Khi dữ liệu bị dán nhãn sai: Bài học từ một văn bản luật giao thông đội lốt bóng đá

Có một câu chuyện mà tôi luôn kể với các cộng sự khi họ hỏi về độ tin cậy của quy trình dữ liệu. Chuyện xảy ra ở Mexico City, nhưng bài học thì có thể áp dụng ở bất cứ đâu — kể cả trong bóng đá.

Tòa án Tối cao Mexico (SCJN) vừa ra phán quyết giữ nguyên hệ thống phạt nguội qua camera giao thông tại Mexico City. Theo đó, chủ phương tiện phải chịu trách nhiệm kinh tế chung với tài xế khi bị camera ghi lại vi phạm. Chủ tịch Tòa án Tối cao, ông Hugo Aguilar Ortiz, cùng Bộ trưởng Giovanni Figueroa Mejía, đã bỏ phiếu ủng hộ tính hợp hiến của cơ chế này, với lập luận rằng camera giúp giải quyết các vấn đề tham nhũng trong thực thi giao thông.

Một văn bản thuần túy về luật hiến pháp và quy định giao thông. Không có đội bóng nào, không có cầu thủ nào, không có chiến thuật nào.

Vậy tại sao nó lại nằm trong đường ống dữ liệu bóng đá?

Đây là lúc câu chuyện trở nên thú vị hơn với chúng ta.

Tôi đã dành năm năm cuối sự nghiệp để xây dựng các pipeline dữ liệu cho đội bóng, và tôi có thể nói với bạn rằng: sai sót trong gán nhãn là kẻ thù nguy hiểm nhất. Nó không ồn ào như một lỗi thuật toán. Nó không gây ra sai số lớn ngay lập tức. Nó lặng lẽ lẻn vào, như một vị khách không mời ngồi nhầm bàn tiệc, và từ từ làm hỏng mọi kết luận được xây dựng trên đó.

Lần đầu tiên tôi chứng kiến điều này với quy mô lớn là vào năm 2026, khi đại dịch khiến các giải đấu đình chỉ và chúng tôi phải đối mặt với cú sốc thiếu dữ liệu mới. Tôi không ngồi chờ. Tôi quay lại đánh giá dữ liệu năm mùa giải châu Âu và phát hiện ra một điều thú vị: PPDA trung bình của đội chủ nhà trước đại dịch là 9.6, nhưng khi sân vận động trống, con số này giảm xuống còn 8.9. Nghĩa là đội chủ nhà pressing thấp hơn khi không có khán giả.

Nhưng để phát hiện ra quy luật đó, tôi phải loại bỏ hàng trăm dòng dữ liệu bị gán nhãn sai. Các trận đấu được ghi là "có khán giả" nhưng thực tế là sân trống do hạn chế COVID. Các số liệu PPDA bị gán nhầm cho đội khách trong một số trường hợp. Nếu tôi không kiểm tra chéo, tôi đã có thể đưa ra kết luận hoàn toàn sai lệch.

Trường hợp của văn bản luật Mexico City là phiên bản cực đoan của vấn đề này.

Đây không phải là lỗi nhỏ. Đây là một văn bản pháp lý bị dán nhãn "Football" trong hệ thống phân loại tự động. Nó không chỉ sai về mặt nội dung — nó sai về toàn bộ bối cảnh. Không có đội bóng nào trong đường ống dữ liệu thuộc về nó. Không có cầu thủ nào có thể được trích xuất. Không có chiến thuật nào có thể được phân tích.

Tôi đã từng thấy một trường hợp tương tự khi làm việc với CLB Shenzhen FC. Tháng 1 năm 2026, tôi được nhờ đánh giá tiền vệ Enzo Fernández của River Plate. Tôi chỉ ra anh ta có xG chain 0.45 mỗi trận — nằm trong top 5% giải Argentina. Nhưng quãng đường chạy trung bình chỉ 9.8 km, thấp hơn tiêu chuẩn 11.2 km của khu vực. Giám đốc thể thao của CLB chỉ nhìn vào con số cardio, bác bỏ báo cáo của tôi, và ký hợp đồng với một tiền vệ nội địa khác.

Enzo sau đó tỏa sáng tại World Cup và được Chelsea chiêu mộ.

Tôi đã viết một bài về vụ đó với tiêu đề "Khi một con số giết chết một thương vụ". Nhưng bài học tôi rút ra không phải là "dữ liệu luôn đúng". Bài học là: dữ liệu chỉ đúng khi chúng ta hiểu nó được sinh ra từ đâu, được gán nhãn như thế nào, và có thực sự thuộc về bối cảnh mà chúng ta đang phân tích hay không.

Quay lại Mexico City.

