Từ một tấm thẻ hưu trí Mexico đến V.League: cái giá của một nhãn dữ liệu dán sai

3 giờ 47 phút sáng, khi bảng dữ liệu của tôi hoàn tất lượt cập nhật cuối cùng trong ngày, một dòng chữ hiện lên giữa hàng nghìn dòng khác. Nhãn phân loại: football. Ngay cạnh nó, tiêu đề tài liệu gốc lại nói về một thứ hoàn toàn xa lạ với trái bóng — tấm "credencial blanca", loại thẻ nhận diện mà Viện An sinh Xã hội Mexico (IMSS) cấp cho người về hưu và người đang lĩnh lương hưu.

Tôi đọc hết hai mươi hai điểm thông tin được trích xuất từ văn bản đó. Không một đội bóng. Không một cầu thủ. Không một huấn luyện viên. Không một trận đấu. Không một chỉ số xG, PPDA hay tỷ lệ chuyền chính xác dưới áp lực. Toàn bộ nội dung xoay quanh thủ tục hành chính: giấy tờ cần nộp, ảnh thẻ theo quy định, một hội đồng hỗn hợp quốc gia về hưu trí và lương hưu, và danh sách ưu đãi tại các cửa hàng Tiendas IMSS.

Một hàng dữ liệu sai nhãn. Nhỏ như hạt bụi. Nhưng tôi từng dành bốn tháng để xem lại toàn bộ 26 vòng đấu của một mùa giải chỉ vì tin rằng những hạt bụi như thế quyết định chất lượng của cả một hệ thống thông tin. Mọi lời tiên tri đều bắt đầu từ một chiếc bảng không ai thèm đọc.

Nhãn dữ liệu là hạ tầng, không phải thủ tục

Để hiểu vì sao một dòng như thế lại đáng lo, cần hiểu cách một phòng tin thể thao hiện đại vận hành. Mỗi ngày, hàng nghìn văn bản từ hàng trăm nguồn đổ về: thông cáo câu lạc bộ, bản tin hãng thông tấn, bài tổng hợp của các trang dữ liệu, thông báo của liên đoàn, ghi chú từ buổi họp báo. Không ai đọc hết. Hệ thống tự động gán nhãn, phân loại theo chủ đề, rồi đẩy vào các luồng xử lý khác nhau: chiến thuật, chuyển nhượng, tài chính câu lạc bộ, y tế, luật thi đấu.

Nhãn chính là hạ tầng. Nó giống đường biên của sân: không ai nhìn thấy nó trong khung hình truyền hình, nhưng bỏ nó đi thì trận đấu biến thành một cuộc hỗn chiến không có điểm dừng. Khi một văn bản về thẻ hưu trí Mexico được dán nhãn "bóng đá", nó không chỉ nằm sai chỗ. Nó trở thành nguyên liệu cho những quyết định tiếp theo: một bản tổng hợp được biên tập dựa trên nó, một chỉ số được tính từ nó, một dự đoán được đưa ra vì nó.

Ở Việt Nam, hạ tầng này đang được xây nhanh hơn tốc độ kiểm tra. V.League đã có dữ liệu sự kiện, có bảng xG, có chỉ số chuyển nhượng, có những nền tảng thống kê mà mười năm trước không ai nghĩ sẽ tồn tại. Nhưng hạ tầng dữ liệu không chỉ là cảm biến và giao diện lập trình. Nó còn là kỷ luật phân loại — thứ mà không nhà cung cấp công nghệ nào bán kèm cho bạn. Dựa trên kinh nghiệm theo dõi các trận đấu của tôi ở cả Anh và Việt Nam, tôi thấy phần khó nhất của công việc dữ liệu chưa bao giờ là thu thập. Nó là quyết định xem một thứ thuộc về đâu.

Chuỗi bằng chứng từ một văn bản sai nhãn

Quay lại hai mươi hai điểm thông tin. Khi tách chúng ra và soi từng điểm, bức tranh hiện ra rất rõ.

Đối tượng của văn bản là một thủ tục hành chính: tấm thẻ trắng do IMSS cấp cho người đã nghỉ hưu. Văn bản nêu mục đích của tấm thẻ, các quyền lợi đi kèm, và quan trọng nhất — điều kiện để được cấp. Trong đó có một điểm đáng chú ý về mặt kỹ thuật thông tin: tấm thẻ này không thay thế giấy tờ tùy thân chính thức, và người sử dụng vẫn có thể được yêu cầu xuất trình thẻ cử tri INE hoặc hộ chiếu. Một điểm khác nói rõ tấm thẻ không bắt buộc để nhận lương hưu hằng tháng.

