Nhãn dữ liệu sai và điểm mù của ngành phân tích bóng đá

Tháng 4, một buổi sáng ở Thành Đô. Tôi mở bản ghi dữ liệu đầu vào của một quy trình phân tích bóng đá và thấy dòng chữ quen thuộc: Nhãn lĩnh vực — bóng đá. Bên dưới là 21 điểm thông tin. Tôi đọc hết một lượt. Không có đội bóng. Không có cầu thủ. Không có huấn luyện viên, sân vận động, giải đấu, hay một cú sút nào.

Thứ tôi đọc được là Klebsiella pneumoniae, một loại vi khuẩn kháng kháng sinh được tìm thấy ở chó và mèo tại 25 quốc gia, kèm mối quan hệ di truyền giữa các chủng phân lập từ vật nuôi và từ người. Bài gốc mang tiêu đề tiếng Tây Ban Nha: “¿Tu mascota puede portar bacterias resistentes a antibióticos? Esto se encontró”. Nghiên cứu công bố trên tạp chí Transboundary and Emerging Diseases, nhóm tác giả do giáo sư Stephen Fordham của Đại học Bournemouth dẫn dắt.

Một tệp tin y tế thú y nằm gọn trong ngăn kéo bóng đá, và không ai phát hiện trong suốt giai đoạn đầu của quy trình. Chính khoảnh khắc đó khiến tôi hiểu vấn đề không nằm ở vi khuẩn.

Bối cảnh: một cái nhãn được dán bởi thói quen

Ngành nội dung thể thao số vận hành bằng tốc độ. Một đường ống thu thập dữ liệu điển hình chạy theo ba bước: máy quét gom văn bản về, bộ phân loại gán nhãn lĩnh vực, rồi bộ trích xuất thực thể rút ra tên người, tên tổ chức, các giá trị số. Bước thứ hai quyết định văn bản đi vào ngăn nào. Ở trường hợp này, nó đi sai ngăn.

Nội dung khoa học trong bài gốc lại rất chỉn chu. Nhóm nghiên cứu phân tích 712 mẫu từ vật nuôi và đối chiếu với hơn 38.000 mẫu có nguồn gốc từ người. Họ ghi nhận 87% chủng vi khuẩn ở vật nuôi có quan hệ di truyền gần với các chủng ở người, 43% mẫu đề kháng kháng sinh, trong đó tỷ lệ đa kháng lên tới 80% ở mèo và 56,3% ở chó. Chủng ST147 được nêu như một dòng di truyền đáng theo dõi.

Rồi chính nhóm tác giả tự hạ nhiệt bài của mình. Họ nói thẳng rằng nghiên cứu chưa chứng minh vật nuôi lây vi khuẩn sang chủ, và “không có lý do gì để chủ vật nuôi hoảng loạn”. Một công trình biết tự đặt giới hạn cho mình — điều mà ngành phân tích bóng đá chúng tôi ít khi làm được.

Vậy cái nhãn bóng đá từ đâu ra? Câu trả lời kém vui là nó đến từ một trường mặc định trong biểu mẫu. Ai đó thiết kế đường ống nội dung với danh sách lĩnh vực cố định, và mọi tệp tin không khớp sẽ rơi vào ô trống đầu tiên. Tôi từng thấy chuyện tương tự ở các bảng dữ liệu V.League: một trận giao hữu tiền mùa giải bị gán nhãn là trận chính thức, và suốt ba tuần sau đó mọi bảng xếp hạng nội bộ đều lệch.

Bài gốc còn cho mượn một khái niệm đáng dùng: One Health, cách nhìn coi sức khỏe con người, động vật và môi trường là một chuỗi liên kết, nên giám sát kháng kháng sinh phải bao gồm cả vật nuôi. Bóng đá vận hành theo logic tương tự. Học viện, câu lạc bộ, đội tuyển quốc gia và hệ thống tuyển trạch là một chuỗi, và một mắt xích hỏng ở cấp học viện sẽ hiện ra ở cấp đội tuyển sau năm tới bảy năm. Chúng ta gọi đó là công tác đào tạo trẻ. Người ta chỉ gọi nó là chuỗi khi nó đứt.

