22 điểm dữ liệu, 0 thực thể bóng đá: lỗi gắn nhãn đang bóp méo mọi thống kê thể thao

Tối thứ Bảy, tôi mở tệp 22 điểm thông tin vừa đổ vào hàng đợi phân tích. Nhãn miền ghi một chữ: bóng đá. Tôi đọc từng dòng, chờ một tên CLB, một trận đấu, một mức phí chuyển nhượng, một vị HLV. Không gì xuất hiện. Điểm đầu tiên kể về một nữ diễn viên 35 tuổi vừa sinh con thứ hai tại nhà. Điểm thứ ba nhắc tới một loạt phim ăn khách. Điểm thứ mười chín nói về một dự án cộng đồng mang tên Earthling. Đọc hết 22 dòng, số thực thể bóng đá tôi đếm được là không.

Một tệp gắn nhãn sai, đứng riêng lẻ, chẳng ảnh hưởng ai. Vấn đề là nó không đứng riêng lẻ. Nó nằm trong một lô vài nghìn tin, chảy qua cùng một đường ống, được cộng vào cùng một cột, và cái cột đó trả lời câu hỏi mà biên tập viên thể thao đặt ra mỗi sáng: hôm nay bóng đá Việt Nam nói về chuyện gì, chỗ nào đang nóng, chỗ nào đã nguội.

Tôi dành trọn một buổi tối cho một bản tin sinh con, vì nó là bằng chứng chứ không phải câu chuyện để kể.

Bảng xG đầu tiên tôi viết tay trên chuyến xe đò, lúc ấy chưa ai gọi nó là dữ liệu. Tôi ngồi hàng ghế thứ ba, ghi từng pha dứt điểm của 14 CLB V.League vào một cuốn sổ, tự dựng hệ số cho từng vùng dứt điểm rồi cộng lại. Không ai kiểm tra tôi. Không ai bắt tôi chứng minh nguồn. Tôi phải tự đặt luật cho mình, vì một bảng số không có luật thì chỉ là trang giấy có mực.

Mười năm sau, ngành này vận hành theo luật khác. Tin được thu thập tự động, gắn nhãn tự động, phân loại tự động, và phần lớn thời gian nó chạy đúng. Chính vì chạy đúng gần như toàn bộ nên lỗi lọt qua mà không ai bắt. Đường ống dữ liệu thể thao Việt Nam hôm nay có ba tầng. Tầng thu thập đọc tiêu đề, đối chiếu từ khóa, gán nhãn miền. Tầng phân tích kiểm tra nội dung, đối chiếu thực thể. Tầng biên tập quyết định đăng hay bỏ. Tầng thứ nhất chạy bằng máy. Tầng thứ hai chạy bằng người, và người thì có hạn mức.

Bản kiểm tra của tôi cho tệp trên ra kết quả gọn: không giải đấu, không CLB, không cầu thủ, không HLV, không cơ quan quản lý nào xuất hiện. Có mặt trong 22 dòng là một nữ diễn viên, chồng cô, một đứa trẻ sơ sinh, một đứa con đầu ba tuổi, hai bạn diễn cũ, một loạt phim, một dự án cộng đồng và một nền tảng mạng xã hội. Tất cả đều có thật, đều kiểm chứng được, và đều không liên quan tới bóng đá.

Một nhãn miền chỉ đáng tin khi có ít nhất một thực thể đã kiểm chứng đứng sau nó. Đó là quy tắc tôi áp cho mọi tệp mình nhận, kể cả tệp do chính tôi thu thập. Không có thực thể thì nhãn chỉ là phỏng đoán của bộ lọc, và phỏng đoán của bộ lọc không xứng đáng được đưa vào bảng tổng hợp.

Chất lượng nguồn của tệp này cũng đáng ghi lại. Cả 22 điểm thông tin mang nhãn nguồn trống hoặc nguồn tự công bố từ chính chủ thể. Không có nhà báo đứng tên, không có xác nhận độc lập. Trong hệ phân hạng bốn bậc tôi dùng, đây là hạng ba: đủ cho một bản tin đời sống, vô dụng cho bất kỳ tuyên bố bóng đá nào. Một mức phí chuyển nhượng đưa ra ở hạng nguồn này thì tôi không đưa vào mô hình định giá, dù nó có khớp với tin tôi đang chờ.

