Hồ sơ 47 điểm dữ liệu, 0 cú giao bóng: khi đường ống phân tích thể thao dán sai nhãn

Buổi sáng tôi mở hồ sơ đó ra, dòng phân loại ở đầu trang chỉ ghi một chữ: quần vợt. Bên dưới là bốn mươi bảy điểm thông tin, đánh số từ một đến bốn mươi bảy. Tôi đọc từ trên xuống, chậm, theo đúng cách tôi vẫn đọc một bảng thống kê sau mỗi trận đấu lớn: đọc nhãn trước, đọc số sau, và luôn tự hỏi dòng nào là dữ kiện, dòng nào là ý kiến.

Điểm thứ bảy nói về một công ty phân phối điện. Điểm thứ mười lăm nói về một thương vụ đầu tư được định giá 1,77 tỷ đô la Mỹ. Điểm thứ ba mươi lăm nói về tỷ lệ tổn thất truyền tải và phân phối. Điểm thứ bốn mươi bảy bị cắt giữa câu, dừng lại giữa cụm từ nói về việc bảo đảm hoàn vốn cho bên mua.

Không một cú giao bóng. Không một set. Không một vòng đấu, một bảng xếp hạng, một liên đoàn quần vợt nào. Bốn mươi bảy điểm thông tin, và điểm chung duy nhất giữa chúng là chúng cùng nói về một ngành điện đang được tư hữu hóa ở một quốc gia Nam Á.

Tôi ngồi im khá lâu. Trong nghề này, tôi đã quen với việc phải nói "chưa đủ dữ liệu". Tôi chưa quen với việc phải nói "sai miền hoàn toàn".

Vì sao tôi đọc nhãn trước khi đọc số

Năm 2026, khi tôi bắt đầu làm phân tích dữ liệu cho một trang bóng đá Úc mới thành lập, tôi công bố một bài dài về chỉ số pressing của Melbourne City. Tôi lấy dữ liệu vị trí từ áo GPS và chỉ ra rằng tiền vệ Luke Brattan chạy 11,2 km mỗi trận nhưng chỉ tạo ra 1,3 cú tắc bóng thành công. Con số ấy chỉ có nghĩa khi tôi nói rõ nó được sinh ra từ thiết bị nào, tần suất lấy mẫu bao nhiêu, và ai gán nhãn cho từng sự kiện.

Ba tuần sau, đội bóng đổi cách pressing. Bốn trận thắng liên tiếp. Không ai nhắc đến việc tôi từng bị chế giễu vì bài viết quá khô khan. Tôi cũng không nhắc.

Năm 2026, tôi viết một bài tiếng Anh dự đoán Croatia vào bán kết World Cup, dựa trên chỉ số bàn thắng kỳ vọng. Một nhóm huấn luyện viên nghiệp dư trên Reddit gọi tôi là kẻ mọt sách không biết bóng đá. Croatia vào chung kết. Sau giải, một nhà báo của The Athletic liên hệ hỏi tôi cách tính phần bàn thua kỳ vọng được ngăn chặn của các hậu vệ. Tôi mất hai tuần viết mã, kiểm tra chéo bằng dữ liệu StatsBomb, rồi gửi lại một bảng mười bảy trang. World Cup 2026 họ cười xG của tôi. Năm nay họ hỏi tôi xG là gì.

Tháng 6 năm 2026, khi Bundesliga trở lại với khán đài trống, mô hình dự đoán của tôi định giá lợi thế sân nhà ở mức 0,45 bàn mỗi trận. Sau chín vòng không khán giả, giá trị đó tụt xuống 0,08. Một tạp chí đề nghị tôi viết giải thích ngay. Tôi từ chối, xin thêm ba tuần dữ liệu. Khi bài được đăng, tôi dành hẳn một phần để liệt kê những giả định có thể sai của chính mình.

Ba câu chuyện ấy có cùng một bài học, và bài học đó là lý do tôi không viết nổi một bài phân tích quần vợt từ hồ sơ bốn mươi bảy điểm kia. Trước khi tin một chỉ số, tôi hỏi nó sinh ra từ đâu. Với hồ sơ này, câu trả lời nằm ngay ở dòng nhãn — và dòng nhãn đã nói dối.

Ba lớp kiểm chứng mà một hồ sơ phải vượt qua

Trong công việc hằng ngày, tôi cho mọi nguồn dữ liệu đi qua ba lớp kiểm chứng trước khi nó được phép chạm vào bất kỳ mô hình nào.

Lớp thứ nhất là kiểm tra thực thể. Tên riêng, tổ chức, cơ quan quản lý có tồn tại trong miền đang xét hay không. Ở đây, hồ sơ nhắc đến các công ty phân phối điện, một cơ quan quản lý năng lượng quốc gia, một hội đồng tư hữu hóa, và một tập đoàn đầu tư nước ngoài. Tất cả đều là thực thể có thật, nhưng không một thực thể nào thuộc hệ sinh thái quần vợt. Không có tay vợt, không có giải đấu, không có cơ quan quản lý nào của làng banh nỉ.

