Lỗi dữ liệu thể thao: Khi đường ống phân tích bóng đá đọc nhầm một bản tin không phải bóng đá

6 giờ 12 phút sáng theo giờ Marseille. Tôi mở bảng điều khiển nội bộ, nơi các bản ghi tin tức được đẩy vào trước khi một ngày phân tích bắt đầu. Hàng trên cùng mang nhãn miền rõ ràng: bóng đá. Tôi bấm vào. Không đội bóng. Không cầu thủ. Không huấn luyện viên, không tỉ số, không thương vụ, không bảng xếp hạng. Khối dữ liệu chiến thuật trống trơn; những ô quen thuộc như số đường chuyền, quãng chạy, số lần chạm bóng trong vòng cấm đều bị đánh dấu “không áp dụng”. Cột chủ thể ghi một cái tên thuộc về một lĩnh vực hoàn toàn khác. Một bản tin đời sống người nổi tiếng, xoay quanh một gia đình đang chịu tang, lọt vào đúng ngăn tôi dành cho bóng đá.

Tôi ngồi im. Mười một năm theo dõi ngành này đã dạy tôi rằng dữ liệu nói dối theo những cách rất tinh vi: mẫu nhỏ bị thổi phồng, mẫu số bị chọn lựa, trục biểu đồ bị cắt gọt cho vừa mắt. Lần này dữ liệu không nói dối. Nó chỉ đứng nhầm phòng. Và chính cái khoảnh khắc tầm thường ấy lại đáng lo hơn cả một sai số chiến thuật, bởi nó không nằm trên sân cỏ, nó nằm trong đường ống dẫn dữ liệu về sân cỏ.

Bóng đá là môn cờ vua với những quân tốt biết chạy. Nhưng trước khi bàn về những quân tốt, tôi phải nói về bàn cờ nơi chúng được đặt lên.

Phần lớn người hâm mộ chỉ nhìn thấy hai đầu của một quá trình dài. Đầu này là trận đấu, với bóng, còi, khán đài. Đầu kia là bài báo họ đọc sáng hôm sau. Ở giữa là một chuỗi lớp trung gian mà không ai vẽ lên poster: thu thập, phân loại, gán nhãn, định tuyến, rồi mới tới phân tích. Ở lớp đầu tiên, những cỗ máy thu thập tự động quét hàng nghìn bản tin mỗi ngày từ đủ loại nguồn, gồm báo lớn, trang chuyên môn, mạng xã hội và thông tấn. Ở lớp thứ hai, một bộ phân loại đọc tiêu đề, từ khóa, thực thể rồi gán cho mỗi bản ghi một nhãn miền: bóng đá, bóng rổ, quần vợt, giải trí, chính trị, kinh doanh. Nhãn đó quyết định bản ghi sẽ được đẩy vào khung phân tích nào.

Vấn đề bắt đầu từ một niềm tin rất dễ chịu: rằng khâu gán nhãn là khâu vô hại. Nó chỉ là thủ tục hành chính của dữ liệu, một kiểu dán tem trước khi gửi hàng. Không ai xây dựng mô hình chiến thuật dựa trên nhãn miền cả. Nhưng nhãn miền quyết định mô hình chiến thuật nhìn vào cái gì. Một bản ghi đi nhầm cửa sẽ bị một bộ khung xử lý, vốn được thiết kế cho một chủ thể hoàn toàn khác, nhào nặn. Và bộ khung ấy không biết ngại. Nó sẽ điền vào mọi ô trống, đặt ra mọi câu hỏi chiến thuật, kể cả với một bản tin chẳng có lấy một đường chuyền.

