UNAM, Pumas UNAM và lỗi gán nhãn: biên bản khai quật một sai lệch dữ liệu trong ngành bóng đá

Bảng tính của tôi ở Berlin có một cột mang tên "nguồn gốc". Cột đó tồn tại vì tôi đã từng trả giá cho việc thiếu nó. Mỗi bản ghi đi vào hệ thống đều phải khai báo mình đến từ đâu, ai viết, viết lúc nào, và bao nhiêu phần trăm nội dung đã được kiểm chứng độc lập.

Chiều thứ Sáu cuối tháng Chín, một bản ghi đi vào với nhãn "Bóng đá".

Tôi mở nó ra.

Hai mươi bốn điểm thông tin. Không một đội bóng. Không một trận đấu. Không một cầu thủ, một huấn luyện viên, một sơ đồ chiến thuật, một bản hợp đồng, một bảng lương. Có một cuộc tuần hành. Có gia đình của 43 sinh viên mất tích. Có những cuộc gặp với cơ quan nhân quyền và cơ quan tư pháp. Có một báo cáo của chính phủ dự kiến công bố vào thứ Hai, ngày 28 tháng 9 năm 2026.

Nhãn vẫn ghi: bóng đá.

Tôi không xóa bản ghi. Tôi chuyển nó sang thư mục cách ly và mở một tệp mới, đặt tên là loi-09-26. Sai lệch dữ liệu, giống như một lớp đất bị đảo, không phải là rác. Nó là bằng chứng. Chỉ cần biết đọc nó theo chiều nào.

Người ta nhìn thấy tài năng. Tôi nhìn thấy lớp trầm tích.

---

Bối cảnh: cỗ máy đọc tên

Ở Berlin, tôi làm nghề tuyển trạch tài năng trẻ. Công việc của tôi không phải là ngồi xem highlight ba phút rồi gật đầu. Công việc của tôi là dựng lại tiểu sử dữ liệu của một cầu thủ trước khi truyền thông kịp phủ lên cậu ta lớp sơn mới nhất. Muốn làm được việc đó, tôi phải chạy một đường ống dữ liệu: thu thập bản tin, cắt thông tin, gán thẻ, đối chiếu chéo, rồi mới đến phần phân tích con người.

Đường ống đó có một nhược điểm chết người mà không ai muốn nói ra trong các hội thảo phân tích dữ liệu thể thao: khâu gán thẻ thực thể (entity tagging) là khâu yếu nhất và cũng là khâu ít được kiểm tra nhất.

Cách nó vận hành thì đơn giản đến mức tưởng như vô hại. Một cỗ máy đọc văn bản, tìm các chuỗi ký tự viết hoa, đối chiếu với một từ điển tên riêng, rồi gán cho văn bản một nhãn chủ đề. Gặp "Real Madrid", gán thể thao. Gặp "Barcelona", gán thể thao. Gặp "UNAM", gán thể thao.

Đến đây thì câu chuyện trở nên thú vị, và cũng trở nên đáng lo.

UNAM là tên viết tắt của Universidad Nacional Autónoma de México, Đại học Quốc gia Tự trị Mexico, thành lập năm 2026, trường đại học công lập lớn nhất của Mexico. Nhưng UNAM cũng là tên gọi ngắn của Club Universidad Nacional, câu lạc bộ bóng đá chuyên nghiệp thường được biết đến với biệt danh Pumas UNAM, thành lập năm 2026, đang thi đấu tại Liga MX.

Hai thực thể khác nhau. Một trường đại học và một câu lạc bộ bóng đá. Nhưng chúng chia sẻ cùng một chuỗi bốn chữ cái.

Khi cỗ máy gán thẻ gặp dòng "sinh viên UNAM tham gia đoàn tuần hành", nó không nhìn thấy một trường đại học đang tham gia một cuộc biểu dương lực lượng dân sự. Nó nhìn thấy bốn chữ cái mà trong từ điển nội bộ của nó đã được gắn với nhãn bóng đá từ nhiều năm trước. Và nó làm điều duy nhất mà một cỗ máy không có phán đoán có thể làm: nó gán nhãn.

Đây là điểm mà tôi muốn dừng lại lâu hơn một chút, vì nó không phải là một câu chuyện về sự ngu ngốc của thuật toán. Đó là một câu chuyện về một cấu trúc thực tế bị mô hình hóa sai.

