Nhãn sai và bảng điểm: Khi một bản tin ca nhạc lọt vào luồng dữ liệu bóng đá

Hai giờ bốn mươi bảy phút sáng, giờ Barcelona. Màn hình thứ hai của tôi bật lên một dòng nhật ký: kho dữ liệu chuyên mục bóng đá vừa nhận thêm một bản ghi mới. Nhãn phân loại ghi rõ: football. Trường thực thể ghi: Carín León, The Sphere. Tôi đọc lại ba lần. Carín León là nghệ sĩ nhạc regional của Mexico. The Sphere là một khán phòng lớn ở Las Vegas. Giữa hai cái tên ấy và bóng đá không tồn tại một sợi dây liên hệ nào, kể cả sợi dây mỏng nhất mà một biên tập viên thể thao thường tự huyễn hoặc mình vào những đêm thiếu tin.

Tôi mở bản ghi gốc. Không đội bóng. Không cầu thủ. Không tỷ số. Không xG, không PPDA, không một điều khoản giải phóng hợp đồng, không một dòng quỹ lương. Chỉ có hai chiếc máy bay thuê hỏng phanh rồi hỏng hệ thống lái, một đêm diễn bị hoãn vào phút chót, một video xin lỗi do chính nghệ sĩ đăng tải, và một chính sách hoàn tiền trong ba mươi ngày.

Tôi ngồi im khá lâu. Trong hơn năm mươi năm viết về bóng đá, tôi đã quen với kiểu dữ liệu nói dối bằng cách im lặng: thiếu số, thiếu mẫu, thiếu ngày sinh của chỉ số. Đây là lần đầu tiên tôi bắt gặp dữ liệu nói dối bằng cách nói to như thế.

Mùa hè 2026, tôi nhìn thấy bóng ma Opta – và từ đó, mắt tôi không còn tin vào những gì mình thấy.

BỐI CẢNH: NHÃN LÀ MỘT QUYẾT ĐỊNH, KHÔNG PHẢI MỘT SỰ THẬT

Để hiểu vì sao một bản ghi như vậy có thể lọt vào kho bóng đá, cần biết đường đi của nó. Mọi bản tin đổ về tòa soạn đều qua hai trạm. Trạm thứ nhất bóc tách văn bản: rút ra các điểm thông tin, quan điểm cốt lõi, thực thể được nhắc tên, rồi gán một nhãn lĩnh vực. Trạm thứ hai mới là nơi con người phân tích sâu theo chín chiều: chiến thuật và kỹ thuật, tài chính câu lạc bộ và thị trường chuyển nhượng, kết quả thi đấu và chu kỳ dư luận, bối cảnh giải và định vị đội, luật lệ và quản trị, ban huấn luyện và phòng thay đồ, hồ sơ rủi ro, truyền thông và kỳ vọng, truyền dẫn ngành.

Điểm mù nằm ở trạm thứ nhất. Nhãn lĩnh vực là một quyết định, và mọi quyết định đều có thể sai. Nhưng nhãn lại là thứ duy nhất quyết định bản ghi ấy sẽ được đọc bằng bộ công cụ nào. Dán nhãn bóng đá lên một bản tin hòa nhạc, hệ thống sẽ mang chín chiều phân tích bóng đá ra áp lên một sự kiện không có đội bóng nào. Kết quả đã hiện rõ trước mắt tôi: toàn bộ chín chiều trả về trạng thái trống, không phải vì người phân tích lười biếng, mà vì nguyên liệu không tồn tại.

Dựa trên kinh nghiệm theo dõi các trận đấu của tôi, tôi có lý do để không xem chuyện này là vặt vãnh. Tháng Tám năm 2026, ở tuổi năm mươi chín, tôi rời một tòa soạn in để sang một nền tảng thể thao trực tuyến ở Barcelona. Trận đầu tiên tôi phân tích bằng dữ liệu là chiến thắng 3-0 của Valencia trước Las Palmas ở vòng hai La Liga. Valencia ghi ba bàn với xG chỉ 1,4. Las Palmas pressing rất quyết liệt, PPDA ở mức 7,2, thấp bất thường, nhưng vỡ trận vì hàng thủ dâng cao. Đồng nghiệp cười vào mặt tôi: nhìn bảng số liệu mà không xem trận đấu. Tôi im lặng và dành ba tuần dựng một mô hình xG tự chế để kiểm chứng trên bảy mươi sáu trận đầu mùa.

