Đêm dữ liệu trả về số không: vì sao tôi dừng phân tích thay vì đoán

03:14 sáng ngày 12 tháng 6 năm 2026. Trận thứ ba trong ngày khép lại, và cột xG trên bảng tính của tôi trả về đúng một giá trị: 0.00.

Đội chủ nhà không hề thiếu cơ hội. Họ dứt điểm 12 lần. Nhưng bảng nhãn sự kiện — thứ quyết định toàn bộ phép tính phía sau — trống trơn từ phút thứ nhất đến phút 94.

Tôi mở nguồn thứ hai. Trống. Tôi mở nguồn thứ ba, vốn là nguồn dự phòng tôi chỉ dùng khi hai nguồn đầu lệch nhau quá 8%. Cũng trống.

Trong sáu năm theo dõi và ghi chép dữ liệu thể thao, tôi học được rằng khoảnh khắc nguy hiểm nhất trong nghề này không phải lúc số liệu sai. Mà là lúc số liệu không tồn tại, trong khi trong đầu tôi đã sẵn có một câu trả lời nghe rất hợp lý.

Con số không bao giờ hoảng loạn — người hoảng loạn mới là biến số.

Tôi bắt đầu dựng bảng dữ liệu từ năm 2026, khi còn là một cậu bé 14 tuổi ngồi trước màn hình xem trận bán kết World Cup giữa Croatia và Anh. Tôi tự đếm bằng tay rồi ghi vào sổ một dòng: Luka Modric chạy 11,7 km, kết thúc trận với đúng 1 pha tắc bóng. Dòng đó khiến tôi mất ngủ. Một tiền vệ chạy nhiều bậc nhất giải mà gần như không tranh chấp bóng trực tiếp — hoặc anh ta đã chơi một trận vô nghĩa, hoặc chỉ số tôi đang đọc không đo đúng thứ tôi tưởng nó đo.

Sau giải đấu đó, tôi đi tìm dữ liệu chi tiết của M-League và không có nguồn công khai nào. Nên tôi tự lập bảng tính theo dõi 26 vòng đấu. Mọi thứ bắt đầu từ một ô trống như thế.

Năm 2026, khi bóng đá toàn cầu dừng lại, tôi 16 tuổi và không còn trận nào để ghi chép. Năm 2026 tôi không có gì ngoài thời gian và một thư viện dataset – đủ rồi.

Từ đó, nguyên tắc làm việc của tôi cố định: mỗi số liệu xuất hiện trong bài viết phải được đối chiếu từ hai nguồn trở lên; khoảng 30% thời gian viết bài được dành cho việc kiểm tra chéo, không phải cho việc viết. Nếu một ô dữ liệu trống, tôi không điền bằng cảm giác. Tôi để nó trống và nói rõ nó trống.

Lý do rất đơn giản. Dữ liệu sai có thể phát hiện được; dữ liệu trống thì tự động bị lấp đầy bằng định kiến của người đọc. Một giá trị sai sẽ lộ ra khi đối chiếu nguồn thứ hai. Một ô trống thì không lộ ra, vì nó được thay bằng năm phút highlight mà người ta đã xem trước khi mở bảng tính.

Trước khi tin vào mắt mình, hãy kiểm tra xem mắt mình đã tin vào điều gì.

Chuỗi bằng chứng đầu tiên đến từ mùa hè 2026. Tôi viết một script Python để tự tính xG từ 12.847 pha dứt điểm của năm mùa Bundesliga giai đoạn 2026-2026. Tôi phải chạy lại script ba lần vì không tin vào kết quả: Robert Lewandowski ghi 34 bàn ở mùa 2026-20, trong khi tổng xG chỉ 26,8. Chênh lệch 7,2 bàn.

