Ô trống trên bảng dữ liệu: Điều bóng đá học được khi phép trích xuất thất bại

Ba giờ sáng ở Nha Trang. Ngoài kia là tiếng sóng, trong phòng làm việc chỉ có tiếng quạt chạy đều và ánh sáng xanh của màn hình. Tôi vừa chạy xong một quy trình trích xuất nội dung cho một bài phân tích bóng đá. Kết quả trả về đúng một dòng dữ liệu còn sống: nhãn lĩnh vực "football". Tiêu đề trống. Nguồn trống. Tóm tắt trống. Danh sách thông tin trống. Các thực thể — đội bóng, cầu thủ, huấn luyện viên, giải đấu — trống rỗng hoàn toàn. Mười một trường dữ liệu, mười trường ghi "không xác định". Một tệp rỗng khoác áo một cái nhãn đúng.

Tôi ngồi im khá lâu trước màn hình đó. Không phải vì hoảng. Mà vì tôi nhận ra mình đang nhìn vào đúng thứ mà nghề của tôi sợ nhất: một bảng biểu đẹp, đầy đủ cấu trúc, không có một gam sự thật nào bên trong. Và điều đáng sợ hơn cả là tôi biết chính xác chuyện gì sẽ xảy ra nếu tôi để nó đi tiếp qua các bước sau.

Một mô hình ngôn ngữ được đưa cho một khuôn khổ chín chiều, mỗi chiều có bảng biểu, ô nhập, chỉ số so sánh, và một khoảng trống dữ liệu. Nó sẽ không dừng lại. Nó sẽ lấp đầy. Nó sẽ sinh ra một đội bóng không tồn tại, một mức phí chuyển nhượng không có thật, một sơ đồ chiến thuật chưa từng được ai triển khai. Không phải vì nó muốn lừa ai, mà vì khuôn khổ đã hứa sẽ có nội dung, và cái trống rỗng thì luôn bị lấp đầy bởi thứ hợp lý nhất về mặt hình thức. Đó là điểm mà tôi muốn dừng lại và viết cho thật rõ, bởi vì nó không còn là câu chuyện của riêng một tệp dữ liệu. Nó là câu chuyện của cả một nền công nghiệp phân tích đang lớn nhanh hơn tốc độ kiểm định của chính nó.

Một tệp dữ liệu không có gì để đọc

Trong mười hai năm quan sát ngành này, tôi chứng kiến hai loại lỗi. Loại thứ nhất ồn ào: một thuật toán đưa ra dự đoán sau vòng bán kết và bị sân cỏ phản bác ngay trên truyền hình, mọi người nhớ nó, cười nó, rồi quên nó. Loại thứ hai im lặng: quy trình lấy dữ liệu thất bại, trả về một tệp rỗng, và tất cả những bước phía sau vẫn chạy trơn tru như không có gì xảy ra. Loại thứ hai nguy hiểm hơn nhiều, bởi vì nó không tạo ra tiếng động. Nó không có khoảnh khắc để người ta nhớ mà cười. Nó chỉ lặng lẽ sinh ra những kết luận không có gốc.

Khi tôi kiểm tra lại đường dẫn nguồn, mọi thứ trở nên rõ ràng hơn. Mẫu lỗi rất đặc trưng: chỉ nhãn lĩnh vực được điền, phần thân bài trống hoàn toàn. Kiểu lỗi này không xảy ra khi bài báo thật sự không có nội dung. Nó xảy ra khi quy trình thu thập gặp phải một trang danh mục, một trang trung tâm chủ đề, một bức tường thanh toán, hoặc một giao diện cần JavaScript mới hiển thị được nội dung. Bộ thu thập nhìn thấy chữ "football" ở thanh điều hướng, dán nhãn đúng, rồi quét phần thân và quét vào khoảng không. Kết quả là một hồ sơ trông như đã hoàn thành.