Điều tôi học được không nằm ở mô hình. Nó nằm ở chỗ: một chỉ số chỉ có giá trị khi tôi biết nó được sinh ra từ đâu, bằng cách nào, và ai đã dán nhãn cho nó. Một chỉ số không có nguồn gốc cũng giống như một cầu thủ không có ngày sinh trong hộ chiếu. Bạn có thể đọc tên anh ta, nhưng bạn không thể ký hợp đồng với anh ta.

Khi sân vắng lặng năm 2026, tôi chợt hiểu: bóng đá chưa bao giờ chết, nó chỉ cởi bỏ lớp áo để lộ ra bộ xương. Và bộ xương ấy chính là cấu trúc dữ liệu. Mùa hè năm ấy, tôi được cấp quyền truy cập dữ liệu thời gian thực của một đội hạng hai ở Catalunya đang chơi trên sân nhà không khán giả. Tỷ lệ thắng sân nhà giảm từ 46 phần trăm xuống 38 phần trăm. Nhưng số đường chuyền vào một phần ba cuối sân lại tăng 11 phần trăm. Tôi viết một bài luận dài về không gian bị mất và áp lực tâm lý được ghi số hóa. Không ai tranh cãi với tôi, vì muốn tranh cãi thì phải có dữ liệu. Cũng từ mùa ấy, tôi hiểu rằng một kho dữ liệu sạch là thứ xa xỉ, còn một kho dữ liệu có nhãn đúng là thứ bắt buộc.

PHẦN LÕI: CHUỖI BẰNG CHỨNG VÀ GIẢI PHẪU CỦA MỘT NHÃN SAI

Bản ghi gốc, đọc kỹ, chứa mười chín điểm thông tin. Chúng kể một câu chuyện rất rõ ràng và rất không liên quan tới bóng đá. Hai chiếc máy bay thuê dành cho đoàn lưu diễn của Carín León lần lượt gặp sự cố kỹ thuật: chiếc thứ nhất hỏng phanh, chiếc thay thế hỏng hệ thống lái. Cơ trưởng và cơ quan chức năng quyết định không cất cánh. Đêm diễn tại The Sphere, Las Vegas bị hoãn vào phút chót. Nghệ sĩ đăng một video xin lỗi trên nền tảng mạng xã hội. Ban tổ chức thông báo vé còn giá trị cho ngày diễn mới, hoặc được hoàn tiền trong vòng ba mươi ngày. Khán giả bực bội vì tiền vé không phải khoản thiệt hại duy nhất: nhiều người đã trả tiền vé máy bay và tiền khách sạn.

Tôi ghi lại những dòng ấy vào sổ tay, đánh dấu ngày, rồi làm việc mà tôi vẫn làm với mọi bản ghi: đi tìm ngày sinh của dữ liệu. Với bản ghi này, ngày sinh nằm ở một chỗ rất hẹp. Nguồn chính là video do chính nghệ sĩ đăng tải. Không có bên thứ ba độc lập xác minh sự cố máy bay. Các mốc thời gian được nêu cho ngày diễn mới là tháng Chín năm 2026 và tháng Chín năm 2027, và tôi đánh dấu cả hai để kiểm chứng lại, bởi một mốc thời gian chưa được đối chiếu thì chưa phải là dữ liệu, nó chỉ là một con số đang chờ hộ chiếu.

Vậy tại sao bộ phân loại lại sai? Vì từ vựng của hai lĩnh vực chồng lên nhau ở đúng những điểm nhạy cảm nhất. Từ “đội” xuất hiện trong bản tin với nghĩa đoàn lưu diễn, còn trong bóng đá nó là đội bóng. Cụm “máy bay thuê” trong bản tin là phương tiện của đoàn lưu diễn, còn trong bóng đá nó gắn chặt với những chuyến bay thuê trong ngày cuối kỳ chuyển nhượng. Động từ “hoãn” trong bản tin là hoãn đêm diễn, trong bóng đá là hoãn trận đấu vì thời tiết hoặc an ninh. Cụm “hoàn tiền” trong bản tin là chính sách của ban tổ chức, trong bóng đá là hoàn vé khi trận đấu đổi lịch. Cụm “cơ quan chức năng quyết định” trong bản tin là quyết định an toàn bay, trong bóng đá là án phạt hành chính của cơ quan quản lý giải.

