Lỗi gán nhãn trong hệ thống phân tích bóng đá: khi dữ liệu sai lọt vào sân cỏ

Trong phòng điều phối của một đơn vị phân tích dữ liệu bóng đá, một tệp tin được gắn nhãn "football" đi qua cổng kiểm tra tự động và chuyển sang công đoạn thẩm định chuyên sâu. Người phân tích mở tệp. Không có đội bóng. Không có cầu thủ. Không có sơ đồ đội hình, không có chỉ số bàn thắng kỳ vọng, không một cái tên nào thuộc về sân cỏ. Thứ duy nhất nằm trong tệp là giá dầu Brent, giá dầu WTI, eo biển Hormuz, và tên của hai nguyên thủ quốc gia. Một tài liệu về thị trường năng lượng đã đi trót lọt qua gần như toàn bộ chuỗi xử lý dành cho bóng đá, và chỉ bị chặn lại ở công đoạn cuối cùng, bởi chính người phân tích chứ không phải bởi hệ thống.

Khoảnh khắc ấy mang tính trọng tài. Và như mọi khoảnh khắc trọng tài, nó chỉ có giá trị nếu ta chịu ngồi lại xem băng hình.

Tôi theo dõi các hệ thống phân tích bóng đá đã nhiều năm, và tôi học được một điều tưởng như hiển nhiên nhưng hiếm khi được thực thi: chất lượng của một kết luận không bao giờ cao hơn chất lượng của dữ liệu đầu vào. Một mô hình có thể tính hàng nghìn biến số. Nhưng nếu cái nhãn dán ở bước đầu tiên đã sai, toàn bộ phần còn lại chỉ là một chuỗi phép tính chính xác đặt trên một nền móng lệch.

Quy trình trong trường hợp này gồm hai công đoạn. Công đoạn đầu phân rã văn bản và gán nhãn lĩnh vực. Công đoạn sau áp dụng một khung chín chiều: chiến thuật và kỹ thuật; tài chính câu lạc bộ và thị trường chuyển nhượng; kết quả thi đấu và chu kỳ dư luận; bối cảnh giải đấu; luật lệ và quản trị; ban huấn luyện và phòng thay đồ; hồ sơ rủi ro; truyền thông và kỳ vọng; và cuối cùng là chuỗi lan truyền của ngành bóng đá. Mỗi chiều trong số đó đòi hỏi dữ liệu gắn với sân cỏ: đội hình, chỉ số gây áp lực, quỹ lương, bảng xếp hạng, hợp đồng, án phạt.

Bản ghi đầu vào dán nhãn "football" cho một bài báo về dầu mỏ. Không một chiều nào trong chín chiều có thể được điền bằng dữ liệu thật.

Tôi biết cảm giác đó. Tháng 6 năm 2026, trong trận Pháp gặp Úc, tôi khẳng định trước hơn bốn triệu thính giả rằng bóng chạm nách thì không phải lỗi. Tôi dựa vào điều luật tôi học năm 2026. Một đồng nghiệp sửa tôi ngay trên sóng: từ năm 2026, vùng nách đã nằm trong định nghĩa lỗi để tay chạm bóng. Tôi sai. Ban biên tập phải đính chính. Từ hôm đó, tôi hiểu rằng một kết luận chỉ đáng tin khi người đưa ra nó chịu công bố cả điều kiện thu thập dữ liệu lẫn thời điểm hiệu lực của điều luật. Luật không nằm trong trí nhớ, mà nằm trong dữ liệu.