Với một người Pháp làm việc ở Việt Nam như tôi, đây là dạng va chạm quen thuộc giữa mô hình và thực tế bản địa. Ở châu Âu, người ta giả định nguồn dữ liệu ổn định, được chuẩn hóa, có cấu trúc, có thỏa thuận API. Ở nhiều thị trường đang phát triển, nguồn dữ liệu là một trang web đôi khi đổi giao diện giữa kỳ, một bản PDF scan mờ, một video không phụ đề, một bảng điểm được cập nhật tay trên điện thoại. Người viết phân tích ở đây phải học cách kiểm định trước khi mô hình hóa. Không phải vì thích nghi ngờ, mà vì tin vào cấu trúc đẹp có thể khiến ta bỏ qua việc đọc kỹ từng con số.

Cái giá của một ô trống

Hãy hình dung cụ thể hơn. Một bài phân tích chuyển nhượng dựa trên một tệp rỗng sẽ tạo ra gì trong tay người đọc?

Nó sẽ cho một đội bóng có sẵn vị trí cần bổ sung. Nó sẽ cho một mức phí trông hợp lý so với mặt bằng giải đấu. Nó sẽ cho một cấu trúc hợp đồng nghe có vẻ cân bằng giữa lương cơ bản và thưởng thành tích. Nó sẽ cho một đánh giá rủi ro với ba kịch bản: kịch bản xấu nhất, kịch bản trung tâm, kịch bản lạc quan. Toàn bộ những thứ đó đều nghe rất chuyên nghiệp. Và toàn bộ những thứ đó đều được tạo ra từ một khoảng trống, bởi vì khuôn khổ đã yêu cầu phải có, và một khuôn khổ có ô nhập thì sẽ luôn có người điền.

Trong ngành dữ liệu thể thao, chúng tôi gọi đây là rủi ro tự tin giả. Nó khác với sai số thông thường. Sai số thông thường là khi mô hình dự đoán đội Đức thắng Hàn Quốc với xG 1,9 và kết quả là thua 0-2. Sai số đó có thể đo, có thể sửa, có thể học. Còn tự tin giả là khi mô hình không hề dự đoán gì cả, nhưng người đọc vẫn nhận được một bản báo cáo trông như đã phân tích. Sai số thông thường làm ta mất một trận. Tự tin giả làm ta mất khả năng phân biệt giữa hai thứ hoàn toàn khác nhau: một kết luận được rút ra sau khi xem xét, và một hình thức được điền vào cho đủ chỗ.

Tôi từng nói với đồng nghiệp ở Nha Trang một câu mà giờ tôi thấy nó còn đúng hơn lúc tôi nói: con số không bao giờ nói dối, nhưng chúng rất giỏi kể nửa sự thật. Một tệp rỗng không phải là nửa sự thật — nó là con số không. Nhưng một tệp rỗng được bọc trong khuôn khổ chín chiều thì đúng là nửa sự thật theo nghĩa tệ nhất: nó cho người ta cảm giác đã xem xét mọi mặt, trong khi thực tế chưa có mặt nào được xem xét cả.

Điều khiến tôi phải viết bài này không phải là chuyện một lần trích xuất lỗi. Chuyện đó xảy ra hằng ngày, và nó không đáng để viết. Điều đáng để viết là cách phản ứng mặc định của hệ thống khi gặp khoảng trống. Phản ứng mặc định không phải là dừng lại. Phản ứng mặc định là lấp đầy. Và trong một môi trường mà tốc độ được thưởng, lấp đầy nhanh luôn thắng dừng lại đúng lúc.

Bài học từ nước Nga, 2026

Tôi sẽ kể một chuyện cũ, vì nó là gốc của cách tôi làm việc hôm nay.

World Cup 2026, tôi là sinh viên năm hai, xây một mô hình dự đoán kết quả vòng bảng dựa trên xG. Trận Đức gặp Hàn Quốc, mô hình cho Đức xG 1,9. Kết quả trên sân là 0-2. Đêm đó tôi không ngủ. Tôi mở lại toàn bộ 64 trận, chạy lại từng đường, và tìm ra lỗ hổng kép: mô hình bỏ qua chỉ số PPDA của đối thủ, và bỏ qua những cú sút bị bịt góc — loại cú sút vẫn được tính là xG cao trong dữ liệu thô nhưng thực tế bị vô hiệu hóa trước khi bóng rời chân.

