Analityka sportowa zjada własny pipeline danych
Aplikacja Sports od Apple sprowadza sprawdzanie wyników do samych wyników, a infrastruktura pod spodem staje się trudniejsza w budowie. W ostatnich tygodniach pojawiły się narzędzia do pulpitów na danych GA4, analityka jako middleware w Go i architektury zapytań dla agentów AI.

Apple ma aplikację o nazwie Sports. To cała nazwa. Jak pisze Slate w recenzji z 10 czerwca, gdy rozgrywał się mundial, aplikacja prawie nic nie robi: nazwy i logotypy drużyn, bilanse, godziny meczów, wyniki. Żadnego kanału informacji, żadnego przewodnika po transmisjach, żadnego przewijania w stylu TikToka.
Ta recenzja to dobry kontrapunkt dla sposobu, w jaki zwykle sprzedaje się technologię sportową. W tych samych tygodniach powstał cały szereg narzędzi dla programistów zajmujących się plumbingiem analitycznym, a ciekawa praca siedzi właśnie w luce między tymi dwiema historiami.
Co Apple faktycznie wydało
Recenzent Slate opisuje produkt zbudowany na odejmowaniu. Aplikacja nie ma nagłówków informacyjnych ani przewodników po transmisjach, choć kanał meczu zobaczysz po dotknięciu. Kursy bukmacherskie pojawiają się na tablicy wyników domyślnie i można je wyłączyć na stałe jednym przełącznikiem. Reklam prawie nie ma, czasem na górze strony trafi się promocja Apple TV. Użytkownik wybiera ligi i drużyny widoczne na stronie głównej oraz w pasku bocznym, a wyniki tych drużyn mogą zasilać Live Activities na ekranie blokady albo nie.
Twierdzenie o szybkości z tej recenzji jest konkretne i sprawdzalne. Autor pisze, że musiał wyłączyć automatyczne aktualizacje Pittsburgh Penguins w trakcie play-offów o Puchar Stanleya, bo aplikacja pokazywała zdarzenia szybciej niż jego pakiet streamingowy, i relacjonuje to samo przy meczach NFL, footballu uniwersyteckiego i koszykówki uniwersyteckiej. Zasięg obejmuje mecze mundialu, MLS, NWSL i około 30 innych lig piłkarskich, a także tenis mężczyzn i kobiet oraz LPGA Tour, z podstawowymi statystykami meczowymi, tabelami i składami po dotknięciu.
Apple ogłosiło aplikację zimą 2024. Slate przytacza ówczesne ujęcie jednego z menedżerów firmy: „stworzyliśmy Apple Sports, żeby dać kibicom to, czego chcą, czyli aplikację, która daje niezwykle szybki dostęp do wyników i statystyk”.
„Stworzyliśmy Apple Sports, żeby dać kibicom to, czego chcą, czyli aplikację, która daje niezwykle szybki dostęp do wyników i statystyk”.
To problem danych przebrany za problem designu. Każdy wynik na tym ekranie to kanał danych, mapowanie między ligami i drużynami oraz budżet opóźnienia. Apple może udźwignąć ten koszt. Większość organizacji budujących cokolwiek podobnego nie może, dlatego w tym samym okresie pojawiła się grupa wydań skierowanych do ludzi, którzy muszą złożyć pipeline sami.
Odbudowa starej analityki na danych GA4
Weźmy adaca-analytics, opublikowane na GitHubie 8 września przez Adaca, firmę konsultingową. To samodzielnie hostowana warstwa pulpitów dla Google Analytics 4, działająca na Cloudflare Workers, z dziennymi agregacjami z GA4 Data API albo eksportu BigQuery lądującymi w bazie D1, którą operator ma u siebie. Dane w czasie rzeczywistym zostają po stronie Google. Repozytorium daje sześć gotowych pulpitów i czteroetapowy kreator własnych, a każda główna liczba otwiera stronę szczegółów z własnym trendem i podziałami, policzonymi wcześniej, żeby wczytywały się w jednym zapytaniu.
Szczegóły operacyjne znaczą tu więcej niż lista funkcji. Konfiguracja wymaga konta usługi Google z dostępem Viewer do usługi GA4 i jego klucza JSON. Wdrożenie polega na rozwidleniu repozytorium, utworzeniu D1 i KV, pobraniu klucza i wypchnięciu Workera z jego zadaniem cron. Logowania nie ma, więc README każe postawić przed nim Cloudflare Access albo wbudowany Basic Auth. Praca lokalna idzie przez npm install, plik .dev.vars z JSON-em konta usługi w jednej linii, generowanie typów, migrację bazy i serwer deweloperski. CI to cztery bramki: build, typecheck, lint i test. Licencja MIT.
Obietnica, cytując samo repozytorium, to przywrócenie kształtu produktu, który GA4 wypchnął: pulpitów z zagłębianiem się w dane, zapisanymi segmentami, linkami udostępniania tylko do odczytu, które mogą przypiąć filtr, porównaniem z poprzednim okresem albo zeszłym rokiem, tygodniowymi i miesięcznymi podsumowaniami oraz alertami o ruchu przez e-mail lub Slacka.
