体育科技分析大多只是记分牌,这就是实情
本周体育科技素材里最详细的两份材料,其实跟体育没什么关系:一份是评测 AI 模型做分析工作水平的基准榜单,另一份是自托管的 Google Analytics 替代方案。体育这层关联比标题暗示的要薄得多。

搜索体育科技数据分析,你会找到一份市场预测、一个博彩故事,还有大量厂商宣传文案。但在手头这些材料里,你找不到任何一家体育机构公开说明自己的分析到底怎么运转。
这种缺席本身就是结论。这一领域里最具体、可核实的文件,讲的都是通用数据工具,跟体育的关系要么是历史上的,要么是商业上的,要么只是暗示。在照抄一个增长数字之前,先把这一点说清楚是值得的。
这堆材料里唯一的体育应用,几乎不做分析
Slate 在 6 月发表了一篇长文,称赞苹果的 Sports 应用,夸的恰恰是这个应用拒绝去做的事。没有新闻头条,没有流媒体指南,没有为了让你一直往下滑而设计的功能。你看到的是队名和队徽、战绩、比赛时间和比分,外加一个排名页。文章说,博彩赔率默认显示在记分牌上,但可以在设置里永久关掉。作者在斯坦利杯季后赛期间不得不关掉匹兹堡企鹅队的自动通知,因为这个应用比流媒体画面更早报出结果。
这说的是延迟,不是分析,也是整篇评测里最技术性的一点。文章没有讨论预期进球、追踪数据、伤病模型,或者任何会被归入体育分析范畴的东西。它的论点是:一个把一件事做好的产品,胜过一个塞满用户没要过的功能的产品。
拿这一点对照当下体育应用的潮流,反差很明显。美国职业棒球大联盟的应用在比分周围堆了一圈作者称为门面装饰的东西。ESPN 的应用现在把电视直播业务和一个叫 Verts 的竖屏视频流放在最前面。这两家从某种意义上说都是分析生意,因为它们都在测量你。但谁也没在卖对比赛的分析。
真正衡量分析推理能力的基准
Hex 在 8 月 13 日发布了 DataBench,一个它称为智能体分析(agentic analytics)的排行榜。表格很密,数字就是故事本身。Opus 5.5 在 Max effort 下得分 70.5%,平均每项任务成本 3.57 美元。GPT-6 Sol 在 XHigh 下得分 61.3%,每项任务 0.58 美元。GPT-6 Luna 在 Max 下得分 52.3%,只要六美分。
仅这三个数据点,就说明了每个数据团队现在都在做的取舍。榜首模型每项任务的成本,大约是那个便宜模型的六十倍,而后者能走到大约四分之三的位置。Hex 还提到,它更新了评审模型和评分标准,以免无意中奖励误导性回答;它说这让基准整体上明显变难,Anthropic 的模型受影响尤其大。改完之后,Opus 5.5 仍然排在第一。
同一页还列了延迟。Opus 5.5 在 Max 下平均每项任务耗时 677.2 秒。GPT-6 Luna 在 Max 下耗时 353.2 秒。GPT-6 Astra 在 Low 下 88.5 秒完成,得分 55%。对任何做交互式分析产品的人来说,这才是真正的约束:最好的答案可能要等上几分钟,而快的答案可能错在没人会去核查的地方。
自己动手搭的时候,底层管道长什么样
同一时间段里的两个开源项目,展示了问题的另一半。软件咨询公司 Adaca 在 9 月 8 日发布了一个自托管的 Google Analytics 4 替代方案,跑在 Cloudflare Workers 上。每日汇总数据从 GA4 Data API 或 BigQuery 导出进来,落到运营方自己拥有的 D1 数据库里。实时部分仍然留在 Google 那边。开箱自带六个仪表盘,每个数字都能点开进入详情页,报告可以按周或按月通过邮件或 Slack 发出。安装过程是刻意设计成手动的:创建一个有 Viewer 权限的 Google 服务账号,下载 JSON 密钥,点 Deploy,再在它前面加上 Cloudflare Access 或基础认证。
它没有登录功能,这到底是设计本意还是隐患,取决于读 README 的人是谁。许可证是 MIT。
另一个项目 Lark 是一个实时数据库服务器,主要用 Rust 写在 Glommio 之上,另有一个 Go 写的边缘组件负责终止 WebSocket、WebTransport 和 REST 连接。它的设计目标是直接兼容 Firebase Realtime Database 的 SDK,所以应用可以在把实时数据树搬到别处的同时,继续用 Firebase 的 Auth、Hosting 和 Storage。仓库里写明,磁盘格式不会在没有迁移路径的情况下被破坏,0.x 的版本号反映的是项目年龄,而不是已知的不稳定。Lark Cloud 用同一套代码为付费客户提供服务。
为什么更便宜的存储并不能解决问题
Cassis 在 8 月 23 日发表了一篇文章,认为 AI 智能体并没有消除让数据变得有用的人力成本,只是把它重新分配了。它借用的框架是写时模式(schema-on-write)对读时模式(schema-on-read),用的例子是 CFO 问上一季度续约的活跃企业客户有多少。总得有人来决定哪张表存的是客户、活跃是什么意思、企业是什么意思、季度什么时候结束。
文章把这项成本拆成三部分:索引、查询和可靠性。仪表盘把索引成本付在前面,有时要花上几周工作才能渲染出第一张图,但对它被设计来回答的问题很可靠。临时请求则把全部成本推到数据团队在取数的时候。Cassis 引用一位资深数据经理的说法:每周有一轮例行工作,长期占用一个五到六人团队大约 20% 的人力。
问题在于谁来思考,以及在什么时候思考。
对做体育的人来说,这句话是这堆材料里最有用的东西。跟踪球员负荷的俱乐部、出售转播资源的联盟、统计续约的球队商务部门,面对的都是同一个决定:力气该花在哪里。工具在进步,机器分析的单任务价格在快速下降。这些都不能决定活跃是什么意思。
资料来源
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
本文所有数字与引语均来自下列来源,未添加来源之外的内容。
本内容由编辑部在人工智能辅助下制作完成。
评论
0- 还没有评论——来说两句吧。