体育科技数据分析，大多只是记分板

搜“体育科技数据分析”，你会看到一份市场预测、一个赌博故事和大量厂商文案。这批材料里，没有一家体育机构公开说明自己的分析到底怎么运转。

这种缺席本身就是发现。这一领域里最具体、可核实的文档，讲的都是通用数据工具，与体育的联系要么是历史性的，要么是商业性的，要么只是隐含的。在重复一个增长数字之前，先把这一点说清楚。

这堆材料里唯一的体育应用几乎不做分析

Slate 在六月发表了一篇长文，称赞苹果的 Sports 应用，赞的恰恰是它拒绝做的事。没有新闻标题，没有流媒体指南，没有为了让你一直滑动而设计的功能。你得到的是队名和队徽、战绩、比赛时间和比分，外加一个排名页面。文章说，博彩赔率默认出现在记分板上，但可以在设置里永久关闭。斯坦利杯季后赛期间，作者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直播更早给出结果。

这是关于延迟的说法，不是关于分析的说法，也是整篇评测里技术含量最高的部分。文章没有讨论预期进球、追踪数据、伤病模型，或任何能归入体育分析标题下的东西。它的论点是：把一件事做好的产品，胜过塞满用户没要求的功能的产品。

拿这一点对照当下体育应用的流行做法，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所说的摆设。ESPN 的应用现在把直播电视服务和名为 Verts 的竖屏视频流放在最前面。从它们测量你的意义上说，这两家都是分析生意。可它们卖的都不是对比赛的解读。

真正衡量分析推理的那个基准

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，数字才是重点。Opus 5.5 在 Max 档得分 70.5%，平均每任务成本 3.57 美元。GPT-6 Sol 在 XHigh 档得分 61.3%，每任务 0.58 美元。GPT-6 Luna 在 Max 档得分 52.3%，每任务六美分。

这三个数据点本身就描述了每个数据团队现在都在做的取舍。榜首模型每任务成本大约是那个便宜模型的六十倍，而便宜模型能达到约四分之三的水平。Hex 还提到，它更新了评判器和评分标准，不再无意中奖励误导性回答。Hex 说，这让基准整体上明显更难，Anthropic 的模型受影响尤其大。改动之后，Opus 5.5 仍居榜首。

同一页面还给了延迟数据。Opus 5.5 在 Max 档平均每任务耗时 677.2 秒。GPT-6 Luna 在 Max 档耗时 353.2 秒。GPT-6 Astra 在 Low 档 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检查的地方。

自己搭的时候，底层管道长什么样

同一时间窗口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 日发布了一个基于 Cloudflare Workers 的自托管 Google Analytics 4 替代品。每日汇总数据来自 GA4 Data API 或 BigQuery 导出，落到运营者自己掌握的 D1 数据库里。实时部分仍留在 Google 那边。开箱即带六个仪表盘，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。安装是刻意做成手动的：创建一个有 Viewer 权限的 Google 服务账号，下载 JSON 密钥，点 Deploy，在前面加上 Cloudflare Access 或基础认证。

它没有登录功能，这要么是重点，要么是隐患，取决于读 README 的是谁。许可证是 MIT。

另外，Lark 是一个实时数据库服务器，主要用 Rust 写在 Glommio 上，配一个 Go 写的边缘组件来终结 WebSocket、WebTransport 和 REST 连接。它的设计目标是与 Firebase Realtime Database 的 SDK 可直接替换，因此应用可以保留 Firebase Auth、Hosting 和 Storage，只把实时树搬到别处。仓库说，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头，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解决不了争论

Cassis 在 8 月 23 日发表文章，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 问上一季度有多少活跃企业客户续约。仍然得有人决定哪张表存客户、active 是什么意思、enterprise 是什么意思、季度什么时候结束。

文章把这项成本分成三块：索引、查询和可靠性。仪表盘预付索引成本，有时第一张图渲染出来之前要花上几周，而且对它所设计回答的问题来说是可靠的。临时请求则把全部成本在取数时压到数据团队身上。Cassis 引用一位资深数据经理的话，描述一种每周轮换，永久占用一个五到六人团队约 20% 的精力。

问题是谁来做思考，以及什么时候做。

对任何做体育的人来说，这句话是这堆材料里最有用的。追踪球员负荷的俱乐部、出售转播库存的联赛、统计续约的商业部门，都面临同一个决定：把力气放在哪里。工具在变好，机器分析的每任务价格在快速下降。这些都不能决定 active 是什么意思。