Nhãn sai trong dữ liệu bóng đá: khi một hồ sơ điện ảnh bị phân loại thành 'bóng đá'

Ngày 13 tháng 8 năm 2026, tại Marseille, tôi mở một lô dữ liệu gồm hơn hai trăm đầu mục vừa được hệ thống phân loại tự động dán nhãn, chờ chuyển sang khâu phân tích chuyên sâu. Một mục khiến tôi dừng lại. Nhãn ghi rõ ràng: bóng đá. Nội dung bên trong kể về cảnh hậu danh đề của một bộ phim kinh dị, về một hãng game Nhật Bản nắm giữ bản quyền thương hiệu, về một đạo diễn và một diễn viên trẻ. Không có câu lạc bộ nào trong đó. Không một cầu thủ. Không một chỉ số bàn thắng kỳ vọng, không một thông số vòng cấm, không một dòng nào về chuyển nhượng.

Tôi ngồi im vài phút. Gần năm mươi năm ghi chép bóng đá dạy tôi một điều tưởng chừng đơn giản: dữ liệu sai thì thôi không còn là dữ liệu, mà là tiếng ồn khoác áo sự thật. Một cái nhãn sai nguy hiểm hơn một khoảng trống, bởi khoảng trống thì ai cũng nhìn thấy, còn nhãn sai thì lặng lẽ trôi vào mô hình rồi nằm lại đó, không ai truy.

Đó là lý do tôi ngồi viết bài này. Không phải để kể chuyện một lỗi kỹ thuật đơn lẻ, mà để nói về thứ mà người làm dữ liệu bóng đá ở Việt Nam và châu Á thường xem nhẹ: kỷ luật gán nhãn.

Nhãn là nền móng, không phải thủ tục

Mùa hè 2026, tôi học cách tin vào thứ chưa ai gọi tên: xG. Năm đó tôi 57 tuổi, làm quản trị viên thị trường chuyển nhượng tại Marseille. Khi Opta lần đầu phát hành bảng bàn thắng kỳ vọng cho Ligue 1, tôi không vội tin. Tôi tự tay ghi chép 1.204 cú sút của 20 đội trong nửa đầu mùa giải 2026-18, rồi đối chiếu với số bàn thắng thực tế. Hệ số tương quan đạt 0,84. Con số đó đủ để tôi dựng một bộ dữ liệu định giá tiền đạo cho riêng mình. Đồng nghiệp bảo tôi phản ứng chậm. Tôi cần kiểm chứng trước khi dùng.

Bài học từ mùa hè năm đó không nằm ở xG. Nó nằm ở chỗ tôi phải tự tay đếm từng cú sút, tự tay gán từng cú sút vào một trận, một đội, một phút. Nếu một cú sút bị gán nhầm sang trận khác, hệ số 0,84 kia sẽ đẹp lên hoặc xấu đi một cách vô nghĩa, và tôi sẽ xây cả một bộ định giá dựa trên cát.

Người ta thường nghĩ khâu khó nhất của phân tích bóng đá là mô hình. Tôi thì thấy khâu khó nhất là dán nhãn. Mô hình chỉ làm đúng việc của nó với thứ đầu vào ta đưa. Gán nhãn là khâu duy nhất trong toàn bộ đường ống buộc ta phải trả lời một câu hỏi rất người: mục này thực sự thuộc về đâu.

Với một mục được gán nhãn bóng đá, tôi luôn chạy ba câu hỏi kiểm tra. Có câu lạc bộ nào không. Có cầu thủ nào không. Có một dữ kiện nào đo đếm được về trận đấu, về tài chính hay về thể lệ giải không. Mục về bộ phim kia trượt cả ba. Nó trượt ngay từ câu đầu tiên.

Giải phẫu một nhãn sai

Điều khiến tôi chú ý không phải việc có một mục sai, mà là cách nó lọt vào. Các hệ thống phân loại tự động ngày nay đọc văn bản theo mẫu ngữ nghĩa: chúng nhìn vào các thực thể xuất hiện trong bài, xem chúng gần với nhóm chủ đề nào. Mục kia nhắc tới một thương hiệu game, một hãng điện ảnh lớn, một đạo diễn, một diễn viên. Trong không gian ngữ nghĩa của máy, cụm từ về trò chơi, về giải đấu, về trình diễn có thể nằm rất gần nhau.