Analityka jako middleware, nie platforma
Drugie wydanie stawia zakład architektoniczny odwrotny. Plainoldanalytics, wrzucone na GitHuba 13 września, to doklejana analityka internetowa dla aplikacji w Go. README opisuje ją jako podobną w duchu do Umami, Plausible czy PostHog, ale osadzoną w twojej aplikacji, a nie hostowaną obok niej. Pakiet rdzeniowy nie zależy od magazynu i nie wie nic o żadnym backendzie, więc import nigdy go nie ściąga. Wybierasz pakiet magazynu albo implementujesz interfejs Storage i przekazujesz go do konstruktora.
Użycie jest celowo małe. Konstruktor memory_store zwraca naraz Storage i całe okablowanie, a wywołanie analytics.Middleware opakowuje istniejący router. Pulpit montuje się pod wybraną przez ciebie ścieżką. Tag skryptu włącza przechwytywanie zdarzeń po stronie klienta, w tym opcjonalne nagrywanie sesji i wywołania typu plainoldanalytics.track('signup', {plan: 'pro'}). Ruch zrzucany jest na dysk mniej więcej raz na sekundę, a wywołanie Close przy zamykaniu opróżnia bufor. Są adaptery dla gin i chi, a README pokazuje, jak ograniczyć middleware do grupy tras, żeby sam pulpit nie był liczony jako ruch.
Dwa drobne szczegóły zdradzają, że pisał to ktoś, kto uruchamiał analitykę na produkcji. Żądania mogą nieść właściwości klucz-wartość, po których interfejs filtruje, a właściwość użytkownika ma specjalne traktowanie i pokazuje cały ruch powiązany z tym użytkownikiem. Trasy można całkowicie wyłączyć z logowania. Parametry ścieżki zapisują się tak, jak są, ale opakowanie handlera w UseRequestPath zapisuje dosłowną trasę, co ma znaczenie, gdy serwujesz pliki pod wildcardem i nie chcesz, żeby każdy adres URL stawał się osobnym wierszem.
Pytanie o agenta pod tym wszystkim
Starburst opublikował 11 września analizę dwóch architektur analizy danych przez agentów i nazywa w niej problem, wokół którego krążą powyższe narzędzia. Scenariusz to sieć sklepów spożywczych pytająca, czy zeszłotygodniowa promocja jajek była opłacalna. Na to pytanie nie da się odpowiedzieć na podstawie samej sprzedaży jajek. Potrzebne są pytania dalsze: czy promocja przyciągnęła klientów, którzy inaczej by nie przyszli, czy nowi klienci wrócili, co jeszcze było w tych transakcjach, gdzie te produkty stoją w sklepie i jak opłacalne są one same.
Starburst rozkłada na części dwa praktyczne sposoby karmienia agenta. Pierwszy, nazwany przez autora „opcją 0” i wyraźnie niezalecany poza nietypowymi okolicznościami, wyciąga surowe dane i wysyła je agentowi jako pliki lub bezpośrednie połączenie, zostawiając mu całe przetwarzanie. Zarzut dotyczy kosztu i wydajności: wysyłanie terabajtów do czegoś, co liczy opłatę za każdy element danych, robi się drogie, a agent wykonuje pracę, w której silnik bazy danych jest lepszy.
Drugi daje agentowi bezpośredni dostęp do bazy, żeby sam pisał SQL i iteracyjnie doprecyzowywał zapytania. Baza robi to, do czego jest zoptymalizowana, a agent nadzoruje. Starburst zauważa, że literatura wskazuje tu realne ryzyko: agenci mogą być znacznie bardziej wymagający niż ludzcy użytkownicy i zasypać system spekulacyjnymi zapytaniami, gdy zbliżają się do odpowiedzi, ale przekonuje, że branża skupia się teraz na obsłudze takich obciążeń.
W tekście jest ograniczenie, które warto powtórzyć. Autor pisze, że minie trochę czasu, zanim agenci będą przetwarzać terabajty danych strukturalnych z takim poziomem optymalizacji, jaki mają dziś systemy bazodanowe na rynku, zbudowane na dekadach badań. Do tego czasu ciężki koniec zostaje po stronie bazy.
Dlaczego to historia sportowa
Sport to najtrudniejszy przypadek konsumencki dla tego stosu, bo wartość wyniku maleje w sekundach, a publiczność przychodzi falami: faza grupowa mundialu, seria play-off, niedzielne popołudnie z kilkunastoma meczami naraz. Recenzent Slate zauważa, że aplikacja jest wystarczająco szybka, żeby zdradzić wynik, zanim nadąży transmisja. To nie osiągnięcie interfejsu. To pipeline, który musi pogodzić kilkadziesiąt lig, przypisać je do wybranych przez użytkownika drużyn i wypchnąć aktualizacje na ekran blokady w założonym oknie opóźnienia.
Apple potrafi to sfinansować. Wszyscy inni prowadzący produkt dla kibiców, produkt bukmacherski albo aplikację klubu składają go z części, a te opublikowane we wrześniu mówią otwarcie o kompromisach: miej własną bazę i zyskaj zagłębianie w dane bez dostawcy, osadź analitykę we własnym procesie i obejdź się bez platformy albo daj agentowi dostęp do zapytań i przyjmij, że zada więcej pytań niż jakikolwiek ludzki analityk. Aplikacja bez funkcji to łatwa część. Wprowadzenie liczby na ekran przed transmisją to ten produkt.
Źródła
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
Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.
Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.
Komentarze
0- Brak komentarzy — bądź pierwszy.