Một hồ sơ Día de Muertos nằm trong kho dữ liệu bóng đá: biên bản một lỗi gán nhãn

Trong lần rà soát định kỳ kho dữ liệu tuyển trạch tôi dựng sau mùa dịch 2026, có một hồ sơ khiến tôi dừng lại lâu hơn tất cả. Nó nằm trong thư mục gắn nhãn bóng đá. Bên trong là mười bốn điểm thông tin về một khuyến cáo công cộng do Consejo Ciudadano para la Seguridad y Justicia de la Ciudad de México phát đi trước thềm Día de Muertos, cảnh báo nguy cơ bạo hành và thất lạc đối với chó, mèo — đặc biệt nhóm lông đen và lông trắng — cùng dê, gà trống và quạ trong những ngày lễ.

Không có câu lạc bộ nào trong đó. Không cầu thủ. Không trận đấu, không bản hợp đồng, không bảng xếp hạng, không liên đoàn, không học viện, không một phút băng hình nào.

Một hồ sơ như thế lẽ ra chỉ cần một cú nhấp chuột là xong. Tôi giữ nó lại nhiều tuần, vì nó là bằng chứng sạch nhất tôi từng có về cách một hệ thống phân tích tự đầu độc chính mình — và về cách con người, khi đứng trước một hồ sơ sai, thường có hai phản xạ: xóa nó đi, hoặc cứu nó bằng cách bẻ cong nó cho vừa khung có sẵn.

Phản xạ thứ hai nguy hiểm hơn nhiều.

Người ta nhìn thấy tài năng. Tôi nhìn thấy lớp trầm tích. Nhưng lần này, lớp trầm tích không chứa tài năng nào cả. Nó chỉ chứa một cái nhãn sai, và một chuỗi quyết định nhỏ đã để cái nhãn ấy sống sót qua nhiều tầng xử lý.

Bản tin thật sự nói gì

Nội dung gốc, khi đọc không qua bộ lọc nào, rất rõ ràng. Consejo Ciudadano — hội đồng công dân về an ninh và công lý của Thành phố Mexico — đưa ra khuyến cáo định kỳ trước Día de Muertos, dịp lễ rơi vào cuối tháng Mười và đầu tháng Mười Một. Nội dung khuyến cáo: giữ vật nuôi trong nhà, gia cố cổng và lối thoát, không để chó mèo ra đường trong những đêm lễ hội đông đúc; ghi nhận và trình báo hành vi bạo hành qua kênh CompAnimal; và điểm gây tranh cãi nhất — tạm dừng nhận nuôi nhóm động vật lông đen trong giai đoạn cao điểm.

Các con số đi kèm: 59.588 báo cáo kể từ năm 2026; 6.616 vụ trong giai đoạn tháng 1 đến tháng 6 năm 2026, tăng 28% so với cùng kỳ năm trước; 203 vụ được ghi nhận có liên quan trực tiếp đến các nghi lễ kể từ năm 2026.

Đó là toàn bộ chất liệu. Không có gì khác. Không một dòng nào nói về bóng đá, dù chỉ để so sánh.

Vậy tại sao nó vào kho bóng đá? Vì hệ thống thu thập dữ liệu không đọc ý nghĩa, chúng đọc tín hiệu. Một khuyến cáo phát đi theo chu kỳ lịch, có từ khóa chỉ nhóm đối tượng, có số liệu theo mùa, có cấu trúc "cảnh báo trước một sự kiện lớn" — nếu nguồn cấp tin của bạn được cấu hình lỏng, nó sẽ khớp với mẫu của một bản tin trước trận. Thêm một bước nữa: người gán nhãn chỉ đọc tiêu đề và ba dòng đầu, vì mỗi ngày anh ta có hàng nghìn hồ sơ phải xử lý.

Dựa trên kinh nghiệm mười sáu năm theo dõi các trận đấu trẻ và đọc báo cáo tuyển trạch, tôi có thể nói gần như chắc chắn: không ai trong chuỗi đó cố ý làm sai. Sai lầm kiểu này không đến từ ác ý. Nó đến từ sự tiện lợi.