Rồi đến phần thú vị nhất, và cũng là phần dễ bỏ qua nhất: tính nhất quán ngày tháng. Bài đăng được ghi là Chủ nhật, 18 tháng 10. Đứa con thứ hai chào đời ngày 28 tháng 9. Đứa con đầu được ghi ba tuổi, và một điểm thông tin khác đặt ngày sinh của bé vào tháng 9 năm 2026. Đối chiếu: nếu đứa con đầu ba tuổi, thông báo không thể có trước tháng 9 năm 2026. Ngày 18 tháng 10 năm 2026 rơi đúng vào Chủ nhật. Ngày 18 tháng 10 năm 2026 rơi vào thứ Bảy, và khi đó đứa con đầu mới hai tuổi. Dữ liệu chỉ tự nhất quán dưới một cách đọc duy nhất, và cách đọc đó không phải cách đọc mặc định của bộ thu thập.

Sang cơ chế gây lỗi. Tiêu đề bài báo dùng chữ star cộng với một danh từ riêng viết hoa. Với bộ lọc trích xuất vận động viên, đó là công thức false positive kinh điển: star là từ đa nghĩa, vừa chỉ ngôi sao điện ảnh, vừa chỉ ngôi sao thể thao, và bộ lọc chỉ nhìn thấy nửa sau. Trong bài, chữ star mô tả một vai diễn trong loạt phim, hoàn toàn không mô tả một cầu thủ. Bộ lọc không đọc được sự khác biệt đó, vì nó không được thiết kế để đọc.

Lỗi định danh không nằm ở bộ lọc. Nó nằm ở thứ tự. Hệ thống đang gắn nhãn miền trước, rồi mới lọc thực thể. Đảo lại thì tệp này bị chặn ngay từ cửa: không có thực thể bóng đá, không có nhãn bóng đá. Một dòng luật nhỏ, tiết kiệm vài giờ kiểm tra thủ công mỗi tuần.

Tôi gặp đúng cái lỗi này trong dữ liệu của chính mình, ở quy mô lớn hơn. Năm 2026, giải đấu hoãn vì dịch, tôi ngồi dựng lại mười năm V.League từ 2026 đến 2026. Một phát hiện khiến tôi phải viết lại toàn bộ phần đầu: các CLB thay chủ tịch giữa mùa có tỷ lệ thắng giảm 23% trong năm trận kế tiếp. Tôi công bố chuỗi năm kỳ hồi cứu, bóc từng thương vụ bàn giao quyền lực. Một giám đốc CLB gọi cho tôi sau đó, nói rằng bảng số ấy giúp ông hoãn việc sa thải HLV trưởng đúng lúc nhạy cảm nhất.

Nhưng để bảng số ấy đứng được, tôi phải loại 41 bản ghi khỏi tập mẫu. Bốn mươi mốt dòng bị gắn nhãn sai, phần lớn vì tiêu đề có tên một cầu thủ nhưng nội dung nói về chuyện khác. Nếu tôi giữ chúng lại, mức giảm 23% sẽ thành 19% hoặc 27% tùy cách tôi ngụy biện. Một tỷ lệ sai 2 đến 5% đủ để bóp méo mọi xu hướng tính trên một lát cắt hẹp, và đủ để không ai phát hiện ra. Sai số lớn thì người ta thấy. Sai số nhỏ thì người ta trích dẫn.

Kỳ chuyển nhượng là mùa cao điểm của loại lỗi này. Tiêu đề chứa tên cầu thủ, nội dung nói về chuyện gia đình, về một hợp đồng quảng cáo, về một buổi ra mắt phim. Bộ lọc thấy tên, gán nhãn, và cái nhãn ấy đi thẳng vào bảng xếp hạng tin đồn. Bộ lọc độ tin cậy tôi vẫn đưa cho độc giả bắt đầu bằng một bước đơn giản: tách tên khỏi ngữ cảnh, rồi hỏi tên ấy đang làm gì trong câu.