Pumas UNAM về mặt pháp lý là câu lạc bộ của Đại học Quốc gia Tự trị Mexico. Đội bóng này không phải là một thương hiệu tư nhân mượn tên một trường đại học để làm marketing. Nó là đội bóng của trường. Cầu thủ của nó từng là sinh viên. Sân nhà của nó là Estadio Olímpico Universitario, khánh thành năm 2026, từng là đấu trường điền kinh của Thế vận hội Mexico 2026. Học viện trẻ của nó, cantera, là một trong những lò đào tạo có uy tín nhất châu Mỹ Latinh.

Nói cách khác: cái lỗi trong hệ thống của tôi không phải là nhầm một trường đại học với một câu lạc bộ bóng đá. Nó là nhầm một trường đại học với chính trường đại học đó, trong phiên bản có một đội bóng.

Ranhh giới đó mỏng đến mức nào? Mỏng đến mức một quy tắc gán thẻ sơ sài không thể phân biệt nổi. Và đó là bài học đầu tiên của buổi chiều hôm ấy.

---

Phần lõi: giải phẫu một sai lệch

Tôi dành hai ngày để bóc tách bản ghi. Không phải vì nó quan trọng với tôi về mặt con người. Hai mươi bốn điểm thông tin nói về một vụ việc có thật, có nạn nhân, có gia đình đang chờ câu trả lời sau mười hai năm, và tôi không có tư cách gì để đánh giá sự thật của vụ việc đó. Nếu bạn đang tìm một bài bình luận về vụ việc, xin dừng ở đây, đây không phải bài đó.

Tôi bóc tách nó vì một lý do nghề nghiệp thuần túy: bản ghi này là một mẫu bệnh phẩm hoàn hảo của căn bệnh mà ngành dữ liệu bóng đá đang mắc phải và đang che giấu.

Điều đầu tiên tôi kiểm tra là mật độ gắn nguồn. Trong hai mươi bốn điểm thông tin, có đúng ba điểm có gắn nguồn cụ thể. Ba trên hai mươi bốn. Tỷ lệ mười hai phẩy năm phần trăm. Hai mươi mốt điểm còn lại là những khẳng định trần trụi, không ai chịu trách nhiệm, không cơ quan nào được nêu tên, không thời điểm nào được xác nhận.

Ở Berlin, khi tôi nhận một báo cáo tuyển trạch có mật độ gắn nguồn dưới bốn mươi phần trăm, tôi đánh dấu đỏ và không dùng nó để đưa ra bất kỳ khuyến nghị nào. Một báo cáo tuyển trạch nói rằng một cầu thủ mười bảy tuổi có tốc độ bứt phá vượt trội, nhưng không ai xác nhận cậu ta chạy quãng đường bao nhiêu mét, ở giải đấu nào, vào ngày nào, là một báo cáo không tồn tại về mặt kỹ thuật. Nó chỉ tồn tại về mặt cảm xúc.

Điều thứ hai tôi kiểm tra là cấu trúc chủ đề. Mười hai năm. Một câu hỏi duy nhất. Không có chiến thắng cục bộ nào để hạ nhiệt, không có mục tiêu trung gian nào được thương lượng, không có thỏa hiệp nào được ghi nhận. Trong mười hai năm, yêu cầu vẫn giữ nguyên hình dạng ban đầu.

Cấu trúc đó khiến tôi liên tưởng đến một thứ hoàn toàn khác trong nghề của tôi: những vụ chuyển nhượng treo lơ lửng qua nhiều năm. Một cầu thủ được một câu lạc bộ theo đuổi từ năm mười bảy tuổi đến năm hai mươi ba tuổi, qua bốn kỳ chuyển nhượng, qua hai lần gia hạn hợp đồng, qua ba lần chấn thương. Mỗi mùa hè, câu chuyện lại được đăng lại với tiêu đề mới. Mỗi mùa hè, không có gì được giải quyết. Và mỗi mùa hè, các cỗ máy gán nhãn lại nhét nó vào đúng một ô: tin chuyển nhượng.

Từ chối là một chú thích. Bản hợp đồng phía sau vẫn chưa được viết.

Điều thứ ba tôi kiểm tra là cái mà trong tài liệu phân tích tôi gọi là khoảng cách giữa tuyên bố và bàn giao. Chính phủ thông báo sẽ công bố một báo cáo về các tuyến điều tra. Cùng lúc, phía gia đình nói rằng họ không được tiếp cận những thông tin mà họ cho là liên quan. Hai sự kiện này tồn tại song song trong cùng một bản ghi.

