Lỗi gán nhãn dữ liệu đang âm thầm bóp méo phân tích bóng đá

Đồng hồ trên bảng điều khiển ở Thành Đô chỉ 2 giờ 14 phút sáng ngày 13 tháng 8 năm 2026. Tôi đang rà lại một tệp gồm 24 điểm thông tin vừa được hệ thống đẩy vào chuyên mục bóng đá, chuẩn bị cho bản báo cáo tuần. Dòng đầu tiên là giá bán lẻ 79,99 USD cho một tấm ốp lưng tích hợp nút lật trang. Dòng thứ hai là 249,99 USD cho một phiên bản máy đọc sách. Dòng thứ mười hai là 34,99 USD cho một chiếc điều khiển từ xa. Tôi kéo xuống hết tệp. Hai mươi bốn điểm thông tin, không một đội bóng, không một cầu thủ, không một phút thi đấu.

Nguồn duy nhất của cả tệp là Amazon, kèm một bài đăng lại của The Express Tribune. Nhãn lĩnh vực ghi rõ: bóng đá.

Tôi ngồi im vài phút. Một lỗi như thế, nếu chỉ dừng ở một tệp rác, thì chẳng ai quan tâm. Nhưng tôi đã dành gần một thập kỷ làm việc với dữ liệu không gian của các trận đấu, và tôi biết một điều: dữ liệu sai không gây hại ở chỗ nó xuất hiện. Nó gây hại ở chỗ nó được tin.

Đường ống dữ liệu và chặng bị bỏ quên

Để hiểu vì sao một lỗi như vậy đáng bàn trong làng bóng đá, cần nhìn vào cách thông tin truyền thông đi vào phòng phân tích hiện đại. Một đường ống dữ liệu điển hình gồm bốn chặng: thu thập, phân loại lĩnh vực, trích xuất thực thể, rồi mô hình hóa chủ đề và cảm xúc. Chặng thứ hai là chặng rẻ nhất, nhanh nhất, và bị coi nhẹ nhất. Nó thường được giao cho một bộ phân loại tự động, chạy vài mili giây trên mỗi bài, gắn nhãn rồi đẩy tiếp.

Các câu lạc bộ và công ty dữ liệu mua dịch vụ này như mua một dây chuyền. Mỗi ngày, hàng chục nghìn bài viết, bản tin, dòng trạng thái chảy qua. Không ai đọc hết. Hệ thống chỉ cần đúng phần lớn thời gian, và phần lớn thời gian nó đúng. Vấn đề nằm ở phần nhỏ còn lại.

Trong tệp tôi đang cầm, cả 24 điểm thông tin đều thuộc danh mục điện tử tiêu dùng: máy đọc sách, ốp lưng, điều khiển từ xa, mức giá, mức tăng trưởng doanh số hai chữ số trong ba năm liên tiếp, và 720 tỷ trang sách được lật trong năm 2026. Từng điểm dữ liệu đều kiểm chứng được, từng chỉ số đều có đơn vị rõ ràng. Chúng chỉ sai ở một chỗ duy nhất: chúng không thuộc về bóng đá.

Với một phòng phân tích bóng đá, đây là dạng lỗi nguy hiểm nhất, bởi nó không tạo ra dữ liệu thiếu. Nó tạo ra dữ liệu thừa, sạch sẽ, có nguồn, có ngày tháng, và hoàn toàn sai chủ đề.

Hãy hình dung đường ống đó chạy tiếp. Chặng trích xuất thực thể quét 24 điểm dữ liệu và tìm tên đội, tên cầu thủ, tên giải đấu. Nó không tìm thấy gì. Một hệ thống được thiết kế tử tế sẽ dừng ở đây, bắn ra cảnh báo, và trả bài về chặng phân loại. Nhưng phần lớn hệ thống không được thiết kế tử tế. Chúng được thiết kế để chạy. Một bài không có thực thể bóng đá nào vẫn đi qua cửa, vì cửa không hỏi bài có thực thể bóng đá hay không. Cửa chỉ hỏi nhãn lĩnh vực là gì, và nhãn đã trả lời: bóng đá.

