La sports analytics divora la propria pipeline di dati
L'app Sports di Apple riduce il controllo dei punteggi ai soli risultati, mentre l'infrastruttura che ci sta sotto diventa più difficile da costruire: nuovi strumenti per dashboard GA4, analytics middleware in Go e architetture di query agentiche sono arrivati tutti nelle ultime settimane.

Apple ha un'app che si chiama Sports. Il nome è tutto. Secondo Slate, che l'ha recensita il 10 giugno mentre il Mondiale entrava nel vivo, non fa quasi nulla: nomi e loghi delle squadre, record, orari, punteggi. Nessun feed di notizie, nessuna guida allo streaming, nessuno scorrimento in stile TikTok.
La recensione è un contrappeso utile a come viene di solito venduta la tecnologia sportiva. Nelle stesse settimane in cui è uscito quel pezzo è arrivata anche una serie di strumenti per sviluppatori dedicati all'impalcatura degli analytics, e il divario tra le due storie è il punto in cui si trova il lavoro interessante.
Cosa ha spedito davvero Apple
Il recensore di Slate descrive un prodotto costruito sulla sottrazione. L'app non contiene titoli di giornale né guide allo streaming, anche se toccando una partita si vede il canale che la trasmette. Le quote di scommessa compaiono sul tabellone per impostazione predefinita e si possono disattivare in modo permanente con un solo interruttore. Di pubblicità ce n'è quasi nessuna, con qualche promo di Apple TV in cima alla pagina. Gli utenti scelgono quali campionati e quali squadre vedere in home e nella barra laterale, e i punteggi di quelle squadre possono alimentare le Live Activities sulla schermata di blocco, oppure no.
La promessa di velocità contenuta in quella recensione è precisa e verificabile: il giornalista racconta di aver dovuto disattivare gli aggiornamenti automatici dei Pittsburgh Penguins durante i playoff della Stanley Cup perché l'app mostrava gli sviluppi prima del suo pacchetto di streaming, e riferisce la stessa esperienza con partite NFL, di college football e di college basketball. La copertura arriva alle partite del Mondiale, alla MLS, alla NWSL e a circa altri 30 campionati di calcio, oltre al tennis maschile e femminile e all'LPGA Tour, con box score essenziali, classifiche e rose a un tocco di distanza.
Apple ha annunciato l'app nell'inverno del 2024. Slate cita la presentazione di un dirigente dell'azienda al lancio: l'azienda ha «creato Apple Sports per dare ai tifosi quello che vogliono, un'app che offre un accesso incredibilmente rapido a punteggi e statistiche».
«Abbiamo creato Apple Sports per dare ai tifosi quello che vogliono: un'app che offre un accesso incredibilmente rapido a punteggi e statistiche.»
Quello è un problema di dati travestito da problema di design. Ogni punteggio su quella schermata è un feed, una mappatura tra campionati e squadre, un budget di latenza. Apple può permettersi quel costo. La maggior parte delle organizzazioni che prova a costruire qualcosa di simile no, ed è per questo che nello stesso periodo è uscito un grappolo di rilasci destinati a chi la pipeline deve montarla da sé.
Ricostruire la vecchia Analytics sui dati di GA4
Prendiamo adaca-analytics, pubblicato su GitHub l'8 settembre da Adaca, una società di consulenza software. È uno strato di dashboard self-hosted per Google Analytics 4, gira su Cloudflare Workers e porta riepiloghi giornalieri dall'API GA4 Data o da un export BigQuery in un database D1 di proprietà di chi lo installa. I dati in tempo reale restano su Google. Il repository include sei dashboard pronte più un builder in quattro passaggi per quelle personalizzate, e ogni numero in evidenza apre una pagina di dettaglio con il proprio andamento e le proprie ripartizioni, precalcolate perché si carichino in un solo round trip.
I dettagli operativi contano più dell'elenco delle funzioni. La configurazione richiede un service account Google con accesso Viewer sulla proprietà GA4 e la sua chiave JSON. Il deploy fa il fork del repository, prepara D1 e KV, richiede la chiave e mette online il Worker con il suo cron job. Non c'è login, quindi il README consiglia di mettere davanti Cloudflare Access o il Basic Auth integrato. Lo sviluppo locale passa da npm install, un file .dev.vars che contiene il JSON del service account su una riga, la generazione dei tipi, una migrazione del database e un server di sviluppo. La CI ha quattro cancelli: build, typecheck, lint e test. La licenza è MIT.
La proposta, nelle parole del repository, è riportare in vita una forma di prodotto che GA4 ha spazzato via: dashboard con drill-down, segmenti salvati, link di condivisione in sola lettura che possono fissare un filtro, confronto con il periodo precedente o con l'anno scorso, riepiloghi settimanali e mensili, avvisi di traffico via email o Slack.
