Aplikacja sportowa Apple prawie nie jest produktem danych. I o to chodzi

Rynek technologii sportowych sprzedaje się jako problem danych. Ostatnie nagłówki mówią o śledzeniu wyników, analityce biletowej i sztucznej inteligencji w sporcie. Wszystko to wskazuje na większe potoki danych i mądrzejsze modele. Jeden z najczęściej używanych produktów sportowych ostatnich dwóch lat idzie w przeciwną stronę.

Slate zrecenzował w czerwcu aplikację Sports od Apple pod nagłówkiem, że „prawie nic nie robi”. Tekst opisuje aplikację bez nagłówków informacyjnych, bez przewodników po transmisjach i bez elementów projektowych, które miałyby zatrzymywać użytkownika w środku. Ma nazwy drużyn i logotypy, bilanse, godziny meczów oraz wyniki spotkań trwających lub zakończonych, a do tego stronę z tabelami. To cały produkt.

Koszt leży w zapytaniu, nie w indeksie

Kontrast z tym, jak dostawcy analityki przedstawiają problem, jest ostry. Opublikowany w sierpniu tekst firmy Cassis, zajmującej się narzędziami do danych, wykłada prosty schemat tego, gdzie ląduje ludzki koszt odpowiedzi na pytanie o dane. Dzieli ten koszt na indeksowanie, czyli wcześniejszą pracę nad uporządkowaniem informacji, żeby dało się ją później znaleźć, oraz odpytywanie, czyli wysiłek w momencie, gdy ktoś naprawdę potrzebuje odpowiedzi. Tekst zapożycza analogię szafy od Hrishiego Olickela: schema-on-write to wkładanie ubrań prosto do szafy, posortowanych według funkcji, a schema-on-read to przekopywanie chaotycznej sterty, gdy czegoś potrzebujesz.

Aplikacja Apple to skrajny zakład na indeksowanie. Ktoś musiał zdecydować, które ligi się liczą, jak zbudowane są tabele, jak rozłożone są protokoły meczowe i jak szybko wynik trafia na ekran blokady. Użytkownik nie płaci przy odpytywaniu niemal niczego. Recenzent Slate’a zauważa, że aplikacja wielokrotnie pokazywała wydarzenia wokół Pittsburgh Penguins w trakcie play-offów o Puchar Stanleya, zanim dogoniła je transmisja. Automatyczne aktualizacje trzeba było wyłączyć.

„Stworzyliśmy Apple Sports, żeby dać kibicom to, czego chcą: aplikację zapewniającą niezwykle szybki dostęp do wyników i statystyk.”

Ten cytat z przedstawiciela Apple, przywołany w tekście Slate’a, to cała oferta. Żadnych obietnic o agentach. Recenzent wymienia zasięg aplikacji: mecze mundialu oraz MLS, NWSL i około 30 innych lig, w tym ekwadorska Serie A i drugoligowa Bundesliga, obok tenisa mężczyzn i kobiet oraz LPGA Tour.

Agenci przenoszą koszt, nie usuwają go

Większość obecnego parcia na analitykę sportową zakłada odwrotny kompromis: przyjmij cięższy produkt, a dostaniesz więcej. To założenie jest pod presją w narzędziach do danych w ogóle. Tekst Cassis przekonuje, że agenci AI nie usuwają ludzkiego kosztu użyteczności danych, tylko go redystrybuują, a tę redystrybucję łatwo przeoczyć. Cytowany w tekście starszy menedżer danych opisał cotygodniowy dyżur, w którym jedna osoba zajmuje się pytaniami doraźnymi. Pochłania to na stałe około 20% pracy zespołu pięciu lub sześciu osób.

Starburst opublikował we wrześniu własną analizę agentowej analizy danych i dochodzi do podobnego wniosku inną drogą. Firma opisuje opcję, którą celowo nazywa „opcją 0”: wyciąganie surowych danych z systemów źródłowych i wysyłanie ich agentowi jako plików albo bezpośrednim łączem. Zarzut Starbursta dotyczy kosztu: wysłanie terabajtów danych do agenta może być zaporowo drogie, jeśli agent pobiera opłatę za przetworzony element. Preferowana opcja to danie agentowi poświadczeń do bazy i pozwolenie mu na pisanie własnego SQL, żeby silnik bazy robił to, do czego powstał.

Starburst wskazuje też ryzyko operacyjne tego podejścia. Agenci, jak czytamy, potrafią być znacznie bardziej wymagający niż ludzie i mogą zalać bazę spekulacyjnymi zapytaniami, gdy iterują. Firma przedstawia to jako problem obciążenia, nad którym branża baz danych aktywnie pracuje, a nie jako rozwiązany.

Małe narzędzia, małe powierzchnie

Ten sam instynkt widać w mniejszych wydaniach open source. Adaca Analytics, projekt własnego hostowanego panelu dla Google Analytics 4 opublikowany na GitHubie we wrześniu, działa na Cloudflare Workers z dziennymi agregacjami z GA4 Data API albo eksportu BigQuery trafiającego do bazy D1, którą zarządza operator. Czas rzeczywisty zostaje w Google. Repozytorium oferuje sześć paneli od razu, kreator w czterech krokach i wstępnie policzone strony szczegółowe, żeby kliknięcie liczby wracało w jednej rundzie. Licencja MIT.

DataZen, pokazany na Hacker News pod koniec sierpnia, przyjmuje podobne stanowisko w sprawie zakresu pracy z bazami: klient desktopowy poniżej 15 MB, GPLv3, bez konta, z poświadczeniami szyfrowanymi AES-256-GCM w pęku kluczy systemu, a zapytania do AI trafiają wyłącznie do dostawcy skonfigurowanego przez użytkownika. Plainoldanalytics, opublikowany we wrześniu, to middleware w Go, który montuje panel na istniejącym routerze HTTP i zrzuca ruch na dysk mniej więcej raz na sekundę.

Żaden z tych produktów nie obiecuje odpowiedzi na pytanie dyrektora finansowego, którzy klienci korporacyjni odnowili umowy. Obiecują, że odpowiedź, gdy ktoś ją zdefiniuje, będzie tania do wydobycia. Cassis nazywa wprost część nieujętą w budżecie: doprowadzenie czterech zespołów do zgody co do znaczenia „aktywnego klienta” to praca indeksująca i nie znika dlatego, że SQL pisze teraz agent.

W produktach sportowych analogia się trzyma z jedną różnicą. Kibice już zgadzają się co do tego, czym jest wynik. Sporu o definicje, który zjada budżety analityczne, tu nie ma. Być może właśnie dlatego prawie nic nie robić działa.