L'analytique sportive dévore son propre pipeline de données
L'application Sports d'Apple réduit la consultation des scores à sa plus simple expression, alors que l'infrastructure derrière devient plus difficile à construire. Ces dernières semaines sont sortis de nouveaux outils pour les tableaux de bord GA4, l'analytique en middleware Go et les architectures de requêtes agentiques.

Apple a une application qui s'appelle Sports. C'est tout le nom. Selon Slate, qui l'a testée le 10 juin alors que la Coupe du monde démarrait, elle ne fait presque rien : les noms et logos des équipes, les bilans, les horaires, les scores. Pas de fil d'actualité, pas de guide de diffusion, pas de défilement à la TikTok.
Cette critique est un contrepoint utile à la manière dont on vend d'ordinaire la technologie sportive. Les mêmes semaines ont aussi vu paraître une série d'outils de développeurs pour la plomberie analytique. C'est dans l'écart entre les deux histoires que se trouve le travail intéressant.
Ce qu'Apple a réellement livré
Le critique de Slate décrit un produit construit sur la soustraction. L'application ne contient ni titres d'actualité ni guides de diffusion, même si l'on peut voir la chaîne d'un match en appuyant dessus. Les cotes apparaissent sur le tableau des scores par défaut et peuvent être désactivées définitivement d'un seul geste. La publicité est quasi absente, avec de temps en temps des promotions Apple TV en haut d'une page. Les utilisateurs choisissent les ligues et les équipes qui apparaissent sur la page d'accueil et dans la barre latérale, et les scores de ces équipes peuvent alimenter les Live Activities sur l'écran verrouillé, ou pas.
L'argument de vitesse avancé dans cette critique est précis et vérifiable : l'auteur raconte qu'il a dû désactiver les mises à jour automatiques des Pittsburgh Penguins pendant les séries éliminatoires de la Stanley Cup parce que l'application livrait les résultats avant son abonnement de diffusion. Il rapporte la même expérience avec des matchs NFL, de football universitaire et de basket universitaire. La couverture s'étend aux matchs de Coupe du monde, à la MLS, à la NWSL et à une trentaine d'autres ligues de football, ainsi qu'au tennis masculin et féminin et au circuit LPGA, avec des feuilles de match, des classements et des effectifs accessibles en un geste.
Apple a annoncé l'application à l'hiver 2 024. Slate cite la formule d'un dirigeant d'Apple au lancement : la société a « créé Apple Sports pour donner aux fans de sport ce qu'ils veulent, une application qui offre un accès extrêmement rapide aux scores et aux statistiques ».
« Nous avons créé Apple Sports pour donner aux fans de sport ce qu'ils veulent, une application qui offre un accès extrêmement rapide aux scores et aux statistiques. »
C'est un problème de données déguisé en problème de design. Chaque score affiché à l'écran est un flux, une correspondance entre ligues et équipes, et un budget de latence. Apple peut absorber ce coût. La plupart des organisations qui construisent quelque chose d'approchant ne le peuvent pas. D'où la grappe de sorties, sur la même période, destinées à ceux qui doivent monter le pipeline eux-mêmes.
Reconstruire l'ancien Analytics sur les données de GA4
Prenons adaca-analytics, publié sur GitHub le 8 septembre par Adaca, une société de conseil en logiciel. C'est une couche de tableaux de bord auto-hébergée pour Google Analytics 4, qui tourne sur Cloudflare Workers. Des agrégats quotidiens issus de l'API de données GA4 ou d'un export BigQuery atterrissent dans une base D1 que l'opérateur possède. Les données temps réel restent chez Google. Le dépôt livre six tableaux de bord prêts à l'emploi plus un constructeur en quatre étapes pour les personnalisés. Chaque chiffre principal ouvre une page de détail avec sa propre tendance et ses ventilations, précalculées pour se charger en un seul aller-retour.
Les détails d'exploitation comptent plus que la liste des fonctionnalités. L'installation demande un compte de service Google avec un accès Lecteur sur la propriété GA4 et sa clé JSON. Le déploiement commence par un fork du dépôt, provisionne D1 et KV, demande la clé et déploie le Worker avec sa tâche cron. Il n'y a pas d'authentification, aussi le README conseille-t-il de placer Cloudflare Access ou le Basic Auth intégré devant l'ensemble. Le développement local passe par npm install, un fichier .dev.vars contenant le JSON du compte de service sur une seule ligne, la génération de types, une migration de base et un serveur de développement. L'intégration continue compte quatre garde-fous : build, typecheck, lint et test. La licence est MIT.
L'argument, dans les mots du dépôt, est de restaurer une forme de produit que GA4 a fait disparaître : des tableaux de bord avec exploration descendante, des segments enregistrés, des liens de partage en lecture seule capables de figer un filtre, une comparaison avec la période précédente ou l'année dernière, des synthèses hebdomadaires et mensuelles, et des alertes de trafic par e-mail ou Slack.
L'analytique comme middleware, pas comme plateforme
Une deuxième sortie fait le pari architectural inverse. Plainoldanalytics, mis en ligne sur GitHub le 13 septembre, est une analytique web greffée sur les applications Go. Le README le présente comme proche d'Umami, Plausible ou PostHog, mais intégré dans votre application plutôt qu'hébergé à côté. Le paquet central ne dépend d'aucun stockage et ne connaît aucun backend, si bien que l'importer n'en tire jamais un. Vous choisissez un paquet de stockage, ou vous implémentez l'interface Storage et la passez au constructeur.
