Hộp dữ liệu rỗng: lỗi im lặng trong phòng phân tích thể thao

Đồng hồ trên tường phòng dữ liệu chỉ 3 giờ 12 phút sáng. Tiếng quạt tản nhiệt của máy trạm kêu đều như tiếng côn trùng ngoài cửa sổ, và mùi cà phê nguội đã bám vào không khí từ lúc nào không rõ. Trên màn hình là một bảng chín cột, và cả chín cột đều trống: không tên giải đấu, không tên đội, không mốc thời gian, không một con số nào. Chàng phân tích viên hai mươi ba tuổi ngồi trước bảng đó, tay đặt hờ trên bàn phím cơ, và câu đầu tiên cậu định gõ là “Không phát hiện rủi ro nào”.

Tôi đã nhìn thấy bảng ấy. Nó là một cái hộp rỗng được dán nhãn cẩn thận.

Mối nguy lớn nhất trong phòng phân tích thể thao hiện đại nằm ở dữ liệu trống, chứ không nằm ở dữ liệu sai. Dữ liệu sai còn tranh luận được, còn kiểm chứng được, còn sửa được. Dữ liệu trống, khi đi qua đủ nhiều lớp xử lý tự động, sẽ bị đọc thành dữ liệu sạch. Và thứ được giao cho khán giả lúc đó là một sự yên tâm giả, được đóng gói trong đúng định dạng mà tòa soạn yêu cầu.

Cái ống nước mà không ai nhìn

Mọi quy trình phân tích thể thao chuyên nghiệp hiện nay chạy trên hai tầng. Tầng thứ nhất bóc tách văn bản nguồn thành các trường có cấu trúc: tên cầu thủ, thông số, mốc thời gian, nguồn trích dẫn, mức độ tin cậy của nguồn. Tầng thứ hai mang khung phân tích chuyên môn áp lên cấu trúc đó, chạy qua những chiều quen thuộc: thể thức giải đấu, sức mạnh đội hình, bản đồ khu vực, tài chính câu lạc bộ, luật và quản trị, hồ sơ rủi ro, truyền thông kỳ vọng, chuỗi lan truyền của cả ngành.

Khi tầng thứ nhất trả về một gói dữ liệu trống nhưng vẫn đúng tên trường và đúng kiểu dữ liệu, tầng thứ hai không hề báo lỗi. Nó lặng lẽ điền “không đủ thông tin” vào từng ô, rồi xuất ra một báo cáo trông rất chuyên nghiệp: có tiêu đề mục, có bảng, có kết luận, có cả phần cảnh báo rủi ro. Bên trong không có một đội bóng nào.

Tôi gọi đó là lỗi im lặng. Nó nguy hiểm hơn lỗi ồn ào rất nhiều, vì hệ thống kiểm tra tự động chỉ soát hình dạng dữ liệu — tên trường có đúng không, kiểu dữ liệu có khớp không — chứ không soát xem bên trong có gì. Một cái hộp đúng kích thước vẫn có thể rỗng. Và một cái hộp rỗng đúng kích thước thì đi qua được mọi cửa kiểm tra.

Một ô trống có hai nghĩa, và chỉ một trong hai là sự thật

Nguyên tắc tôi giữ từ những ngày đầu viết blog là: một ô trống chưa bao giờ được đọc thành “không có vấn đề”, nó chỉ có nghĩa “chưa đánh giá được”. Trong y học, một bệnh nhân chưa làm xét nghiệm chưa phải là bệnh nhân khỏe. Trong bóng đá, một trận đấu thiếu dữ liệu sự kiện chưa phải là một trận phòng ngự hoàn hảo.

Mùa hè 2026, khi vừa tròn mười tám tuổi và là sinh viên năm nhất ở Thâm Quyến, tôi tự tính xG cho trận bán kết World Cup giữa Pháp và Bỉ. Mô hình thô của tôi cho Pháp khoảng 1,6 và Bỉ khoảng 0,8. Pháp thắng 1-0 nhờ cú đánh đầu của Samuel Umtiti từ một tình huống cố định. Con số không sai về mặt cú sút, nhưng nó không đo được giá trị của một pha bóng được dàn dựng trên sân tập suốt nhiều tuần.