Phần lõi: ba kiểu sai nhãn bóng đá Việt Nam đang mắc

Kiểu sai nhãn dễ thấy nhất là va chạm chuỗi ký tự. Trong bài gốc, chữ “Bournemouth” xuất hiện với tư cách một trường đại học, hoàn toàn khác câu lạc bộ AFC Bournemouth đang chơi ở Ngoại hạng Anh. Chữ “transmission” được dùng theo nghĩa dịch tễ, khác hẳn nghĩa chuyển đổi trạng thái trong bóng đá. Cụm “25 quốc gia” là địa lý y tế công cộng, không phải địa lý chuyển nhượng. Ba chuỗi ký tự, ba nghĩa khác nhau, và một bộ trích xuất thực thể làm ẩu sẽ gộp cả ba vào một ngăn.

Ở Việt Nam, kiểu va chạm này diễn ra hằng ngày. Một cầu thủ trẻ trùng tên với một doanh nghiệp. Một tỉnh có đội bóng chuyên nghiệp và cũng có một giải phong trào cùng tên. Một huấn luyện viên nước ngoài trùng họ với một cựu danh thủ châu Âu. Không có cổng kiểm tra loại thực thể, mọi bảng thống kê đều có thể nhiễm bẩn mà không ai biết.

Bất đối xứng mẫu là chỗ dễ bị bỏ qua hơn. Nhóm nghiên cứu so 712 mẫu vật nuôi với hơn 38.000 mẫu người, tỷ lệ xấp xỉ một trên năm mươi, và họ nêu rõ điều đó để nhắc người đọc rằng bằng chứng phía vật nuôi mỏng hơn hẳn. Nếu bỏ qua ghi chú ấy, một tiêu đề giật gân có thể khiến công chúng tin vào kết luận mạnh hơn dữ liệu thực có.

Bóng đá Việt Nam sống bằng những mẫu nhỏ như thế. Một tiền đạo ghi bốn bàn trong năm trận lập tức được gọi là người không thể thay thế. Một tiền vệ đá chính vài trận ở nước ngoài rồi về nước bị kết luận là thất bại, như trường hợp Nguyễn Quang Hải trong giai đoạn khoác áo Pau FC. Tôi từng phân tích dữ liệu GPS của Oscar trong trận derby Thượng Hải năm 2026 và phát hiện anh có 14 lần di chuyển vào nửa không gian bên phải, mở khoảng trống cho Vương Thâm Siêu băng xuống. Một trận, một mẫu, và tôi ghi rõ trong bài rằng kết luận chỉ ở mức giả thuyết.

Dữ liệu không thay thế cảm giác, nhưng nó vạch ra nơi cảm giác đang tự lừa mình.

Mạng lưới tuyển trạch ở các nền bóng đá đang phát triển là ví dụ rõ nhất cho vấn đề mẫu. Cùng một mạng lưới vừa tìm ra một tài năng thật, vừa tạo ra những suất thử việc không dẫn tới đâu và những gia đình tan vỡ. Dữ liệu về số ca thành công rất đẹp. Dữ liệu về số ca thất bại hầu như không tồn tại, vì không ai thu thập. Một tập dữ liệu chỉ ghi lại mặt sáng không phải là tập dữ liệu; nó là một bản cáo bạch.

Còn một thủ pháp nữa: tiêu đề dạng câu hỏi. “Vật nuôi của bạn có thể mang vi khuẩn kháng kháng sinh?” vừa đủ để gây lo, vừa đủ để phòng thủ nếu bị chất vấn. Ngành chuyển nhượng bóng đá dùng đúng cách đó: “Liệu ngôi sao này có rời V.League?” Câu hỏi không cam kết điều gì, nhưng thu về lượng tương tác của một lời khẳng định.