Hoạt động công bố và hoạt động công khai thông tin đang tách rời nhau. Người ta đang thông báo về việc sẽ thông báo.

Trong bóng đá, tôi đã thấy mô thức này hàng trăm lần. Một câu lạc bộ công bố "báo cáo đánh giá toàn diện" sau một mùa giải thất vọng. Bốn tháng sau, báo cáo vẫn chưa được công khai, nhưng ba vị trí lãnh đạo đã được thay. Sự thay thế nhân sự diễn ra trước, phần giải trình đi sau, và thường là không bao giờ đến.

Điều thứ tư, và là điều khiến tôi mất nhiều thời gian nhất, là câu hỏi về tính bền vững của chu kỳ. Bản ghi được neo vào một ngày cố định. Một lễ kỷ niệm. Một cột mốc lặp lại mỗi năm.

Neo lịch là một vũ khí truyền thông cực mạnh. Nó khiến câu chuyện không thể bị lãng quên, vì người tổ chức kiểm soát lịch. Nhưng nó cũng đặt câu chuyện vào một chu kỳ biên tập có thể đoán trước: cao điểm vào đúng ngày đó, và một năm im lặng xung quanh.

Trong bóng đá, chúng ta sống bằng những chu kỳ neo lịch như vậy. Ngày chốt kỳ chuyển nhượng. Tuần lễ derby. Ngày trao giải. Vòng cuối cùng của mùa giải. Những ngày đó không phải là ngày mà sự thật xuất hiện. Chúng là những ngày mà sự thật được phép xuất hiện.

Và đây là chỗ tôi rẽ sang một hướng khác, hướng mà tôi cho là phần quan trọng nhất của toàn bộ câu chuyện này.

---

Căn bệnh tương tự trong nghề tuyển trạch

Nếu bạn nghĩ lỗi gán nhãn UNAM là chuyện của một hệ thống dữ liệu tồi, bạn đang bỏ lỡ điểm chính. Vấn đề không nằm ở hệ thống tồi. Vấn đề nằm ở chỗ mọi hệ thống dữ liệu bóng đá đều có một phiên bản UNAM của riêng nó — một cặp thực thể trùng tên mà không ai buồn phân biệt.

Tôi lấy ví dụ gần nhất trong kho lưu trữ của mình.

Khi bạn tìm kiếm tên một cầu thủ trên các cơ sở dữ liệu công khai, bạn sẽ gặp ít nhất bốn phiên bản của cùng một con người: phiên bản của câu lạc bộ chủ quản, phiên bản của câu lạc bộ cho mượn, phiên bản của đội tuyển quốc gia, và phiên bản của đội trẻ. Bốn hồ sơ. Bốn đường cong thể lực. Bốn tập dữ liệu chấn thương. Chúng không khớp nhau. Chúng chưa bao giờ khớp nhau.

Trường hợp tồi tệ nhất là khi một cầu thủ trẻ được cho mượn sang một câu lạc bộ có hệ thống dữ liệu kém. Số phút thi đấu của cậu ta ở đó có thể biến mất hoàn toàn khỏi bản ghi chính thức. Khi cậu ta trở về, đường cong phát triển của cậu ta có một lỗ hổng sáu tháng. Không ai vá lại. Không ai biết phải vá thế nào. Và khi cậu ta được bán, hồ sơ được bán kèm chỉ có hai mùa giải thay vì ba.

Số 17 không bao giờ biến mất. Anh ta chỉ bị xóa khỏi bảng xếp hạng.

Có một dạng lỗi nữa mà tôi gọi là lỗi trùng danh tính theo thế hệ. Trong lịch sử bóng đá có những dòng họ mà ba thế hệ liên tiếp cùng tên, cùng nghề, và cùng chơi ở những vị trí tương tự. Marcos Alonso Imaz, được biết đến với tên Marquitos, hậu vệ của Real Madrid những năm 2026. Con trai ông, Marcos Alonso Peña, cũng chơi cho Real Madrid và Barcelona trong thập niên 2026. Cháu nội ông, Marcos Alonso Mendoza, sinh năm 2026, cũng khoác áo Real Madrid ở giai đoạn cuối sự nghiệp.

