Khi mô hình trả về con số rỗng: bài học về liêm chính dữ liệu trong thể thao chuyên nghiệp

Đồng hồ trên màn hình thứ hai trong căn hộ của tôi ở Los Angeles hiện 3 giờ 12 phút sáng ngày 16 tháng 5 năm 2026. Tôi ngồi chờ bảng dữ liệu của loạt trận Bundesliga đầu tiên sau giai đoạn bóng đá bị đóng băng vì dịch. Bảng dữ liệu không trả về hàng nào. Không phải lỗi kết nối, không phải lỗi tài khoản, không phải sự cố máy chủ. Nó trả về đúng những gì nó có: một khoảng trắng. Mười tám năm làm nghề đọc số, lần đầu tiên tôi nhận ra một điều mà không giáo trình nào dạy: phần khó nhất của phân tích dữ liệu thể thao không phải là đọc con số, mà là nhận ra khi nào không có con số nào để đọc.

Khoảng trắng đó không phải sự cố kỹ thuật đơn thuần. Nó là một bài kiểm tra phẩm giá nghề nghiệp. Khi bảng dữ liệu trống, tôi có hai lựa chọn: nội suy bằng trung bình mùa giải để mô hình vẫn chạy ra một kết quả trông có vẻ hợp lý, hoặc giữ nguyên khoảng trắng và viết lên báo cáo dòng chữ mà không ai trong ngành muốn viết: không đủ thông tin để đánh giá. Tôi chọn cách thứ hai. Đêm đó, tôi mất một hợp đồng nhỏ. Nhưng tôi giữ được thứ khó xây hơn nhiều: khả năng phân biệt giữa một con số đúng và một con số chỉ đang tỏ ra đúng.

Mười tám năm trước, tôi khởi nghiệp với vai trò vận động viên esports rồi chuyển sang tổ chức giải đấu ở Việt Nam. Thời đó chúng tôi ghi điểm bằng tay trên giấy, chép lại từ băng ghi hình, sai một mạng là sai cả bảng. Chính vì từng cầm bút chép tay mà tôi có một phản xạ mà nhiều đồng nghiệp trẻ ngày nay không có: mỗi khi thấy một con số, việc đầu tiên là đi ngược dòng để hỏi ai đã tạo ra nó, bằng cách nào, và đã bỏ sót gì trên đường đi.

Trước khi tin vào con số, hãy hỏi nó sinh ra từ đâu. Đây là câu tôi nói với mọi thực tập sinh trong buổi đầu tiên. Không phải để hù dọa, mà để giải thích rằng dữ liệu thể thao là một dây chuyền công nghiệp có nhiều khớp nối có thể gãy, chứ không phải một tấm bảng khắc sẵn sự thật.

Hãy bắt đầu từ khâu thấp nhất. Ở các giải bóng đá lớn, dữ liệu sự kiện được tạo ra bởi hai nhóm người khác nhau: hệ thống camera quang học ghi tọa độ bóng và cầu thủ, và những người chú thích ngồi trước màn hình gán nhãn từng đường chuyền, từng pha tranh chấp, từng cú sút. Camera đo được vị trí nhưng không hiểu ý đồ. Người chú thích hiểu ý đồ nhưng phụ thuộc vào góc máy, vào tốc độ gõ phím và vào một bộ quy tắc nội bộ dài hàng trăm trang. Một đường chuyền xuyên tuyến bị đối phương chạm nhẹ chân có thể được ghi là đường chuyền hỏng ở nhà cung cấp này và đường chuyền thành công ở nhà cung cấp khác. Cả hai đều không nói dối. Cả hai đều không hoàn chỉnh.

Ở tầng cao hơn, mọi chỉ số đều mang theo định nghĩa riêng. Cùng một cú sút từ rìa vòng cấm, có hệ thống tính xác suất ghi bàn là 0,08, có hệ thống tính 0,14, tùy vào việc nó có tính đến áp lực của hậu vệ, chân thuận của cầu thủ, loại đường chuyền trước đó hay không. Không có cơ quan nào đứng ra phán xử ai đúng. Vì vậy khi hai bài báo thể thao đưa ra hai con số xG khác nhau cho cùng một trận, độc giả thường kết luận rằng một bên đang nói dối. Phần lớn trường hợp, cả hai đều đang nói thật theo định nghĩa của chính họ.

Bóng rổ chuyên nghiệp đi theo con đường tương tự nhưng muộn hơn. Từ mùa 2026-2026, giải đấu hàng đầu Bắc Mỹ triển khai hệ thống theo dõi chuyển động gắn trần nhà ở toàn bộ nhà thi đấu, ghi lại vị trí của bóng và của từng cầu thủ hai mươi lăm lần mỗi giây. Từ đó mới sinh ra các khái niệm như khoảng cách di chuyển thực tế, tốc độ chạy trong hiệp phụ, hay hiệu suất dứt điểm khi bị kèm ở cự ly dưới một mét. Nhưng hệ thống đó chỉ đo được cái xảy ra trên sân, không đo được mức độ đau của một đầu gối. Cho nên khi một đội tuyên bố cầu thủ của họ được nghỉ vì quản lý tải trọng, dữ liệu theo dõi chuyển động không thể xác nhận cũng không thể phủ nhận. Nó chỉ im lặng.

