Nhãn dữ liệu sai trong thể thao: lỗ hổng bắt đầu từ khâu ghi chép

Tháng 3/2026, trong phòng hồ sơ của trung tâm đào tạo trẻ Paris FC, tôi mở tập tài liệu của một tiền vệ U19. Trang bìa ghi đúng một chữ: khỏe. Lật vào trong, mười bốn trận gần nhất có ba lần cậu bé phải băng ép gân kheo sau buổi tập. Không ai xóa chữ khỏe trên trang bìa. Không ai cập nhật nhãn.

Nhãn là thứ quyết định mọi thứ xảy ra sau đó: cậu bé có được nghỉ hay không, bộ phận y tế có theo dõi hay không, ban huấn luyện có đặt cược vào đôi chân mười tám tuổi ấy trong trận derby hay không. Tôi lập biểu đồ tần suất đau gân kheo theo khối lượng tập, đối chiếu với số phút thi đấu, và con số trả về 87% nguy cơ rách cơ nếu cậu tiếp tục đá chính. Huấn luyện viên miễn cưỡng cho nghỉ một tuần. Cậu ghi hai bàn trong ba trận kế tiếp.

Bài học tôi mang theo suốt chín năm sau đó nằm ở cái nhãn, chứ không nằm ở chẩn đoán.

Tuần này, một gói dữ liệu đi qua hệ thống xử lý của chúng tôi với nhãn "quần vợt". Nội dung bên trong là một bản tin về xung đột vũ trang ở Trung Đông: một máy bay không người lái bị bắn hạ gần Makkah, tuyến vận chuyển dầu qua Biển Đỏ bị đe dọa, phát ngôn của người phát ngôn liên quân, một quan chức năng lượng Mỹ, và cả những con số về đường ống dài hơn một nghìn hai trăm cây số. Không có tay vợt nào trong đó. Không có giải đấu nào. Không có một điểm break nào.

Chuỗi dữ liệu này đi theo hai tầng. Tầng một bóc tách thông tin và gán nhãn. Tầng hai áp khung phân tích chuyên môn lên trên cái nhãn ấy. Nếu nhãn sai ngay từ tầng một, tầng hai sẽ không sửa được gì. Nó chỉ làm cái sai trở nên có hệ thống.

Trong nghề của tôi, nhãn là thứ rẻ nhất để tạo ra và đắt nhất để sửa. Một thuật toán gán nhãn mất vài phần nghìn giây. Một nhãn sai đi qua ba tầng xử lý, hai bảng tổng hợp và một buổi họp chiến thuật mất vài tuần mới lộ ra. Đến lúc đó, nó đã sinh ra một kết luận, và kết luận ấy đã sinh ra một quyết định.

Năm 2026, khi bóng đá tê liệt vì đại dịch, tôi bắt đầu vẽ bản đồ rủi ro từ những thứ không ai thèm nhìn. Tôi thu thập một nghìn hai trăm hồ sơ bệnh án của năm câu lạc bộ, dùng cả dữ liệu từ mùa Ligue 1 bị đình trệ năm 2026 làm mẫu đối chứng. Kết quả: tỷ lệ rách cơ tăng 23% trong bốn tuần đầu sau khi bóng đá trở lại. Mô hình ấy về sau trở thành công cụ chuẩn đoán cho các đội hạng dưới.

Điều tôi không kể trong báo cáo là tôi đã phải đọc tay từng nhãn trong một nghìn hai trăm hồ sơ ấy. Bốn mươi bảy trường hợp bị ghi sai loại chấn thương. Mười chín trường hợp ghi "đau cơ" cho những ca đã có kết quả siêu âm rõ ràng. Nếu tôi tin vào nhãn, con số cuối cùng đã khác.

Cùng cách đó, năm 2026, tôi không chạy theo làn sóng chỉ trích chiến thuật khi đội tuyển Đức bị loại ngay từ vòng bảng World Cup. Tôi đọc hồ sơ thể lực của Mesut Özil, người đá chính cả ba trận trong khi có dấu hiệu viêm gân cổ tay và đau mắt cá. Quãng đường di chuyển của anh chỉ đạt 68% so với mùa 2026-2026 ở Arsenal. Nhãn ghi "sẵn sàng thi đấu". Cơ thể thì không.

Vậy nên khi nhìn vào gói dữ liệu mang nhãn "quần vợt" kia, tôi không đọc nó như một bản tin thể thao. Tôi đọc nó như một cuộc kiểm tra chất lượng nhãn. Và có bốn lỗi hiện ra, xếp theo mức độ nguy hiểm.

Lỗi thứ nhất là gán sai miền dữ liệu. Một bản tin về xung đột vũ trang và nguồn cung năng lượng bị dán nhãn quần vợt. Mức độ: cao. Xác suất: cao. Tác động: cao. Trong phòng y tế, đây là trường hợp hồ sơ của một cầu thủ bị xếp nhầm sang loại chấn thương khác — bạn đọc chỉ số gân kheo trong khi vấn đề nằm ở gân Achilles. Mọi phép so sánh sau đó đều vô nghĩa, kể cả những phép so sánh đúng về mặt kỹ thuật.