Ba con người. Ba thời đại. Ba đường cong sự nghiệp hoàn toàn khác nhau. Và trong rất nhiều cơ sở dữ liệu mà tôi từng đối chiếu, cả ba bị trộn vào nhau ở tầng nào đó.

Điều đó nghe có vẻ vô hại. Nó không vô hại. Khi bạn phân tích dữ liệu chấn thương của một dòng họ bị trộn lẫn, bạn sẽ nhìn thấy một mẫu hình không tồn tại. Bạn sẽ kết luận rằng dòng họ này có xu hướng chấn thương đầu gối, trong khi thực tế bạn đang cộng dồn chấn thương của ba người chơi ở ba vị trí khác nhau trong ba thập kỷ khác nhau.

Một cầu thủ bị gán sai thực thể sẽ cho ra một phân tích sai. Một phân tích sai sẽ cho ra một quyết định chuyển nhượng sai. Một quyết định chuyển nhượng sai sẽ tiêu tốn của một câu lạc bộ vài triệu euro và của một con người vài năm sự nghiệp.

Và tất cả bắt đầu từ một chuỗi bốn chữ cái bị gán nhầm.

---

Học viện, cantera và cơ chế kế thừa

Có một khía cạnh trong bản ghi khiến tôi phải dừng lại và ghi chú, và tôi thú nhận rằng ghi chú đó không liên quan đến bóng đá, nhưng nó lại giải thích được một vấn đề mà tôi đã vật lộn nhiều năm trong nghề: cơ chế kế thừa thế hệ.

Trong bản ghi có một chi tiết: những đứa trẻ và những đứa cháu đi cùng các bậc cha mẹ trong đoàn tuần hành, mặc áo màu xanh da trời có in hình khuôn mặt của những sinh viên mất tích. Người viết bản tin đọc chi tiết đó như một dấu hiệu cho thấy yêu cầu đã lan truyền trong nội bộ các gia đình.

Đó là một cơ chế kế thừa được thiết kế có chủ đích.

Và nó đối chiếu chính xác với một vấn đề mà mọi học viện bóng đá trên thế giới đang phải đối mặt: khi thế hệ thứ nhất rời đi, ai giữ lửa?

Tôi đã theo dõi cantera của Pumas UNAM trong nhiều năm, không phải vì tôi có mối liên hệ nào ở Mexico, mà vì đó là một trong những học viện châu Mỹ hiếm hoi duy trì được một triết lý đào tạo liên tục qua nhiều chu kỳ huấn luyện viên. Hugo Sánchez và Jorge Campos là những cái tên được nhắc nhiều nhất khi nói về lò đào tạo này, và họ thuộc về một thế hệ rất xa. Johan Vásquez là một sản phẩm gần hơn: trưởng thành từ học viện Pumas, rồi chuyển sang Serie A của Ý năm 2026.

Điều tôi chú ý ở những trường hợp như Vásquez không phải là kỹ năng phòng ngự. Đó là câu hỏi về tính liên tục của dữ liệu. Một cầu thủ rời Liga MX sang châu Âu sẽ đi qua ít nhất ba hệ thống ghi nhận khác nhau: hệ thống của giải Mexico, hệ thống của giải Ý, và hệ thống của đội tuyển quốc gia. Ba hệ thống. Ba định nghĩa khác nhau về một pha tắc bóng thành công. Ba ngưỡng khác nhau để gọi một đường chuyền là đường chuyền tiến.

Khi tôi phân tích hai mùa giải đầu tiên của cậu ta ở châu Âu, tôi phải tự tay chuẩn hóa lại định nghĩa. Nếu không, tôi sẽ so sánh hai thứ không cùng đơn vị đo.

Học viện nào cũng có một cơ chế kế thừa. Nhưng hầu hết các học viện không có cơ chế kế thừa dữ liệu. Khi huấn luyện viên đội U-19 thay người, hồ sơ đánh giá cầu thủ thay đổi theo người viết. Khi giám đốc học viện nghỉ việc, tiêu chuẩn đánh giá bị viết lại. Sau năm năm, một cầu thủ đã đi qua học viện đó có một hồ sơ gồm năm tầng đánh giá được viết bằng năm ngôn ngữ chuyên môn khác nhau, và không tầng nào nói chuyện được với tầng nào.

Khai quật tài năng giống khai quật lịch sử: lâu lâu mới có một lớp vàng giữa bụi.