Tôi từng trải qua một biến thể nhẹ hơn của vấn đề này khi còn là sinh viên năm hai ngành Kinh tế tại Marseille. Đêm Pháp thắng Argentina 4-3 ở vòng 16 đội World Cup 2026, tôi ngồi ghi chép từng nhịp. Tôi thống kê được Pháp chỉ kiểm soát bóng 38%, nhưng tạo 14 cú dứt điểm so với 12 của Argentina; riêng Mbappé có 6 pha tăng tốc phản công với tổng quãng chạy 312 mét. Tôi viết một bài dài 4.000 chữ về cách Deschamps dựng khối thấp 4-1-4-1 để nhử pressing rồi bứt tốc ở hành lang biên. Bài đăng đạt 12.000 lượt đọc sau 48 giờ, gấp hai mươi lần mức trung bình trước đó của tôi. Nhưng nếu một bản ghi số liệu từ trận ấy bị gán sai nhãn, tôi đã có thể viết một kết luận hoàn toàn khác, rất thuyết phục và hoàn toàn sai.

Bài học về dữ liệu bẩn đến với tôi đúng một năm sau đó. Mùa hè 2026, các giải đấu hoãn vì đại dịch, tôi kẹt ở Marseille và mua bộ dữ liệu tracking của mười trận Atalanta mùa 2026-20 để giải mã cách Gasperini pressing. Dựa trên kinh nghiệm theo dõi các trận đấu của tôi, tôi đếm được trung bình 56 lần pressing mạnh mỗi trận, trong đó 23 lần nằm ở 40 mét cuối sân đối phương. Tôi cũng nhận ra rằng khi hai hậu vệ biên dâng cao chạm trục dọc, tổng số đường chuyền hỏng của cả đội giảm 18% nếu một tiền vệ lùi sâu tạo hình chữ V. Nhưng để có những con số ấy, tôi phải mất gần hai tuần làm sạch dữ liệu: loại các pha bóng chết bị ghi nhầm, đồng bộ mốc thời gian giữa hai hệ thống camera, gộp các định danh cầu thủ trùng lặp. Bỏ qua khâu đó, tôi đã có thể dựng lên một bài phân tích rất thuyết phục về một đội bóng không hề tồn tại theo cách tôi mô tả.

Đến Euro 2026, kỹ năng ấy thành phản xạ. Tôi dồn cả tuần trước trận chung kết để phân tích Italy của Mancini, đếm được 612 đường chuyền trong trận bán kết với Tây Ban Nha, trong đó 23 pha chuyền xuyên tuyến vào một phần ba sân đối phương. Tôi nhận ra sơ đồ 4-3-3 của họ không cố định: khi sở hữu bóng, một hậu vệ biên bó vào trong tạo thành 3-2-4-1; khi mất bóng, lập tức co về 4-1-4-1. Để kể được câu chuyện chuyển trạng thái ấy, tôi phải tin rằng từng nhãn dữ liệu mình đang đọc là đúng. Niềm tin ấy chính là điểm yếu.

Đó là lý do một bản ghi sai miền khiến tôi chú ý hơn cả một trận thua sốc. Nó không phải lỗi ở tầng phân tích. Nó là lỗi ở tầng thu nạp, nơi con người thường không nhìn, vì họ tin rằng máy móc đã lo liệu.

Bản ghi khiến tôi dừng lại được cấu trúc thành 24 điểm thông tin. Tôi đọc lần lượt. Điểm đầu tiên liên quan đến việc một nghệ sĩ nổi tiếng được cho là đã dành nhiều giờ trò chuyện để động viên một người trẻ trong gia đình một người bạn thân vừa qua đời. Điểm thứ hai nói về việc vị nghệ sĩ ấy viết thư tay và gọi điện. Điểm thứ ba bàn về những cố gắng vực dậy tinh thần một người đang vật lộn với sức khỏe tâm thần. Cứ thế cho tới điểm thứ hai mươi tư. Không một điểm nào nhắc tới một câu lạc bộ, một giải đấu, một cầu thủ, một huấn luyện viên, một thương vụ, một bản hợp đồng hay một dòng tiền nào.