Tôi dành một tháng xem lại toàn bộ băng ghi hình, phân tích từng pha, rồi cộng trọng số cho các tình huống cố định. Nhưng bài học lớn hơn nằm ở chỗ khác: một chỉ số thiếu dữ liệu đầu vào hoàn toàn khác một chỉ số có giá trị bằng không. Nếu hôm đó tôi không ghi được pha phạt góc nào vào tập dữ liệu, mô hình sẽ trả về 0,0 cho Pháp, và bảng kết quả sẽ trông như một trận đấu mà đội thắng chẳng tạo ra gì. Cùng một ô trống. Hai ý nghĩa trái ngược. xG không nói dối, nó chỉ không bao giờ nói hết sự thật.

240 trận đấu và những ô trống bị bỏ quên

Năm 2026, khi đại dịch khiến các khán đài trống rỗng, tôi làm thực tập sinh phân tích dữ liệu tại một công ty thể thao ở Thâm Quyến. Tôi gom số liệu của 240 trận thuộc Chinese Super League và tìm ra hai điều đáng chú ý: tỷ lệ thắng của đội chủ nhà giảm từ 47% xuống 39% khi không có khán giả; chỉ số PPDA — số đường chuyền mà một đội cho phép đối phương thực hiện trên mỗi pha phòng ngự — trung bình tăng từ 11,2 lên 10,5. Nói cách khác, các đội pressing dữ dội hơn nhưng ghi bàn kém hiệu quả hơn.

Trong suốt quá trình đó, vài chục trận trong tập dữ liệu của tôi có những ô trống hoàn toàn ở cột sự kiện. Một trận bị hoãn vì lý do y tế. Một trận có nguồn dữ liệu lỗi tải. Một trận đấu trên sân trung lập mà nhà cung cấp không gắn nhãn địa điểm, khiến chỉ số sân nhà trở thành vô nghĩa. Nếu tôi đẩy tất cả vào mô hình, những trận đó sẽ kéo chỉ số phòng ngự của các đội về phía hoàn hảo: không cú sút nào bị đối phương thực hiện, không bàn thua nào, không lỗi nào.

Tôi lập một bảng kiểm riêng, chỉ để trả lời một câu duy nhất cho mỗi ô: ô này trống vì sự thật là thế, hay trống vì chưa ai nhập? Bóng đá không nằm trong ô tính, nó nằm giữa các ô tính. Bảng kiểm đó chính là phần nằm giữa.

Báo cáo nội bộ về ảnh hưởng của môi trường thi đấu lên chiến thuật sau đó được đăng trên trang tin của công ty và được một số nhà phân tích trong khu vực để ý. Điều tôi nhớ nhất không phải các con số, mà là việc phải mất thêm hai ngày chỉ để xác định rằng 31 trận trong tập dữ liệu có cột sự kiện không đáng tin. Hai ngày đó không tạo ra một dòng nào trong báo cáo cuối cùng.

Ba kiểu ngụy trang của một ô trống

Kiểu ngụy trang đầu tiên là hợp lệ về hình dạng. Hệ thống kiểm tra thấy tên trường đúng, kiểu dữ liệu đúng, nên báo “đạt”. Tôi từng nhận một gói dữ liệu có đủ chín chiều phân tích, đủ tiêu đề mục, nhưng trường thực thể trống hoàn toàn, trường thời gian ghi “chưa đánh giá”, và trường nguồn ghi chú “đánh giá từ các trường nguồn ở trên” trong khi chính các trường nguồn đó cũng trống. Gói dữ liệu hợp lệ. Nội dung bằng không.