Đến chặng mô hình hóa chủ đề, bài viết bắt đầu gieo hạt. Các từ khóa về lật trang, về điều khiển từ xa, về nút bấm được đưa vào không gian vector chung với mọi bài bóng đá khác. Trong không gian đó, chúng không còn là sản phẩm điện tử nữa. Chúng là tín hiệu. Và tín hiệu thì được cộng vào.

Nguồn gốc của lỗi gần như chắc chắn nằm ở bộ phân loại tự động hoặc ở khâu định tuyến nguồn tin, chứ không phải ở một quyết định có chủ đích. Điều đó không làm nó bớt nguy hiểm. Một lỗi hệ thống không cần ý đồ để gây hại; nó chỉ cần được lặp lại.

Điều gì xảy ra khi tín hiệu rác được cộng vào

Tôi từng làm việc sáu tuần với dữ liệu GPS của một tiền vệ số 8 trong trận derby Thượng Hải năm 2026, để rồi rút ra một bài học về không gian. Tôi đếm được 14 lần cầu thủ đó di chuyển vào nửa không gian bên phải, mở khoảng trống cho một cầu thủ chạy cánh băng xuống. Bài học không nằm ở số lần di chuyển. Bài học nằm ở chỗ: để đếm được 14 lần đó, tôi phải loại bỏ hàng nghìn điểm dữ liệu nhiễu trước khi bắt đầu đếm. Trước khi nói về cầu thủ, hãy nói về khoảng trống giữa họ. Và trước khi nói về khoảng trống, hãy nói về những gì không thuộc về tấm bản đồ.

Một bài viết về máy đọc sách lọt vào kho dữ liệu bóng đá chính là một điểm nhiễu như thế, nhưng ở tầng cao hơn. Nó không làm hỏng một phép đếm. Nó làm hỏng thứ mà mọi phép đếm dựa vào: giả định rằng kho dữ liệu chứa đúng thứ mà nó nói nó chứa. Không gian là thủ phạm, thời gian là nhân chứng, và ở đây cả hai đều vắng mặt.

Thiệt hại chia làm ba tầng.

Tầng thứ nhất là ô nhiễm chủ đề. Khi một mô hình chủ đề học trên một kho có lẫn bài điện tử tiêu dùng, nó sẽ tạo ra một cụm chủ đề mới, và cụm đó hút bớt trọng số của các cụm thật. Một bài phân tích về pressing tầm cao có thể bị xếp lẫn vào một cụm mà thành viên còn lại là bài về nút lật trang. Ở quy mô vài trăm bài, sai số này vô hình. Ở quy mô vài trăm nghìn bài, nó thành một vết lệch hệ thống, và vết lệch đó không tự biến mất khi bạn đổi mô hình.

Tầng thứ hai là ô nhiễm cảm xúc. Một mô hình cảm xúc quét tiêu đề nói về chiếc điều khiển từ xa lật trang đầu tiên trên thế giới sẽ gán một điểm tích cực, bởi đó là ngôn ngữ của sản phẩm mới. Điểm tích cực đó đi vào tổng thể. Nếu một câu lạc bộ có tên trùng hoặc gần trùng với một thực thể nào đó trong bài, chỉ số nhiệt truyền thông của câu lạc bộ nhích lên mà không ai biết vì sao. Đây là kiểu sai số tệ nhất: sai số không để lại dấu vết.

Tầng thứ ba là ô nhiễm thực thể. Một hệ thống nhận diện thực thể được huấn luyện trên kho bị lẫn sẽ dần học sai trọng số của các tên riêng. Nó bắt đầu nhầm giữa tên người và tên sản phẩm, giữa tên giải đấu và tên thương hiệu. Những chỉ số phụ thuộc vào việc phân biệt đúng thực thể, chẳng hạn chỉ số độ sâu đội hình, sẽ lệch theo, và lệch một cách rất khó truy vết.