Cốt lõi nằm ở đây: một đường ống được xây cho bóng đá đã nhận một bản tin không có bất kỳ yếu tố bóng đá nào, và thay vì từ chối, nó vẫn cố phân tích. Bộ khung vẫn được dựng lên đầy đủ, gồm các mục về chiến thuật, tài chính, luật lệ, phòng thay đồ và rủi ro. Tất cả đồng loạt trả về một giá trị duy nhất: không áp dụng, không đủ thông tin. Một bộ khung hoàn chỉnh, đẹp đẽ và rỗng tuếch.

Tôi đọc phần nguồn, và đây là chỗ khiến tôi đặt bút xuống. Phần lớn các chi tiết giàu cảm xúc nhất, gồm những lá thư, những cuộc gọi và những giờ trò chuyện, đều dựa trên nguồn ẩn danh, được chuyển tải qua một tờ báo lá cải của Anh rồi được một tờ báo thứ cấp ở một quốc gia khác thuật lại. Chuỗi trung chuyển dài ba mắt xích, và mắt xích đầu tiên đã giấu tên. Đó là cấu trúc nguồn có độ xác minh thấp nhất trong phân loại báo chí.

Phần xương sống thì khác. Ở đó có những dữ kiện được ghi trong hồ sơ công khai: tình bạn giữa vị nghệ sĩ nổi tiếng và người bạn đời của một siêu mẫu nổi tiếng kéo dài từ thập niên 2026; thương hiệu rượu tequila do hai người cùng một nhà đầu tư thứ ba đồng sáng lập năm 2026; cuộc hôn nhân của người bạn ấy được công bố năm 2026. Những mốc này có thể tra cứu, đối chiếu, kiểm chứng. Nhưng chúng không xác nhận những chi tiết cảm xúc cụ thể được kể bằng giọng của người trong cuộc. Nói cách khác, cái khung thì thật, còn cái ruột giàu cảm xúc thì phần lớn là lời kể của người giấu mặt.

Trong ngôn ngữ của người làm dữ liệu, đây là một bản ghi có hai tầng độ tin cậy chồng lên nhau. Tầng dưới vững. Tầng trên lung linh. Tai hại nhất là khi tầng trên được kể bằng giọng chắc nịch đến mức người đọc gộp cả hai tầng làm một.

Nhưng phần đáng bàn nhất vẫn là chuyện đường ống. Hãy hình dung một bản ghi như thế lọt vào một thư viện đang nuôi sống các mô hình dự đoán. Một trợ lý tự động trả lời về bóng đá đọc nó. Một bản tin tổng hợp nhặt nó lên. Một mô hình xếp hạng cảm xúc quét nó và gán điểm. Không hệ thống nào trong số đó được thiết kế để hỏi câu hỏi đầu tiên và quan trọng nhất: bản ghi này có nói về bóng đá không. Chúng chỉ được thiết kế để xử lý những gì đã nằm sẵn trong ngăn của chúng.

Có ba mức rủi ro mà bản ghi này phơi ra. Mức thứ nhất là lỗi phân loại miền: một bản tin không phải bóng đá bị dán nhãn bóng đá và đi vào đường ống bóng đá. Xác suất lỗi này xảy ra ở một trường hợp đơn lẻ rất thấp, nhưng xác suất nó xảy ra ở quy mô đủ lớn để bơm nhiễu vào hệ thống thì không hề thấp. Một tỉ lệ nhỏ trên hàng triệu bản ghi mỗi ngày là một dòng sông nhiễu chảy âm thầm.

Mức thứ hai là chất lượng nguồn. Phần lớn chi tiết đặc tả nằm trên nguồn ẩn danh không có cơ chế kiểm chứng độc lập. Đây là loại thông tin mà nếu được tái sử dụng vào một sản phẩm dữ liệu, sẽ tự nhân bản mà không ai truy được gốc.