L'usage est volontairement réduit. Un constructeur memory_store renvoie à la fois un Storage et le câblage, et un appel analytics.Middleware enveloppe un routeur existant. Le tableau de bord se monte sur le chemin de votre choix. Une balise script active la capture d'événements côté client, avec enregistrement de session en option et des appels comme plainoldanalytics.track('signup', {plan: 'pro'}). Le trafic est vidé sur disque à peu près une fois par seconde, et un appel Close à l'arrêt vide le tampon. Des adaptateurs existent pour gin et chi, et le README montre comment restreindre le middleware à un groupe de routes pour que le tableau de bord lui-même ne soit pas enregistré comme trafic.
Deux petits détails suggèrent que le code a été écrit par quelqu'un qui a fait tourner de l'analytique en production. Les requêtes peuvent porter des propriétés clé/valeur sur lesquelles l'interface peut filtrer, et la propriété utilisateur a un traitement particulier, affichant tout le trafic lié à cet utilisateur. Des routes peuvent être entièrement exclues de la journalisation. Les paramètres de chemin sont enregistrés tels quels, mais envelopper un gestionnaire avec UseRequestPath enregistre la route littérale à la place. Cela compte quand on sert des fichiers sous un joker et qu'on ne veut pas que chaque URL devienne sa propre ligne.
La question de l'agent, en dessous de tout cela
Starburst a publié le 11 septembre une analyse de deux architectures pour l'analyse de données agentique, et elle nomme le problème que les outils ci-dessus tournent autour. Le scénario est une chaîne d'épicerie qui demande si la promotion sur les œufs de la semaine dernière a été rentable. La question ne peut pas être tranchée à partir des seules ventes d'œufs. Il faut des relances : la promotion a-t-elle attiré des clients qui ne seraient pas venus autrement, ces nouveaux clients sont-ils revenus, qu'y avait-il d'autre dans ces transactions, où se trouvent ces articles dans le magasin, et quelle est leur rentabilité.
Starburst expose deux manières concrètes d'alimenter un agent. La première, que l'auteur appelle « option 0 » et ne recommande explicitement pas hors circonstances inhabituelles, extrait les données brutes et les expédie à l'agent sous forme de fichiers ou par un tuyau direct, laissant l'agent faire le traitement lui-même. L'objection porte sur le coût et la performance : envoyer des téraoctets à un système qui facture à l'élément de données revient cher, et l'agent fait un travail qu'un moteur de base de données fait mieux.
La seconde donne à l'agent un accès direct à la base pour qu'il écrive son propre SQL et affine ses requêtes par itérations. La base fait ce pour quoi elle est optimisée, et l'agent supervise. Starburst note que la littérature signale un risque réel : les agents peuvent être bien plus exigeants que des utilisateurs humains et saturer un système de requêtes spéculatives à mesure qu'ils se rapprochent d'une réponse. L'auteur soutient néanmoins que le secteur se concentre désormais sur la prise en charge de ces charges.
Il y a une limite dans l'article qui mérite d'être répétée. L'auteur écrit qu'il faudra du temps avant que les agents puissent traiter des téraoctets de données structurées avec le même niveau d'optimisation que les systèmes de bases de données du marché actuel, bâtis sur des décennies de recherche. D'ici là, la base garde le gros du travail.
Pourquoi c'est une histoire de sport
Le sport est le cas grand public le plus difficile pour cette pile, parce que la valeur d'un score se dégrade en quelques secondes et que le public arrive par vagues : une phase de groupes de Coupe du monde, une série de séries éliminatoires, un dimanche après-midi avec une douzaine de matchs simultanés. Le critique de Slate souligne que l'application est assez rapide pour gâcher le résultat avant qu'un flux de diffusion ne suive. Ce n'est pas une prouesse d'interface. C'est un pipeline qui doit réconcilier des dizaines de ligues, les associer aux équipes choisies par un utilisateur et pousser les mises à jour vers un écran verrouillé dans une fenêtre de latence.
Apple peut financer cela. Tous les autres qui font tourner un produit pour fans, un produit de paris ou une application de club l'assemblent à partir de pièces. Les pièces publiées en septembre disent franchement les compromis : posséder la base et obtenir l'exploration descendante sans fournisseur, intégrer l'analytique dans son propre processus et se passer de plateforme, ou donner à l'agent l'accès aux requêtes en acceptant qu'il pose plus de questions qu'aucun analyste humain ne l'a jamais fait. L'application sans fonctionnalités est la partie facile. Mettre le chiffre à l'écran avant le flux, voilà le produit.
Sources
4- 01Apple Made a Sports App That Does Almost Nothing. It's IncredibleEN
- 02We rebuilt the old Google Analytics on top of GA4's dataEN
- 03Show HN: Plainoldanalytics: Analytics Middlware for GoEN
- 04An Analysis of Two Architectures for Agentic Data AnalysisEN
Tous les chiffres et citations de ce texte proviennent des sources citées ci-dessous.
Les contenus ont été préparés par l'équipe de rédaction, assistée par l'IA.
Commentaires
0- Aucun commentaire — soyez le premier.