Tôi loại bỏ mô hình cũ trong ba ngày và viết lại thuật toán, chuyển trọng tâm từ sút nhiều sang sút hiệu quả. Nhưng bài học lớn nhất của tôi ở Nga không nằm ở kỹ thuật. Nó nằm ở chỗ: tôi đã tin vào một con số trung bình mà không hỏi con số đó được sinh ra trong hoàn cảnh nào. World Cup 2026 dạy tôi một điều mà tôi vẫn nhắc lại mỗi khi ngồi vào bàn: dữ liệu giỏi nhất cũng chỉ là bản đồ, không bao giờ là địa hình.

Và có lẽ bạn đã nhận ra sự trùng khớp. Một mô hình dựa trên dữ liệu rỗng hỏng theo cách khác một mô hình bỏ sót PPDA, nhưng căn nguyên thì giống nhau: cả hai đều vận hành trên giả định rằng thứ đang có trong tay là thứ cần có. Người phân tích ở Nga tin rằng xG là toàn bộ câu chuyện của cú sút. Người vận hành đường dẫn tin rằng cấu trúc đã lấy về là toàn bộ câu chuyện của bài báo. Cả hai đều đúng về mặt hình thức, và cả hai đều sai về mặt bản chất.

Từ đó tôi luôn nói với đội của mình một câu: mô hình sai không có nghĩa dữ liệu sai — chỉ là tôi chưa đọc đúng câu hỏi. Nhưng tôi phải thành thật thêm một vế nữa mà tôi rút ra được sau này: có những lúc câu hỏi chưa từng tồn tại, vì dữ liệu để đặt câu hỏi chưa bao giờ được lấy về. Trường hợp này nằm đúng ở đó.

Khán đài trống và biến số không đo được

Nếu World Cup 2026 dạy tôi về giới hạn của con số, thì mùa hè năm 2026 dạy tôi về giới hạn của mô hình khi bối cảnh thay đổi.

Khi Bundesliga trở lại sau đại dịch với 26 vòng đấu không khán giả, tôi phân tích 136 trận. Tỷ lệ thắng sân nhà giảm từ 41% xuống 29%. Số quả phạt đền dành cho đội chủ nhà giảm 37%. Không có khán giả, sân nhà gần như chỉ còn là một địa chỉ. Tôi viết báo cáo mang tên "Tiếng ồn và sự thiên vị trọng tài", và trong đó tôi buộc phải thừa nhận rằng biến số tôi bỏ sót ở Nga — cái tôi gọi là áp lực đám đông — hóa ra có trọng lượng định lượng rõ ràng. Nó không nằm trong mô hình của tôi, nhưng nó nằm trong kết quả.

Khán đài trống năm 2026 dạy tôi: lợi thế sân nhà không nằm ở cỏ, mà nằm ở tai.

Tôi kể chuyện này vì nó liên quan trực tiếp đến tệp rỗng ba giờ sáng nay. Nếu tôi chỉ đọc bảng dữ liệu, tôi sẽ kết luận rằng không có gì xảy ra. Nhưng khi tôi đọc bối cảnh — đường dẫn nguồn, kiểu trang, dấu hiệu giao diện — tôi thấy một câu chuyện hoàn toàn khác: có một tài liệu tồn tại, có một bộ thu thập đã chạm vào nó, và có một lỗi ở tầng giao diện ngăn nội dung đi qua. Một người chỉ đọc bảng biểu sẽ gọi đó là "không có thông tin". Một người đọc bối cảnh sẽ gọi đó là "thất bại ở tầng trích xuất". Hai cách gọi dẫn đến hai hành động trái ngược: một bên là bỏ cuộc, một bên là chạy lại.

Đó là lý do tôi luôn kiên quyết rằng cảm xúc và bối cảnh là dữ liệu, không phải phần trang trí cho dữ liệu. Một nhãn lĩnh vực đúng là thông tin. Một dấu vết thời gian là thông tin. Một mẫu lỗi lặp lại là thông tin. Nếu ta coi chúng là nhiễu, ta sẽ mãi mãi chỉ có một tệp rỗng và một kết luận "không có gì để nói".