Lớp thứ hai là kiểm tra đơn vị. Đơn vị đo lường là dấu vân tay của một miền tri thức. Hồ sơ có đơn vị tiền tệ cho biểu giá điện, giá trị thương vụ tính bằng tỷ đô la, tỷ lệ phần trăm cho tổn thất lưới điện và tỷ lệ thu hồi tiền điện. Trong quần vợt, hệ đơn vị hoàn toàn khác: tỷ lệ giao bóng một vào sân, tỷ lệ thắng điểm trả giao bóng, tỷ lệ tận dụng điểm break, tỷ lệ thắng winner so với lỗi tự đánh hỏng. Hai hệ đơn vị này không thể trộn vào nhau. Một tỷ lệ thu hồi tiền điện không phải là tỷ lệ thắng điểm trên lưới.

Lớp thứ ba, và là lớp tôi coi trọng nhất, là kiểm tra ngữ pháp của miền. Mỗi lĩnh vực có một cách nói riêng. Ngành điện nói về thời kỳ kiểm soát nhiều năm, về chu kỳ biểu giá, về khoản nợ vòng luẩn quẩn giữa nhà sản xuất, nhà phân phối và nhà nước. Quần vợt nói về chuỗi trận, về mặt sân, về điểm quyết định ở phút cuối set. Hồ sơ bốn mươi bảy điểm nói trôi chảy bằng ngữ pháp của ngành điện và không nói được một câu nào bằng ngữ pháp của quần vợt.

Ba lớp ấy đều trả về cùng một kết quả. Nhãn sai. Miền thật là năng lượng, tiện ích và chính sách đầu tư — không phải thể thao.

Lỗi này không lạ, nó chỉ ít bị nhìn thấy

Tôi đã thấy đúng kiểu lỗi này trong dữ liệu thể thao, chỉ khác là nó nhỏ hơn và khó phát hiện hơn.

Có mùa, một nhà cung cấp dữ liệu đổi định nghĩa về "kiểm soát bóng" giữa giải. Một đội được ghi nhận kiểm soát bóng 58 phần trăm ở vòng đầu và 44 phần trăm ở vòng sau, dù lối chơi không đổi. Nguyên nhân nằm ở chỗ đơn vị đếm đã thay đổi cách quy một pha bóng về cho ai. Chỉ số không sai về mặt số học. Nó sai về mặt nguồn gốc.

Có mô hình xG được huấn luyện trên một hệ phân loại sự kiện, rồi được đem áp lên một giải đấu dùng hệ phân loại khác. Kết quả là cùng một cú sút, một mô hình cho 0,08, mô hình kia cho 0,21. Và người đọc thì không biết mình đang đọc cái nào.

Có thiết bị đo đường biên được hiệu chuẩn bằng kích thước sân sai lệch vài milimét. Khi hệ thống vẽ đường việt vị bằng những đường mảnh như sợi chỉ, sai số hiệu chuẩn ấy không còn là chi tiết kỹ thuật, nó trở thành một bàn thắng bị tước.

Số liệu thì thầm. Người chịu nghe sẽ nghe thấy cả một trận đấu. Nhưng muốn nghe được, người ta phải biết mình đang đứng trong căn phòng nào. Một chỉ số đúng đặt sai miền sẽ kêu lên một âm thanh rất giống chỉ số đúng đặt đúng miền. Đó là lý do lỗi dán nhãn nguy hiểm hơn lỗi thiếu dữ liệu.

Một bản ghi trống khiến hệ thống dừng lại và hỏi. Một bản ghi bị dán nhãn sai khiến hệ thống chạy tiếp, tự tin, và sinh ra kết luận.

Phía sau nhãn sai là một thói quen sai

Phản ứng quen thuộc là đòi nâng cấp bộ phân loại. Tôi không tin đó là cách chữa đúng, và dữ liệu trong hồ sơ này củng cố sự hoài nghi của tôi.

Vấn đề đầu tiên là sự vắng mặt của trường nguồn gốc. Bốn mươi bảy điểm thông tin không có điểm nào ghi rõ nó đến từ đâu: một văn bản quy định, một bản cáo bạch, một bài báo, hay suy luận của người viết. Một hệ thống không bao giờ ghi lại xuất xứ của đầu vào thì không có cách nào tự phát hiện lỗi của chính mình. Nó chỉ có thể sai một cách trôi chảy.

