L'analytics nella tecnologia sportiva è quasi solo tabelloni, e questa è la storia onesta
Due dei pezzi più dettagliati nel mucchio di tecnologia sportiva di questa settimana non parlano affatto di sport: uno è un benchmark su quanto bene i modelli di AI svolgono lavoro analitico, l'altro è un sostituto self-hosted di Google Analytics. L'angolo sportivo è più sottile di quanto suggeriscano i titoli.

Cerca dati e analytics nella tecnologia sportiva e troverai una previsione di mercato, una storia di scommesse e molta prosa commerciale. Quello che non troverai, nel materiale disponibile qui, è una singola organizzazione sportiva che pubblichi come funzionano davvero i suoi analytics.
Quell'assenza è il risultato. I documenti più concreti e verificabili in questo campo descrivono strumenti dati generici, e il legame con lo sport è storico, commerciale o implicito. Conviene dirlo senza giri di parole prima di ripetere un numero di crescita.
L'unica app sportiva del mucchio non fa quasi nessun analytics
Slate ha pubblicato a giugno un lungo elogio dell'app Sports di Apple, e la lode riguarda proprio ciò che l'app si rifiuta di fare. Niente titoli di notizie, niente guide allo streaming, niente elementi di design pensati per farti scorrere. Ci sono nomi e loghi delle squadre, record, orari delle partite e punteggi, più una pagina di classifiche. Le quote di scommessa compaiono di default sul tabellone ma si possono disattivare in modo permanente nelle impostazioni, scrive il pezzo. L'autore ha dovuto disattivare le notifiche automatiche sui Pittsburgh Penguins durante i playoff della Stanley Cup perché l'app batteva il feed in streaming sul risultato.
Quella è una questione di latenza, non di analytics, ed è la cosa più tecnica della recensione. L'articolo non parla di expected goals, dati di tracking, modelli sugli infortuni o altro che starebbe sotto l'etichetta di analytics sportivo. La sua tesi è che un prodotto che fa bene una cosa batte un prodotto imbottito di funzioni che gli utenti non hanno chiesto.
Metti il pezzo accanto alla moda attuale delle app sportive e il contrasto è netto. L'app della Major League Baseball ha circondato i punteggi di quello che l'autore chiama window dressing. L'app di ESPN ora mette in primo piano l'offerta di TV in diretta e un feed video verticale chiamato Verts. Entrambe sono aziende di analytics nel senso che ti misurano. Nessuna delle due vende analisi del gioco.
Il benchmark che misura davvero il ragionamento analitico
Hex ha pubblicato DataBench, una classifica per quello che chiama agentic analytics, il 13 agosto. La tabella è fitta e i numeri sono la storia. Opus 5.5 a Max effort segna 70,5% con un costo medio di 3,57 dollari per attività. GPT-6 Sol a XHigh segna 61,3% per 0,58 dollari per attività. GPT-6 Luna a Max segna 52,3% per sei centesimi.
Quei tre dati da soli descrivono lo scambio che ogni team dati sta facendo adesso. La cima della classifica costa circa sessanta volte di più per attività del modello economico che arriva a circa tre quarti del risultato. Hex nota anche di aver aggiornato giudici e rubriche per smettere di premiare per errore risposte fuorvianti. Secondo l'azienda questo ha reso il benchmark molto più difficile nel complesso, e i modelli Anthropic sono stati colpiti in modo particolare. Opus 5.5 resta in cima anche dopo quel cambio.
La stessa pagina riporta le latenze. Opus 5.5 a Max impiega 677,2 secondi per attività in media. GPT-6 Luna a Max impiega 353,2 secondi. GPT-6 Astra a Low finisce in 88,5 secondi con un punteggio del 55%. Per chi costruisce un prodotto analytics interattivo, questo è il vero vincolo: la risposta migliore può essere a minuti di distanza, e quella veloce può essere sbagliata in modi che nessuno controlla.
Come sono fatte le tubature quando te le costruisci da solo
Due progetti open source nella stessa finestra mostrano l'altra metà del problema. Adaca, una società di consulenza software, ha pubblicato l'8 settembre un sostituto self-hosted di Google Analytics 4 su Cloudflare Workers. I riepiloghi giornalieri arrivano dalla GA4 Data API o da un export BigQuery e finiscono in un database D1 di proprietà di chi lo gestisce. Il realtime resta su Google. Sei dashboard sono incluse di serie, ogni numero si apre in una pagina di dettaglio, e i report possono partire settimanalmente o mensilmente via email o Slack. La configurazione è volutamente manuale: crea un service account Google con accesso Viewer, scarica la chiave JSON, premi Deploy, metti Cloudflare Access o basic auth davanti al tutto.
Non c'è login, il che è o il punto o un rischio a seconda di chi legge il README. È con licenza MIT.
Sul fronte opposto, Lark è un server di database in tempo reale scritto soprattutto in Rust su Glommio, con un componente edge in Go che termina le connessioni WebSocket, WebTransport e REST. È progettato per essere compatibile senza modifiche con gli SDK di Firebase Realtime Database, così un'app può tenere Firebase Auth, Hosting e Storage spostando altrove l'albero realtime. Il repository dice che il formato su disco non sarà rotto senza un percorso di migrazione e che il numero di versione 0.x riflette l'età del progetto, non un'instabilità nota. Lark Cloud esegue lo stesso codice per i clienti paganti.
Perché uno storage più economico non chiude la questione
Cassis ha pubblicato un pezzo il 23 agosto sostenendo che gli agenti di AI non eliminano il costo umano di rendere utili i dati, lo ridistribuiscono. Il framework che prende in prestito è schema-on-write contro schema-on-read, e l'esempio pratico è un CFO che chiede quanti clienti enterprise attivi hanno rinnovato il trimestre scorso. Qualcuno deve ancora decidere quale tabella contiene i clienti, cosa significa attivo, cosa significa enterprise e quando finisce il trimestre.
Il post divide quel costo in tre parti: indicizzazione, interrogazione e affidabilità. Una dashboard paga il costo di indicizzazione in anticipo, a volte settimane di lavoro prima che il primo grafico si disegni, ed è affidabile per le domande per cui è stata progettata. Le richieste ad hoc spostano l'intero costo su un team dati al momento della richiesta. Cassis cita un senior data manager che descrive un turno settimanale che consuma circa il 20% di un team di cinque o sei persone, in modo permanente.
La domanda è chi fa il ragionamento, e quando.
Quella frase è la cosa più utile del mucchio per chi lavora nello sport. Un club che monitora il carico dei giocatori, una lega che vende spazi pubblicitari e il reparto commerciale di una squadra che conta i rinnovi affrontano tutti la stessa decisione su dove mettere lo sforzo. Gli strumenti migliorano e il prezzo per attività dell'analisi automatica scende in fretta. Niente di tutto questo decide cosa significa attivo.
Fonti
5- 01Apple Made a Sports App That Does Almost Nothing. It's IncredibleEN
- 02DataBench: A frontier benchmark for complex data work and analytical reasoningEN
- 03We rebuilt the old Google Analytics on top of GA4's dataEN
- 04Show HN: Lark, OSS realtime database, drop-in compatible with Firebase SDKsEN
- 05Why cheaper SQL doesn't make analytics cheapEN
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.