Phần khó nhất của vụ việc này là nó không hề trông giống một lỗi. Một bản tin sinh con được đăng lên kênh bóng đá sẽ có lượt đọc. Lượt đọc ấy chảy vào bảng điều khiển, và bảng điều khiển báo xanh. Không ai ngồi kiểm tra một ô màu xanh.

Khán giả nhìn pha bóng, tôi nhìn 22 con số đang di chuyển — và kiên nhẫn chờ chúng kể một câu chuyện khác. Lần này, 22 con số kể một câu chuyện về chính cái thước đo. Để so sánh, một tệp bóng đá thật trông thế này: năm 2026, Phan Văn Đức đạt 0,48 xG mỗi trận trong màu áo SLNA, cao hơn mức trung bình của tiền đạo ngoại ở V.League, dù anh chỉ ghi 5 bàn. Tôi viết rằng anh sẽ thành trụ cột đội tuyển trong ba năm. Năm 2026, anh ghi bàn quyết định ở AFF Cup. Một năm trước đó, ở Nga, Croatia pressing với PPDA 7,9 trong trận gặp Argentina, thấp hơn cả đội được mệnh danh là kiểm soát bóng. Thế giới nhìn Croatia là kẻ dưới cơ, tôi nhìn họ là một chuỗi hệ số chưa ai dám khai thác.

Hai ví dụ đó có điểm chung: mỗi kết luận đều neo vào một thực thể đã kiểm chứng và một mẫu đủ lớn. Bản tin sinh con không có cả hai.

Cám dỗ dễ nhất là đổ lỗi cho máy. Cám dỗ đó quá dễ, và nó sai. Bộ lọc làm đúng việc nó được lập trình để làm: bắt từ khóa. Thứ bị gỡ khỏi quy trình là cái cửa con người từng đứng giữa tầng thu thập và tầng phân tích, cái cửa mà một biên tập viên chỉ cần liếc mười giây là bắt được. Cửa đó bị gỡ vì tốc độ, và tốc độ là thứ duy nhất trong ngành này không ai muốn giảm.

Một cám dỗ khác là đọc lỗi này như một phép loại suy. Lượt đọc cao trên một kênh bóng đá không chứng minh có một khán giả bóng đá ở đầu bên kia. Nó chỉ chứng minh có một người từng xem loạt phim ấy mười lăm năm trước và đang tò mò về diễn viên đóng vai Ginny Weasley. Tương quan không phải nhân quả, và trong nghề này, hai thứ đó bị đọc lẫn nhau mỗi ngày.

Có một điểm tôi phải nói ngược lại chính mình. Hạng nguồn ba trong trường hợp này không hề tệ. Chủ thể tự công bố trên trang cá nhân, nên tuyên bố tự xác thực: không bên thứ ba nào có thể bóp méo một thông tin mà nguồn gốc chính là người viết ra nó. Rủi ro thực tế thấp. Vấn đề không phải nguồn yếu, mà là nguồn đúng cho một lĩnh vực lại bị dùng cho một lĩnh vực khác.

Mô hình của tôi không khóc, không ăn mừng, nhưng sau mỗi trận đấu nó đều nợ tôi một bài học. Bài học lần này thuộc về tầng thu thập, không thuộc về chiến thuật.

Đề xuất của tôi gọn trong một câu luật: một tệp chỉ được mang nhãn bóng đá khi tồn tại ít nhất một thực thể bóng đá đã kiểm chứng — CLB, cầu thủ, HLV, giải đấu hoặc cơ quan quản lý. Không có thực thể, tệp bị đẩy về kho lưu trữ chung và chờ người xem lại. Chi phí gần bằng không. Lợi ích thì cộng dồn theo từng lô.

Vòng tiếp theo của dữ liệu bóng đá Việt Nam sẽ không do bên nào có nhiều tin hơn thắng. Tin thì ai cũng có. Nó sẽ do bên nào có cái cửa sạch hơn thắng, vì khi mọi đường ống đều đổ về cùng một chỗ, thứ duy nhất còn tạo ra khác biệt là chỗ nào dám loại bỏ.