跳到正文
世界时间EU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

关于人工智能与技术的门户事件 · 分析 · 访谈 · 技术背景

搜索
直播
›

体育科技的数据层正在一分为二:自己掌控的仪表盘,交给智能体去查询

9月的两份发布给出了体育机构该如何处理分析数据的两种截然不同的答案:在 Cloudflare Workers 上自托管的仪表盘,以及 Starburst 对把数据库钥匙交给 AI 智能体而非交给图表之后会发生什么的分析。

体育分析赵建国发布: 2026年9月28日5 分钟阅读资料来源 3
体育科技的数据层正在一分为二:自己掌控的仪表盘,交给智能体去查询

9月8日,软件咨询公司 Adaca 在 GitHub 上发布了 adaca-analytics,这是一个面向 Google Analytics 4 的自托管仪表盘层,运行在 Cloudflare Workers 上。十天后,也就是9月18日,一份由 CData 赞助、发布在 Wiley Science and Engineering Content Hub 上的白皮书把重点放在复制速度上,称在同一套基础设施上复制速度提升了 76%。在这两个日期之间,Starburst 于9月11日发布了一篇架构分析,追问到底谁,或者说什么东西,才有资格去查询数据。

这些内容没有一项是体育专属的。而这正是关键所在。决定哪位运动员该轮休、哪张票价该展示、哪段转播集锦该剪出来的基础设施,正在底层管道层面被重写,而体育行业在其中大多是这些决策的使用者,而不是制定者。

仪表盘这一派:把数字握在自己手里

Adaca 的工具刻意做得毫不起眼。按其 GitHub README 的说法,来自 GA4 Data API 或 BigQuery 导出的每日汇总数据会落进运营方自己拥有的 D1 数据库,而实时数据仍留在 Google 那边。它开箱即带六个仪表盘,另有一个四步构建器用来搭自定义仪表盘。每个数字都可以点击:来源、页面和国家会打开各自的详情页,页内有自己的趋势和细分,这些数据预先算好,一次请求就能加载出来。

"Adaca 是一家软件咨询公司。我们做定制软件,把资深工程师嵌入客户团队,并让 AI 为客户干活。Adaca Analytics 以 MIT 许可证开源。"

部署这套东西需要一个对 GA4 媒体资源拥有查看权限的 Google 服务账号及其 JSON 密钥。部署时先 fork 仓库,配置 D1 和 KV,再填入密钥。系统没有登录功能,所以 README 提醒运营方在它前面加上 Cloudflare Access 或内置的 Basic Auth。

对俱乐部或版权方来说,吸引力在于所有权和成本。对体育数据团队来说,吸引力在于想和上一周期、去年同期或任意时间窗口做对比,只需点一下,而不必向中央分析组提工单,那边还排着十二个别的请求。

智能体这一派:把钥匙交出去

Starburst 的文章不是产品发布。它是一份分类学,如果你想弄清未来两个赛季体育分析预算究竟会流向哪里,这份分类相当有用。

作者举了一个超市的例子,几乎可以原样套到体育商业问题上:我上周的鸡蛋促销赚钱了吗?要正确回答这个问题,需要交易数据、会员数据、购物篮构成和门店布局,它们分散在一个以上的数据库里。把鸡蛋换成打折的家庭套票,把会员卡换成季票持有者记录,你就得到了足球俱乐部每周一早上都要面对的同一个问题。文章认为,正在承担这类反复迭代工作的大头的是智能体而不是人,而输出质量在很大程度上取决于数据以什么方式送到智能体手里。

文章给出三个选项。选项0是把原始数据抽出来、以文件形式发给智能体,文章直接否定了它:当智能体按数据条目计费时,这种做法可能贵得离谱,而且性能上的劣势让它"在实际中不是一个好选项"。选项1给智能体直接的数据库访问权限,让它自己写 SQL,对着数据库执行引擎反复迭代,而不是把数 TB 数据拖过网络。文章指出这会加重系统负担,因为智能体比人苛刻得多,可能用大量试探性查询把数据库压垮,但它也说数据库行业现在正专注于支持智能体工作负载。

中间那几种选项由数据库先做一些处理再把结果交出去,文章的分析精力主要花在这里。它用来评判这些选项的三个维度,也正是任何体育分析负责人该衡量的:正确性、延迟和 token 成本。

体育数据究竟放在哪里

体育机构通常跑的是混合架构。面向球迷的网站和应用分析放在 GA4 或类似系统里,这正是 Adaca 瞄准的那一层。票务、CRM 和商品销售放在业务数据库里。转播和追踪数据又放在别处,其体量往往大到让 CData 那套复制方案显得有用。

这份由 CData 赞助的白皮书认为,数据量的上升已经把瓶颈从数据本身转移到了搬运数据的架构上,隔夜批处理窗口不再够用。它描述了并行分区读取:把一张大源表拆成按行范围划分的分区,跨 CPU 线程同时读取,再加上写入路径上的优化,减少每个文件和每列的额外开销。文章称,有数百列的宽表受益最大,结果是在多个常见云目标端上测得的。

与体育追踪数据的类比并不难做。一场比赛就能产生数百列的事件和位置数据,一个联赛一周能产生数百场比赛。如果复制是瓶颈,那么分析团队就是在等基础设施,而不是在问更好的问题。

这三份文件都没有解决的是治理问题。Adaca 的答案是,在一个持有查看权限服务账号密钥的 Worker 前面放上 Cloudflare Access。Starburst 的答案是让智能体去驱动数据库,并接受它比任何人类分析师都更吃资源。两者都没有回答:当智能体或仪表盘被指向运动员健康数据,或者指向监管机构已经在盯着的与博彩相关的信号时,会发生什么。

工具到来的速度比规则快。这个缺口,而不是那些仪表盘,才是体育科技下一个赛季要应付的事。

评论 0

资料来源

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

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。

赵建国

赵建国

体育、汽车与旅行

赵建国负责FLASH24的体育、汽车与旅行报道,主要从赛事官方数据、厂商技术公告和铁路运营时刻表提取信息,关注成绩、参数和行程的实际变化。在体育稿件中,他逐项核对比分、犯规次数和球员出场时间,并与联赛官网记录比对;汽车报道则对照工信部油耗与实测里程,不采用单一来源数据。他定期联系车队技师和4S店维修顾问,也等待欧冠抽签和日内瓦车展的日程,同时比较不同欧洲铁路通票的价格与换乘次数。业余时间他骑电动车、在车库做修理,并收集欧洲铁路线资料,这些习惯直接帮助他判断车辆故障描述和跨境线路的可行性。他坚持不发布未经二次核实的数字,宁可推迟发稿。

编辑部 →

评论

0
  1. 还没有评论——来说两句吧。

写评论

评论公开展示。我们不发布辱骂、垃圾信息和广告内容。