Nội dung thực tế của bản ghi thuộc về thị trường năng lượng. Giá dầu Brent giảm 1,30 đô la xuống 105,35 đô la một thùng. Giá dầu WTI của Mỹ giảm 1,25 đô la xuống 92,49 đô la một thùng. Tổ chức Các nước Xuất khẩu Dầu mỏ hạ dự báo tăng trưởng nhu cầu xuống 400.000 thùng mỗi ngày. Chi phí vận chuyển và bảo hiểm cho hàng hóa đi qua vùng Vịnh vượt một phần ba giá trị hàng hóa. Các vụ tấn công nhằm vào tàu chở dầu ở eo biển Hormuz và một cuộc tập kích bằng máy bay không người lái vào sân bay quốc tế Riyadh cùng nằm trong một bản ghi. Về chính trị, Mỹ dỡ bỏ lệnh trừng phạt với nhiên liệu Nga, và một nhóm nghị sĩ lưỡng đảng phản đối động thái đó. Tổng thống Donald Trump và Tổng thống Vladimir Putin được nhắc tên. Hai nhà phân tích được trích dẫn: Tim Waterer của KCM Trade và Haitham Al Ghais, Tổng thư ký OPEC. Một định chế tài chính là ING bày tỏ sự hoài nghi đáng kể về hướng đi của giá dầu.

Không một thực thể nào trong danh sách trên thuộc về bóng đá.

Tôi áp khung chín chiều. Kết quả ở cả chín chiều là cùng một câu: không đủ thông tin, không thể đánh giá. Chiều chiến thuật trống vì không có đội hình, không có phong cách chơi, không có chỉ số bàn thắng kỳ vọng. Chiều tài chính trống vì không có cơ cấu doanh thu câu lạc bộ, không có quỹ lương, không có khấu hao chuyển nhượng. Chiều kết quả thi đấu trống vì không có bảng xếp hạng, không có phong độ, không có lịch thi đấu. Chiều luật lệ trống vì không có luật công bằng tài chính, không có quy định đăng ký cầu thủ, không có án phạt. Chiều phòng thay đồ trống vì không có chủ sở hữu, không có giám đốc thể thao, không có đội trưởng.

Điểm đáng chú ý là bản ghi có dữ liệu tài chính, chỉ có điều đó là giá hàng hóa chứ không phải bảng cân đối của một câu lạc bộ. Bản ghi có rủi ro, chỉ có điều đó là rủi ro địa chính trị về nguồn cung chứ không phải rủi ro chấn thương hay án treo giò. Bản ghi có áp lực dư luận, chỉ có điều đó là áp lực của thị trường và của các nghị sĩ chứ không phải áp lực sa thải huấn luyện viên.

Đây là chỗ tôi muốn dừng lại lâu hơn, vì nó là phần cốt lõi của vấn đề. Sự trùng hợp về từ vựng không phải là sự tương đồng về lĩnh vực. Cung và cầu trong thị trường dầu mỏ với cung cầu trên sân cỏ dùng chung hai chữ, nhưng không chia sẻ một đơn vị đo nào. Áp lực trong phòng giao dịch với áp lực trên khán đài dùng chung một từ, nhưng không cùng một thang đo. Khi một hệ thống chỉ so khớp từ khóa, nó sẽ gán nhãn sai. Và tệ hơn, nó sẽ gán nhãn sai một cách tự tin.

Nếu người phân tích ở công đoạn sau chọn cách "cố gắng hết sức" và viết ra một bài phân tích bóng đá từ dữ liệu dầu mỏ, sai sót sẽ không dừng ở một bài viết. Nó sẽ đi vào tập dữ liệu huấn luyện. Nó sẽ trở thành tiền lệ. Một bản ghi sai lọt qua cổng kiểm tra hôm nay sẽ khiến cổng kiểm tra nới lỏng vào ngày mai.

Còn một chi tiết khác đáng nêu, vì nó thuộc loại lỗi tôi quen thuộc hơn cả: bản ghi không ghi ngày công bố. Trong nghề của tôi, một con số không có ngày tháng là một con số chưa thể sử dụng. Giá dầu Brent ở mức 105,35 đô la một thùng nói lên điều gì nếu ta không biết đó là phiên giao dịch nào? Một dự báo nhu cầu 400.000 thùng mỗi ngày có ý nghĩa gì nếu ta không biết nó được công bố trước hay sau cuộc tập kích vào sân bay Riyadh? Thời điểm của thông tin quan trọng ngang với bản thân thông tin.