Nhưng lớp vàng chỉ có giá trị nếu bạn biết nó nằm ở tầng nào. Và bạn chỉ biết điều đó nếu bạn có một cột "nguồn gốc" đáng tin.

---

Những con số trông giống nỗ lực

Đến đây thì tôi phải nói thẳng một điều mà tôi đã giữ trong đầu suốt nhiều năm, và lỗi gán nhãn UNAM là dịp để tôi nói ra.

Ngành phân tích dữ liệu bóng đá hiện đại đang có một căn bệnh tinh vi hơn nhiều so với lỗi gán thẻ thực thể. Đó là căn bệnh của những chỉ số trông giống nỗ lực.

Quãng đường di chuyển và số lần bứt tốc là hai chỉ số được đóng gói và bán cho khán giả như bằng chứng của sự nỗ lực. Một cầu thủ chạy mười hai kilômét trong một trận đấu được mô tả là người không biết mệt. Một cầu thủ thực hiện ba mươi lần bứt tốc được mô tả là người luôn có mặt ở mọi điểm nóng.

Nhưng chạy vô hiệu cũng tạo ra số đẹp.

Một tiền vệ bị hút khỏi vị trí liên tục, phải đuổi bóng theo hình zigzag qua bốn vùng không gian khác nhau, sẽ kết thúc trận đấu với quãng đường di chuyển thuộc nhóm cao nhất giải. Con số đó nói rằng anh ta đã chạy nhiều. Nó không nói rằng anh ta đã chạy đúng chỗ. Nó thậm chí có thể đang nói điều ngược lại: anh ta chạy nhiều vì hệ thống chiến thuật của đội liên tục để anh ta ở sai vị trí.

Tôi đã từng thấy một báo cáo tuyển trạch dài hai mươi trang chỉ dựa trên ba chỉ số: quãng đường di chuyển, số lần bứt tốc, và số lần chạm bóng. Ba chỉ số đó không nói gì về việc cầu thủ có đọc được khoảng trống trước khi bóng đến hay không. Không nói gì về việc cậu ta có giữ được vị trí phòng ngự khi đội mất bóng hay không. Không nói gì về việc cậu ta có dám nhận bóng trong tình huống áp lực cao hay không.

Và đây là điểm kết nối với câu chuyện gán nhãn.

Băng hình cũ không biết nói dối. Chỉ có người xem vội vàng nghe nhầm.

Một hệ thống gán nhãn sai giống hệt một chỉ số nỗ lực sai. Cả hai đều cung cấp cho bạn một con số có vẻ như đúng, gọn gàng, dễ trích dẫn, dễ đưa vào slide họp, dễ biến thành quyết định. Và cả hai đều thất bại ở cùng một điểm: chúng không chịu mô tả cái gì đang thực sự diễn ra.

Tôi từng viết một đoạn cảnh báo về tình trạng quá tải của một tiền vệ trẻ người Tây Ban Nha trong phần phụ lục của một bài phân tích, vì tôi quá tập trung chứng minh hệ thống của mình đúng. Đoạn cảnh báo đó nói về khối lượng trận đấu. Nó nằm ở cuối bài. Không nhiều người đọc đến đó.

Bài học tôi rút ra không nằm ở chỗ tôi đã dự đoán đúng hay sai. Bài học nằm ở chỗ tôi đã đặt đúng dữ liệu vào sai vị trí. Một cảnh báo ở phụ lục có giá trị thấp hơn một cảnh báo ở đoạn mở đầu, dù nội dung giống hệt nhau. Vị trí là một phần của dữ liệu. Cấu trúc là một phần của sự thật.

Lời cảnh báo tôi viết năm 2026 không ai đọc. Ba năm sau, họ gọi nó là thiên tài.

---

Góc phản trực giác: vấn đề không nằm ở dữ liệu bẩn

Đây là chỗ tôi muốn đi ngược lại phản xạ tự nhiên của hầu hết những người làm nghề.

Phản xạ tự nhiên khi gặp lỗi gán nhãn là đổ lỗi cho thuật toán. Phản xạ thứ hai là đổ lỗi cho dữ liệu bẩn. Phản xạ thứ ba là đề xuất thêm một lớp kiểm tra tự động nữa.

Cả ba phản xạ đều sai, hoặc ít nhất là đều không đi tới gốc.