Đan Mạch, Maroc và giá trị của sự chủ động

Có một nguyên lý chiến thuật tôi đã học được và sau đó nhận ra nó đúng cả ngoài sân cỏ.

Euro 2026, sau cú sốc Eriksen gục xuống ở trận gặp Phần Lan, dữ liệu theo thời gian thực cho thấy Đan Mạch tăng nhịp chuyền từ 4,2 lên 5,7 mét mỗi giây, xG trung bình mỗi trận tăng 12%. Tôi so sánh năm trận tiếp theo của họ với mười đội khác ở vòng bảng. Hệ thống pressing 4-3-3 của họ đạt PPDA 8,9, tốt nhất giải. Cách diễn giải ngây thơ là: một thảm kịch đã tạo ra động lực. Cách diễn giải đúng hơn là: một khủng hoảng cảm xúc đã kích hoạt một cấu trúc vốn đã được huấn luyện sẵn.

Đan Mạch không phòng ngự vì sợ hãi — họ phòng ngự để giành lại nhịp thở.

Rồi đến Maroc ở World Cup 2026. Trước vòng bán kết, gần như mọi mô hình đều nghiêng về Pháp. Tôi tìm thấy một chỉ số không ai để ý: Maroc có số lần cản phá trong năm giây sau khi mất bóng cao nhất giải, 11,3 lần mỗi trận. Họ chỉ kiểm soát bóng khoảng 35%, nhưng tạo ra bốn cú sút từ tình huống cướp bóng trực tiếp mỗi trận, so với mức trung bình 1,2 của phần còn lại. Tôi công bố bài phân tích với luận điểm rằng phòng ngự chủ động là thứ dữ liệu đang gọi tên, dù ngôn ngữ đại chúng chưa có từ cho nó. Khi Brazil bị loại, quan điểm đó được nhắc lại nhiều hơn mức tôi mong đợi.

Hai câu chuyện đó khác nhau về bối cảnh nhưng giống nhau ở một điểm: trong cả hai, giá trị thật nằm ở chỗ ta chọn đọc cái gì là tín hiệu. Đan Mạch không mạnh lên vì bi kịch — họ mạnh lên vì cấu trúc đã sẵn sàng và biến số cảm xúc chỉ mở khóa nó. Maroc không may mắn — họ định giá rủi ro theo cách khác phần còn lại, và cái giá của việc để đối thủ cầm bóng là một khoản họ chủ động chấp nhận trả.

Tôi kể điều này để nói về tình huống hiện tại. Một tệp rỗng không phải là một thất bại cần che giấu. Nó là một tín hiệu cần đọc. Nó nói với tôi rằng quy trình đã chạm vào một bề mặt và bị chặn lại ở đó. Nó nói với tôi rằng nguồn có thể đã thay đổi giao diện, hoặc đã chuyển sang mô hình trả phí, hoặc bộ phân tích đã bắt gặp một trang không phải là bài viết. Đó không phải là kết luận rằng bài báo không tồn tại. Đó là kết luận rằng tôi đang đọc nhầm câu hỏi — lần thứ hai trong sự nghiệp, cùng một kiểu sai.

Thị trường chuyển nhượng không mua cầu thủ — nó mua xác suất của tương lai. Và một phòng dữ liệu cũng vậy: nó không mua kết luận, nó mua khả năng tái lập được của quy trình. Khi một quy trình trả về rỗng, cái ta mất không phải là một bài viết. Cái ta mất là niềm tin rằng lần chạy tiếp theo sẽ khác.

Rủi ro lớn nhất là sự tự tin giả

Đến đây tôi muốn nói thẳng vào phần khó nghe nhất.

Rủi ro lớn nhất trong công việc này không phải là mô hình dự đoán sai. Rủi ro lớn nhất là một bản báo cáo trông hoàn hảo nhưng được xây trên khoảng trống, và không ai trong chuỗi phía sau phát hiện ra.