Ba tầng này cộng hưởng với nhau. Chủ đề lệch khiến cảm xúc lệch, cảm xúc lệch khiến trọng số thực thể lệch, trọng số thực thể lệch khiến việc gán nhãn cho các bài sau kém chính xác hơn. Một vòng lặp khép kín, chạy âm thầm, không cần ai bấm nút.

Tôi thử làm một phép tính nhỏ. Giả sử một phòng dữ liệu nhận 20.000 bài mỗi ngày và tỷ lệ gán nhãn sai là 0,05 phần trăm, tức là mười bài. Mỗi bài sai mang theo vài chục từ khóa lạ. Sau một năm, đó là hơn ba nghìn bài và hàng trăm nghìn từ khóa không thuộc về bóng đá, nằm rải rác trong không gian vector mà mọi mô hình đều đọc. Không bài nào trong số đó tự gây ra thiệt hại. Chúng gây thiệt hại cùng nhau.

Tôi tự hỏi một bài như thế tốn bao nhiêu. Về mặt lưu trữ, gần như không đáng kể. Về mặt tính toán, gần như không đáng kể. Cái đắt là niềm tin. Khi một nhà phân tích mở báo cáo và thấy một chỉ số nhích lên, anh ta không đi kiểm tra từng bài trong kho. Anh ta tin cái kho. Niềm tin đó là tài sản lớn nhất của mọi phòng dữ liệu, và cũng là tài sản dễ mất nhất.

Khoảnh khắc bóng đổi chủ mới là lúc trận đấu thực sự bắt đầu. Trong đường ống dữ liệu, khoảnh khắc đổi chủ nằm ở chặng phân loại lĩnh vực. Đó là nơi quyền kiểm soát chuyển từ bài viết sang hệ thống. Nếu chặng đó thả lỏng, mọi chặng sau chỉ đang trang trí cho một sai lầm.

Điểm mù không nằm ở mô hình

Phần lớn cuộc tranh luận công khai về dữ liệu bóng đá xoay quanh chất lượng mô hình: mô hình bàn thắng kỳ vọng có hiệu chuẩn đúng không, mô hình pressing có đo đúng áp lực không, thuật toán xếp hạng cầu thủ có thiên vị không. Đó là những câu hỏi đúng, nhưng chúng nằm ở hạ nguồn.

Điểm mù thật nằm ở thượng nguồn, ở chặng mà không ai muốn chi tiền để sửa, bởi sửa nó không tạo ra một biểu đồ đẹp nào để trình bày. Một cổng kiểm tra lĩnh vực chỉ tốn vài dòng mã. Nó không cải thiện độ chính xác của bất kỳ mô hình nào. Nó chỉ ngăn dữ liệu rác đi qua. Và vì thế, nó luôn nằm cuối danh sách ưu tiên.

Có một điểm tương đồng mà tôi không thể bỏ qua. Nguồn duy nhất của tệp dữ liệu sai kia là chính nhà sản xuất sản phẩm, tức là bên có lợi ích trực tiếp trong việc thông tin được lan truyền theo hướng có lợi. Trong bóng đá, chúng ta gặp cấu trúc y hệt mỗi kỳ chuyển nhượng: thông tin đến từ người đại diện, từ câu lạc bộ đang muốn đẩy giá, từ một giải đấu đang muốn xây dựng hình ảnh. Nguồn đơn lẻ, tự phục vụ, không đối chứng. Tôi từng nhận không ít cuộc gọi kiểu đó và giữ im lặng cho đến khi có nguồn thứ hai, vì âm thanh sân cỏ không biết nói dối; hình ảnh thì luôn biết cách tô màu.