Esports có một đặc điểm khiến bài toán trở nên khó hơn. Ở đó có hai loại dữ liệu hoàn toàn tách biệt nhau. Loại thứ nhất là dữ liệu công khai do nhà phát hành phát hành sau mỗi bản cập nhật: tỷ lệ chọn tướng, tỷ lệ thắng theo từng bậc xếp hạng, tỷ lệ cấm. Loại thứ hai là dữ liệu tập luyện nội bộ, thứ mà không ai công bố và cũng không ai kiểm chứng được. Khi một đội tuyển đột ngột đổi cấu trúc đội hình trong trận knockout, giới phân tích bên ngoài chỉ có thể giải thích bằng hai từ: chiến thuật mới. Nhưng không ai trong số họ có mẫu số để chứng minh điều đó. Đây là dạng khoảng trắng nguy hiểm nhất, vì nó trông giống như một kết luận.

Gộp lại, mỗi con số trên một bảng dashboard thể thao là điểm cuối cùng của một chuỗi giả định nối dài: giả định về góc máy, giả định về định nghĩa, giả định về quy tắc gán nhãn, giả định về việc dữ liệu thiếu đã được xử lý thế nào. Tôi không nói điều này để phủ nhận giá trị của phân tích dữ liệu. Tôi nói để nhắc rằng giá trị đó phụ thuộc vào việc người đọc có chịu đi ngược dòng hay không.

Ngày 27 tháng 8 năm 2026, tôi ngồi trước màn hình xem Liverpool tiếp Arsenal ở Anfield. Khi đó tôi là nhân viên phân tích cấp trung tại một công ty dữ liệu thể thao ở Los Angeles, và tôi vừa được cấp quyền truy cập vào một cột dữ liệu mới mà tôi chưa từng dùng tên là xG. Trận đấu kết thúc 4-0 cho Liverpool. Bảng thống kê truyền thống cho thấy số cú sút không cách biệt đến vậy: Liverpool 18, Arsenal 9. Nếu chỉ nhìn cột đó, tôi đã kết luận đây là một trận thắng có phần may mắn của đội chủ nhà.

Cột dữ liệu mới nói một câu chuyện khác hẳn. Liverpool đạt 3,6 xG, Arsenal chỉ 0,3. Khoảng cách về chất lượng cơ hội lớn hơn nhiều lần khoảng cách về số lần dứt điểm. Là một người thuộc kiểu tính cách đặt nặng quy trình, tôi không tin ngay. Tôi in toàn bộ số liệu của trận đó ra, đóng tập lại, rồi kiểm chứng chéo với mười vòng đấu kế tiếp của cả hai đội. Kết quả khiến tôi phải sửa lại cách làm việc suốt nhiều năm sau: mô hình xG dự đoán đúng xu hướng tới khoảng 80 phần trăm các trường hợp trong mẫu kiểm chứng của tôi.

Cơn sốc Liverpool năm ấy không làm tôi sợ dữ liệu, nó làm tôi sợ sự tự tin. Vì nếu tôi đã tin vào một bảng tỷ số đơn giản suốt bao nhiêu năm, thì không có lý do gì để nghĩ rằng tôi sẽ không mắc lại đúng sai lầm đó với một công cụ mới, chỉ khác là lần này sai lầm sẽ trông thuyết phục hơn.

Ngày 27 tháng 6 năm 2026, tại Kazan, mô hình của tôi thất bại rõ ràng nhất. Đức cầm bóng 74 phần trăm, dứt điểm 26 lần, đạt 1,8 xG trong trận gặp Hàn Quốc. Mọi thứ trong bảng dữ liệu nói rằng bàn thắng chỉ còn là vấn đề thời gian. Hàn Quốc chỉ dứt điểm 4 lần với 0,8 xG. Tỷ số cuối cùng là 0-2, với hai bàn thắng của đối phương đến ở phút 90+3 và 90+6.

Điều đáng nói là mô hình của tôi không tính sai xác suất ghi bàn của từng cú sút. Nó tính sai một thứ khác hẳn: khả năng sinh ra cú sút. Khi một đội bị dồn vào thế phải gỡ, chất lượng cơ hội mà họ tạo ra giảm xuống trong khi số lượng cơ hội mà họ cho đối phương tăng vọt, bởi vì họ chủ động đẩy hậu vệ lên cao. Mô hình cũ của tôi đo phần nổi của tảng băng và bỏ qua phần chìm. Sau trận đó, tôi thêm hai biến bắt buộc vào mọi báo cáo: chỉ số PPDA của đối phương, tức số đường chuyền mà đối thủ cho phép trước khi họ thực hiện một hành động phòng ngự, và mức độ khốc liệt thực tế của trận đấu theo thời gian bóng lăn.

Mô hình không sai, chỉ là thế giới đã đổi lúc tôi không để ý. Dữ liệu thuần túy đo được số cơ hội một đội tự tạo ra, nhưng không đo được sự bế tắc, không đo được việc một hàng thủ đã hiểu bài của đối phương đến mức nào, và không đo được tâm lý của một tập thể biết rằng họ chỉ còn mười phút.