Thuật toán gán nhãn UNAM cho một bản tin về sinh viên đại học không mắc lỗi logic. Nó thực hiện đúng quy tắc mà con người đã viết cho nó. Quy tắc đó nói rằng chuỗi ký tự U-N-A-M thuộc về miền bóng đá. Bản thân quy tắc đó không hề phi lý, bởi vì trong thực tế UNAM đúng là một phần của bóng đá Mexico, chỉ là không phải trong ngữ cảnh này.

Dữ liệu cũng không bẩn theo nghĩa thông thường. Bản ghi đến từ một nguồn có thật, mô tả một sự kiện có thật, với những điểm thông tin nhất quán về mặt nội tại.

Cái sai nằm ở một tầng sâu hơn: niềm tin rằng một nhãn là một sự thật.

Nhãn không phải là sự thật. Nhãn là một quyết định phân loại do một người hoặc một cỗ máy đưa ra tại một thời điểm nhất định, dựa trên một bộ quy tắc nhất định, phục vụ một mục đích nhất định. Một nhãn không có thẩm quyền nhận thức. Nó chỉ có thẩm quyền hành chính.

Ngành bóng đá đã quên điều này từ lâu. Chúng ta đọc nhãn "tiền vệ tấn công" và tin rằng đó là một mô tả về con người. Chúng ta đọc nhãn "cầu thủ chạy cánh" và tin rằng cầu thủ đó chơi ở cánh. Chúng ta đọc nhãn "tài năng triển vọng" và tin rằng chúng ta đang nói về tương lai.

Thực tế, chúng ta đang nói về một ô trong bảng tính.

Và khi một ô trong bảng tính được sinh ra từ một quy trình gán thẻ có tỷ lệ lỗi chưa bao giờ được công bố, thì thứ chúng ta đang tin không phải là dữ liệu. Thứ chúng ta đang tin là một chuỗi giả định chưa từng được kiểm chứng.

Đây là lý do vì sao tôi nói rằng lỗi gán nhãn UNAM không phải là một sự cố vận hành. Nó là một lời nhắc nhở về bản chất của toàn bộ ngành phân tích dữ liệu thể thao.

Trong mùa dịch năm 2026, khi toàn bộ giải đấu châu Âu tạm hoãn và sân vận động trống không, tôi đã có sáu tháng để làm một việc mà không ai muốn làm: ngồi xem lại bốn trăm giờ băng hình từ các giải trẻ giai đoạn 2026-2026 mà chưa ai xem kỹ. Tôi xây dựng một hệ thống phân loại riêng, mười hai kiểu pressing trigger, bảy dạng tấn công vào nửa không gian, rồi viết một báo cáo về bốn mươi lăm cầu thủ U-19 châu Âu có nguy cơ tụt lại vì gián đoạn đào tạo. Sau đó tôi chủ động mời một nhà phân tích dữ liệu ở Leipzig phản biện chéo hệ thống của mình.

Việc quan trọng nhất trong toàn bộ sáu tháng đó không phải là bốn trăm giờ băng hình. Đó là việc mời người khác tìm lỗi trong hệ thống của tôi trước khi tôi dùng nó để kết luận về người khác.

Một nhãn không được phản biện chéo là một nhãn chưa trưởng thành. Một hệ thống phân loại không có cổng kiểm soát rủi ro là một hệ thống đang tự lừa mình bằng những con số gọn gàng.

---

Ba trên hai mươi bốn

Tôi quay lại con số khiến tôi khó chịu nhất trong toàn bộ bản ghi.

Mật độ gắn nguồn: ba trên hai mươi bốn điểm thông tin.

Tôi đã kiểm tra lại ba lần vì tôi không tin vào kết quả của chính mình. Không phải vì tôi nghi ngờ bản ghi. Mà vì tôi biết rằng nếu tôi áp cùng một phép đo lên các báo cáo tuyển trạch mà tôi nhận hàng tuần, tỷ lệ sẽ không tốt hơn là bao.

Hãy tưởng tượng một báo cáo về một cầu thủ mười bảy tuổi. Trong đó có mười hai điểm nhận định. Ba điểm có ghi rõ nguồn: phút thứ bao nhiêu, trận đấu nào, ngày nào. Chín điểm còn lại là những câu như "có khả năng chơi bóng dưới áp lực", "đọc trận đấu tốt", "nền tảng thể lực vượt trội so với tuổi".

Chín câu đó không sai. Chúng chỉ không thể kiểm chứng được. Và một nhận định không thể kiểm chứng được thì không phải là một nhận định. Nó là một ấn tượng được viết ra với định dạng của một nhận định.

