Nhãn sai và dữ liệu bẩn: một bản tin trợ giá xăng lọt vào đường ống phân tích bóng đá

Đêm thứ Bảy, tôi mở tệp dữ liệu của một đường ống phân tích mà mình cộng tác thường xuyên, chờ lấy chỉ số pressing của mười trận gần nhất. Dòng thứ bốn mươi hai hiện ra tên Ali Pervaiz Malik, Bộ trưởng Dầu khí Pakistan, kèm mức trợ giá từ 35 đến 40 tỷ rupee mỗi tháng. Cột phân loại lĩnh vực ghi một chữ: bóng đá. Tôi ngồi im vài phút rồi đọc lại toàn bộ tệp. Không đội bóng. Không cầu thủ. Không huấn luyện viên. Không giải đấu. Không một pha bóng nào được ghi lại.

Trong nghề này, chúng ta quen tranh cãi những chuyện rất nhỏ: nhà cung cấp này định nghĩa xG khác nhà cung cấp kia, PPDA được tính ở đoạn nào trên sân, một pha chạm bóng nên ghi là đường chuyền hay pha phá bóng. Bóng đá là môn cờ vua với những quân tốt biết chạy. Quân tốt thì không mặc áo quan chức chính phủ.

Một đường ống gồm ba tầng, và tầng thứ hai là tầng không ai kiểm tra.

Mỗi trận đấu ở giải hàng đầu sản sinh hai luồng dữ liệu song song. Luồng sự kiện ghi lại từng đường chuyền, từng cú sút, từng pha tranh chấp. Luồng tracking ghi vị trí của toàn bộ cầu thủ theo tần suất hàng chục khung hình mỗi giây. Một trận như thế tạo ra hàng triệu điểm dữ liệu. Nhân với ba mươi tám vòng của một mùa giải, khối lượng vượt xa khả năng đọc của bất kỳ cá nhân nào.

Vì thế đường ống buộc phải chia tầng. Tầng thu thập gom dữ liệu thô. Tầng dán nhãn gán cho mỗi bản ghi một lĩnh vực, một chủ đề, một danh sách thực thể. Tầng phân tích mới bắt đầu đặt câu hỏi chiến thuật. Sai sót ở tầng thứ hai đi thẳng xuống tầng thứ ba, vì tầng thứ ba mặc định tầng thứ hai đã đúng. Không ai chặn lại. Không ai được giao nhiệm vụ chặn lại.

Bản ghi tôi cầm trên tay đã đi đúng con đường đó. Nó được gán nhãn bóng đá, rồi được đẩy vào một quy trình phân tích chuyên sâu gồm tám chiều, và cả tám chiều đều trả về kết quả giống nhau: không đủ thông tin để đánh giá. Điều đáng chú ý nằm ở chỗ khác. Trường thực thể của bản ghi vẫn còn nguyên dòng ghi chú yêu cầu xác định thực thể từ các điểm thông tin phía trên. Tầng thứ nhất chưa hoàn tất. Tầng thứ hai vẫn chạy. Tầng thứ ba vẫn chạy tiếp.

Phân tích chiến thuật sống bằng nhãn, và nhãn là thứ dễ hỏng nhất trong toàn bộ hệ thống.

Dựa trên kinh nghiệm theo dõi các trận đấu của tôi, tôi từng dành trọn mùa hè 2026 mổ xẻ mười trận Atalanta của Gasperini bằng dữ liệu tracking mua lại từ một nhà cung cấp độc lập. Đội bóng đó thực hiện trung bình 56 pha pressing mạnh mỗi trận, trong đó 23 pha nằm ở bốn mươi mét cuối sân đối phương. Khi hai hậu vệ biên cùng dâng cao và một tiền vệ lùi sâu tạo thành hình chữ V, tỷ lệ chuyền hỏng của cả đội giảm khoảng 18%. Ba thông số đó chỉ có nghĩa nếu tôi chắc chắn rằng cả mười trận đều thuộc về Atalanta, thuộc về Serie A, thuộc về mùa giải 2026-20.

Nếu một trong mười bản ghi đó lặng lẽ thuộc về một trận bóng chuyền, toàn bộ kết luận sẽ sụp đổ. Nhưng tôi sẽ không biết. Tôi sẽ công bố, và người đọc sẽ tin, vì những thông số ấy trông rất cụ thể.