Kiểu thứ hai là nhãn sống sót trong khi nội dung biến mất. Trong gói dữ liệu tôi vừa kể, trường lĩnh vực vẫn ghi rõ “esports”, trong khi trường loại bài ghi “chưa phân loại”. Nhãn ngành còn nguyên, còn mọi thứ chống lưng cho nhãn đó đã bay hơi. Nếu nhãn được gán theo mặc định của đường ống chứ không theo nội dung, thì mọi quyết định định tuyến phía sau — chuyển cho ai, chấm theo tiêu chí nào, đối chiếu với dữ liệu ngành nào — đều dựa trên một giả định chưa từng được kiểm chứng. Trong bóng đá, đây giống như việc xếp một đội vào nhóm ứng viên vô địch chỉ vì trên áo có logo của một liên đoàn lớn, trong khi chưa ai xem họ đá một trận nào.

Kiểu thứ ba là báo cáo hấp dẫn hơn dữ liệu của chính nó. Một báo cáo chín chiều với bảng biểu chỉn chu, kết luận trang trọng và phần cảnh báo rủi ro đầy đủ sẽ được đọc như một sự yên tâm, dù bên trong không có lấy một cái tên. Trong nghề của tôi, thứ bị bán cho khán giả khi đó là một cảm giác an toàn được sản xuất hàng loạt.

Điểm chung của cả ba kiểu: chúng đều tạo ra một kết quả trông giống kết quả tốt. Chỉ số phòng ngự trông hoàn hảo vì không có cú sút nào được ghi. Hồ sơ tuân thủ trông sạch vì không có khiếu nại nào được nhập. Danh sách chấn thương trông trống vì đội ngũ y tế chưa nộp báo cáo. Trong cả ba trường hợp, người đọc nhận được một tín hiệu tích cực từ một dữ kiện trung tính.

Cuộc chiến định danh ở xG 0,35

Tháng 11 năm 2026, tôi là trợ lý dữ liệu cho một trang tin thể thao đưa tin World Cup tại Qatar. Khi Ả Rập Xê Út thắng Argentina 2-1, tôi tính ra xG của đội thắng chỉ khoảng 0,35, trong khi Argentina đạt 1,9. Bài viết của tôi bị một bộ phận độc giả gọi là xúc phạm chiến thắng của đội yếu. Tôi không gỡ bài. Tôi viết thêm một bài dùng dữ liệu chuyển động và vị trí cầu thủ để giải thích vì sao Argentina kiểm soát bóng nhưng để lộ khoảng trống ở hai pha quyết định, nơi Saleh Al-Shehri và Salem Al-Dawsari ghi bàn.

Điều tôi học được không nằm ở 0,35. Nó nằm ở chỗ con số bị tranh chấp về quyền định danh: cùng một giá trị, một bên đọc thành “đội yếu gặp may”, bên kia đọc thành “đội yếu phòng ngự có tổ chức và phản công đúng lúc”. 0,35 là con số, nhưng cuộc chiến định danh nó mới là sự thật. Và cuộc chiến đó chỉ có thể tiến hành khi dữ liệu còn nguyên nguồn gốc. Khi ô dữ liệu trống, chẳng có cuộc chiến nào cả, chỉ có một bên độc thoại và một bên im lặng.

Mỗi lần tôi kiểm tra chéo một con số bằng cách xem lại băng hình, tôi đang trả phí bảo hiểm cho quyền được tranh luận. Khoản phí đó không xuất hiện trong bảng thành tích của bất kỳ ai.

Góc phản trực giác

Ngành phân tích thể thao đang chi tiền cho mô hình trong khi thứ thực sự thất bại là hệ thống ống nước. Các câu lạc bộ mua hệ thống theo dõi nhiều camera, thuê chuyên gia mô hình hóa, ký hợp đồng với nhà cung cấp dữ liệu cấp cao nhất. Rất ít nơi trả tiền cho một cổng kiểm tra đơn giản ở tầng bóc tách: ít nhất một thực thể được đặt tên, ít nhất một điểm thông tin có thể kiểm chứng, và một nhãn “chưa đánh giá được” bắt buộc thay cho mọi kết luận khi cổng đó không đạt.

