Nhãn sai và niềm tin mù: Khi phòng phân tích thể thao tự lừa mình

Một buổi sáng thứ Ba tại Los Angeles, tôi mở một tệp tin được gắn nhãn "quần vợt" trên hệ thống phân phối dữ liệu của tòa soạn. Bên trong không có tay vợt nào, không có giải đấu nào, không có một set đấu nào. Chỉ có giá vàng, giá bạc, giá bạch kim, lợi suất trái phiếu kho bạc Mỹ, và một cuộc họp hai ngày của Cục Dự trữ Liên bang. Mười tám điểm thông tin, và không một điểm nào thuộc về môn thể thao mà tệp tin tự nhận.

Tôi ngồi im khoảng ba mươi giây. Không phải vì bối rối, mà vì một cảm giác quen thuộc đang dội lên. Đây không phải lần đầu tôi thấy một dòng dữ liệu đi lạc khỏi chính cái nhãn của nó. Và đây cũng không phải lần đầu tôi tự hỏi: nếu tôi đã không mở tệp tin này ra, ai sẽ là người phát hiện?

Trong bảy năm gần đây, tôi dành phần lớn thời gian để đọc dữ liệu thể thao. Không phải đọc để trích dẫn cho vui, mà đọc để truy tìm nguồn gốc. Tôi từng dựng lại một bảng xG cho một tiền đạo MLS chỉ vì tò mò về cách cậu ấy dứt điểm mà không cần vung chân. Tôi từng ngồi xem lại toàn bộ sáu mươi bốn trận của một kỳ World Cup để tìm ra điểm mù trong chính những dự đoán của mình. Những lần đó, tôi tin rằng mình đang kiểm tra bản thân. Nhưng cái buổi sáng thứ Ba kia dạy tôi điều khác: tôi đang kiểm tra cả một hệ thống mà tôi tưởng nó đáng tin.

Vấn đề không nằm ở tệp tin. Vấn đề nằm ở chỗ không ai còn kiểm tra lại.

Bối cảnh: Khi thể thao trở thành một dòng chảy dữ liệu

Mười lăm năm trước, một biên tập viên thể thao ở Việt Nam hay ở Mỹ đều làm việc theo cùng một cách. Có một trận đấu, có một phóng viên, có một bài viết. Nguồn tin là người ta nhìn thấy tận mắt, hoặc là một cuộc điện thoại với người trong cuộc. Chuỗi cung ứng thông tin rất ngắn, và vì ngắn nên nó dễ kiểm soát.

Rồi mọi thứ thay đổi. Các hãng dữ liệu thể thao mọc lên như nấm. Camera tracking ghi lại từng bước chạy của cầu thủ. Các API cung cấp chỉ số thời gian thực. Nhà cái, nền tảng phân tích, tòa soạn thể thao, tất cả cùng múc từ một cái giếng dữ liệu chung. Nghe thì hay. Nhưng có một chi tiết mà ít người nói ra: cái giếng chung đó không tự kiểm tra chính nó.

Nhãn dữ liệu — cái thẻ ghi "quần vợt", "bóng đá", "bóng rổ" — được sinh ra ở đâu đó trong đường ống. Có thể là do thuật toán phân loại tự động. Có thể là do một người gõ tay lúc mệt. Có thể là do lỗi định tuyến khi tệp tin đi từ máy chủ này sang máy chủ khác. Không ai trong chuỗi đó chịu trách nhiệm cuối cùng. Và khi tệp tin đến tay người viết, nó đã mang theo một nhãn mà không ai dám chất vấn, bởi vì nghi ngờ một cái nhãn nghe có vẻ... nhỏ nhặt.

Nhưng nó không nhỏ nhặt. Nó là gốc rễ.

Tôi từng chứng kiến một bảng thống kê chuyền bóng của một trận đấu Ngoại hạng Anh bị gán nhầm sang một trận La Liga vì hai mã trận đấu trùng định dạng. Người viết tin vào bảng đó, viết một bài phân tích chiến thuật dài, và không ai phát hiện cho đến khi độc giả nhận ra tên cầu thủ không khớp. Sai lầm không nằm ở người viết. Sai lầm nằm ở chỗ toàn bộ hệ thống đã ngầm đồng ý rằng nhãn là sự thật.

