Przejdź do treści
Czas na świecieEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal o AI i technologiiwydarzenia · analizy · wywiady · tło techniczne

Szukaj
NA ŻYWO
›

Warstwa danych w sports tech pęka na dwoje: dashboardy, które masz, i agenci, których celujesz

Dwie wrześniowe publikacje zarysowują dwa różne podejścia do analityki w organizacjach sportowych: własne dashboardy na Cloudflare Workers oraz analiza Starburst o tym, co się dzieje, gdy klucze do bazy dostaje agent AI, a nie wykres.

SportAnalizaTomasz LisowskiOpublikowano: 28 września 20265 min czytaniaŹródła 3
Warstwa danych w sports tech pęka na dwoje: dashboardy, które masz, i agenci, których celujesz

8 września firma konsultingowa Adaca opublikowała na GitHubie adaca-analytics, warstwę dashboardów do Google Analytics 4 działającą na Cloudflare Workers, którą stawia się u siebie. Dziesięć dni później, 18 września, ukazał się sponsorowany przez CData white paper w Wiley Science and Engineering Content Hub. Tekst bierze na warsztat szybkość replikacji i obiecuje o 76% szybszą replikację na tej samej infrastrukturze. Między tymi datami, 11 września, Starburst opublikował analizę architektury, w której pyta, kto, a właściwie co, powinien w ogóle mieć prawo odpytywać dane.

Nic z tego nie dotyczy wyłącznie sportu. I o to chodzi. Infrastruktura, która decyduje, który zawodnik odpocznie, jaka cena biletu się pokaże i który skrót transmisji trafi do emisji, przebudowuje się na poziomie instalacji. Branża sportowa jest w tych decyzjach głównie konsumentem, nie autorem.

Spór o dashboard: miej liczby u siebie

Narzędzie Adaki jest celowo bez fajerwerków. Jak wynika z README na GitHubie, dzienne agregacje z GA4 Data API albo eksportu z BigQuery trafiają do bazy D1, którą zarządza operator, a dane czasu rzeczywistego zostają na Google. W zestawie jest sześć gotowych dashboardów i czteroetapowy kreator do budowy własnych. Każda liczba jest klikalna: źródła, strony i kraje otwierają strony szczegółów z własnym trendem i podziałami, policzone wcześniej, żeby ładowały się w jednym zapytaniu.

"Adaca is a software consultancy. We build custom software, embed senior engineers in client teams, and put AI to work for our clients. Adaca Analytics is open source under the MIT licence."

Konfiguracja wymaga konta usługi Google z dostępem Viewer do usługi GA4 i jego klucza JSON. Wdrożenie polega na rozwidleniu repozytorium, przygotowaniu D1 i KV oraz podaniu klucza. Nie ma logowania, więc README każe operatorom postawić przed narzędziem Cloudflare Access albo wbudowany Basic Auth.

Dla klubu albo właściciela praw liczy się własność i koszt. Dla zespołu danych sportowych liczy się to, że porównanie z poprzednim okresem, zeszłym rokiem czy dowolnym przedziałem to jedno kliknięcie, a nie zgłoszenie do centralnej grupy analitycznej, która ma w kolejce dwanaście innych próśb.

Spór o agenta: oddaj klucze

Tekst Starbursta nie jest zapowiedzią produktu. To taksonomia i całkiem użyteczna, jeśli próbujesz ustalić, gdzie w dwóch najbliższych sezonach naprawdę pójdą budżety na analitykę sportową.

Autor stawia przykład ze sklepu spożywczego, który niemal idealnie przekłada się na pytanie z biznesu sportowego: czy moja zeszłotygodniowa promocja na jajka była opłacalna? Rzetelna odpowiedź wymaga danych transakcyjnych, danych z programów lojalnościowych, składu koszyka i układu sklepu, rozrzuconych po więcej niż jednej bazie. Zamień jajka na zniżkę na bilet rodzinny, a karty lojalnościowe na dane posiadaczy karnetów, a dostaniesz ten sam problem, z którym klub piłkarski mierzy się w każdy poniedziałek rano. Autor przekonuje, że większość tej iteracyjnej pracy zaczynają wykonywać agenci, nie ludzie, a jakość wyniku mocno zależy od tego, jak dane do agenta trafiają.

