Analyse des données sportives : ce que le dossier permet réellement d'affirmer

La requête porte sur l'analytique des données dans les technologies sportives. Le dossier transmis à ce desk ne contient aucune estimation de marché pour ce secteur, aucune part de fournisseur et aucun repère propre au sport. Il contient en revanche une série de sources sur des outils et des architectures, publiées entre juin et septembre 2026. Toute analyse doit partir de là.

La seule source qui touche directement au sport est un article de Slate daté du 10 juin 2026 sur l'application Sports d'Apple. Slate la décrit comme une application sans titres d'actualité, sans guide de diffusion et presque sans publicité : des noms et logos d'équipes, des bilans, des horaires et des scores. L'auteur indique que les cotes de paris apparaissent sur le tableau des scores, mais qu'un interrupteur dans les réglages permet de les désactiver. La couverture comprend des matchs de Coupe du monde, la MLS, la NWSL, une trentaine d'autres ligues de football, la Serie A équatorienne et la deuxième division allemande, ainsi que le tennis masculin et féminin et le LPGA Tour.

C'est un test de produit, pas une évaluation de plateforme de données. Reste que c'est le seul élément tourné vers le sport dans l'ensemble. Il avance une affirmation qu'il vaut la peine d'isoler : la promesse est la rapidité d'accès aux scores et aux statistiques, pas la profondeur de l'analyse.

La plomberie analytique ailleurs dans le dossier

Deux sources traitent d'analytique web et produit, pas de sport. Adaca Analytics, publié sur GitHub le 8 septembre 2026, est une couche de tableaux de bord auto-hébergée pour Google Analytics 4, construite sur Cloudflare Workers. Les agrégats quotidiens issus de l'API GA4 Data ou d'un export BigQuery arrivent dans une base D1 que l'opérateur possède. Les données temps réel, elles, restent chez Google. Le dépôt liste six tableaux de bord prêts à l'emploi, un constructeur en quatre étapes, des pages de détail, des segments enregistrés, des liens de partage en lecture seule, une comparaison avec une période précédente ou l'année dernière, un détail horaire pour la journée en cours, un compteur de visiteurs en direct, et des synthèses hebdomadaires et mensuelles avec alertes par e-mail ou Slack. Adaca se présente comme un cabinet de conseil en logiciel et place le projet sous licence MIT.

Plainoldanalytics, publié sur GitHub le 13 septembre 2026, adopte l'approche inverse : l'analytique intégrée dans une application Go plutôt que greffée à côté. Le README le compare dans l'esprit à Umami, Plausible ou PostHog. Le paquet central est agnostique en matière de stockage : l'importer n'entraîne jamais de backend, et l'utilisateur choisit un paquet de stockage comme la mémoire ou DuckDB. Le trafic est vidé sur disque environ une fois par seconde. La documentation demande aux opérateurs d'appeler Close() à l'arrêt pour vider ce qui reste en mémoire tampon. Des adaptateurs existent pour gin et chi, et le tableau de bord se monte séparément pour ne pas être comptabilisé comme du trafic.

Aucun des deux projets ne mentionne le sport. Aucun ne publie de chiffres d'adoption. Tous deux ne sont pertinents que comme exemples du modèle auto-hébergé, où l'on garde ses données. C'est ce modèle que rencontrent sans cesse les organisations sportives qui évaluent une pile analytique.

L'argument d'architecture

Starburst a publié le 11 septembre 2026 une analyse comparant deux façons d'alimenter des agents en données. La première, que l'auteur appelle option 0 et ne recommande pas hors circonstances inhabituelles, extrait les données brutes et les envoie à l'agent. L'article soutient que cela peut devenir prohibitif quand les agents facturent à l'unité de donnée traitée. La seconde, option 1, donne à l'agent un accès direct à la base pour qu'il écrive son propre SQL et itère. L'article note que les agents peuvent être bien plus exigeants que des humains et submerger une base de requêtes spéculatives. Il ajoute que l'industrie de la base de données travaille à prendre en charge les charges de travail agentiques.

Un livre blanc du hub de contenu Wiley, sponsorisé par CData et daté du 18 septembre 2026, porte plutôt sur la vitesse de réplication. Il annonce en titre une réplication 76 % plus rapide et décrit des lectures parallèles partitionnées sur les threads du processeur, plus une optimisation du chemin d'écriture. Les gains les plus importants concernent les tables larges de plusieurs centaines de colonnes. CData indique qu'il alimente l'IA de Databricks, Microsoft, Google, Palantir et plus de 10 000 clients dans le monde.

Lus ensemble, le dossier étaye un point étroit. Les outils d'analyse sportive sont en train d'être reconstruits autour de l'auto-hébergement, de l'instrumentation intégrée et de l'accès des agents aux bases de données en direct. Ce qu'il n'étaye pas, c'est la moindre affirmation sur ce que les organisations sportives dépensent pour cela, ni sur la performance de ces outils sur des charges de jour de match. Ces chiffres ne sont pas là.