Hai câu đó là dấu hiệu của một nguồn có kỷ luật. Một văn bản cẩu thả sẽ không tự đính kèm giới hạn phạm vi như vậy. Nó cho thấy tài liệu gốc nhiều khả năng dựa trên một bảng hỏi đáp chính thức của IMSS, tức là có nền tảng sơ cấp tương đối đáng tin — chỉ có lớp báo chí bên ngoài là không được ghi nguồn.

Về thủ tục, văn bản mô tả quy trình nộp hồ sơ trực tiếp trước hội đồng hỗn hợp quốc gia về hưu trí và lương hưu, danh mục giấy tờ bao gồm phiếu lương, yêu cầu về ảnh thẻ với quy định thời hạn, sau đó là bước xem xét và cấp phát. Không có yếu tố nào trong đó liên quan tới thể thao.

Điều đáng nói là hệ thống phân loại đã bắt được tín hiệu "tín dụng" và "ưu đãi" — những từ khóa trùng với ngôn ngữ tài chính bóng đá. Đây là dạng lỗi tôi gọi là dương tính giả từ khóa. Một từ xuất hiện đúng hình dạng nhưng sai hoàn toàn ngữ cảnh. Trong dữ liệu bóng đá, dạng lỗi này không hiếm: "clause" trong hợp đồng lao động bị đọc thành điều khoản giải phóng, "option" trong bản tin thương mại bị đọc thành quyền mua, "credit" trong một bản tin ngân hàng bị đọc thành khoản vay của câu lạc bộ.

Và đây là điểm tôi muốn nhấn mạnh nhất: sai sót nghiêm trọng nhất trong dữ liệu bóng đá không phải là con số sai, mà là con số đúng nằm trong một danh mục sai. Một xG sai có thể bị phát hiện bằng cách đối chiếu với mô hình khác. Một tài liệu hưu trí nằm trong danh mục bóng đá thì không — vì nó không mâu thuẫn với bất cứ thứ gì trong danh mục đó. Nó chỉ lặng lẽ tồn tại, và theo thời gian, nó làm lệch mọi thứ được xây dựng trên nó.

Ba chỉ số nâng cao tối thiểu trong mọi bài viết của tôi đều phải có nguồn kiểm chứng. Ở đây, nguồn kiểm chứng không phải một con số, mà là một câu hỏi phân loại: văn bản này thuộc về đâu? Trả lời sai câu hỏi đó thì ba chỉ số đúng cũng vô nghĩa.

Một chi tiết nữa khiến dòng dữ liệu này đáng chú ý hơn bình thường: văn bản không ghi ngày hiệu lực. Không có mốc thời gian, người đọc không thể biết quy định về ảnh thẻ hay danh mục giấy tờ còn đúng hay đã bị thay thế. Trong dữ liệu bóng đá, một chỉ số thiếu mốc thời gian cũng nguy hiểm tương tự: mẫu PPDA của một đội ở vòng 5 không thể dùng để mô tả chính đội đó ở vòng 20, khi lịch thi đấu dày lên và chiều sâu đội hình đã thay đổi.

Năm 2026, tôi dành bốn tháng xem lại 26 vòng đấu của mùa giải mà Hà Nội FC vô địch. Con số tôi đo được là PPDA trung bình 9,8 — mức cao nhất giải, phản ánh cách đội bóng này pressing dữ dội để giành bóng ngay tại phần ba sân đối phương. Bài phân tích đầu tiên bị đồng nghiệp chê là khô khan, hàn lâm, vô cảm. Tôi không đổi phong cách. Tôi thêm bảng đối chiếu xG và độ dài đội hình cho ba bài tiếp theo. Đến cuối năm, nhiều câu lạc bộ bắt đầu học theo lối pressing đó, và bài viết bỗng được chia sẻ rộng rãi trong giới cầu thủ.