Một mô hình chỉ nhìn thấy vector từ. Nếu tập huấn luyện của nó chứa đủ nhiều bản tin chuyển nhượng với các cụm “máy bay thuê”, “hoãn”, “hoàn tiền”, “cơ quan chức năng”, thì một văn bản hội tụ đủ năm cụm ấy sẽ trôi về phía nhãn bóng đá với xác suất cao. Đây là dạng lỗi cổ điển của phân loại văn bản: trùng từ vựng nhưng lệch ngữ nghĩa.

Điểm mấu chốt nằm ở chỗ: bộ phân loại không sai vì nó kém, nó sai vì nó chưa bao giờ được yêu cầu phân biệt một sự kiện bị hoãn với một sự kiện thể thao bị hoãn. Hai câu ấy khác nhau chỉ một tính từ, và chính tính từ ấy là toàn bộ lĩnh vực.

Trong bóng đá, hoãn trận không phải chuyện hành chính. Nó chạm vào lịch thi đấu, vào thể lực, vào chuỗi trận, vào quyền lợi truyền hình, vào vé, vào tính toàn vẹn của giải. Một trận bị hoãn có thể mở ra một khoảng nghỉ hai tuần mà đội này cần và đội kia không. Với một đêm nhạc, sự hoãn chỉ tạo ra một khoản nợ dịch vụ. Hai sự kiện dùng chung một động từ, nhưng hậu quả nằm ở hai hệ quy chiếu khác nhau hoàn toàn.

Chín chiều phân tích đều trả về trạng thái trống: chiến thuật trống, tài chính câu lạc bộ trống, thị trường chuyển nhượng trống, kết quả thi đấu trống, bối cảnh giải trống, luật và quản trị trống, phòng thay đồ trống, hồ sơ rủi ro trống, chu kỳ truyền thông trống. Không một chiều nào bị bỏ sót. Tất cả đều trống.

Sự trống rỗng đồng loạt là một tín hiệu dữ liệu mạnh hơn bất kỳ chỉ số đơn lẻ nào. Nó nói rằng vấn đề không nằm ở phân tích, mà nằm ở nhãn. Khi một bảng chỉ số trả về trắng toàn bộ, người làm nghề có hai cách đọc. Cách thứ nhất là kết luận thiếu dữ liệu rồi đi thu thập thêm. Cách thứ hai, đúng hơn, là đặt câu hỏi liệu mình có đang đứng nhầm phòng hay không.

Rồi tôi nhận ra một chi tiết khiến bản ghi này bỗng trở nên đáng đọc với chính nghề của tôi. Nguồn chính của câu chuyện là một video do chính nghệ sĩ đăng tải. Một bên có quyền lợi trực tiếp, tự kiểm soát thông điệp, không có bên thứ ba độc lập xác minh sự cố máy bay. Trong phân tích truyền thông chuyên nghiệp, đó là cấu trúc nguồn có độ trung lập thấp. Và tôi đã nhìn thấy cấu trúc ấy ở đâu rồi? Ở chính các thông cáo y tế của câu lạc bộ bóng đá.

Một câu lạc bộ công bố chấn thương khi việc công bố có lợi cho giá cổ phiếu, cho giá trị chuyển nhượng, hoặc cho sức ép dư luận đè lên huấn luyện viên. Khi công bố là bất lợi, họ chọn im lặng, chọn cụm từ “chấn thương cơ”, chọn khoảng thời gian mơ hồ. Người hâm mộ và truyền thông bị đặt trong tình trạng mù thông tin có kiểm soát. Cấu trúc ấy giống hệt cấu trúc của một video xin lỗi tự đăng: bên gây ra vấn đề cũng là bên duy nhất kể lại vấn đề.

Một nguồn duy nhất, dù là ca sĩ hay câu lạc bộ, không bao giờ là dữ liệu. Nó là tuyên bố. Tuyên bố có thể đúng. Tuyên bố có thể thành thật. Nhưng tuyên bố không tự động trở thành bằng chứng chỉ vì nó được đăng tải công khai.

Thị trường chuyển nhượng là một tu viện nơi các con số tụng kinh; tôi chỉ ghi chép lại những gì chúng cầu nguyện. Chúng ta đang ở giữa kỳ chuyển nhượng. Độc giả của tôi chìm trong tiếng ồn: tin đồn từ một tài khoản, một dòng đăng bị xóa, một “nguồn thân cận” không tên. Việc đầu tiên tôi làm mỗi sáng là xếp hạng tin đồn theo bằng chứng, theo dõi dòng tiền, theo dõi điều khoản hợp đồng và động thái của người đại diện. Cấu trúc điều khoản giải phóng và quỹ lương mới là câu chuyện thực sự; cái tên trên trang nhất chỉ là hệ quả.