Một bài về cảnh hậu danh đề có thể chạm vào các tín hiệu mà hệ thống gắn với mục 'giải trí thi đấu', 'thể thao điện tử', 'sự kiện'. Chỉ cần vài tín hiệu trùng khớp vượt ngưỡng, nhãn sẽ được gán. Máy không hiểu rằng một thương hiệu game Nhật Bản sở hữu một dòng phim khác hoàn toàn với việc một giải đấu esports đang diễn ra. Với máy, cả hai đều là 'nội dung về một thương hiệu giải trí có tính cạnh tranh'.

Sự nhầm lẫn này có một cái tên kỹ thuật: nội dung ngoài miền. Mục đó nằm ngoài miền bóng đá, nhưng bị dán nhãn bóng đá. Vấn đề không phải là nó vô giá trị, mà là nó vô giá trị với đúng miền mà nó tự nhận thuộc về.

Tôi từng chứng kiến một chuyện tương tự ở quy mô nhỏ hơn nhiều. Trong một bảng dữ liệu chuyển nhượng tôi nhận được, có một dòng ghi một cầu thủ trẻ chuyển từ một câu lạc bộ hạng hai sang một câu lạc bộ hạng nhất với mức phí bằng không. Dòng đó đúng về mặt ký tự, nhưng sai về mặt bản chất: đó là một cầu thủ hết hợp đồng, không phải một vụ chuyển nhượng tự do. Nếu tôi gộp dòng đó vào mẫu tính giá trị trung bình của các vụ chuyển nhượng, tôi vừa kéo lệch cả một phân khúc. Một dòng, một cái nhãn.

Ba giả thuyết trước khi kết luận

Tính tôi vốn không thích kết luận sớm. Trước bất kỳ phát hiện nào, tôi luôn viết ra ít nhất ba giả thuyết giải thích, rồi đi tìm bằng chứng để loại từng cái. Với mục bị gán nhãn sai kia, ba giả thuyết của tôi là thế này.

Giả thuyết thứ nhất: đây là một lỗi đơn lẻ, một mục cá biệt trôi nhầm trong một lô lớn. Nếu đúng vậy, tỷ lệ mục bóng đá thiếu thực thể bóng đá trong các lô sau sẽ về gần bằng không. Đây là giả thuyết dễ chịu nhất, và cũng là giả thuyết tôi nghi ngờ nhất.

Giả thuyết thứ hai: đây là lỗi mang tính hệ thống của bộ phân loại, khi nó thường xuyên gộp các nội dung giải trí có yếu tố cạnh tranh vào nhãn bóng đá. Nếu đúng, khiếm khuyết nằm ở phân loại học, không nằm ở người vận hành. Cách kiểm tra là theo dõi tỷ lệ sai trên nhiều lô liên tiếp. Ngưỡng tôi tự đặt: nếu trên 1% một lô gồm các mục mang nhãn bóng đá mà không có thực thể bóng đá nào, thì đó là vấn đề hệ thống.

Giả thuyết thứ ba: lỗi đến từ khâu con người, khi ai đó xuất dữ liệu và để lẫn một dòng từ một bảng khác. Giả thuyết này thường bị bỏ qua vì nó kém hào nhoáng, nhưng trong nghề của tôi, phần lớn lỗi dữ liệu là lỗi người, không phải lỗi máy.

Điều đáng lo là cả ba giả thuyết đều dẫn tới cùng một hậu quả nếu tôi không xử lý: mục rác đó đi tiếp xuôi dòng.

Ô nhiễm xuôi dòng: cái giá của một dòng rác

Khán đài trống là phòng thí nghiệm tuyệt nhất cho kẻ mê dữ liệu. Năm 2026, khi bóng đá tái khởi động sau đại dịch, tôi ngồi tại Marseille và phân tích 81 trận đấu trên sân không khán giả ở mùa 2026-20. Đội nhà chỉ thắng 26% số trận, trong khi trước dịch con số đó là 43%. Tôi viết một báo cáo về việc mất lợi thế sân nhà. Một câu lạc bộ Ligue 2, Le Havre, dùng báo cáo đó để hạ giá mua một tiền đạo trẻ vốn chơi rất nổi bật trên sân nhà.

Câu chuyện đó cho tôi thấy dữ liệu đi xuôi dòng tới đâu. Tôi gõ một bảng, một câu lạc bộ hạ giá một bản hợp đồng, một cầu thủ trẻ bị định giá thấp hơn thực lực. Bây giờ hãy tưởng tượng trong chính bảng dữ liệu đó có một dòng bị gán nhãn sai. Nó không nằm yên. Nó chảy vào bảng xếp hạng chỉ số đội nhà, nó bơm vào giá trị trung bình của cả giải, nó lặng lẽ nghiêng một quyết định mua bán.