Khi một câu lạc bộ ra quyết định dựa trên mười hai điểm như vậy, họ đang ra quyết định dựa trên ba điểm dữ liệu và chín điểm niềm tin. Nếu cầu thủ thành công, người ta nói rằng bộ phận tuyển trạch đã nhìn đúng. Nếu cầu thủ thất bại, người ta nói rằng cầu thủ không phát triển được. Không ai quay lại kiểm tra ba điểm dữ liệu và chín điểm niềm tin.

Đây là lý do tôi xây dựng cho mình một quy tắc cứng: mỗi nhận định về một cầu thủ phải đi kèm một mốc thời gian trong băng hình. Không có mốc thời gian, không có nhận định. Tôi ghi rõ phút, tôi ghi rõ trận, tôi ghi rõ giải đấu. Nếu tôi không tìm được mốc thời gian, tôi gạch bỏ cả câu.

Quy tắc đó khiến tôi viết chậm hơn nhiều người. Nó cũng khiến tôi viết ít hơn nhiều người. Nhưng nó khiến những gì tôi viết có thể bị phản biện, và một nhận định có thể bị phản biện là một nhận định có giá trị.

---

Chu kỳ, lễ kỷ niệm và cái bẫy của sự lặp lại

Có một bài học cuối cùng từ bản ghi mà tôi muốn mang về ngành bóng đá, và nó liên quan đến truyền thông hơn là dữ liệu.

Bản ghi được neo vào một ngày kỷ niệm cố định. Một chu kỳ mười hai năm. Mỗi năm vào đúng khoảng thời gian đó, câu chuyện lại trở lại với cường độ cao nhất, rồi lại chìm xuống.

Trong bóng đá, chúng ta có những chu kỳ y hệt và chúng ta gọi chúng bằng những cái tên khác.

Ngày chốt kỳ chuyển nhượng mùa hè. Ba tuần trước đó là cao điểm của tin đồn, của những tiêu đề không có nguồn, của những con số phí chuyển nhượng được đưa ra bởi những tài khoản không có tên. Sau ngày chốt, tất cả im lặng trong hai tháng.

Vòng đấu cuối cùng của mùa giải. Mỗi đội bóng ở mỗi vị trí trên bảng xếp hạng đều có một câu chuyện được viết sẵn. Đội vô địch có câu chuyện về bản lĩnh. Đội trụ hạng có câu chuyện về ý chí. Đội xuống hạng có câu chuyện về sự sụp đổ. Ba câu chuyện đó được viết trước khi trận đấu diễn ra.

Mùa chuyển nhượng mùa đông. Cùng một bộ tin đồn được đăng lại, chỉ đổi tên câu lạc bộ.

Điểm chung của tất cả những chu kỳ đó: cường độ được đảm bảo, còn chiều sâu thì không.

Một chu kỳ neo lịch tạo ra áp lực sản xuất nội dung. Áp lực sản xuất tạo ra nhu cầu lấp đầy không gian bằng bất cứ thứ gì có sẵn. Và thứ có sẵn rẻ nhất là một bản ghi đã có sẵn nhãn, không cần kiểm tra lại, chỉ cần đổi tiêu đề và đẩy ra.

Đó là cách một bản tin sai chủ đề tồn tại được trong một hệ thống dữ liệu bóng đá. Không ai cố ý đưa nó vào. Nó đi vào vì nó có nhãn. Và nó giữ nhãn vì không ai có động lực kiểm tra lại một nhãn đã tồn tại.

Nếu bản ghi này được gán nhãn tự động chứ không phải thủ công, thì nó gần như chắc chắn không phải là trường hợp duy nhất trong lô dữ liệu đó. Nó là một cá thể trong một quần thể. Và quần thể đó cần được kiểm tra theo cụm, chứ không phải theo từng trường hợp đơn lẻ.

Tôi đã kiểm tra. Trong kho lưu trữ cá nhân của tôi, có mười bảy bản ghi khác mang nhãn bóng đá nhưng không chứa bất kỳ thực thể bóng đá nào khi đối chiếu với từ điển của tôi. Mười bảy trên gần ba nghìn bản ghi. Chưa đến một phần trăm. Nhưng nếu tôi không có cột "nguồn gốc", tôi sẽ không bao giờ phát hiện ra.