Lỗi thứ hai là nguồn đơn phương có lợi ích. Thông tin về vụ bắn hạ máy bay không người lái đến từ phát ngôn viên của một bên tham chiến, và bị phía đối lập phản bác. Trong thể thao, đây là cấu trúc quen thuộc nhất mà tôi gặp: bộ phận y tế câu lạc bộ nói cầu thủ ổn, người đại diện nói cầu thủ ổn, liên đoàn nói cầu thủ ổn. Không nhất thiết ai nói dối. Họ chỉ báo cáo từ chỗ họ đứng, và chỗ họ đứng có lợi ích.

Dựa trên kinh nghiệm theo dõi các trận đấu của tôi, một cầu thủ nói "tôi ổn" với ba nguồn khác nhau thường đang nói ba câu khác nhau. Cái ta cần là nguồn thứ tư, không nằm trong phòng thay đồ.

Lỗi thứ ba là mâu thuẫn nội tại. Bản tin nhắc tới một cuộc chiến kéo dài sáu tháng ở chỗ này, rồi gần bảy tháng ở chỗ khác. Với người đọc tin tức, đó là chi tiết vụn. Với người làm dữ liệu, đó là dấu hiệu văn bản được ghép từ nhiều mảnh, hoặc từ nhiều thời điểm, hoặc cả hai. Trong hồ sơ chấn thương, mâu thuẫn thời gian là dấu hiệu đầu tiên của một ca tái phát bị ghi nhầm thành ca mới. Tôi đã thấy điều này làm lệch cả một báo cáo mùa giải.

Lỗi thứ tư là không có ngày xuất bản. Văn bản trộn lẫn mốc tháng 7/2026 với cách hành văn ở thì hiện tại. Không có ngày, không có mốc thời gian, không có chuỗi. Một chỉ số thể lực không có mốc thời gian thì không phải chỉ số. Nó là một con số trôi nổi. Tôi không tin vào may mắn; tôi tin vào những con số đã qua kiểm chứng — và kiểm chứng bắt đầu bằng việc biết con số ấy thuộc về ngày nào.

Xếp cả bốn lỗi lại, mức rủi ro tổng thể của gói dữ liệu này là cao. Nhưng cần nói rõ: cái cao ở đây thuộc về chất lượng thông tin, thuộc về khâu dán nhãn và khâu kiểm nguồn. Nó không liên quan gì tới bất kỳ rủi ro thi đấu, rủi ro điểm số hay rủi ro thương mại nào của làng quần vợt, bởi trong gói dữ liệu ấy không tồn tại làng quần vợt.

Và đây là chỗ tôi phải nói thẳng một điều mà ít người làm dữ liệu thể thao muốn nghe: giá trị tham chiếu của gói dữ liệu này là số âm. Không phải bằng không. Số âm. Dữ liệu vô nghĩa chỉ chiếm chỗ. Dữ liệu dán nhãn sai thì lây. Nó đi vào bảng tổng hợp, nó kéo lệch đường trung bình, nó khiến mô hình rủi ro của mùa sau dự đoán sai ở một cầu thủ thật. Paris FC đã dạy tôi rằng dữ liệu xấu còn nguy hiểm hơn là không có dữ liệu.

Phản xạ của ngành khi phát hiện lỗi dữ liệu là mua thêm thiết bị. Thêm camera, thêm áo GPS, thêm cảm biến, thêm một nền tảng phân tích nữa. Tôi hiểu phản xạ đó, và tôi cho rằng nó sai hướng ở phần lớn các trường hợp.

Khối lượng dữ liệu không sửa được lỗi gán nhãn; nó nhân lỗi ấy lên. Ở nhiều câu lạc bộ hạng dưới tại châu Âu và ở cả các giải trong nước, chuyện một chiếc áo GPS ghi quãng đường di chuyển mà không ai kiểm tra xem cầu thủ nào đang mặc nó không phải hiếm. Quãng đường di chuyển được đóng gói như chỉ số nỗ lực, nhưng chạy vô hiệu cũng tạo ra số đẹp. Một con số đẹp gắn nhãn sai sẽ đi thẳng vào buổi họp chiến thuật và trở thành một suy luận về tinh thần thi đấu.

Điều phản trực giác nằm ở đây: câu trả lời trung thực nhất mà một nhà phân tích có thể đưa ra thường là một ô trống. "Không đủ thông tin để đánh giá" không phải sự lười biếng. Nó là một kết luận chuyên môn, và đôi khi là kết luận đúng duy nhất. Ngành dữ liệu thể thao sợ khoảng trắng đến mức nhồi vào đó một phỏng đoán, rồi gọi phỏng đoán ấy là mô hình.

Một mô hình rủi ro không cứu được ai; nó chỉ cho bạn biết nên nhìn vào đâu. Nếu nhãn chỉ sai chỗ, mô hình chỉ bạn nhìn vào chỗ không có gì. Còn nếu bạn chịu để ô trống, bạn buộc phải đi tìm nguồn thứ hai. Toàn bộ khác biệt nằm ở đó.

Chấn thương là một câu chuyện, nhưng câu chuyện đó bắt đầu rất lâu trước khi cầu thủ gục ngã. Nó bắt đầu ở dòng đầu tiên của hồ sơ, ở cái nhãn dán trên trang bìa, ở người gõ nhãn ấy mà không đọc phần bên trong. Với các trung tâm dữ liệu thể thao trong nước đang lớn lên từng mùa, điều tôi để lại không phải là chúng ta có bao nhiêu camera. Mà là: lần cuối cùng, có ai trong các bạn mở một hồ sơ ra và đọc lại cái nhãn trên trang bìa chưa?