Tôi học được giá trị của việc xác minh thực thể bằng một cú vấp. Tại World Cup 2026, khi bình luận trực tiếp trận Tây Ban Nha – Bồ Đào Nha, tôi đọc sai tên Diego Costa ba lần thành “Diego Castro”. Khán giả phát hiện ngay. Tôi không biện minh, mà dành bốn tuần xem lại toàn bộ 12 trận vòng bảng và ghi chép ở thì hiện tại: thời điểm mất bóng, vị trí các tiền vệ. Từ đó, mỗi tên cầu thủ đều được tôi tra phiên âm bằng ba thứ tiếng trước khi lên sóng.

Đó chính là cổng kiểm tra loại thực thể mà một đường ống dữ liệu bóng đá cần có, chỉ khác là nó nằm trong đầu tôi thay vì nằm trong mã nguồn.

Âm thanh sân cỏ không biết nói dối; hình ảnh thì luôn biết cách tô màu.

Điểm được nhóm tác giả chủ động dập tắt lại là điểm dễ gây sốc nhất: tương quan không phải nhân quả. Họ tìm thấy quan hệ di truyền và nói rõ quan hệ đó không đồng nghĩa vật nuôi làm chủ bệnh. Ở bóng đá, chúng ta hiếm khi trung thực đến vậy. Một đội thắng bảy trận khi trung vệ trụ cột đá chính, và kết luận được viết ngay: cầu thủ ấy là lá bùa. Bảy trận, không nhóm đối chứng, không ai kiểm tra đối thủ trong bảy trận đó là ai.

Không gian là thủ phạm, thời gian là nhân chứng.

Góc phản trực giác: nguy hiểm nhất không phải cái nhãn sai

Điều dễ thấy là cái nhãn sai. Điều đáng lo hơn nằm ở chỗ khác: ngành phân tích bóng đá gần như không bao giờ kiểm toán đầu vào của chính mình.

Chúng ta kiểm tra chỉ số bàn thắng kỳ vọng, tranh luận về số phút thi đấu, tỷ lệ chuyền chính xác, giá trị chuyển nhượng. Rất ít người quay lại hỏi tệp dữ liệu gốc đến từ đâu, ai gán nhãn, và nhãn đó có đúng. Một bản ghi y tế thú y lọt vào ngăn bóng đá là lỗi của đường ống. Việc lỗi đó tồn tại suốt một giai đoạn mà không ai phát hiện lại là lỗi của văn hóa làm việc: chúng ta thưởng cho kết luận tự tin, không thưởng cho sự truy xuất nguồn gốc.

Tôi không tin vào giải pháp cực đoan theo hướng ngược lại. Sẽ có người nói nên loại bỏ mọi dữ liệu ngoại lai và chỉ dùng số liệu nội bộ. Làm thế là tự bịt mắt mình. Chính dữ liệu ngoại lai — 712 mẫu so với 38.000, tỷ lệ 80% và 56,3%, chủng ST147 — mới là phần khiến câu chuyện có sức nặng. Giá trị của nó không nằm ở chỗ nó thuộc về bóng đá hay không, mà ở chỗ nó cho thấy một cách đặt giới hạn nghiên cứu mà bóng đá nên học.

Thứ cần loại bỏ không phải dữ liệu bên ngoài, mà là thao tác gán nhãn vô thức.

Khoảnh khắc bóng đổi chủ mới là lúc trận đấu thực sự bắt đầu. Và trong phân tích, khoảnh khắc dữ liệu đổi ngăn mới là lúc sai sót thực sự bắt đầu.

Điều cần kiểm chứng

Ba câu hỏi nên nằm ở cửa vào của mọi bảng dữ liệu. Tệp này chứa loại thực thể nào. Giá trị lớn nhất trong đó được lấy từ bao nhiêu quan sát. Kết luận mạnh nhất trong nguồn gốc có kèm giới hạn nào không. Nếu cả ba đều không trả lời được, tốt hơn nên để tệp đó lại bên ngoài thay vì đưa lên bàn phân tích.

Sân cỏ không phải là bản đồ, mà là tọa độ của những quyết định tắt. Còn dữ liệu bóng đá, trước khi trở thành bản đồ chiến thuật, phải là một tấm ảnh chụp đúng chỗ.