Đó là cơ chế khiến dữ liệu bẩn nguy hiểm hơn dữ liệu thiếu. Dữ liệu thiếu tự báo hiệu bằng ô trống. Dữ liệu bẩn tự báo hiệu bằng một thông số trông hoàn toàn bình thường. Dữ liệu tracking không nói ai đúng, nó nói ai xuất hiện đúng lúc.

Sự cố cụ thể này bắt nguồn từ một va chạm từ khóa, và va chạm đó có thật trong từ vựng bóng đá.

Trong bản ghi có một dữ kiện: hơn sáu triệu lượt đăng ký tham gia chương trình trợ giá. Từ đăng ký trong tiếng Anh — registration — là một thuật ngữ chuẩn của bóng đá chuyên nghiệp. FIFA có khái niệm registration period, tức kỳ đăng ký cầu thủ, và mọi bản hợp đồng chuyển nhượng đều phải hoàn tất thủ tục này trước khi cầu thủ đủ điều kiện ra sân. Một bộ phân loại hoạt động bằng từ khóa chỉ nhìn thấy chữ registration và gán nhãn bóng đá. Nó làm đúng theo thiết kế. Thiết kế mới là thứ sai.

Bản ghi còn chứa một từ khác cũng thuộc từ vựng bóng đá ở dạng danh từ ghép. Từ scheme xuất hiện trong tiếng Anh bóng đá để chỉ một phương án chơi, một sơ đồ tổ chức lối đá. Nhà phân tích nào cũng từng viết về pressing scheme hay build-up scheme. Chương trình trợ giá xăng được gọi là subsidy scheme. Hai lĩnh vực khác nhau hoàn toàn, dùng chung một danh từ, và bộ phân loại không có cách nào phân biệt nếu không đọc phần còn lại của câu.

Tôi đã kiểm tra mười bảy điểm thông tin trong bản ghi đó. Tất cả đều xoay quanh giá nhiên liệu, chương trình trợ giá, và phát ngôn của Thủ tướng Shehbaz Sharif. Không một điểm nào nhắc đến bóng đá. Tỷ lệ tín hiệu nhiễu trên tổng số tín hiệu là một trăm phần trăm.

Trong lĩnh vực chuyển nhượng, chúng ta đã quen với những dữ kiện đến từ một nguồn duy nhất rồi được lan truyền như sự thật. Một nhà báo đưa tin, mười trang khác dẫn lại, và sau bốn mươi tám giờ mức giá trở thành ký ức tập thể. Bản ghi Pakistan cũng vận hành y hệt. Nguồn duy nhất là phát ngôn của một bộ trưởng. Không có tiếng nói đối lập. Không có kiểm chứng độc lập. Nhưng nó đã đi qua ba tầng xử lý mà không bị giữ lại.

Trên sân cỏ, chúng ta có những cơ chế giữ lại. Trọng tài biên giơ cờ. VAR vẽ đường viền. Một bàn thắng bị từ chối vì cầu thủ đứng sai vị trí mười centimet. Chúng ta chấp nhận sự chậm trễ đó vì một bàn thắng sai làm hỏng cả mùa giải. Trong đường ống dữ liệu, không có trọng tài biên nào giơ cờ cho một nhãn sai.

Phía sau mỗi lần dán nhãn sai là một động lực kinh tế rất cụ thể: khối lượng luôn được thưởng, độ chính xác thì không.

Các nền tảng dữ liệu thể thao cạnh tranh bằng độ phủ. Ai phủ nhiều trận hơn, nhiều giải hơn, nhiều chỉ số hơn, người đó thắng hợp đồng. Không ai ký hợp đồng vì đối thủ có quy trình kiểm tra nhãn tốt hơn. Kết quả là chi phí đầu tư dồn vào tầng thu thập, nơi tạo ra thứ để bán, và bị cắt ở tầng kiểm tra, nơi không tạo ra thứ gì để trình bày.

Câu chuyện này lặp lại ở nhiều nơi khác trong bóng đá. Quyền thay năm người ra đời để bảo vệ cầu thủ, nhưng nó cũng mở ra một dòng dữ liệu mới về quản lý tải trọng, và dòng dữ liệu đó chỉ có giá trị nếu nhãn về số phút thi đấu chính xác đến từng phút. Ở cấp độ học viện, người ta thu thập dữ liệu về số phút thi đấu của cầu thủ mười bảy tuổi, rồi dùng nó để quyết định ai được đôn lên đội một. Một nhãn sai ở đây không làm hỏng bảng xếp hạng. Nó làm hỏng một sự nghiệp.

