Aller au contenu
Heure mondialeEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portail sur l'IA et la technologieactualités · analyses · entretiens · fond technique

Rechercher
EN DIRECT
›

La couche de données du sport tech se scinde en deux : des tableaux de bord que l'on possède, des agents que l'on pilote

Deux sorties de septembre proposent des réponses très différentes à la question du traitement analytique dans les organisations sportives : des tableaux de bord auto-hébergés sur Cloudflare Workers, et une analyse Starburst sur ce qui arrive quand un agent IA reçoit les clés de la base au lieu d'un graphique.

SportAnalyseJulien MarchandPublié le: 28 septembre 20265 min de lectureSources 3
La couche de données du sport tech se scinde en deux : des tableaux de bord que l'on possède, des agents que l'on pilote

Le 8 septembre, la société de conseil Adaca a publié adaca-analytics sur GitHub. C'est une couche de tableaux de bord auto-hébergée pour Google Analytics 4, qui tourne sur Cloudflare Workers. Dix jours plus tard, le 18 septembre, un livre blanc parrainé par CData, publié sur le Wiley Science and Engineering Content Hub, s'attaquait à la vitesse de réplication. Il promettait une réplication 76 % plus rapide sur la même infrastructure. Entre ces deux dates, Starburst a publié le 11 septembre une analyse d'architecture. Elle pose la question de savoir qui, ou quoi, devrait avoir le droit d'interroger les données.

Rien de tout cela n'est propre au sport. C'est justement l'intérêt. L'infrastructure qui décide quel athlète est mis au repos, quel prix de billet s'affiche et quel extrait de diffusion est monté est en train d'être reconstruite au niveau de la plomberie. L'industrie du sport consomme surtout ces décisions plutôt qu'elle ne les produit.

L'argument du tableau de bord : posséder les chiffres

L'outil d'Adaca est volontairement sans éclat. Selon le README de son dépôt GitHub, les agrégations quotidiennes issues de l'API GA4 Data ou d'un export BigQuery atterrissent dans une base D1 que l'opérateur possède. Les données temps réel restent chez Google. Six tableaux de bord sont fournis d'origine, plus un constructeur en quatre étapes pour les tableaux personnalisés. Chaque chiffre est cliquable : sources, pages et pays s'ouvrent sur des pages de détail avec leur propre tendance et leurs ventilations. Ces chiffres sont précalculés, donc ils se chargent en un seul aller-retour.

"Adaca est une société de conseil en logiciel. Nous développons des logiciels sur mesure, intégrons des ingénieurs seniors dans les équipes de nos clients et mettons l'IA au service de ces clients. Adaca Analytics est open source sous licence MIT."

L'installation exige un compte de service Google avec un accès Lecteur sur la propriété GA4 et sa clé JSON. Le déploiement se fait en dupliquant le dépôt, en provisionnant D1 et KV, puis en fournissant la clé. Il n'y a pas d'authentification, et le README demande donc aux opérateurs de placer Cloudflare Access ou le Basic Auth intégré devant l'outil.

Pour un club ou un détenteur de droits, l'attrait tient à la propriété et au coût. Pour une équipe data sportive, il tient à la vitesse. Comparer avec la période précédente, l'an dernier ou n'importe quelle fenêtre ne demande qu'un clic. Pas besoin d'ouvrir un ticket auprès d'un service analytique central qui a douze autres demandes en file.

L'argument de l'agent : remettre les clés

Le billet de Starburst n'est pas une annonce produit. C'est une taxonomie, et une taxonomie utile si l'on cherche à savoir où les budgets analytiques du sport partiront réellement sur les deux prochaines saisons.

L'auteur part d'un exemple de supermarché qui se transpose presque parfaitement à une question d'entreprise sportive : ma vente d'œufs de la semaine dernière a-t-elle été rentable ? Pour y répondre correctement, il faut des données de transaction, des données de fidélité, la composition du panier et l'agencement du magasin, réparties sur plusieurs bases. Remplacez les œufs par un billet famille à prix réduit et les cartes de fidélité par les dossiers d'abonnés, et vous retrouvez le problème qu'un club de football affronte chaque lundi matin. Le billet soutient que les agents, et non les humains, commencent à faire l'essentiel de ce travail itératif. Il affirme que la qualité du résultat dépend fortement de la façon dont les données parviennent à l'agent.