Nếu tôi chỉ có cột bàn thắng, câu chuyện tôi kể sẽ là: một sát thủ ở đỉnh cao phong độ, và mùa sau anh ta sẽ lặp lại điều tương tự. Khi có thêm cột xG, câu chuyện đổi hoàn toàn: đây là một mùa chuyển hóa nằm ngoài phân phối thông thường, và xác suất lặp lại nguyên vẹn con số 34 là thấp.

Bàn thắng kể cho bạn nghe chuyện gì đã xảy ra. xG kể cho bạn nghe chuyện gì có khả năng lặp lại. Hai câu đó không thay thế nhau, và cũng không được phép lấp chỗ cho nhau. Một khuyến nghị dựa trên cột bàn thắng đơn lẻ là một khuyến nghị tôi phải chịu trách nhiệm, và tôi không muốn chịu trách nhiệm cho một ô trống.

Chuỗi bằng chứng thứ hai đến từ World Cup 2026. Khi Morocco vào bán kết, phần lớn nội dung tôi đọc gọi đó là kỳ tích của tinh thần. Tôi tính PPDA trung bình của họ trong suốt giải: 8,2 — mức thấp nhất giải đấu, nghĩa là đối phương chỉ được phép thực hiện 8,2 đường chuyền trước khi bị áp sát.

Chỉ số đó không nói gì về cảm xúc. Nó mô tả một hệ thống phòng ngự chủ động, được tổ chức theo từng mét và từng nhịp. Tôi viết bài giải thích điều đó trong đêm, bài có 2.500 lượt đọc, và một đội bóng nghiệp dư ở Penang mời tôi viết cho họ.

Người ta bảo Morocco gây sốc — không, dữ liệu đã nói trước rồi, chỉ là chúng ta không nghe.

Chuỗi bằng chứng thứ ba là một cuộc tranh luận. Năm 2026, tôi viết cho một trang bóng đá Malaysia trong kỳ Euro tại Đức. Bài đầu tiên của tôi phản biện quan điểm cho rằng tuyển Đức đã đánh mất khả năng pressing tầm cao. Một công ty phân tích châu Âu phản hồi gần như ngay lập tức, đưa ra bộ số khác để chứng minh điều ngược lại.

Tôi kiểm tra lại từng pha và tìm ra điểm họ bỏ sót: sáu lần tăng tốc của Jamal Musiala không được ghi nhận, vì hệ thống của họ chỉ tính một hành động khi nó kết thúc bằng đường chuyền. Musiala tăng tốc, kéo hai cầu thủ ra khỏi cấu trúc phòng ngự, rồi nhả bóng cho đồng đội thực hiện đường chuyền quyết định. Công cụ không nhìn thấy phần việc ấy.

Tôi viết phản hồi kèm video và dữ liệu thô. Bài được chia sẻ hơn 1.000 lần, và bên kia cập nhật lại phương pháp tính.

Định nghĩa một chỉ số là một lựa chọn quan điểm, và lựa chọn ấy quyết định kết luận trước cả khi dữ liệu được thu thập.

Quay lại đêm 12 tháng 6. Không có bảng nhãn tự động, tôi phải đối chiếu thủ công từng pha với video. Tôi đã xem lại trận đấu ấy 47 lần — mỗi lần dữ liệu lại kể một câu chuyện khác. Sau bốn giờ, nguyên nhân hiện ra: lỗi đồng bộ timestamp. Toàn bộ 12 pha dứt điểm của trận bị đẩy sang một khung giờ khác trong hệ thống, và module xG coi khung giờ đó là vùng không có sự kiện nào.

Không có pha bóng nào bị mất. Chúng chỉ nằm sai chỗ.

Phần đáng sợ nhất là điều suýt xảy ra. Nếu tôi không kiểm tra, tôi đã có thể viết một đoạn phân tích hoàn toàn trôi chảy về việc hàng công đội chủ nhà thiếu sắc bén trong hiệp hai, kèm theo hai biểu đồ trông rất thuyết phục. Không ai phản đối, vì nó khớp với điều khán giả đã thấy trong highlight. Sai sót sẽ nằm im trong dữ liệu và sống tiếp trong kết luận của tuần sau.