Bài học từ mùa đó không nằm ở con số 9,8. Nó nằm ở chỗ tôi phải tự tay kiểm tra từng vòng đấu vì không có bảng dữ liệu nào đáng tin để dựa vào. Công việc đó tốn bốn tháng cho một mùa giải của một câu lạc bộ. Nếu tôi phải làm điều tương tự cho toàn bộ V.League trong mười mùa, tôi cần ba mươi ba năm. Đó là lý do vì sao chất lượng phân loại dữ liệu không phải chuyện kỹ thuật nhỏ. Nó là chuyện nguồn lực sống còn của cả một nền bóng đá.

Góc phản trực giác: lỗi không nằm ở dòng dữ liệu sai

Phản ứng đầu tiên của hầu hết mọi người khi nghe câu chuyện này là đổ lỗi cho thuật toán. Tôi cho rằng đó là kết luận sai, và sai một cách tiện lợi.

Thuật toán gán nhãn dựa trên xác suất từ khóa và ngữ cảnh. Nó hoạt động đúng như thiết kế. Văn bản có "tín dụng", có "hưu trí", có "hội đồng quốc gia" — và trong một số tập dữ liệu huấn luyện, những từ này từng xuất hiện trong các bài về tài chính câu lạc bộ và quản trị liên đoàn. Hệ thống không phạm lỗi logic. Nó chỉ phản ánh đúng sự mơ hồ của ngôn ngữ mà nó được dạy.

Lỗi thật nằm ở chỗ khác: ở cấu trúc khuyến khích. Một phòng tin được đo bằng sản lượng, không phải bằng độ chính xác của phân loại. Không ai được khen vì đã phát hiện một dòng sai nhãn. Nhưng ai cũng được ghi nhận khi xuất bản thêm mười bài trong ngày. Trong môi trường đó, kiểm tra chéo là chi phí, còn sai sót là miễn phí.

Khán giả có thể rời khán đài, nhưng con số vẫn ngồi nguyên trên ghế. Và trong trường hợp này, con số ngồi sai ghế trong suốt nhiều tháng mà không ai phát hiện, vì không có ai được trả tiền để ngồi cạnh nó.

Ở đây tôi phải tự phản biện chính mình. Điều gì sẽ khiến tôi đổi quan điểm? Nếu dữ liệu cho thấy tỷ lệ sai nhãn ở mức dưới một phần nghìn và không có hậu quả lan truyền nào đo được, thì đây chỉ là tiếng ồn thống kê, không đáng một bài phân tích. Nhưng trong hệ thống tôi quan sát, sai nhãn ở tầng phân loại có xu hướng nhân lên theo cấp số khi đi qua từng bước tổng hợp, vì mỗi bước lại tin vào bước trước. Đó là lý do tôi vẫn giữ lập trường thận trọng.

Thị trường chuyển nhượng không phải trò chơi cảm tính, nó là trò chơi của những tấm bản đồ được vẽ lại. Và một tấm bản đồ vẽ sai đường biên sẽ khiến cả đoàn xe đi lạc, dù từng chiếc xe trong đó đều chạy rất tốt.

Tín hiệu cho vòng tiếp theo

V.League không thiếu những con số, nó thiếu người biết đặt những con số thành khung cửa sổ. Câu chuyện về tấm thẻ hưu trí Mexico không phải một câu chuyện bóng đá. Nó là một câu chuyện về việc chúng ta đang xây những khung cửa sổ bằng vật liệu gì.

Ba tín hiệu tôi sẽ theo dõi trong thời gian tới. Thứ nhất, liệu các nền tảng dữ liệu bóng đá Việt Nam có công bố công khai quy trình gán nhãn của mình hay không — vì một quy trình không được công bố thì không thể bị chất vấn. Thứ hai, liệu các câu lạc bộ có bắt đầu yêu cầu mã định danh duy nhất cho từng bản ghi chuyển nhượng, thay vì để mọi bên tự đặt tên cho cùng một thương vụ. Thứ ba, liệu người hâm mộ có bắt đầu hỏi về nguồn dữ liệu đứng sau một con số, chứ không chỉ hỏi con số đó là bao nhiêu.

Chúng ta đi tìm tương lai của bóng đá, trong khi nó đã nằm sẵn ở những quá khứ chưa được mã hóa. Một cầu thủ phát biểu cảm xúc; mười mùa giải mới đủ tạo thành một hệ thống. Vấn đề là hệ thống đó chỉ tốt bằng dòng dữ liệu yếu nhất trong nó — kể cả khi dòng yếu nhất ấy đang nói về một tấm thẻ hưu trí ở một đất nước cách đây nửa vòng Trái Đất.