L'app Sports di Apple è a malapena un prodotto di dati. È proprio questo il punto

Il mercato della tecnologia sportiva si vende come un problema di dati. I titoli recenti parlano di monitoraggio delle prestazioni, analisi dei biglietti e intelligenza artificiale nello sport: sempre più pipeline, modelli sempre più intelligenti. Uno dei prodotti sportivi più usati degli ultimi due anni va nella direzione opposta.

Slate ha recensito l'app Sports di Apple a giugno, con un titolo che dice che non fa quasi nulla. L'articolo descrive un'app senza titoli di notizie, senza guide allo streaming e senza elementi di design pensati per trattenere gli utenti al suo interno. Quello che ha sono nomi e loghi delle squadre, record, orari delle partite e punteggi delle gare in corso o concluse, più una pagina di classifiche. Il prodotto è questo.

Il costo sta nella query, non nell'indice

Il contrasto con il modo in cui i fornitori di analisi inquadrano il problema è netto. Ad agosto Cassis, azienda di strumenti per i dati, ha pubblicato un post che delinea un quadro semplice: dove cade il costo umano nel rispondere a una domanda sui dati. Quel costo si divide in due parti. L'indicizzazione è il lavoro iniziale di strutturare le informazioni perché siano ritrovabili in seguito. L'interrogazione è lo sforzo nel momento in cui qualcuno ha davvero bisogno di una risposta. Il post prende in prestito un'analogia sul guardaroba da Hrishi Olickel: lo schema-on-write è mettere i vestiti direttamente in un armadio, ordinati per funzione, mentre lo schema-on-read è frugare in un mucchio disordinato quando serve qualcosa.

L'app di Apple è una scommessa estrema sull'indicizzazione. Qualcuno ha dovuto decidere quali campionati contano, come sono strutturate le classifiche, come sono disposti i tabellini e quanto velocemente un punteggio arriva a una schermata di blocco. L'utente non paga quasi nulla al momento dell'interrogazione. Il recensore di Slate nota che l'app faceva emergere ripetutamente gli sviluppi dei Pittsburgh Penguins durante i playoff della Stanley Cup prima che la diretta streaming si aggiornasse, al punto da dover disattivare gli aggiornamenti automatici.

"Abbiamo creato Apple Sports per dare ai tifosi quello che vogliono, un'app che offre un accesso incredibilmente rapido a punteggi e statistiche."

Questa citazione di un dirigente Apple, riportata nell'articolo di Slate, è tutta la proposta. Nessuna affermazione su chissà quali agenti. Il recensore elenca la copertura dell'app: partite dei Mondiali più MLS, NWSL e circa altri 30 campionati, con la Serie A ecuadoriana e la seconda divisione tedesca incluse, insieme al tennis maschile e femminile e all'LPGA Tour.

Gli agenti spostano il costo, non lo eliminano

Gran parte della spinta attuale nell'analisi sportiva presume il compromesso opposto: accettare un prodotto più pesante e ottenere di più in cambio. Questa assunzione è sotto pressione in tutto il settore degli strumenti per i dati. Il post di Cassis sostiene che gli agenti di intelligenza artificiale non eliminano il costo umano di rendere utili i dati, ma lo redistribuiscono, e che la redistribuzione è facile da non notare. Un senior data manager citato nell'articolo ha descritto una rotazione settimanale: una persona è dedicata alle domande ad hoc e consuma circa il 20% di un team di cinque o sei persone, in modo permanente.

A settembre Starburst ha pubblicato la propria analisi dell'analisi dei dati agentica, e arriva in un punto simile da una direzione diversa. L'azienda descrive un'opzione che chiama deliberatamente "opzione 0": estrarre dati grezzi dai sistemi di origine e inviarli a un agente come file o tramite un canale diretto. L'obiezione di Starburst è il costo: inviare terabyte di dati a un agente può diventare proibitivamente costoso se l'agente addebita per elemento elaborato. La sua opzione preferita è dare all'agente le credenziali per il database e lasciargli scrivere il proprio SQL, così il motore del database fa il lavoro per cui è stato costruito.

Starburst segnala anche il rischio operativo di questo approccio. Gli agenti, dice il post, possono essere molto più esigenti degli umani e possono sopraffare un database con query speculative mentre iterano. L'azienda inquadra la cosa come un problema di carico di lavoro su cui l'industria dei database sta lavorando attivamente, non come un problema risolto.

Strumenti piccoli, superfici piccole

Lo stesso istinto è visibile in rilasci open source più piccoli. Adaca Analytics, un progetto di dashboard self-hosted per Google Analytics 4 pubblicato su GitHub a settembre, gira su Cloudflare Workers con riepiloghi giornalieri dalla GA4 Data API o da un export BigQuery che atterra in un database D1 di proprietà dell'operatore. Il realtime resta su Google. Il repository pubblicizza sei dashboard pronte all'uso, un builder in quattro passaggi e pagine di dettaglio precalcolate, così che cliccare un numero risponda in un solo round trip. È con licenza MIT.

DataZen, mostrato su Hacker News a fine agosto, adotta una linea simile sull'ambito per il lavoro sui database: un client desktop sotto i 15 MB, GPLv3, nessun account, con credenziali cifrate AES-256-GCM nel portachiavi del sistema operativo e richieste di intelligenza artificiale indirizzate solo al fornitore configurato dall'utente. Plainoldanalytics, pubblicato a settembre, è un middleware Go che monta una dashboard su un router HTTP esistente e scrive il traffico su disco circa una volta al secondo.

Nessuno di questi prodotti promette di rispondere alla domanda del CFO su quali clienti enterprise hanno rinnovato. Promettono che la risposta, una volta che qualcuno la definisce, è economica da recuperare. Cassis mette in chiaro la parte non preventivata: far concordare quattro team su cosa significhi "cliente attivo" è lavoro di indicizzazione, e non sparisce perché ora è un agente a scrivere l'SQL.

Per i prodotti sportivi l'analogia regge con una differenza. I tifosi concordano già su cosa sia un punteggio. La discussione sulle definizioni che divora i budget di analisi non esiste, ed è forse proprio per questo che non fare quasi nulla funziona.