Đây là thời điểm mà ngành thể thao đang phải đối mặt với một câu hỏi nghiêm túc hơn mọi cuộc tranh cãi về VAR hay bàn thắng việt vị. Khi khối lượng dữ liệu tăng theo cấp số nhân, khả năng kiểm chứng lại đi theo hướng ngược lại. Chúng ta có nhiều con số hơn bao giờ hết, và ít sự thật được xác minh hơn bao giờ hết.

Lõi phân tích: Giải phẫu một vụ nhãn sai

Hãy nhìn kỹ vào cái tệp tin sáng thứ Ba của tôi. Đây không phải là một tệp tin rác đơn thuần. Đây là một bài học.

Trong mười tám điểm thông tin, mười lăm điểm không có nguồn nào được nêu tên. Đó không phải là sự thiếu sót nhỏ. Đó là một tuyên bố rằng những con số này không cần ai đứng ra bảo chứng. Giá vàng giao ngay được ghi ở mức bốn nghìn ba trăm đô la một ounce. Trong giai đoạn mà tệp tin tự nhắc tới, vàng từng chạm ngưỡng hai nghìn đô la và đã là một cột mốc gây chấn động. Con số bốn nghìn ba trăm kia không thuộc về bất kỳ thời điểm nào có thật trong bối cảnh được mô tả.

Rồi đến chuyện dòng thời gian. Tệp tin nhắc đến biên độ lãi suất quỹ liên bang ba phẩy bảy lăm đến bốn phẩy không không phần trăm — một mức đặc trưng của giai đoạn đầu thập niên hai nghìn hai mươi. Nó cũng nhắc đến việc lợi suất trái phiếu kỳ hạn mười năm chạm năm phần trăm, lần đầu tiên kể từ tháng Mười năm hai nghìn hai mươi ba. Rồi nó gọi tên một người giữ chức Chủ tịch Fed mà không khớp với bất kỳ nhiệm kỳ nào liên quan. Ba mảnh ghép này không thể cùng tồn tại trong một dòng thời gian.

Người viết tài chính chuyên nghiệp sẽ gọi đây là một tệp tin tổng hợp. Tôi gọi nó là một tiếng chuông cảnh báo.

Nếu một tệp tin về vàng có thể bị gắn nhãn "quần vợt" mà không ai phát hiện trong khâu kiểm duyệt, thì điều gì ngăn một bảng thống kê sai về một cầu thủ bị gắn nhãn "đúng" và đi thẳng vào sóng truyền hình? Điều gì ngăn một chỉ số pressing bị tính sai và trở thành nền tảng cho một dự đoán được phát đi khắp mạng xã hội?

Tôi đã từng có một khoảnh khắc tỏa sáng trước sóng trực tiếp khi dự đoán chính xác thời điểm một huấn luyện viên rút một cầu thủ. Clip đó lan khắp mạng. Ba mươi lăm cuộc gọi trong hai ngày. Nhưng tôi cũng nhận một lời cảnh báo từ cấp trên rằng đừng biến mình thành nhà tiên tri, bởi khán giả sẽ đặt tiêu chuẩn quá cao cho mỗi lần tôi lên sóng. Tôi đã nghe lời cảnh báo đó. Và tôi đã bắt đầu đính kèm cả phần giới hạn của dữ liệu vào mỗi phân tích về sau: những gì camera không ghi được, những gì thuật toán không đo nổi, những gì phụ thuộc vào tâm lý con người mà bảng tính mù tịt.

Số liệu chỉ là gia vị. Con người mới là món chính.

Nhưng cái tệp tin sáng thứ Ba không cho tôi cơ hội để đính kèm giới hạn. Bởi vì nó không phải là dữ liệu có giới hạn. Nó là dữ liệu sai từ trong trứng nước, được bọc trong một lớp nhãn đúng, và được đẩy vào một đường ống mà không ai chịu trách nhiệm ở điểm cuối.

Có một chi tiết khác đáng chú ý. Người viết tài chính thật sự trong tệp tin — một nhà phân tích duy nhất được nêu tên, thuộc một công ty dịch vụ tài chính — chịu trách nhiệm cho toàn bộ phần bình luận định tính. Mọi nhận định định lượng đều gắn với "các nhà phân tích" không tên. Đây là cấu trúc của một bài viết lắp ghép từ mẫu, chứ không phải của một phóng sự điều tra. Và cấu trúc đó, đáng buồn thay, giống y hệt cấu trúc của nhiều bản tin thể thao đang được sản xuất hàng ngày trên khắp thế giới: một vài con số được nhặt ra, một câu trích dẫn từ một chuyên gia, và phần còn lại là ngôn ngữ chung chung đủ an toàn để không ai bắt bẻ được.