Vấn đề thứ hai là tỷ trọng ý kiến. Phần lớn các điểm trong hồ sơ là nhận định, không phải dữ kiện kiểm chứng được. Tài liệu nguồn tự nhận mình thuộc dạng bình luận, nghĩa là nó đã mang sẵn một góc nhìn biên tập thay vì tường thuật trung tính. Thống kê thì khác. Thống kê hoặc đúng, hoặc sai, hoặc chưa xác định được. Ý kiến thì luôn đúng theo cách của người nói ra nó.

Vấn đề thứ ba là trường bị cắt cụt. Điểm thứ bốn mươi bảy dừng giữa câu. Nếu một chuỗi dữ liệu bị cắt ở khâu trích xuất, phần bị mất thường là phần quan trọng nhất: điều kiện, mệnh đề phủ định, hoặc con số đi kèm. Đọc một câu cụt như đọc một tỷ số thiếu hiệp.

Tôi từng ngồi trong một phòng dữ liệu ở Sydney, nghe ba người tranh nhau về một chỉ số hậu vệ, trong khi gốc rễ của tranh cãi lại là chuyện mỗi người dùng một nguồn khác nhau. Không ai kiểm tra nguồn.

Những gì tôi không viết, và vì sao

Tôi có thể dễ dàng dựng nên một bài phân tích quần vợt từ hồ sơ này. Đổi tên vài thực thể, gán vài tỷ lệ phần trăm cho một tay vợt, thêm một câu về áp lực ở phút quyết định. Người đọc sẽ không nhận ra. Nhưng khi viết xong, tôi sẽ không có cách nào bảo vệ được một dòng nào trong đó nếu ai hỏi nguồn.

Tôi từng từ chối một đề nghị viết về bóng đá không khán giả chỉ vì cần thêm ba tuần dữ liệu. Từ chối một bài dễ dàng hơn nhiều so với từ chối một danh mục gồm chín hạng mục phân tích mà tôi biết chắc là không thể áp dụng. Phân tích sai một biến số cũng như mất phương hướng cả một năm.

Nên thay vì bịa ra một cú giao bóng, tôi làm việc mà một nhà phân tích nên làm: đánh dấu hồ sơ này là sai miền, ghi lại bằng chứng, và trả nó về đúng bàn. Một tài liệu về chương trình tư hữu hóa ngành điện Pakistan cần một nhà phân tích năng lượng đọc, không cần một nhà phân tích quần vợt cố gắng gượng.

Có một điểm tôi buộc phải ghi nhận, dù nó nằm ngoài chuyên môn của tôi: hồ sơ kia thực sự có một câu chuyện phân tích đáng giá, về rủi ro chính sách ảnh hưởng đến dòng vốn đầu tư nước ngoài vào hạ tầng điện. Tôi không đủ thẩm quyền để kết luận về nó. Biết mình không đủ thẩm quyền ở một miền cũng là một dạng kiến thức.

Cách đây vài năm, tôi từng tin rằng thận trọng làm bài viết yếu đi. Bây giờ tôi nghĩ khác. Một mùa giải thiếu chi tiết cũng giống một trận đấu thiếu phút bù giờ. Cái thiếu ấy không làm trận đấu thôi đá, nó chỉ làm kết quả trở nên vô nghĩa.

Tín hiệu của vòng tiếp theo

Điều tôi sẽ theo dõi trong những lô dữ liệu tới không phải là một trận đấu. Đó là nhật ký dán nhãn.

Nếu mỗi bản ghi phải mang theo bốn trường — miền, thực thể chính, đơn vị đo, và xuất xứ — thì tỷ lệ dán nhãn sai sẽ trở thành một chỉ số đo được. Một con số như vậy có ích hơn mọi lời giải thích, vì nó chỉ ra đúng chỗ cần sửa: khâu trích xuất, khâu phân loại, hay khâu biên tập.

Tôi cũng sẽ đếm tỷ lệ trường bị cắt cụt và tỷ lệ nguồn đơn lẻ. Ba chỉ số ấy, cộng lại, cho biết một đường ống dữ liệu đang khỏe hay đang ốm.

Trong quần vợt, tôi quen nhìn vào tỷ lệ thắng điểm sau giao bóng một để biết một tay vợt có giữ được nhịp không. Trong dữ liệu, chỉ số tương đương là tỷ lệ bản ghi có ghi xuất xứ. Dữ liệu hiện tại cho tôi một kết luận duy nhất, và nó không liên quan đến mặt sân nào cả: bốn mươi bảy điểm ấy, một trong những trường quan trọng nhất đã bị bỏ trống ngay từ đầu.

Người ta hay hỏi tôi vì sao phải mất công truy nguồn từng chỉ số. Tôi không có câu trả lời hào hứng. Chỉ có một câu: nếu tôi không biết dữ liệu của mình đến từ đâu, tôi đang không phân tích thể thao, tôi đang kể chuyện.

Và tôi làm nghề ghi chép, không làm nghề kể chuyện.