Mức thứ ba là lan nhiễm hạ nguồn. Khi một bản ghi sai lọt qua cửa, nó không dừng ở đó. Nó chảy xuống các tầng dưới: mô hình, bản tin tổng hợp, công cụ trả lời tự động và cả những người viết như tôi, những người đôi khi tin vào một bảng thông tin chỉ vì nó trông có tổ chức.

Tôi muốn nói rõ một điều về cách tôi đọc những bản phân tích kiểu này, bởi nó nằm trong máu nghề của tôi. Khi một bộ khung trả về toàn giá trị rỗng, phản xạ đầu tiên của người mới vào nghề là nghĩ rằng công cụ hỏng. Phản xạ của người có nghề là nghĩ rằng chính đề bài đặt sai. Bộ khung không hỏng. Nó hoạt động đúng như thiết kế: nó trả lời một câu hỏi mà nó được lập trình để trả lời, kể cả khi câu hỏi ấy chẳng liên quan gì tới chủ thể trước mặt. Cái đổ vỡ không nằm ở thuật toán, mà ở khâu quyết định đặt cái gì trước mặt thuật toán.

Đây là chỗ tôi thấy song song với chính nghề phân tích chiến thuật của mình. Chúng ta quen khen ngợi những mô hình tinh vi, từ mô hình dự đoán xác suất ghi bàn từ vị trí dứt điểm tới mô hình định lượng giá trị một pha lên bóng. Nhưng tôi đã học được rằng giá trị của một mô hình không nằm ở chỗ nó phức tạp tới đâu, mà ở chỗ nó có biết từ chối trả lời hay không. Một mô hình giỏi không phải mô hình luôn có đáp án. Nó là mô hình biết nói: tôi không đủ dữ liệu để trả lời câu này, và tôi sẽ không bịa ra một câu trả lời. Bản ghi sai miền kia lẽ ra phải bị trả về ngay từ cửa, kèm một dòng chữ đơn giản: chủ thể này không thuộc về đây.

Góc phản trực giác, và cũng là chỗ tôi muốn mọi người tranh luận với tôi: sai lầm đáng sợ không phải bản thân một bản ghi lạc đường. Sai lầm đáng sợ là niềm tin rằng đường ống là trung lập.

Chúng ta đã quen hình dung sân cỏ là nơi bóng đá thực sự diễn ra, và dữ liệu trên máy chỉ là tấm gương phản chiếu trung thực của sân cỏ. Nhưng tấm gương ấy được đánh bóng bằng hàng nghìn quyết định của con người: chọn nguồn nào, gán nhãn thế nào, bỏ qua gì, giữ lại gì. Mỗi quyết định ấy là một giả định chưa từng được viết ra. Và một hệ thống gồm toàn những giả định ngầm thì tự tin theo đúng tỉ lệ với việc nó không biết mình đang giả định điều gì.

Dữ liệu tracking không nói ai đúng, nó nói ai xuất hiện đúng lúc. Tôi vẫn dùng câu đó mỗi khi bị hỏi vì sao tôi không thần thánh hóa các con số. Nhưng nó còn đúng hơn ở tầng trên: một đường ống không nói sự thật là gì, nó nói điều gì đã lọt được qua cửa của nó.

Phản ứng đầu tiên của nhiều người khi thấy một lỗi như thế là đòi thêm rào chắn. Thêm bộ lọc, thêm cổng kiểm tra, thêm một tầng gán nhãn nữa. Tôi hiểu phản xạ ấy, và một phần trong tôi đồng ý. Một cổng kiểm tra ngữ nghĩa trước khâu thu nạp có thể chặn đứng những bản ghi như thế này. Nhưng thêm rào chắn mà không đổi cách nghĩ thì lại sinh ra một loại tự tin mới: tin rằng vì đã có nhiều cổng hơn, nên cái gì lọt qua cửa cũng đáng tin gấp bội. Mỗi cổng mới lại kèm theo một giả định mới về việc cái gì trông giống bóng đá. Một bản tin đời sống có gắn tên một câu lạc bộ vào phần bình luận sẽ qua mặt được cổng dựa trên từ khóa. Rào chắn không thay thế được sự khiêm tốn.