Góc phản trực giác: Vấn đề không phải dữ liệu sai, mà là sự ngây thơ có hệ thống

Khi tôi kể câu chuyện này với vài đồng nghiệp, phản ứng đầu tiên của họ gần như giống nhau: "Vậy là hệ thống phân loại bị lỗi à?"

Không. Hệ thống phân loại không bị lỗi. Nó đang làm đúng những gì nó được thiết kế để làm, tức là gán nhãn nhanh và gán nhãn nhiều. Cái bị lỗi là niềm tin mà chúng ta đặt vào nó. Chúng ta đã âm thầm chuyển giao trách nhiệm kiểm chứng cho một cỗ máy không biết nghi ngờ, rồi tự thuyết phục mình rằng công việc của mình đã xong.

Đây là điểm mù lớn nhất của ngành phân tích thể thao hiện đại. Chúng ta tranh cãi rất nhiều về phương pháp. Chúng ta cãi nhau về việc xG có đáng tin không, về việc PPDA có phản ánh đúng một hàng phòng ngự hay không, về việc chỉ số tải trọng của ngôi sao có ý nghĩa gì. Nhưng chúng ta hầu như không bao giờ hỏi một câu đơn giản hơn: con số này đến từ đâu, và ai đã xác nhận nó thuộc về đúng trận đấu?

Đứa con cưng của phòng phân tích rồi cũng phải tự đứng trên đôi chân của mình.

Một phòng phân tích có thể xây dựng những mô hình tinh vi đến mức đáng kinh ngạc. Nó có thể mô phỏng mười nghìn kịch bản cho một trận đấu. Nó có thể dự đoán xác suất vô địch đến từng phần thập phân. Nhưng nếu đầu vào bị gắn nhãn sai, thì toàn bộ tòa nhà đó được xây trên cát. Và điều đáng sợ là cát đó không phát ra tiếng động nào khi sụp.

Tôi nhớ đến một mùa hè im ắng, khi mọi giải đấu trên thế giới dừng lại và tôi ngồi nhà thu thập dữ liệu từ hơn ba trăm trận đấu để so sánh kết quả khi có khán giả và khi sân trống. Tôi phát hiện ra rằng lợi thế sân nhà giảm rõ rệt khi không có người hâm mộ, nhưng số bàn thắng trung bình lại tăng nhẹ. Đó là một phát hiện mà tôi có thể trình bày với khoảng tin cậy rõ ràng, bởi vì tôi biết chính xác từng dòng dữ liệu đến từ đâu. Tôi đã tự tay kiểm tra từng trận. Tôi biết giới hạn của mẫu. Tôi biết những gì mình không biết.

Bảng tính không biết khao khát là gì, và chúng ta đừng giả vờ điều ngược lại.

Nhưng một bảng tính sai nhãn thì còn nguy hiểm hơn thế. Nó không chỉ không biết khao khát. Nó còn tự tin một cách vô căn cứ về những thứ nó không hề biết. Và khi sự tự tin đó được truyền qua một người viết lười kiểm chứng, nó biến thành tiếng nói có thẩm quyền. Đó là lúc dữ liệu sai trở thành sự thật tập thể.

Điểm mù trong thực thi: Khi nhãn trở thành tôn giáo

Có một khía cạnh mà tôi cho là nghiêm trọng nhất, và ít được bàn tới. Trong mọi quy trình sản xuất nội dung thể thao hiện đại, luôn có một khoảng trống giữa người tạo dữ liệu và người sử dụng dữ liệu. Khoảng trống đó được lấp bằng nhãn. Và nhãn, sau một thời gian đủ dài, biến thành một thứ gần như tôn giáo.

Người viết không đặt câu hỏi về nhãn vì nhãn đến từ hệ thống. Người biên tập không đặt câu hỏi vì người viết đã tin. Người quản lý sản phẩm không đặt câu hỏi vì chỉ số hiển thị đẹp. Cả chuỗi đồng thuận một cách im lặng. Và cái tệp tin về vàng, được gắn nhãn "quần vợt", cứ thế trôi qua tất cả các cửa kiểm soát mà không ai chạm vào.