Thị trường tài trợ cũng vậy. Khi áo đấu của một câu lạc bộ địa phương trở thành bảng quảng cáo cho một nhãn hàng toàn cầu không có gốc rễ ở thành phố đó, thứ duy nhất còn được đo là mức độ phơi bày. Nhưng dữ liệu phơi bày ấy chỉ có nghĩa nếu hệ thống nhận diện đúng người xem, đúng khán đài, đúng trận. Một nhãn sai biến số liệu tài trợ thành một con số vô nghĩa được trình bày rất đẹp.

Góc nhìn ngược: lỗi không nằm ở bộ phân loại, mà nằm ở việc không ai chịu mở tệp ra đọc.

Phản ứng đầu tiên của hầu hết mọi người khi nghe câu chuyện này là đòi thay bộ phân loại. Đó là phản xạ sai. Mọi bộ phân loại đều sẽ sai ở một tỷ lệ nào đó, vì ngôn ngữ tự nhiên luôn có từ đa nghĩa, và bóng đá là một trong những lĩnh vực có từ vựng bị mượn nhiều nhất: scheme, registration, window, transfer, coverage. Không có phiên bản nào của thuật toán loại bỏ được hoàn toàn va chạm từ khóa.

Thứ có thể loại bỏ được là việc chạy toàn bộ quy trình phân tích chuyên sâu trên một bản ghi mà tầng trước đó chưa hoàn tất. Khi trường thực thể vẫn còn nguyên dòng ghi chú chờ điền, hệ thống đã có đủ tín hiệu để dừng. Nó không dừng. Nó chạy tám chiều phân tích, và cả tám chiều trả về kết quả rỗng. Một quy trình tốn công như vậy để phát hiện ra điều mà một người đọc lướt qua ba mươi giây đã nhận ra.

Ngành phân tích bóng đá đang xây những nhà máy tinh lọc cực kỳ tinh vi, đặt trên một đường ống dẫn nguyên liệu không có van chặn. Chúng ta nói rất nhiều về mô hình. Chúng ta nói rất ít về vệ sinh dữ liệu, vì vệ sinh dữ liệu không tạo ra hình ảnh đẹp để đăng lên. Nhưng Pháp 4-3 Argentina — ngày sự hỗn loạn được tổ chức đánh bại sự vô tổ chức có thiên tài — cũng chỉ có thể được giải thích vì ai đó đã chịu ngồi lại đếm đúng từng pha bóng. Pháp kiểm soát bóng 38%, dứt điểm 14 lần so với 12 của Argentina, và Mbappé tăng tốc sáu pha với tổng quãng chạy 312 mét trong các tình huống phản công. Những thông số đó không tự xuất hiện. Có người ghi chúng, và có người kiểm tra lại ghi chép của mình.

Italy của Mancini không sở hữu bóng, họ sở hữu thời điểm. Trận bán kết Euro 2026 với Tây Ban Nha, Italy thực hiện 612 đường chuyền, trong đó 23 đường chuyền xuyên tuyến vào một phần ba sân đối phương. Toàn bộ 612 đường chuyền đó chỉ đúng nghĩa nếu người ghi chép phân biệt được đường chuyền ngang sân nhà với đường chuyền phá vỡ tuyến. Một nhãn sai ở đây biến một tiền vệ kiểm soát thành một trung vệ chuyền bóng an toàn, và biến một buổi phân tích thành một bài ca ngợi sai người.

Điều đáng theo dõi ở vòng đấu tới không nằm trên sân.

Nếu bạn đang vận hành hoặc sử dụng một đường ống dữ liệu bóng đá, hãy thử một việc trong tuần này: chọn ngẫu nhiên hai mươi bản ghi và tự tay đọc phần mô tả. Đếm xem bao nhiêu bản ghi có trường thực thể còn bỏ trống. Kết quả đó cho biết quy trình của bạn đang chạy bằng niềm tin hay bằng kiểm chứng. Bóng đá đã dạy chúng ta rằng một hệ thống chỉ đáng tin khi có người chịu trách nhiệm kiểm tra nó. Đường ống dữ liệu cũng vậy, và ở đó chưa có VAR.