dazu Fragen stellen, ist klein. Pro Zeile zu zahlen, um das in ein Modell zu bewegen, ist keine Budgetposition, die die meisten Analyseabteilungen verteidigen können.

Der zweite Ansatz ist der, den Starburst empfiehlt. Der Agent bekommt direkten Zugang zum Datenbanksystem und schreibt sein eigenes SQL, wobei er iteriert, während er seinen Fokus schärft. Die Datenbank-Engine tut, wofür sie gebaut ist: Sie verarbeitet lokale Daten mit optimierten Abfrageplänen, während der Agent die Arbeit überwacht und aufeinanderfolgende oder parallele Anfragen schickt, bis etwas Brauchbares zurückkommt. Starburst räumt den bekannten Nachteil ein: Agenten können weit fordernder sein als Menschen und eine Datenbank mit spekulativen Abfragen überlasten, während sie arbeiten.

Die Datenbankbranche ist mit aller Kraft darauf ausgerichtet, agentische Arbeitslasten künftig zu unterstützen, und moderne Datenbanksysteme können diese Art skalierbarer Datenverarbeitung zunehmend effizient bewältigen.

Das ist das Argument in einem Satz, und es ist ein Verkaufsargument so sehr wie ein technisches. Starburst verkauft Datenbanksysteme. Trotzdem lässt sich über den Punkt, wo die Optimierung sitzt, kaum streiten: Agenten werden besser, aber sie werden Terabytes strukturierter Daten kaum so effizient verarbeiten wie Engines, die auf Jahrzehnten der Abfrageforschung beruhen.

Wie die Werkzeuge tatsächlich aussehen

Zwei Open-Source-Projekte aus dem Stapel dieser Woche zeigen, wie die Leitungen am kleineren Ende zusammengesetzt werden. Adaca Analytics, am 8. September auf GitHub unter der MIT-Lizenz veröffentlicht, baut die alten Google-Analytics-Dashboards auf GA4-Daten nach. Tägliche Rollups aus der GA4 Data API oder einem BigQuery-Export landen in einer D1-Datenbank, die der Betreiber besitzt, während Echtzeitdaten live bei Google bleiben. Sechs Dashboards kommen ab Werk, jede Zahl öffnet eine Detailseite mit eigenem Trend und Aufschlüsselungen, und das Ganze läuft auf Cloudflare Workers hinter Cloudflare Access oder eingebauter Basic Auth. Eine Anmeldung gibt es nicht.

Plainoldanalytics, am 13. September auf GitHub veröffentlicht, geht den umgekehrten Weg: Webanalytik zum Anflanschen, eingebettet in eine Go-Anwendung. Es ist speicherunabhängig, das Importieren des Kernpakets zieht also nie ein Backend mit, und es gibt Adapter für gin und chi. Der Verkehr wird etwa einmal pro Sekunde auf die Platte geschrieben, und Betreiber können Schlüssel- und Werteigenschaften pro Anfrage setzen, Routen vom Logging ausschließen oder wörtliche Routenpfade statt Pfadparameter aufzeichnen.

Keines der beiden Projekte ist ein Sportprodukt. Beide sind relevant, weil sie zeigen, wie sich die Standardannahme verschiebt: Die Daten bleiben, wo der Betreiber sie hingelegt hat, und die Analysesicht ist etwas, das man betreibt, statt etwas, das man mietet.

Die Datenschutzfrage, die niemand benchmarkt

DataZen, ein lokal arbeitender Datenbank-Client, am 29. August auf Hacker News veröffentlicht, benennt das Problem direkt: Wohin gehen meine Daten? Das Werkzeug erscheint unter GPLv3, verlangt kein Konto und unterstützt standardmäßig PostgreSQL, MySQL, SQLite und Redis, mit optionalen Treibern für MongoDB, ClickHouse, DuckDB und SQL Server. Es enthält einen eingebauten MCP-Server, damit Agenten wie Claude, Cursor und Cline Datenbanken über das Model Context Protocol abfragen können, und es kann auch als MCP-Client dienen. Zugangsdaten sind mit AES-256-GCM im Schlüsselbund des Betriebssystems verschlüsselt, und das Projekt erklärt, nur Schema- und Abfragekontext würden mit dem vom Nutzer konfigurierten KI-Anbieter geteilt.

Genau diese letzte Unterscheidung sollten Sportorganisationen hinterfragen. Schema- und Abfragekontext sind nicht dasselbe wie Rohdaten, aber sie sind auch nicht nichts. Ein Schema verrät, was ein Verein misst: welche Fan-Attribute er speichert, wie er Ticketkäufer segmentiert, was er über die Belastung von Spielern erfasst. In einem Sport, in dem Verletzungsdaten und Vertragsverhandlungen im selben Bestand liegen wie der Ticketverkauf, sind die Metadaten für sich genommen wirtschaftlich sensibel.

Das Dossier sagt uns nicht, was ein Verein oder eine Liga tatsächlich eingesetzt hat, und das Verkaufsmaterial hinter den Marktprognosen ist kein Beleg für Adoption. Was es zeigt, ist eine Spaltung. Ein Lager argumentiert, Agenten sollten die Datenbank steuern und moderne Engines die Last aufnehmen. Das andere baut Werkzeuge, die die Daten lokal halten und nur Kontext nach außen schicken. Die Sporttechnologie wird die Antwort erben, für die sich ihre Datenteams entscheiden, und diese Entscheidung fällt jetzt, in Open-Source-Repositories statt in Pressemitteilungen.

Kommentare 0

Quellen

4
  1. 01An Analysis of Two Architectures for Agentic Data AnalysisEN
  2. 02We rebuilt the old Google Analytics on top of GA4's dataEN
  3. 03Show HN: Plainoldanalytics: Analytics Middlware for GoEN
  4. 04Show HN: DataZen – a local-first client for cross-database workflowsEN

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

Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.

Jonas Weber

Jonas Weber

Sport, Auto und Reisen

Jonas Weber schreibt für FLASH24 über Sport, Autos und Reisen und stützt sich dabei auf Verbandsstatistiken, Herstellerangaben und eigene Recherchen vor Ort. Bei Ligaspielen prüft er Spielberichte gegen die offiziellen Datenbanken und gleicht Torschützen sowie Einsatzzeiten ab. Im Automobilbereich vergleicht er technische Daten aus Pressemappen mit unabhängigen Tests, im Reisenressort wartet er auf die saisonalen Streckenfreigaben und spricht mit Veranstaltern. Privat verfolgt er Ligastatistiken, diskutiert über den Videobeweis und spielt selbst Amateurbasketball. Zahlen, die er nicht belegen kann, 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.