Nhưng bản ghi Carín León dạy tôi thêm một tầng nữa. Bộ lọc độ tin cậy mà tôi dựng cho độc giả cũng cần một bộ lọc. Nếu bộ lọc ấy chạy trên một kho dữ liệu có nhãn sai, nó sẽ lọc rất giỏi trong một cái kho bẩn. Bạn có thể xây một thang độ tin cậy năm bậc hoàn hảo, đặt nó lên một bản ghi không thuộc về lĩnh vực của bạn, rồi nhận về một kết luận rất chắc chắn về một thứ không tồn tại.

Có một nhánh phân tích khác mà bản ghi này mở ra, và nó thuộc về bóng đá thật. Chuyến bay thuê là một biến số chưa được đo trong hiệu suất thi đấu. Các câu lạc bộ châu Âu thuê máy bay riêng cho gần như mọi trận sân khách ở cúp châu lục. Lịch trình thường là: hạ cánh lúc ba giờ sáng, về khách sạn lúc bốn giờ, ngủ, rồi hai ngày sau ra sân. Chúng ta đo xG, đo PPDA, đo số mét chạy, đo nhịp tim, nhưng gần như không ai đo số giờ ngủ thực tế trên chuyến bay thuê, số lần chuyến bay bị hoãn vì lý do kỹ thuật, số giờ chờ ở sân bay. Một sự cố hệ thống lái ở một chuyến bay của một đoàn lưu diễn là lời nhắc rằng biến số ấy tồn tại trong bóng đá, chỉ là chưa ai chịu dán nhãn cho nó.

Tôi từng dành nhiều năm nhìn sang thể thao điện tử. Ở đó, tuổi nghề của một tuyển thủ ngắn hơn cầu thủ bóng đá rất nhiều, trong khi hệ thống đào tạo trẻ và lưới an sinh sau giải nghệ gần như bằng không. Một đoàn lưu diễn mắc kẹt vì máy bay hỏng nằm trong cùng một logic: những người lao động phía sau sân khấu, kỹ thuật viên, hậu cần, âm thanh, chịu thiệt hại thu nhập mà không ai đưa vào bất kỳ bảng thống kê nào. Bóng đá cũng vậy. Bảng lương công bố của một câu lạc bộ hiếm khi liệt kê đủ những người làm nên một trận đấu.

Cùng lúc, tôi nghĩ tới một thói quen khác của ngành: cách các giải đấu nữ bị dùng như đạo cụ cho trách nhiệm xã hội doanh nghiệp, được truyền thông trong đúng những tuần cần hình ảnh đẹp, rồi lặng lẽ rút khỏi ngân sách phân tích. Dữ liệu về bóng đá nữ mỏng hơn, mẫu nhỏ hơn, và vì thế cũng dễ bị dán nhãn sai hơn, dễ bị xếp vào ngăn phụ hơn. Một hệ thống dán nhãn sai một bản tin hòa nhạc là một hệ thống cũng sẽ dán nhãn sai một trận đấu nữ, và sẽ không ai phát hiện ra, vì chẳng ai kiểm tra ngăn phụ.

Còn một tầng nữa thuộc về kinh doanh thể thao. The Sphere là một khán phòng đa năng, và khán phòng đa năng đang cạnh tranh trực tiếp với sân vận động trong cùng một lịch. Doanh thu ngày không thi đấu, gồm hòa nhạc, hội nghị, sự kiện doanh nghiệp, đã trở thành trụ cột trong mô hình tài chính của nhiều câu lạc bộ châu Âu. Khi một đêm diễn bị hoãn, thiệt hại không dừng ở ban tổ chức. Nó lan sang chuỗi hậu cần địa phương, sang lịch nhân sự của khán phòng, sang hợp đồng bảo hiểm, sang dòng tiền của cả một khu vực. Tôi có thể phân tích tất cả những điều đó như một nhà báo dữ liệu thể thao mà không cần bịa ra một đội bóng nào.

GÓC PHẢN TRỰC GIÁC: LỖI LÀ TÀI LIỆU, KHÔNG PHẢI RÁC

Trực giác của tôi, và có lẽ của phần lớn người làm dữ liệu, là cách ly bản ghi này. Đánh dấu vô hiệu. Xóa khỏi tập huấn luyện. Gửi cảnh báo lên nhóm kỹ thuật. Tôi đã làm đúng như thế, và tôi vẫn khuyên làm như thế. Nhưng sau khi làm xong, tôi nhận ra mình vừa cất đi bản ghi giàu thông tin nhất trong cả lô dữ liệu đêm đó.