Trong thống kê, người ta gọi hiện tượng này là điểm dị biệt. Một điểm dữ liệu sai, nếu đủ cực đoan, có thể kéo lệch toàn bộ một mô hình hồi quy. Mô hình không tự biết điểm đó là rác. Nó chỉ biết điểm đó là một quan sát, và nó sẽ cố gắng giải thích quan sát đó bằng mọi giá, thậm chí hy sinh cả những quan sát đúng.

Với mục phim lọt nhãn bóng đá, kịch bản xấu nhất là thế này. Nếu đường ống của chúng tôi không có cửa kiểm tra miền, mục đó sẽ được chuyển sang khâu phân tích chuyên sâu. Một người kém cẩn thận sẽ cố gắng tìm ý nghĩa bóng đá trong đó. Họ sẽ viết về 'tính cạnh tranh', về 'cấu trúc đội hình', về 'chiến lược thương hiệu' của một thứ vốn dĩ là một bộ phim. Và thế là một tín hiệu giả được sinh ra, rồi được lưu lại, rồi được trích dẫn ở một bài khác.

Đó là điều tôi sợ nhất trong nghề dữ liệu: không phải sự thiếu hụt, mà sự nhiễm bẩn. Thiếu dữ liệu thì ta biết mình thiếu. Nhiễm bẩn thì ta tưởng mình đang giàu.

Nghĩa vụ không bịa tín hiệu

Tôi 66 tuổi, đủ già để biết con số không bao giờ kể chuyện nếu ta không hỏi. Và đủ già để biết có những lúc câu trả lời trung thực nhất là: không thể đánh giá.

Khi một mục không có thực thể bóng đá, không có chỉ số, không có bối cảnh trận đấu, thì mọi phân tích bóng đá về nó đều là bịa. Một nhà phân tích tử tế sẽ không bịa. Họ sẽ đánh dấu mục đó là ngoài miền, trả nó về đúng chỗ của nó, và ghi lại sự cố để người vận hành đường ống sửa.

Trong nghề của tôi, có một cám dỗ rất lớn mà tôi đã nhìn thấy ở nhiều người trẻ: cám dỗ chứng minh mình hữu ích bằng cách luôn tìm ra ý nghĩa. Người ta được trả tiền để có kết luận, nên người ta tự tạo kết luận. Nhưng một kết luận từ dữ liệu sai còn tệ hơn một kết luận trống. Kết luận trống không gây hại. Kết luận sai thì có.

Có những trận đấu thắng trên sân nhưng thua trên bảng dữ liệu, và tôi chọn bảng dữ liệu. Nhưng chọn bảng dữ liệu không có nghĩa là bám lấy mọi con số trên bảng. Nó có nghĩa là chỉ tin những con số đã qua kiểm chứng, và dám nói 'tôi không biết' với phần còn lại.

Mối nguy nằm ở cái sai trông có lý

Ơ đây tôi muốn phản biện một phản xạ rất phổ biến trong cộng đồng phân tích bóng đá Việt Nam và châu Á: coi trọng số lượng dữ liệu hơn chất lượng nhãn.

Nhiều người tin rằng chỉ cần thu thập thật nhiều dữ liệu, mô hình sẽ tự tìm ra sự thật. Tôi không tin vậy. Một mục sai trông rất giống một mục đúng: nó nằm cùng định dạng, cùng trường, cùng cột với hàng nghìn mục khác. Nó không tự tố cáo mình. Ngược lại, mục sai hiển nhiên — như một dòng trống, một ô thiếu giá trị — lại dễ bị phát hiện và dễ bị loại bỏ. Mối nguy thật sự nằm ở kẻ mạo danh, không nằm ở kẻ vắng mặt.

Đây là chỗ tương quan không đồng nghĩa với nhân quả trong chính công việc gán nhãn. Việc một mục chứa các từ khóa gần với bóng đá tương quan với khả năng nó thuộc về bóng đá, nhưng tương quan đó không đủ mạnh để kết luận. Người làm dữ liệu phải phân biệt giữa 'trông giống' và 'thuộc về'. Máy thì không phân biệt được. Người thì phải phân biệt.

Tôi cũng đã từng là kẻ bị nghi ngờ. Năm 2026, khi tôi đề nghị dùng xG để định giá tiền đạo, nhiều người cho rằng tôi đang bám theo một mốt. Tôi không cãi. Tôi chỉ đưa ra cỡ mẫu và khoảng tin cậy của mình. Sự khác biệt giữa tôi và những người chỉ trích không nằm ở niềm tin, mà ở quy trình. Họ không có quy trình kiểm chứng. Tôi có.