Hãy nhìn vào cấu trúc của một báo cáo phân tích hiện đại. Nó có các phần: chiến thuật, tài chính, kết quả, bối cảnh giải đấu, luật và quản trị, phòng thay đồ, rủi ro, truyền thông, chuỗi lan truyền. Mỗi phần có bảng. Mỗi bảng có ô. Mỗi ô chờ một giá trị. Kiến trúc này sinh ra để đảm bảo không bỏ sót chiều nào — và nó làm rất tốt việc đó. Nhưng nó không được thiết kế để nói "tôi không có gì để điền vào đây". Vì vậy, khi dữ liệu đầu vào rỗng, cái duy nhất giữ cho báo cáo trung thực là quyết định của người viết: giữ nguyên chữ "không xác định" ở từng ô, thay vì làm mềm nó thành một phỏng đoán nghe hợp lý.

Đây là chỗ tôi nghĩ ngành phân tích bóng đá cần nhìn thẳng. Chúng ta đã dạy cho rất nhiều người cách dựng mô hình. Chúng ta chưa dạy đủ cho họ cách xử lý khi mô hình không có gì để chạy. Trong thống kê, người ta gọi đó là xử lý giá trị thiếu, và có nguyên tắc rõ ràng: không được thay thế bằng trung bình một cách im lặng, không được suy diễn rồi trình bày như quan sát, phải ghi rõ dữ liệu thiếu ở đâu và vì sao. Trong báo chí dữ liệu, nguyên tắc đó thường bị bỏ qua vì áp lực thời gian. Một bài phải lên trong ba mươi phút. Một ô trống không thể để trống. Và thế là nó được điền.

Tôi từng chứng kiến áp lực đó ở dạng trực tiếp nhất. Sau khi phân tích Maroc được lan truyền rộng, có đề nghị chỉnh lại con số cho dễ đọc hơn, cho phù hợp với kỳ vọng của số đông. Tôi từ chối. Không phải vì tôi cứng đầu, mà vì tôi biết cái gì xảy ra sau đó: một con số được làm mềm hôm nay sẽ trở thành nền tảng cho một kết luận hôm sau, và ba tháng nữa sẽ không ai còn nhớ nó từng được làm mềm. Sai số có thể sửa được khi nó còn được ghi rõ. Khi nó đã được làm mịn cho vừa mắt, nó biến mất khỏi bản đồ — và cái biến mất khỏi bản đồ thì không ai còn kiểm tra được nữa.

Đây cũng là lý do tôi không tin vào những bảng xếp hạng cảm tính. Chúng thường không sai ở con số, chúng sai ở chỗ không nói rõ con số đến từ đâu. Một bảng xếp hạng nói "cầu thủ này là số một" mà không nói mẫu bao nhiêu trận, đo trong hoàn cảnh nào, đối thủ ra sao, thì đó không phải là phân tích, đó là một ý kiến được trình bày dưới dạng bảng. Và một ý kiến khoác áo bảng biểu nguy hiểm hơn một ý kiến bình thường, bởi vì nó mượn uy tín của định dạng.

Tôi tin quy trình hơn cảm hứng, vì quy trình lặp lại được còn cảm hứng thì không. Nhưng tôi cũng phải nói thêm điều mà tôi học được muộn: một quy trình tồi vẫn lặp lại được — nó chỉ lặp lại cùng một sai lầm với vẻ ngoài ngày càng chuyên nghiệp hơn. Đó chính xác là điều đang xảy ra với những tệp rỗng được xử lý như tệp đầy.

Những gì cần theo dõi từ đây

Nếu tôi phải rút ra một nhiệm vụ cụ thể từ buổi sáng ba giờ này, nó gồm bốn việc, và tôi viết chúng ra như một danh sách kiểm tra cho chính mình chứ không phải như một lời khuyên chung.

Thứ nhất, khi kết quả trích xuất trả về rỗng, việc cần làm không phải là viết tiếp mà là quay lại kiểm tra đường dẫn nguồn. Đường dẫn phải trỏ tới một thân bài duy nhất, không phải một trang danh mục, không phải một trang chủ đề, không phải một bức tường thanh toán. Đây là bước rẻ nhất và cũng là bước hay bị bỏ qua nhất.