Il présente trois options. L'option 0, extraire les données brutes et les livrer à l'agent sous forme de fichiers, est écartée d'emblée. Le billet explique qu'elle peut devenir prohibitive quand les agents facturent à l'unité de donnée. Il ajoute que ses inconvénients de performance en font "pas une bonne option en pratique". L'option 1 donne à l'agent un accès direct à la base et le laisse écrire son propre SQL. L'agent itère contre le moteur d'exécution de la base au lieu de faire transiter des téraoctets sur le réseau. Le billet note que cela peut mettre les systèmes à rude épreuve, car les agents sont bien plus exigeants que les humains et peuvent saturer une base de requêtes exploratoires. Il indique que le secteur des bases de données se concentre désormais sur la prise en charge des charges de travail agentiques.

Les options intermédiaires, où la base effectue un certain traitement avant de remettre les résultats, occupent l'essentiel de l'analyse. Le billet les juge sur trois dimensions : l'exactitude, la latence et le coût en tokens. Tout responsable de l'analytique sportive devrait mesurer ces trois mêmes dimensions.

Où se trouvent réellement les données sportives

Les organisations sportives fonctionnent en général de façon hybride. L'analytique web et applicative destinée aux fans vit dans quelque chose comme GA4 ou un équivalent, la couche que vise Adaca. La billetterie, le CRM et la boutique vivent dans des bases opérationnelles. La diffusion et les données de tracking vivent encore ailleurs, souvent à des volumes qui rendent pertinente l'argument de réplication de CData.

Le livre blanc, parrainé par CData, soutient que la montée des volumes de données a déplacé le goulot d'étranglement des données elles-mêmes vers l'architecture qui les déplace. Il affirme que les fenêtres de traitement nocturne par lots ne suffisent plus. Il décrit des lectures parallèles partitionnées qui découpent une grande table source en partitions de plages de lignes et les lisent simultanément sur plusieurs threads CPU. Il décrit aussi des optimisations du chemin d'écriture qui réduisent les surcoûts par fichier et par colonne. Les tables larges de plusieurs centaines de colonnes en profitent le plus, selon lui, et il rapporte les résultats sur des destinations cloud courantes.

Le parallèle avec les données de tracking sportif est facile à tracer. Un seul match peut générer des centaines de colonnes de données d'événements et de positions. Une ligue génère des centaines de matchs par semaine. Si la réplication est le facteur limitant, l'équipe analytique attend l'infrastructure au lieu de poser de meilleures questions.

Ce que les trois documents ne tranchent pas, c'est la gouvernance. La réponse d'Adaca consiste à placer Cloudflare Access devant un Worker qui détient une clé de compte de service avec des droits Lecteur. La réponse de Starburst consiste à laisser l'agent piloter la base et à accepter qu'il soit un utilisateur plus lourd que n'importe quel analyste humain. Ni l'une ni l'autre ne traite ce qui se passe quand l'agent, ou le tableau de bord, est pointé vers des données de santé d'athlètes ou vers les signaux proches des paris que les régulateurs entourent déjà.

Les outils arrivent plus vite que les règles. C'est cet écart, et non les tableaux de bord, que le sport tech devra gérer la saison prochaine.

Commentaires 0

Sources

3
  1. 01We rebuilt the old Google Analytics on top of GA4's dataEN
  2. 02An Analysis of Two Architectures for Agentic Data AnalysisEN
  3. 0376% Faster Replication. Same Infrastructure.EN

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.

Julien Marchand

Julien Marchand

Sport, auto et voyages

Julien Marchand suit le sport, l’automobile et les voyages pour FLASH24. Il travaille à partir des feuilles de statistiques officielles, des classements et des comptes rendus de course, et il contrôle chaque chiffre avant publication. Il interroge aussi les commissaires sportifs, les directeurs d’écurie et les organisateurs de tournois, et il attend les mises à jour de la VAR pour recouper les décisions litigieuses. En dehors de la rédaction, il tient ses propres tableaux de statistiques de championnat, suit l’arbitrage vidéo et joue au basket amateur. Il ne publie pas un temps, une place ou un score sans deux sources concordantes.

Rédaction →

Commentaires

0
  1. Aucun commentaire — soyez le premier.

Écrire un commentaire

Les commentaires sont publics. Nous ne publions ni insultes, ni spam, ni publicité.