Và đây là điều tôi muốn nói với những người đang xây mô hình bóng đá: một mô hình tốt không phải là mô hình đọc được nhiều dữ liệu nhất, mà là mô hình dám từ chối những dữ liệu không thuộc về nó. Khả năng từ chối mới là thứ phân biệt nhà phân tích với người trích dẫn.

Cổng kiểm tra miền: thứ đáng ra phải có

Từ sự cố kia, tôi rút ra một nguyên tắc và đưa nó vào quy trình riêng của mình. Trước khi một lô dữ liệu đi vào khâu phân tích, nó phải qua một cổng kiểm tra miền. Cổng đó hỏi ba câu: có thực thể bóng đá không, có dữ kiện đo đếm được không, nhãn có khớp với miền được giao không.

Mục nào trượt cổng sẽ không bị xóa, mà bị chuyển hướng về đúng miền của nó. Một bài về phim thì nên đi vào đường ống điện ảnh. Nó không có lỗi. Đường ống mới là thứ có lỗi, vì đã nhận nhầm nó.

Người đọc thành thị thường nhìn vào vẻ hào nhoáng của các thống kê nâng cao mà quên rằng phía dưới chúng là một tầng dữ liệu thô. Tầng thô đó không hào nhoáng. Nó gồm những lựa chọn rất buồn tẻ: mục này thuộc đội nào, gán vào phút thứ mấy, tính theo pha nào. Người ta đo sức mạnh của một hàng tiền vệ qua số đường chuyền trước mỗi pha phòng ngự, và tôi thì đo sức mạnh của một bảng dữ liệu qua tỷ lệ nhãn đúng.

Croatia vô địch giải đấu của PPDA thấp? Vậy là PPDA mới chỉ là một chữ cái. Tôi viết điều đó để nhắc rằng một chỉ số đơn lẻ không bao giờ là chân lý. Điều đó cũng đúng với nhãn: một nhãn đúng đơn lẻ không cứu được một tập dữ liệu bị ô nhiễm, nhưng một nhãn sai có thể phá hỏng cả một phân tích. Sức mạnh của cái sai không nằm ở số lượng của nó, mà ở vị trí của nó. Một dòng rác đặt đúng chỗ có thể kéo nghiêng một kết luận về cả một giải đấu.

Ở Pháp, nơi tôi làm việc, văn hóa dữ liệu của các câu lạc bộ ngày càng chặt. Bộ phận tuyển trạch không còn mua cầu thủ chỉ vì một video highlight. Họ mua vì một tập chỉ số đã qua lọc. Nhưng ngay cả ở đó, tôi vẫn thấy những lô dữ liệu chuyển nhượng bị gán nhãn ẩu. Không ai kiểm tra vì ai cũng tin nhãn là đúng. Niềm tin vào nhãn là điểm mù chung của cả một ngành.

Và ở không gian khác, thị trường chuyển nhượng thể thao điện tử đang mắc đúng căn bệnh này. Các tổ chức esports gán nhãn tuyển thủ bằng những chỉ số chưa được xác minh, rồi hạ giá người trẻ dựa trên những chỉ số đó. Tôi từng thấy một tuyển thủ bị đánh giá thấp chỉ vì một bảng dữ liệu gán nhầm vai trò của cậu ta. Cú click chuột trên màn hình esports cũng mang dáng dấp một pha chuyền bóng, và nó cũng cần được gán nhãn đúng như vậy.

Điều tôi giữ lại

Tôi không viết bài này để phê phán một hệ thống cụ thể. Tôi viết vì sự cố kia là một lời nhắc. Khi dữ liệu ngày càng nhiều, khi mô hình ngày càng mạnh, thì kỷ luật ở tầng thấp nhất lại càng quan trọng hơn, chứ không kém đi. Càng tự động hóa, càng phải kiểm tra bằng tay.

Một lô dữ liệu giống như một trận đấu. Ta có thể thắng trên sân nhờ một khoảnh khắc đẹp, nhưng nếu bảng dữ liệu sau trận đầy dòng rác, thì thắng trên sân cũng chỉ là một ký ức mờ. Tôi không muốn bộ dữ liệu bóng đá của mình là một ký ức mờ.

Ngày mai, tôi sẽ mở lại lô dữ liệu kia và kiểm tra từng dòng một. Có thể chỉ có một mục sai. Cũng có thể có nhiều hơn. Dù thế nào, tôi cũng sẽ ghi lại câu hỏi này vào sổ tay: nếu một hồ sơ về một bộ phim có thể sống yên ổn trong một tập dữ liệu bóng đá mà không ai phát hiện, thì còn bao nhiêu dòng rác khác đang lặng lẽ nằm trong những mô hình mà chúng ta tin tưởng?