Còn một điểm tôi muốn đẩy xa hơn, có thể khiến độc giả của tôi gật gù nhưng người xây hệ thống thì khó chịu. Cái đáng lo không phải là bản ghi sai. Cái đáng lo là khả năng bản ghi sai ấy là triệu chứng, chứ không phải cá biệt. Nếu tầng gán nhãn có thể sai ở một trường hợp rõ ràng đến mức một người đọc trong ba giây cũng nhận ra, thì nó đang sai ở bao nhiêu trường hợp mờ nhạt hơn, những trường hợp mà không ai đủ kiên nhẫn để bấm vào kiểm tra. Tai hại nhất là những lỗi không nhìn thấy. Bản ghi này vô hại chỉ vì nó sai đến mức lộ liễu. Một bản ghi sai tinh vi, đúng chủ đề nhưng sai dữ kiện, đúng số liệu nhưng sai bối cảnh, đúng nguồn nhưng sai diễn giải, sẽ trôi qua cửa mà không ai bắt được.

Trong bóng đá, chúng ta có một cái tên cho loại tai hại ấy: cú đánh lừa mà cả khán đài không kịp thấy, cho tới khi bóng đã nằm trong lưới. Pháp 4-3 Argentina, ngày sự hỗn loạn được tổ chức đánh bại sự vô tổ chức có thiên tài. Tôi vẫn dùng câu đó để nhắc mình rằng chiến thắng không phải lúc nào cũng thuộc về bên đẹp hơn, mà thuộc về bên kiểm soát được sự hỗn loạn. Kiểm soát hỗn loạn, ở tầng dữ liệu, đồng nghĩa với việc biết rõ cái gì mình không cho phép đi qua. Italy của Mancini không sở hữu bóng, họ sở hữu thời điểm. Họ thắng bằng cách chọn đúng khoảnh khắc để can thiệp, không phải bằng cách có mặt ở mọi nơi. Một đường ống tốt cũng phải được xây như thế: chọn đúng khoảnh khắc để từ chối, chứ không phải cố nuốt mọi thứ rồi trông chờ may mắn.

Nếu bạn đọc tới đây và vẫn tự hỏi liệu một bản ghi lạc đường trong một hệ thống tin tức có đáng để tôi viết dài đến vậy, thì câu trả lời của tôi là: càng nhỏ, càng đáng lo. Vì cái lọt qua cửa một cách ồn ào thì sẽ bị ai đó bắt; còn cái lọt qua trong im lặng thì cứ thế ở lại, trở thành một phần của nền tảng mà hàng nghìn quyết định sau đó dựa vào.

Việc cần làm lúc này không nằm ở việc kết án một bản ghi. Nó nằm ở việc hỏi hệ thống một câu mà nó chưa từng được hỏi: trước khi phân tích một cái gì đó, ta có chắc nó thuộc về đây không. Và nếu câu trả lời là không, ta có đủ can đảm để trả nó về đúng chỗ, thay vì nhồi nó vào bộ khung cho vừa.

Với tôi, một người làm nghề phân tích chiến thuật kiếm sống nhờ dữ liệu sạch, lỗi lần này không phải một vết nhơ. Nó là một biển báo. Nó nói rằng mỗi con số tôi đưa vào bài viết đều phải đứng vững trước câu hỏi đầu tiên và đơn giản nhất: dữ liệu này có thuộc về câu hỏi tôi đang hỏi. Bởi rất nhiều bài phân tích tồi không thất bại ở tầng kết luận. Chúng thất bại ngay ở tầng đầu vào, nơi không ai chịu dừng lại để hỏi.