Thứ hai, cần ghi lại nhật ký lỗi của bộ thu thập. Nếu cùng một mẫu lỗi xuất hiện ở nhiều bài khác nhau, vấn đề không nằm ở bài viết mà nằm ở quy trình. Một lỗi đơn lẻ có thể bỏ qua. Một lỗi hệ thống thì mỗi ngày ta mất thêm một bài, và ta mất trong im lặng.

Thứ ba, cần tách biệt hai trạng thái trong hệ thống: đầu vào không hợp lệ và phân tích đã hoàn tất. Đây là việc kỹ thuật nhỏ nhưng có hệ quả lớn. Nếu hai trạng thái này bị gộp làm một, mọi bước phía sau sẽ coi một tệp rỗng là một kết quả đã được xử lý, và cái sai sẽ lan ra mà không tạo ra tiếng động nào.

Thứ tư, và với tôi đây là việc quan trọng nhất: giữ nguyên ghi chú về tình trạng dữ liệu ở đầu mọi bản sao được lưu hành. Một báo cáo có cấu trúc đẹp rất dễ bị đọc như một báo cáo đã được kiểm định. Chỉ có một dòng ghi chú rõ ràng mới ngăn được điều đó.

Tín hiệu cho vòng tiếp theo

Tôi kết thúc bằng điều tôi nghĩ là phần đáng giá nhất của cả buổi sáng nay.

Sự cố này không phải là bằng chứng rằng nguồn tin không tồn tại. Nó là bằng chứng rằng nguồn tin có tồn tại, đã từng chạm tới được, và bị chặn ở một tầng cụ thể. Nhãn lĩnh vực đúng cho tôi biết bộ phân loại đã nhìn thấy thứ gì đó thuộc về bóng đá. Với tôi, đó là một tín hiệu tích cực theo nghĩa kỹ thuật thuần túy: vấn đề nằm ở đường ống, không nằm ở nguyên liệu. Đường ống sửa được trong vài giờ. Nguyên liệu không tồn tại thì không sửa được bằng bất cứ cách nào.

Điều tôi muốn để lại cho những ai làm nghề này, đặc biệt ở những thị trường mà hạ tầng dữ liệu còn đang được xây, là một cách nhìn khác về khoảng trống. Chúng ta thường coi khoảng trống là thứ phải lấp. Trong bóng đá, khoảng trống trên sân là thứ phải khai thác — đó là toàn bộ nội dung của chiến thuật hiện đại. Trong dữ liệu, khoảng trống cũng vậy: nó không phải là chỗ để lấp cho đẹp, nó là chỗ để đặt câu hỏi. Tại sao chỗ này trống? Trống vì không có sự kiện, hay trống vì ta chưa lấy được sự kiện về? Hai câu trả lời đó dẫn đến hai hành động hoàn toàn khác nhau, và một nền phân tích trưởng thành là nền phân tích phân biệt được chúng.

Với cá nhân tôi, sự việc này nhắc lại một lần nữa rằng điều tôi thực sự bán cho người đọc không phải là dự đoán. Đó là khả năng nói rõ tôi biết gì, tôi không biết gì, và tôi đã làm gì để kiểm tra. Một người làm dữ liệu thể thao có thể sai về kết quả trận đấu mà vẫn giữ được uy tín, miễn là quy trình của anh ta trung thực. Nhưng một người điền vào ô trống bằng một con số không có thật thì mất tất cả trong đúng một lần, và mất theo cách không thể lấy lại — bởi vì sau đó, không ai còn biết con số nào trong bài của anh ta là thật nữa.

Ba giờ sáng ở Nha Trang, cái tôi nhận được là một tệp rỗng và một cái nhãn đúng. Tôi không điền vào chỗ trống. Tôi chạy lại quy trình. Nếu lần sau vẫn rỗng, tôi sẽ viết một bài về việc vì sao nó rỗng — bởi vì câu chuyện về một đường ống hỏng, ở một thị trường bóng đá đang học cách xây dữ liệu của chính mình, có khi còn đáng đọc hơn câu chuyện về một trận đấu mà ai cũng biết kết quả rồi.