Chiếc máy tính cũ năm 2026 không thể chạy nổi game — nhưng nó chạy được sự thật. Đêm đó tôi dùng đúng nó, cùng một ổ cứng ngoài 2TB và bản sao lưu thô của ba mùa giải trước.

Ở hồ sơ chuyển nhượng, một ô trống còn đắt hơn nhiều. Tôi theo dõi thị trường này trong nhiều năm, và mẫu hình lặp lại khá đều: chỉ số được chọn để bán, không phải để mô tả. Một mùa bùng nổ về xG được đặt ở trang đầu; số phút thi đấu thực tế, tỷ lệ chuyển hóa trước các đội đứng nửa trên bảng xếp hạng, và số lần mất bóng ở một phần ba sân nhà được đẩy xuống phụ lục.

Câu lạc bộ mua cầu thủ dựa trên phần trang đầu sẽ trả giá bằng nhiều năm hợp đồng. Dựa trên kinh nghiệm theo dõi các trận đấu của tôi, tôi luôn đặt câu hỏi ngược trước: chỉ số nào đã bị lược bỏ, và vì sao đúng nó lại bị lược bỏ.

Điểm phản trực giác nằm ở đây: một bộ dữ liệu trống thường sinh ra kết luận sạch sẽ hơn một bộ dữ liệu đầy đủ.

Lấy ví dụ về module theo dõi lỗi. Khi module đó không chạy, bảng tổng hợp sẽ ghi 0 lỗi. Giá trị 0 ấy bước vào báo cáo, đi qua ba cuộc họp, và trở thành một nhận định về tính kỷ luật của đội bóng. Không ai chất vấn, bởi sự trống rỗng không tạo ra tiếng động. Một hồ sơ sai tạo ra tiếng động. Một hồ sơ trống thì không.

Tương quan và nhân quả cũng đi theo cùng một lối. Đội pressing nhiều thường thắng nhiều, nghe rất hợp lý. Nhưng có những trận họ pressing nhiều vì họ đang bị dẫn và buộc phải đuổi theo tỷ số. Đọc chỉ số mà không đọc trạng thái trận đấu là tự lừa mình bằng toán học.

Có hai thứ không bao giờ biết nói dối: dữ liệu và thời gian. Nhưng dữ liệu chỉ trung thực khi mẫu đủ lớn, và thời gian chỉ trung thực khi ta chịu để nó trôi qua đủ lâu. Tôi đã từng đi quá xa theo hướng ngược lại — tin vào mô hình đến mức quên rằng có những biến số không đo được: sự hoảng loạn của một hậu vệ ở phút 88, đôi chân nặng sau ba ngày di chuyển, một phòng thay đồ vỡ ra sau một cuộc họp. Mô hình không nắm được những thứ đó. Người viết mô hình phải biết chỗ nào mình không biết.

World Cup 2026 khởi tranh giữa tháng 6 trên ba quốc gia Bắc Mỹ, với 48 đội và 104 trận. Khối lượng dữ liệu sẽ lớn hơn bất kỳ kỳ World Cup nào trước đó, và số lỗ hổng dữ liệu cũng sẽ lớn theo. Tín hiệu tôi theo dõi trong vòng tới không phải đội nào ghi nhiều bàn nhất, mà là tỷ lệ ô trống trong bảng nhãn sự kiện của từng trận. Nếu tỷ lệ đó vượt 5%, tôi dừng mô hình dự đoán của mình lại và nói rõ lý do, thay vì đưa ra một đáp số nghe có vẻ chắc chắn.

Bóng đá là môn thể thao của những xác suất, nhưng người ta lại yêu nó vì những nghịch lý. Việc của người viết số là giữ cho hai điều đó không trộn vào nhau.