Tệ hơn nữa, khi một lỗi như vậy xảy ra, phản ứng mặc định của hệ thống không phải là truy vết tận gốc. Phản ứng mặc định là sửa triệu chứng. Người ta sẽ chỉnh lại thuật toán gán nhãn, thêm một bước xác nhận thủ công, đặt một cảnh báo tự động. Tất cả đều hợp lý. Tất cả đều không giải quyết được vấn đề gốc: không ai chịu trách nhiệm về sự thật của dữ liệu mình sử dụng.

Im lặng không phải không có câu trả lời — nó là câu trả lời cho người biết lắng nghe.

Trong trường hợp này, sự im lặng kéo dài hai tuần. Trước đó, tôi từng gửi một bản phân tích dài cho hai biên tập viên của hai tờ báo thể thao lớn, và phải chờ tới hai tuần mới nhận được hồi âm từ một trong hai người — một hồi âm nói rằng đây là góc nhìn độc đáo nhất trong năm. Hai tuần im lặng đó không phải là sự từ chối. Nó là dấu hiệu của một hệ thống không được thiết kế để phản hồi nhanh với điều bất thường. Và trong khoảng thời gian đó, nếu tệp tin của tôi là một tệp tin nhãn sai về một cầu thủ, thì cái sai đó đã kịp lan ra ngoài.

Biến số cho trận sau: Trách nhiệm nguồn gốc

Tôi không viết bài này để công kích một hệ thống cụ thể nào. Tệp tin đó có thể chỉ là một sự cố định tuyến đơn lẻ, một lỗi ở khâu gắn thẻ, hoặc một sai sót của một con người mệt mỏi ở đâu đó trong đường ống. Bản thân sự cố không quan trọng bằng điều nó phơi bày: niềm tin của chúng ta vào dữ liệu đang tăng nhanh hơn tốc độ kiểm chứng của chúng ta.

Với tư cách một người làm phân tích thể thao, tôi phải thừa nhận một điều khó nghe. Trong hai mươi lăm năm theo dõi ngành này, tôi chưa bao giờ thấy một thời điểm nào mà người phân tích có nhiều thông tin đến thế, và cũng chưa bao giờ thấy một thời điểm nào mà thông tin dễ nhiễm bẩn đến thế. Hai điều đó không mâu thuẫn. Chúng là hai mặt của cùng một đồng tiền.

Giải pháp không nằm ở việc từ chối dữ liệu. Tôi không phải người hoài cổ đến mức tin rằng chỉ có con mắt người mới đọc được trận đấu. Máy móc nhìn thấy những thứ tôi không thấy, và tôi biết ơn vì điều đó. Nhưng giải pháp cũng không nằm ở việc phó thác hoàn toàn cho đường ống tự động. Nó nằm ở một nguyên tắc đơn giản mà ngành này đã bỏ quên trong lúc chạy theo quy mô: người sử dụng dữ liệu phải là người chịu trách nhiệm cuối cùng về nguồn gốc của nó.

Điều đó có nghĩa là mỗi khi tôi viết một con số lên sóng, tôi phải biết nó đến từ đâu. Không phải biết tên cái API. Mà biết con người nào, quy trình nào, đã xác nhận rằng con số này đúng là thuộc về trận đấu tôi đang nói tới. Đó là một tiêu chuẩn khắt khe. Nhưng đó là tiêu chuẩn duy nhất có thể đứng vững khi cả thế giới cùng đổ dữ liệu vào một cái giếng chung.

Tối hôm đó, sau khi đóng tệp tin kia lại, tôi mở lại một ghi chú cũ của mình từ nhiều năm trước, viết tay, dán bên cạnh màn hình. Nó ghi một câu mà tôi đã lập ra sau một kỳ giải lớn, khi tôi nhận ra mình từng đưa ra những dự đoán an toàn vì sợ sai. Câu đó là: tôi có thể sai, nhưng tôi không được phép lười.

Cái tệp tin sáng thứ Ba đó không làm tôi sai. Nó chỉ nhắc tôi rằng sự lười biếng có một hình dạng mới. Nó không còn là việc không chịu mở tệp tin ra để đọc. Nó là việc mở tệp tin ra, đọc một dòng nhãn, và tin.

Và với bất kỳ ai đang làm nghề này, ở bất kỳ đâu, câu hỏi của trận sau không phải là đội nào mạnh hơn. Câu hỏi là: dữ liệu bạn đang cầm trên tay đã được ai kiểm chứng?

Nếu bạn không có câu trả lời, thì bạn đang không phân tích. Bạn đang lặp lại. Và nếu bạn lặp lại đủ lâu, bạn sẽ tin rằng mình đúng.