---

Biên bản kiểm soát rủi ro

Ở cuối mỗi bài phân tích, tôi có một mục mà người đọc quen với chữ ký phong cách của tôi luôn nhận ra ngay: mục kiểm soát rủi ro.

Nó tồn tại không phải vì tôi thích liệt kê. Nó tồn tại vì tôi đã từng giao một báo cáo không có mục đó, và tôi đã phải sống với hậu quả.

Với bản ghi UNAM, biên bản kiểm soát rủi ro của tôi gồm bốn dòng.

Dòng thứ nhất: tính toàn vẹn dữ liệu. Nhãn bóng đá được gán cho một bản ghi không có nội dung bóng đá. Mức độ: cao. Hành động: cách ly, phân loại lại, và kiểm tra cụm lân cận.

Dòng thứ hai: chất lượng nguồn. Ba trên hai mươi bốn điểm có gắn nguồn. Không có tên cơ quan truyền thông, không có tên tác giả. Mức độ: cao. Hành động: không dùng bất kỳ khẳng định nào từ bản ghi này cho đến khi đối chiếu độc lập.

Dòng thứ ba: khung thời gian kiểm chứng. Có một sự kiện có thể kiểm chứng được đã được lên lịch. Mức độ: trung bình. Hành động: đánh dấu ngày, quay lại kiểm tra sau khi sự kiện diễn ra.

Dòng thứ tư: nguyên nhân gốc. Thực thể trùng tên giữa một trường đại học và một câu lạc bộ bóng đá. Mức độ: trung bình. Hành động: bổ sung ngoại lệ vào bộ quy tắc gán thẻ, ghi nhận đây là điểm mù đã biết.

Bốn dòng. Không dòng nào nói về nội dung của bản tin gốc. Tất cả đều nói về chất lượng của bản ghi với tư cách là một đối tượng dữ liệu.

Đó là toàn bộ công việc mà tôi làm. Tôi không đánh giá sự thật của một câu chuyện con người. Tôi đánh giá độ tin cậy của một tệp dữ liệu.

---

Điều tôi mang theo

Berlin tháng Chín có những buổi chiều dài bất thường. Tôi đóng bảng tính, đi bộ một vòng quanh khu nhà, rồi quay lại và ghi vào sổ một câu duy nhất.

Một hệ thống phân tích không được đo bằng số bản ghi nó xử lý. Nó được đo bằng số bản ghi nó dám từ chối.

Mọi hệ thống dữ liệu mà tôi từng thấy trong ngành bóng đá đều được xây dựng theo cùng một triết lý ngầm: thu thập càng nhiều càng tốt, phân loại càng nhanh càng tốt, kiểm tra càng ít càng tốt. Không ai đo lường số thứ bị ném vào hệ thống sai chỗ. Không ai có chỉ số cho những sai lệch đã bị chặn lại trước khi đi vào phân tích.

Nhưng một hệ thống tốt không phải là một cái phễu rộng. Nó là một cái cửa hẹp có người gác.

Mười hai năm một câu hỏi không được trả lời. Tôi không có thẩm quyền nói về câu trả lời đó, và tôi sẽ không nói. Nhưng tôi có thẩm quyền nói về thứ tôi nhìn thấy trong bảng tính của mình: một bản ghi mang nhãn sai, đi vào một hệ thống không có ai kiểm tra, phục vụ một quy trình không ai đo lường, và bị đẩy ra ngoài dưới dạng một phân tích trông có vẻ chắc chắn.

Mọi siêu sao đều từng là một dấu chấm hỏi bị bỏ quên trong kho lưu trữ. Nhưng một dấu chấm hỏi bị gán nhãn sai sẽ không bao giờ được đọc lại. Nó sẽ tồn tại trong hệ thống mãi mãi, dưới một cái tên không phải của nó, trong một danh mục không phải của nó, và không ai sẽ mở nó ra lần thứ hai.

Câu hỏi tôi giữ lại cho buổi chiều hôm đó không phải là làm thế nào để sửa lỗi gán nhãn. Câu hỏi tôi giữ lại là: nếu hệ thống của bạn không phân biệt nổi một trường đại học với một câu lạc bộ bóng đá, bạn tin nó đến đâu khi nó nói với bạn rằng một cầu thủ mười bảy tuổi nào đó sẽ trở thành ngôi sao?

Tôi biết câu trả lời của mình. Tôi đang chờ xem ngành này có tìm ra câu trả lời của nó không.