Cách đóng gói của bài viết kia cũng đáng để ý. Cụm từ về chiếc điều khiển từ xa lật trang đầu tiên trên thế giới là một móc câu tiếp thị thuần túy, dựng lên để tạo cảm giác về một bước ngoặt. Ngành truyền thông bóng đá làm điều này mỗi ngày: một cầu thủ trẻ được gọi là hiện tượng thế hệ, một chiến thuật được gọi là cuộc cách mạng, một trận giao hữu được gọi là phép thử lịch sử. Móc câu tiếp thị không sai về mặt sự kiện. Nó chỉ lệch về mặt trọng số. Và trọng số lệch là thứ mô hình cảm xúc không phân biệt được với điều đúng.

Điều khiến tôi khó chịu ở tệp dữ liệu này không nằm ở chỗ nó sai. Nó nằm ở chỗ nó đúng ở mọi chỗ có thể kiểm tra được. Giá đúng, ngày đúng, tên sản phẩm đúng. Chỉ có nhãn lĩnh vực sai, và nhãn lĩnh vực là thứ duy nhất không ai kiểm tra. Một bài viết đúng đắn đặt nhầm chỗ thì đi qua tất cả các cửa, vì mỗi cửa đều thấy nó hợp lệ.

World Cup 2026 dạy tôi rằng phòng thủ chỉ là cách bạn đặt mình cho cú đòn kế tiếp. Trong phòng dữ liệu, cú đòn kế tiếp không đến từ một mô hình yếu. Nó đến từ một dòng nhãn sai đã nằm đó từ lâu, chờ được cộng vào một chỉ số nào đó, ở một báo cáo nào đó, trước mặt một nhà đầu tư nào đó.

Tôi đã từng đọc sai tên một cầu thủ ba lần trong một buổi bình luận trực tiếp, và bị nhắc đến suốt nhiều tuần sau đó. Tôi không đi giải thích. Tôi dành bốn tuần xem lại toàn bộ 12 trận vòng bảng, ghi chép ở thì hiện tại: thời điểm mất bóng, vị trí các tiền vệ. Tôi học được rằng sai sót nhỏ nhất trong khâu gọi tên lại là sai sót lan xa nhất. Nhãn lĩnh vực cũng là một cách gọi tên.

Một bài kiểm tra cho chính chúng ta

Có một cách kiểm tra đơn giản mà bất kỳ phòng dữ liệu bóng đá nào cũng nên áp dụng ngay: mỗi bài được gắn nhãn lĩnh vực phải vượt qua một cổng thực thể, tức là phải chứa ít nhất một tên đội, tên cầu thủ, tên huấn luyện viên hoặc tên giải đấu được xác minh. Một bài không vượt qua cổng đó sẽ quay lại chặng phân loại, kèm lý do. Chi phí gần bằng không. Giá trị nằm ở chỗ nó buộc đường ống phải tự hỏi mình một câu trước khi tin.

Tôi tự hỏi liệu các phòng phân tích ở Việt Nam, nơi dữ liệu trận đấu nội địa còn mỏng và phần lớn tín hiệu đến từ mạng xã hội, có đang chạy cùng một lỗ hổng hay không. Ở đó, một bài viết về một thương hiệu nào đó lọt vào chuyên mục bóng đá sẽ khó bị phát hiện hơn nhiều, bởi người kiểm tra cuối cùng thường là một biên tập viên đã quá tải. Khi tín hiệu đến từ nơi không có bộ lọc, việc dựng bộ lọc trở thành phần việc quan trọng hơn cả việc phân tích.

Dữ liệu không thay thế cảm giác, nhưng nó vạch ra nơi cảm giác đang tự lừa mình. Và đôi khi, nơi cảm giác tự lừa mình lại nằm ở chính dòng nhãn đầu tiên, dòng mà không ai đọc lại.

Trận đấu tiếp theo tôi theo dõi sẽ vẫn bắt đầu bằng câu hỏi cũ: cầu thủ đứng ở đâu khi bóng ở đâu. Nhưng trước câu hỏi đó, tôi sẽ hỏi thêm một câu mới, dành cho cái kho dữ liệu phía sau: dòng này có thật sự thuộc về trận đấu không.