Một bản ghi được dán nhãn đúng chỉ xác nhận rằng hệ thống đang chạy. Nó không nói thêm điều gì. Một bản ghi bị dán nhãn sai lại vẽ ra đường biên quyết định của hệ thống: nó cho bạn biết mô hình đang dựa vào những từ khóa nào, đang tin vào cấu trúc nào, đang bỏ qua ngữ cảnh nào. Trong khoa học dữ liệu, lỗi phân loại là tài liệu huấn luyện đắt giá hơn dữ liệu sạch, vì dữ liệu sạch chỉ dạy mô hình điều đúng, còn lỗi dạy nó biết mình đang mù ở chỗ nào.

Và đây là chỗ tôi phải tự cảnh giác với chính mình. Tương quan không phải nhân quả. Việc một bản ghi bị dán nhãn bóng đá không có nghĩa là kho dữ liệu bóng đá đang sụp đổ, cũng không có nghĩa là mọi phân tích gần đây đều sai. Tôi đã sống đủ lâu để thấy người ta nhảy từ một mẫu nhỏ sang một định luật lớn chỉ trong một buổi sáng. Một bản ghi lỗi là một bản ghi lỗi. Muốn kết luận về tỷ lệ lỗi, tôi cần một mẫu kiểm tra có chủ đích, một khung thời gian xác định, và một định nghĩa rõ ràng thế nào là sai. Không có ba thứ ấy, tôi chỉ đang kể một câu chuyện hấp dẫn, và câu chuyện hấp dẫn là thứ nguy hiểm nhất mà một tu sĩ dữ liệu có thể sản xuất ra.

Điều đáng lo không nằm ở một nhãn sai. Điều đáng lo nằm ở việc không ai trong tòa soạn biết mình cần đếm số nhãn sai. Một lỗi được đếm là một lỗi đã được kiểm soát. Một lỗi không được đếm là một lỗi đang âm thầm định hình mọi kết luận phía sau nó.

Và tôi phải thú nhận một điều khó chịu hơn. Cách đây vài năm, trong một buổi họp biên tập, một đồng nghiệp trẻ trình bày một bản tin dựa trên một nguồn duy nhất, không ngày tháng, không đối chiếu. Tôi không phản bác tại chỗ. Tôi im lặng, về bàn, mở ba nguồn độc lập và mất hai ngày để kiểm chứng. Kết quả cho thấy bản tin ấy sai ở đúng một chi tiết nhỏ, nhưng chi tiết nhỏ ấy đổi toàn bộ ý nghĩa. Tôi đã không nói với ai. Tôi chỉ lặng lẽ viết lại bản tin của mình cho đúng. Suốt nhiều năm, tôi tự nhủ đó là sự cẩn trọng. Gần đây tôi tự hỏi liệu đó có phải là một dạng nhãn sai khác, một nhãn sai nằm trong im lặng của chính tôi.

Tôi đã 68 tuổi, nhưng dữ liệu thì trẻ hơn tôi từng thấy – mỗi mùa nó lại mọc thêm một lớp răng. Lớp răng mới nhất là các mô hình tự động dán nhãn. Chúng nhanh hơn tôi, rẻ hơn tôi, và sai theo những cách mà tôi chưa từng nghĩ tới. Nhiệm vụ của tôi không còn là dán nhãn nữa. Nhiệm vụ của tôi là đếm xem chúng dán sai bao nhiêu lần, và nói ra con số ấy.

ĐIỀU CẦN MANG THEO

Tín hiệu tôi sẽ theo dõi trong vòng tiếp theo không phải tên của bất kỳ cầu thủ nào. Nó là tỷ lệ dán nhãn sai của chính kho dữ liệu mà tôi đọc mỗi sáng, được công bố công khai như một chỉ số chất lượng, đứng cạnh những chỉ số khác trên cùng một bảng. Khi một tòa soạn dám in ra tỷ lệ sai của mình, độc giả sẽ có thứ để tin thay vì phải tin. Còn bản ghi Carín León, tôi giữ nó lại trong một thư mục riêng, đặt tên bằng đúng ngày nó xuất hiện. Một ngày nào đó, khi ai hỏi tôi vì sao một tu sĩ dữ liệu phải kiểm tra ba nguồn trước khi viết, tôi sẽ mở thư mục ấy ra, chỉ vào dòng nhật ký lúc hai giờ bốn mươi bảy phút sáng, và để nó tự trả lời.