Với bản ghi này, tôi tự đánh giá mức độ giá trị theo bốn thước đo. Giá trị thể thao: một trên năm. Giá trị ngành: một trên năm. Giá trị thời sự: ba trên năm, vì bản ghi đúng là thời sự, nhưng là thời sự của thị trường năng lượng. Giá trị tham chiếu cho độc giả bóng đá: một trên năm.

Tôi từng xây một cơ sở dữ liệu cá nhân từ 523 trận đấu ở La Liga và Champions League, bắt đầu từ tháng 8 năm 2026 và kết thúc khi đại dịch làm bóng đá dừng lại vào tháng 3 năm 2026. Tôi ghi lại từng quyết định xem lại băng hình, mã lỗi, thời điểm, khoảng cách và tốc độ bóng. Kết quả cho thấy 74% quyết định sai về việt vị bị phản đối chậm trung bình 47 giây. Tôi công bố một báo cáo dài 48 trang và đề xuất giới hạn 30 giây cho mỗi lần xem lại. Liên đoàn bóng đá Valencia mời tôi làm tư vấn cải cách quy trình. Dự án đó dạy tôi một điều mà bản ghi hôm nay nhắc lại: một tập dữ liệu chỉ đáng tin khi mỗi dòng trong đó có thể truy ngược về nguồn gốc của nó.

Đề xuất của tôi cho trường hợp này gồm bốn bước có thể kiểm chứng. Cổng đầu tiên kiểm tra loại thực thể trước khi kiểm tra nội dung: nếu tệp không chứa ít nhất một câu lạc bộ, một giải đấu hoặc một cầu thủ, nó không thuộc về đường ống bóng đá. Cổng tiếp theo tách bạch "không có dữ liệu" khỏi "dữ liệu bằng không", để một chiều không đánh giá được phải được đánh dấu là trống thay vì được điền bằng phỏng đoán. Song song, hệ thống phải lưu lại dấu vết gán nhãn ban đầu để truy ngược nguồn lỗi. Và điều quan trọng không kém là công bố công khai khi phát hiện sai, vì một lỗi được công bố là một lỗi đã được sửa một nửa.

Chúng ta thường coi một hệ thống luôn đưa ra câu trả lời là một hệ thống mạnh. Trong bóng đá, chúng ta cũng vậy. Chúng ta thưởng cho trọng tài dám thổi, và chúng ta nghi ngờ trọng tài không thổi. Nhưng một trọng tài giỏi không phải là người thổi nhiều nhất. Đó là người thổi đúng, và biết khi nào không có gì để thổi. Kết quả "không đủ thông tin" trong bản ghi này là một phán quyết đúng, không phải một sự cố kỹ thuật. Trọng tài không cần được bảo vệ. Họ cần được hiểu bằng số liệu đúng.

Điều đáng sợ nằm ở phía ngược lại: một hệ thống không bao giờ trả về kết quả trống. Một hệ thống như vậy sẽ luôn tìm ra một câu trả lời, kể cả khi câu trả lời đó được dựng lên từ hư không. Trong bóng đá, chúng ta đã thấy cái giá của những phán quyết được dựng lên cho đủ. Một quả phạt đền không tồn tại vẫn có thể được thổi, nếu người thổi tin rằng im lặng là một thất bại. Và một lỗi gán nhãn không bị chặn lại vẫn có thể đi vào báo cáo, nếu người viết tin rằng bỏ trống là một thất bại.

Một trận đấu chỉ là một câu chuyện. Năm trăm trận đấu mới là luật. Một bản ghi sai nhãn chỉ là một sự cố. Nhưng một đường ống không có cổng kiểm tra lĩnh vực sẽ tạo ra hàng nghìn sự cố như thế, rồi chúng ta sẽ gọi chúng là dữ liệu.

Tuổi 67, tôi không cần ghi nhớ tất cả. Tôi cần biết cách tìm ra điều đúng. Và cách tìm ra điều đúng, trong trường hợp này, bắt đầu bằng việc thừa nhận rằng một tệp tin về dầu mỏ không thuộc về sân cỏ, dù cái nhãn dán trên nó nói gì.