Giải phẫu bốn lỗi nằm trong một hồ sơ

Lỗi thứ nhất là phụ thuộc nguồn đơn. Mười hai trong mười bốn điểm thông tin của hồ sơ đến từ cùng một tổ chức. Không có cơ quan thứ hai, không có tổ chức phi chính phủ độc lập, không có nghiên cứu học thuật nào xác minh chéo. Trong nghề của tôi, một báo cáo tuyển trạch chỉ dựa trên lời của một người đại diện sẽ bị đánh dấu đỏ ngay từ dòng đầu tiên. Ở đây, cùng một cấu trúc ấy lại được xử lý như dữ liệu nền.

Lỗi thứ hai tinh vi hơn: nhầm lẫn giữa khối lượng hồ sơ mà một tổ chức đã xử lý và tỷ lệ thực tế ngoài xã hội. Con số 59.588 là số báo cáo mà hội đồng này đã tiếp nhận và phân loại kể từ 2026. Nó đo lường năng lực vận hành và mức độ người dân biết đến kênh trình báo, chứ không đo lường mức độ bạo hành động vật đang diễn ra. Hai đại lượng ấy có thể cùng tăng, cùng giảm, hoặc đi ngược chiều nhau hoàn toàn. Một chiến dịch truyền thông tốt có thể làm số báo cáo tăng vọt trong khi tình trạng thực tế không đổi.

Đây là lỗi tôi gặp nhiều nhất trong dữ liệu bóng đá. Số lần một cầu thủ trẻ xuất hiện trong video tổng hợp không phải là số phút cậu ấy thực sự chơi tốt. Số ca chấn thương được một câu lạc bộ công bố không phải là tỷ lệ chấn thương của cả giải. Một học viện báo cáo nhiều ca ACL hơn học viện khác thường chỉ có nghĩa học viện đó ghi chép kỹ hơn, không có nghĩa là họ đào tạo tệ hơn. Khối lượng hồ sơ là thước đo của người ghi chép, không phải của thế giới.

Lỗi thứ ba là một điểm lệch ngày. Khuyến cáo gắn với Día de Muertos, tức cuối tháng Mười, nhưng lại dẫn số liệu của giai đoạn tháng 1 đến tháng 6 năm 2026. Nếu bản tin phát vào nửa cuối năm 2026 thì hợp lý; nếu không, đó là lỗi đánh máy của năm 2026. Không có cách nào xác định từ nội dung. Trong một hệ thống phân tích, một mốc thời gian không xác minh được là một quả mìn: mọi phép so sánh chuỗi thời gian xây trên nó đều sai, và sai một cách im lặng.

Có thể kiểm tra chéo bằng số học. 6.616 vụ trong nửa đầu 2026, tăng 28% so với cùng kỳ, suy ra nửa đầu 2026 có khoảng 5.169 vụ. Phép chia này khớp nội bộ. Nhưng khớp nội bộ không có nghĩa là đúng — nó chỉ có nghĩa là người viết đã nhất quán với chính mình. Tôi đã từng thấy những bảng dữ liệu mùa giải khớp hoàn hảo đến từng đơn vị, cho đến khi phát hiện toàn bộ cột số liệu được dán nhãn sai mùa: dữ liệu của giải U-19 mùa 2026-2026 bị ghi thành 2026-2026. Mọi phép tính đều đúng. Toàn bộ kết luận đều sai.

Lỗi thứ tư là lỗi nặng nhất về mặt phương pháp, và cũng là lỗi gần gũi nhất với nghề của tôi. Khuyến cáo xác định nhóm lông đen và lông trắng là nhóm dễ bị tổn thương nhất, rồi đề nghị tạm dừng nhận nuôi nhóm lông đen trong giai đoạn lễ hội. Nhưng hồ sơ không hề cung cấp bảng phân tích 203 vụ việc liên quan nghi lễ theo màu lông. Không có tỷ lệ. Không có mẫu số. Không có cách nào biết liệu nhóm lông đen có thực sự bị nhắm tới nhiều hơn, hay chỉ được nhắc tới nhiều hơn vì nó khớp với một liên tưởng biểu tượng đã tồn tại từ trước trong văn hóa dân gian.