Phán quyết của SCJN không có bất kỳ giá trị nào đối với bóng đá. Không có đội bóng nào ở CDMX được hưởng lợi hay bị thiệt hại từ quyết định này, ngoại trừ một chi tiết nhỏ: nếu một CLB có đội xe đưa đón cầu thủ và xe bị camera ghi lại vi phạm, CLB đó sẽ phải chịu trách nhiệm kinh tế. Nhưng đây là một khoản mục ngân sách không đáng kể, và bản thân văn bản cũng không hề đề cập đến bất kỳ CLB nào.

Vậy nếu đây là dữ liệu bị gán nhãn sai, tại sao chúng ta lại nói về nó?

Bởi vì trong ngành phân tích bóng đá, chúng ta đang xây dựng mọi thứ dựa trên niềm tin rằng dữ liệu đầu vào là chính xác. Các mô hình dự đoán xG, các chỉ số PPDA, các hệ thống định giá chuyển nhượng — tất cả đều phụ thuộc vào một giả định ngầm: rằng con số chúng ta đang đọc thực sự thuộc về trận đấu mà chúng ta đang phân tích.

Khi một văn bản về camera giao thông lọt vào pipeline bóng đá, đó không chỉ là một lỗi kỹ thuật. Đó là một tín hiệu rằng quy trình kiểm soát chất lượng của chúng ta đang có lỗ hổng.

Và trong thế giới phân tích dữ liệu thể thao, lỗ hổng nhỏ nhất cũng có thể dẫn đến thảm họa lớn nhất.

Hãy tưởng tượng điều gì sẽ xảy ra nếu hàng nghìn văn bản phi bóng đá lọt vào cơ sở dữ liệu của một đội bóng. Các mô hình học máy sẽ bắt đầu tìm ra những mối tương quan không tồn tại. Các chỉ số sẽ bị kéo lệch. Các quyết định chuyển nhượng sẽ dựa trên những con số được sinh ra từ... luật giao thông Mexico City.

Nghe có vẻ vô lý. Nhưng đó chính xác là cách mà các thảm họa dữ liệu bắt đầu — không phải bằng một sai sót lớn, mà bằng hàng nghìn sai sót nhỏ không được phát hiện.

Trong sự nghiệp của mình, tôi đã học được một điều: tỷ lệ lỗi gán nhãn trên 2% là dấu hiệu đỏ. Nếu bạn đang xây dựng một mô hình dự đoán kết quả trận đấu và 2% dữ liệu đầu vào thực sự là về... luật giao thông, bạn đang không phân tích bóng đá. Bạn đang phân tích một thứ gì đó hoàn toàn khác, và kết quả sẽ phản ánh điều đó.

Tôi không tin vào may mắn. Tôi tin vào một mẫu dữ liệu đủ lớn và đủ sạch.

Nhưng để có được mẫu dữ liệu sạch, chúng ta phải chấp nhận một sự thật khó chịu: không phải mọi thứ được gắn nhãn "bóng đá" đều thực sự là bóng đá.

Đó là lý do tại sao tôi luôn kiểm tra chéo mọi nguồn dữ liệu. Đó là lý do tại sao tôi xây dựng các quy trình kiểm soát chất lượng nghiêm ngặt đến mức có vẻ ám ảnh. Và đó là lý do tại sao tôi không bao giờ đưa ra kết luận dựa trên một chỉ số đơn lẻ.

Trong trường hợp của Enzo Fernández, tôi đã may mắn vì có đủ dữ liệu để chứng minh quan điểm của mình. Nhưng nếu dữ liệu về anh ta bị gán nhãn sai, câu chuyện đã có thể kết thúc theo một cách hoàn toàn khác.

Vậy câu hỏi đặt ra cho tất cả chúng ta — những người làm việc với dữ liệu bóng đá — là: chúng ta đang kiểm tra nguồn dữ liệu của mình thường xuyên như thế nào?

Bởi vì nếu chúng ta không kiểm tra, chúng ta không bao giờ biết được liệu mình đang phân tích một trận bóng đá hay một văn bản luật giao thông.

Và trong cả hai trường hợp, con số vẫn sẽ nói dối — theo cách của nó.

Khi dữ liệu bị dán nhãn sai, không chỉ kết luận của chúng ta bị sai. Toàn bộ cấu trúc lập luận được xây dựng trên đó sẽ sụp đổ. Trong kỷ nguyên mà các mô hình học máy ngày càng phụ thuộc vào dữ liệu lớn, việc kiểm soát chất lượng đầu vào không còn là một tùy chọn. Nó là điều kiện tiên quyết để tồn tại.

Và nếu bạn đang tự hỏi liệu một văn bản về camera giao thông có thể ảnh hưởng đến phân tích bóng đá hay không, hãy nhớ điều này: trong một pipeline dữ liệu, một dòng sai có thể làm hỏng một mùa giải phân tích.