Nâng cấp mô hình từ mức tốt lên mức rất tốt mang lại lợi ích biên nhỏ. Sửa một lỗi lấy dữ liệu sai nguồn — trang lỗi, trang trả phí chặn nội dung, một lần chuyển hướng im lặng — mang lại lợi ích lớn hơn nhiều lần, vì nó gỡ bỏ toàn bộ một lớp kết luận sai. Nhưng phần thưởng cho việc sửa ống nước hầu như không được nhìn thấy. Không ai trao giải cho một đường ống không rò.

Ở chiều ngược lại, tôi cũng phải tự cảnh báo mình về cái bẫy quen thuộc: tê liệt vì kiểm chứng quá mức. Với tính cách của một người làm nghề dữ liệu, phản xạ tự nhiên khi nhận một con số là đòi thêm một nguồn đối chiếu, rồi thêm một bảng nữa, rồi thêm một mô hình nữa. Sự cẩn trọng biến thành trì hoãn, và bài viết không bao giờ ra đời. Cách tôi tự xử lý là đặt hạn mức hai nguồn cho mỗi số liệu chính, sau đó viết. Sửa sai sau khi xuất bản tốt hơn là không bao giờ xuất bản. Nhưng hạn mức hai nguồn chỉ có giá trị khi cả hai nguồn đều thực sự có nội dung; một nguồn rỗng chưa bao giờ là một nguồn.

Euro 2026, tôi theo đội tuyển Georgia suốt hai tuần. Từ dữ liệu vòng loại, xGA trung bình của họ chỉ khoảng 0,9 mỗi trận, thuộc nhóm thấp nhất giải, dù họ không kiểm soát bóng nhiều. Tôi viết bài dự đoán Georgia sẽ gây bất ngờ cho Bồ Đào Nha. Họ thắng 2-0 bằng hai pha phản công sắc bén, với Khvicha Kvaratskhelia và Georges Mikautadze ghi bàn. Bài phân tích sau trận được chia sẻ hàng nghìn lần.

Nhưng điều tôi muốn nói không phải là tôi đã đoán đúng. Điều đáng nói là tôi chỉ dám viết bài đó vì cột dữ liệu phòng ngự của Georgia trong vòng loại không có ô trống nào; tôi đã kiểm từng ô bằng băng hình. Nếu tập dữ liệu đó khuyết, tôi sẽ im lặng, và một trong những câu chuyện hay nhất của giải đấu sẽ không được kể theo cách nó xứng đáng.

Điều đáng theo dõi ở vòng tiếp theo

Tín hiệu của vòng tiếp theo không phải là một mô hình lớn hơn. Nó là một cổng kiểm tra nội dung tối thiểu ở tầng bóc tách, và một quy ước ngôn ngữ nghiêm ngặt: ô trống ghi rõ “chưa đánh giá được”, tuyệt đối không được ghi “không phát hiện vấn đề”. Con số tôi sẽ theo dõi là tỷ lệ gói dữ liệu rỗng trên mỗi lô. Nếu tỷ lệ đó vượt khoảng 2 đến 5 phần trăm, vấn đề nằm ở hệ thống chứ không nằm ở một bài viết cá biệt. Và cách kiểm tra rẻ nhất vẫn là cách cũ: đếm xem trong báo cáo có bao nhiêu cái tên thật.

Tôi không lập bảng cho trận đấu; tôi lập bảng cho sự nghi ngờ. Vì bảng cho trận đấu thì bất kỳ ai có dữ liệu cũng lập được, còn bảng cho sự nghi ngờ thì phải tự tay kiểm từng ô. Sân có khán giả hay không, trận đấu vẫn cần người kể lại — nhưng người kể lại cần có gì đó để kể, và thứ đầu tiên cần có là một cái tên.