Một đề xuất chính sách được xây trên một liên tưởng biểu tượng chưa được đo. Đó là cấu trúc chính xác của phần lớn những gì được gọi là "bản báo cáo tuyển trạch" trong ngành của tôi.

Bốn lỗi ấy, tôi đã thấy trong chính kho dữ liệu của mình

Năm 2026, tại giải U-17 châu Âu ở Croatia, tôi ngồi lại sau trận chung kết giữa Anh và Tây Ban Nha và đếm lại số lần Phil Foden di chuyển không bóng. Cậu ấy mới mười sáu tuổi và chạy 3,2 km ở cường độ cao mỗi trận, cao nhất giải. Tôi xem đi xem lại bảy trận để viết một bài phân tích cho thật hoàn hảo, và lỡ hạn nộp. Khi gửi, biên tập viên từ chối thẳng: quá hàn lâm, không ai đọc.

Lỗi của tôi khi đó không phải là phân tích sai. Lỗi là tôi coi việc kiểm chứng số liệu của mình là đủ, trong khi không ai kiểm chứng chéo nó. Một nguồn. Một người xem băng hình. Một bảng tính.

Năm 2026, tôi công bố phân tích về Pedri với 5,1 km chuyền tiến mỗi chín mươi phút tại Euro 2026, cao nhất giải. Ở phần phụ lục, tôi có ghi một dòng cảnh báo: cậu ấy đã chơi 73 trận trong mười một tháng, tính cả Olympic Tokyo. Tôi đặt nó ở cuối bài vì lúc đó tôi muốn chứng minh khung phân tích của mình đúng hơn là muốn bảo vệ một cầu thủ mười tám tuổi.

Lời cảnh báo tôi viết năm 2026 không ai đọc. Ba năm sau, họ gọi nó là thiên tài. Còn dòng cảnh báo thì vẫn nằm nguyên ở phụ lục, đúng chỗ tôi đã đặt nó.

Đó là cùng một lỗi với khuyến cáo về màu lông: đặt một kết luận nặng ở vị trí nhẹ, rồi để mặc nó tự chịu số phận.

Mùa dịch 2026 dạy tôi điều ngược lại. Khi toàn bộ giải đấu châu Âu hoãn, tôi dành sáu tháng xây một hệ thống phân loại cho hơn bốn trăm giờ băng hình giải trẻ giai đoạn 2026-2026 mà chưa ai xem kỹ: mười hai kiểu kích hoạt pressing, bảy dạng tấn công nửa không gian. Rồi tôi viết báo cáo về bốn mươi lăm cầu thủ U-19 châu Âu có nguy cơ tụt lại vì gián đoạn đào tạo. Bước quan trọng nhất của toàn bộ dự án ấy không phải là mô hình. Là việc tôi chủ động mời một nhà phân tích dữ liệu ở Leipzig phản biện chéo hệ thống của mình trước khi công bố.

Ba câu lạc bộ Bundesliga liên hệ sau khi đọc báo cáo. Không câu lạc bộ nào liên hệ sau bài Foden năm 2026.

Băng hình cũ không biết nói dối. Chỉ có người xem vội vàng nghe nhầm. Và người xem vội vàng nhất luôn là người đang chạy theo một cái nhãn có sẵn.

Rủi ro thật không nằm ở bản tin sai

Phản xạ tự nhiên khi phát hiện một hồ sơ nhiễm nhãn là xóa nó và đi tiếp. Tôi cho rằng đó là cách xử lý tệ nhất, trừ khi bạn xử lý luôn cả nguyên nhân.