W tekście są trzy opcje. Opcja 0, czyli wyciągnięcie surowych danych i wysłanie ich agentowi jako plików, odpada od razu: może być skrajnie droga, gdy agent liczy opłatę za każdy element danych, a jej słabsza wydajność sprawia, że w praktyce "not a good option in practice". Opcja 1 daje agentowi bezpośredni dostęp do bazy i pozwala mu pisać własny SQL, iterować na silniku wykonawczym bazy zamiast ciągnąć terabajty przez sieć. Autor zauważa, że to może obciążyć systemy, bo agenci są znacznie bardziej wymagający niż ludzie i potrafią zalać bazę zapytaniami próbnymi, ale dodaje, że branża bazodanowa skupia się teraz na obsłudze obciążeń agentowych.

Opcje pośrednie, w których baza najpierw coś przetwarza, a potem oddaje wyniki, zajmują w tekście najwięcej miejsca. Trzy wymiary, którymi autor je ocenia, powinien mierzyć każdy szef analityki sportowej: poprawność, opóźnienie i koszt tokenów.

Gdzie naprawdę leżą dane sportowe

Organizacje sportowe zwykle działają hybrydowo. Analityka stron i aplikacji dla kibiców siedzi w czymś w rodzaju GA4 lub odpowiedniku, czyli w warstwie, w którą celuje Adaca. Sprzedaż biletów, CRM i merchandising mieszkają w bazach operacyjnych. Dane transmisyjne i trackingowe leżą jeszcze gdzie indziej, często w wolumenach, przy których oferta replikacji CData zaczyna mieć sens.

White paper sponsorowany przez CData przekonuje, że rosnące wolumeny danych przeniosły wąskie gardło z samych danych na architekturę, która je przenosi, a nocne okna wsadowe przestały wystarczać. Opisuje równoległe odczyty partycjonowane, które dzielą dużą tabelę źródłową na partycje według zakresów wierszy i czytają je jednocześnie na wielu wątkach CPU, oraz optymalizacje ścieżki zapisu, które zmniejszają narzut na plik i na kolumnę. Najwięcej zyskują szerokie tabele z setkami kolumn, a wyniki podano dla typowych celów w chmurze.

Paralela z danymi trackingowymi w sporcie nasuwa się sama. Jeden mecz może wygenerować setki kolumn danych o zdarzeniach i pozycjach, a liga generuje setki meczów tygodniowo. Jeśli wąskim gardłem jest replikacja, zespół analityczny czeka na infrastrukturę, zamiast zadawać lepsze pytania.

Żaden z trzech dokumentów nie rozstrzyga kwestii zarządzania. Adaca odpowiada: postaw Cloudflare Access przed Workerem, który trzyma klucz konta usługi z prawami Viewer. Starburst odpowiada: pozwól agentowi sterować bazą i przyjmij, że będzie cięższym użytkownikiem niż jakikolwiek ludzki analityk. Ani jedno, ani drugie nie mówi, co się stanie, gdy agent albo dashboard zostanie skierowany na dane o zdrowiu zawodników lub na sygnały bliskie zakładom bukmacherskim, wokół których krążą już regulatorzy.

Narzędzia przychodzą szybciej niż reguły. Ta luka, a nie dashboardy, to temat, którym technologia sportowa zajmie się w przyszłym sezonie.

Komentarze 0

Źródła

3
  1. 01We rebuilt the old Google Analytics on top of GA4's dataEN
  2. 02An Analysis of Two Architectures for Agentic Data AnalysisEN
  3. 0376% Faster Replication. Same Infrastructure.EN

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.

Tomasz Lisowski

Tomasz Lisowski

Sport, motoryzacja i podróże

Tomasz Lisowski w FLASH24 pisze o sporcie, motoryzacji i podróżach, opierając się na protokołach zawodów, danych technicznych i rozkładach jazdy, a nie na doniesieniach z drugiej ręki. Przy wynikach meczów sprawdza strzelców i minuty, a w testach samochodów porównuje zużycie paliwa z deklaracjami producenta. Rozmawia z mechanikami, sędziami i pracownikami kolei, a w kalendarzu czeka na starty sezonu i nowe trasy kolejowe po Europie. Po godzinach naprawia elektryki w garażu i jeździ pociągami po kontynencie, co przekłada się na teksty o motoryzacji i podróżach. Nie publikuje liczb ani terminów, których nie potwierdzi w dwóch źródłach.

Redakcja →

Komentarze

0
  1. Brak komentarzy — bądź pierwszy.

Dodaj komentarz

Komentarze są widoczne publicznie. Nie publikujemy wulgaryzmów, spamu i treści reklamowych.