Analytics come middleware, non come piattaforma
Un secondo rilascio fa la scommessa architetturale opposta. Plainoldanalytics, pubblicato su GitHub il 13 settembre, è analytics web da innestare nelle applicazioni Go. Il README lo presenta come simile nello spirito a Umami, Plausible o PostHog, ma incorporato nella tua app invece che ospitato accanto. Il pacchetto core è indipendente dallo storage e non sa nulla di alcun backend, quindi importarlo non ne tira mai dentro uno; si sceglie un pacchetto di storage, oppure si implementa l'interfaccia Storage e la si passa al costruttore.
L'uso è volutamente minimo. Un costruttore memory_store restituisce sia uno Storage sia il cablaggio, e una chiamata analytics.Middleware avvolge un router esistente. La dashboard si monta su un percorso a scelta. Un tag script abilita la cattura di eventi lato client, compresa la registrazione opzionale delle sessioni e chiamate come plainoldanalytics.track('signup', {plan: 'pro'}). Il traffico viene riversato su disco circa una volta al secondo, e una chiamata Close allo spegnimento svuota il buffer. Esistono adattatori per gin e chi, e il README mostra come limitare il middleware a un gruppo di rotte perché la dashboard stessa non venga registrata come traffico.
Due dettagli minori fanno pensare che l'abbia scritto qualcuno che gli analytics li ha gestiti in produzione. Le richieste possono portare proprietà chiave/valore su cui l'interfaccia può filtrare, e la proprietà utente riceve un trattamento speciale, mostrando tutto il traffico legato a quell'utente. Le rotte si possono escludere del tutto dal logging. I parametri di percorso vengono registrati così come sono, ma avvolgendo un handler con UseRequestPath si registra la rotta letterale, cosa che conta quando servi file sotto un wildcard e non vuoi che ogni URL diventi una riga a sé.
La questione degli agenti che sta sotto a tutto
Starburst ha pubblicato l'11 settembre un'analisi di due architetture per l'analisi dati agentica, e nomina il problema attorno a cui girano gli strumenti di cui sopra. Lo scenario è una catena di supermercati che chiede se la promozione sulle uova della settimana scorsa sia stata redditizia. A quella domanda non si risponde con le sole vendite di uova. Servono approfondimenti: se la promozione ha portato clienti che altrimenti non sarebbero venuti, se i nuovi clienti sono tornati, cos'altro c'era in quegli scontrini, dove stanno quegli articoli nel negozio e quanto sono redditizi.
Starburst espone due modi pratici per alimentare un agente. Il primo, che l'autore chiama «opzione 0» ed esplicitamente sconsiglia fuori da circostanze insolite, estrae i dati grezzi e li spedisce all'agente come file o come tubo diretto, lasciando che sia l'agente a elaborarli. L'obiezione è di costo e prestazioni: mandare terabyte a qualcosa che fattura per singolo dato diventa caro, e l'agente fa un lavoro che un motore di database sa fare meglio.
Il secondo dà all'agente accesso diretto al database, così che scriva il proprio SQL e affini le richieste in modo iterativo. Il database fa ciò per cui è ottimizzato, l'agente sovrintende. Starburst osserva che la letteratura segnala qui un rischio reale: gli agenti possono essere molto più esigenti degli utenti umani e sommergere un sistema di query speculative mentre si avvicinano alla risposta, ma sostiene che il settore oggi si stia concentrando sul supporto a questi carichi di lavoro.
C'è un limite nel pezzo che vale la pena ripetere. L'autore scrive che passerà un po' di tempo prima che gli agenti possano elaborare terabyte di dati strutturati con lo stesso livello di ottimizzazione dei sistemi di database oggi sul mercato, costruiti su decenni di ricerca. Fino ad allora, il database si tiene la parte pesante.
Perché questa è una storia di sport
Lo sport è il caso consumer più difficile per questo stack, perché il valore di un punteggio si consuma in pochi secondi e il pubblico arriva a ondate: un girone del Mondiale, una cavalcata ai playoff, una domenica pomeriggio con una dozzina di partite in contemporanea. Il recensore di Slate fa notare che l'app è abbastanza veloce da rovinare il risultato prima che il feed in streaming recuperi. Non è un risultato di interfaccia. È una pipeline che deve riconciliare decine di campionati, mapparli sulle squadre scelte da un utente e spingere gli aggiornamenti su una schermata di blocco dentro una finestra di latenza.
Apple può finanziarla. Tutti gli altri che gestiscono un prodotto per tifosi, un prodotto di scommesse o l'app di un club la montano pezzo per pezzo, e i pezzi pubblicati a settembre sono schietti sui compromessi: possiedi il database e ottieni il drill-down senza un fornitore, incorpora gli analytics nel tuo processo e salta la piattaforma, oppure dai all'agente l'accesso alle query e accetta che farà più domande di qualunque analista umano. L'app senza funzioni è la parte facile. Portare il numero sullo schermo prima dello streaming è il prodotto.
Fonti
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
Tutti i numeri e le citazioni di questo testo provengono dalle fonti elencate sotto.
I contenuti sono stati preparati dalla redazione con il supporto dell'IA.
Commenti
0- Nessun commento — sii il primo.