Thiệt hại không nằm ở bản thân bản tin. Thiệt hại nằm ở tính kế thừa. Một hồ sơ gắn nhãn bóng đá sẽ đi qua tầng phân tích chiến thuật, tầng tài chính, tầng thị trường chuyển nhượng, và ở mỗi tầng, một hệ thống được thiết kế để luôn tạo ra kết luận sẽ tạo ra kết luận. Nó sẽ điền vào ô trống bằng nội dung suy đoán. Không tầng nào báo lỗi, vì không tầng nào được thiết kế để nói "tôi không có gì để nói".

Đó là điểm mù lớn nhất của toàn bộ ngành phân tích dữ liệu thể thao, và nó không liên quan gì đến bản tin Mexico City. Một mô hình không có trạng thái "không đủ thông tin" sẽ luôn trả về một câu trả lời. Sự tự tin của đầu ra không phản ánh chất lượng của đầu vào, nó chỉ phản ánh độ chặt của công thức.

Phản xạ thứ hai nguy hiểm hơn: cứu hồ sơ bằng cách bẻ cong nó. Tôi đã thấy điều này nhiều lần. Đưa cho một người viết thể thao một tài liệu không có bóng đá và yêu cầu viết về bóng đá, anh ta sẽ tìm ra phép ẩn dụ: khuyến cáo an toàn cộng đồng hóa thành "chiến thuật phòng ngự", chu kỳ lịch hóa thành "mùa giải", nhóm dễ bị tổn thương hóa thành "cầu thủ chấn thương". Tất cả đều nghe hợp lý. Tất cả đều là ngụy tạo.

Và đây là chỗ tôi phải tự soi mình. Khao khát phục hồi những cái tên bị xóa khỏi bảng xếp hạng là động lực viết của tôi. Nó cũng là động lực khiến tôi từng có nguy cơ bảo vệ một cầu thủ quá mức cần thiết, chỉ vì tôi đã bỏ công khai quật cậu ấy. Cùng một xung lực ấy, đặt vào một hồ sơ sai nhãn, sẽ tạo ra một bài viết hoàn chỉnh về một cầu thủ không tồn tại. Số 17 không bao giờ biến mất. Anh ta chỉ bị xóa khỏi bảng xếp hạng — nhưng điều đó không có nghĩa là mọi khoảng trống trên bảng đều từng có một số 17. Có những khoảng trống chỉ đơn giản là không có ai ở đó.

Bài học tôi rút ra sau tám năm làm việc độc lập: hãy xây một bộ đối chứng âm. Một tập hợp những hồ sơ mà bạn biết chắc hệ thống phải từ chối. Nếu hệ thống vẫn phân tích chúng, bạn biết cổng kiểm soát đã hỏng, không phải dữ liệu đang tốt lên.

Điều đáng làm tiếp theo

Hồ sơ này sẽ không bao giờ trở thành một bài phân tích chiến thuật, và tôi sẽ không viết bài đó. Nó sẽ nằm lại trong kho của tôi ở đúng vị trí một bài kiểm tra: mỗi lần tôi nâng cấp hệ thống phân loại, tôi chạy nó qua hồ sơ Día de Muertos trước tiên. Nếu hệ thống gán nó vào bóng đá, tôi biết mình vừa làm hỏng một thứ gì đó.

Khai quật tài năng giống khai quật lịch sử: lâu lâu mới có một lớp vàng giữa bụi. Nhưng nhà khảo cổ giỏi không đo năng lực của mình bằng số lớp vàng tìm được. Anh ta đo bằng số lớp đất anh ta dám ghi là trống.

Câu hỏi tôi để lại cho những ai đang vận hành kho dữ liệu thể thao, ở bất kỳ quy mô nào: trong kho của bạn, có bao nhiêu hồ sơ chưa từng được ai đọc lại từ dòng thứ tư trở đi? Và nếu ngày mai chúng bị đem ra phân tích, bạn có sẵn sàng chịu trách nhiệm cho những gì chúng sẽ nói ra không?