Tháng 5 năm 2026, khi bóng đá trở lại trong những sân vận động không khán giả, toàn bộ hệ số lợi thế sân nhà trong mô hình của tôi sai lệch nghiêm trọng. Tôi lấy toàn bộ 157 trận Bundesliga thi đấu sau giai đoạn gián đoạn và phát hiện tỷ lệ thắng trên sân nhà giảm từ khoảng 43 phần trăm xuống còn khoảng 36 phần trăm. Con số đó lớn hơn nhiều so với biên độ dao động thông thường của một giải đấu.

Ban đầu tôi không tin. Tôi chia nhỏ tập dữ liệu theo tháng, theo thứ hạng của đội chủ nhà, theo việc đội đó còn mục tiêu thi đấu hay không. Xu hướng vẫn giữ nguyên ở mọi lát cắt tôi thử. Chỉ sau khi xác nhận, tôi mới thêm một biến mới vào công thức với tên gọi đơn giản là biến khán giả, và giảm trọng số lợi thế sân nhà trong mọi kèo bóng mà tôi tham gia phân tích.

Năm đó thị trường bóng rổ Bắc Mỹ còn cung cấp một thí nghiệm tự nhiên hiếm có. Toàn bộ các trận đấu cuối mùa được tổ chức tập trung tại một địa điểm duy nhất, không đội nào được thi đấu trên sân nhà theo đúng nghĩa. Lợi thế sân nhà biến mất hoàn toàn, không phải giảm bớt mà về đúng bằng không. Với một người làm mô hình, đây là món quà hiếm: một biến số bị tách ra khỏi mọi biến số khác, cho phép đo riêng tác động của nó. Và kết quả đo được buộc tôi phải viết lại gần như toàn bộ phần lợi thế sân nhà trong hệ thống của mình.

Ngày 11 tháng 7 năm 2026, trận chung kết Euro diễn ra ở Wembley. Italy và Anh hòa 1-1 sau 120 phút, Italy thắng luân lưu 3-2. Nếu chỉ nhìn xG, Anh nhỉnh hơn với 1,9 so với 1,1. Nếu chỉ nhìn bảng tỷ số, Italy là nhà vô địch. Trong suốt giải đấu đó, điều khiến tôi đặt niềm tin vào Italy không phải hàng công, mà là con số xG thủng lưới thấp nhất vòng loại, chỉ khoảng 0,6 mỗi trận.

xG không phải chân lý, nó chỉ là cái gương — nhưng gương thì không biết nói dối. Cái gương đó cho tôi thấy Italy không cần tạo ra nhiều cơ hội hơn đối thủ để thắng một giải đấu dài. Nó chỉ cần giữ cho đối thủ không tạo ra cơ hội. Nhưng chính cái gương đó cũng không giải thích được vì sao thủ môn Gianluigi Donnarumma cản phá được hai quả luân lưu, và vì sao ba cầu thủ trẻ của Anh lại sút hỏng trong cùng một loạt đấu súng. Có những thứ nằm ngoài mọi mô hình, và việc thừa nhận điều đó không làm mô hình yếu đi, nó làm mô hình trung thực hơn.

Ở esports, khoảnh khắc mô hình lỗi thời không đến từ chấn thương hay khán giả, mà từ bản cập nhật. Một bản vá có thể hạ thấp sức mạnh của một vị tướng hoặc một loại vũ khí chỉ trong một đêm, và mọi mô hình dựa trên dữ liệu của bản vá trước đó lập tức trở thành lịch sử. Điều trớ trêu là thị trường vẫn tiếp tục định giá theo thói quen cũ trong vài tuần đầu, tạo ra khoảng trống giữa giá và thực tế. Khoảng trống đó không phải cơ hội miễn phí, vì để khai thác nó bạn phải chắc chắn rằng bản vá thật sự thay đổi cục diện, chứ không chỉ thay đổi vài con số trên giấy.

Tệ hơn, tỷ lệ chọn tướng công khai mà nhà phát hành công bố được thu thập từ các trận xếp hạng của toàn bộ người chơi, trong đó đa số không thi đấu ở trình độ chuyên nghiệp. Tỷ lệ đó hữu ích để đo mức độ phổ biến, không hữu ích để đo sức mạnh thật trong một trận đấu có tổ chức. Dữ liệu tập luyện của các đội tuyển chuyên nghiệp, thứ thật sự quyết định kết quả, không được công bố. Cho nên khi một đội tuyển thắng bằng một đội hình mà không ai dự đoán, giới phân tích bên ngoài chỉ có một lựa chọn trung thực: thừa nhận rằng họ không có dữ liệu để giải thích. Rất ít người chọn cách đó.

Và đây là chỗ tôi muốn dừng lại lâu hơn một chút, vì nó là phần mà ngành phân tích thể thao hay nói dối chính mình nhất.

Khi một bảng rủi ro trống, nghĩa là không có dòng nào được điền, thì kết luận đúng không phải là không có rủi ro. Kết luận đúng là chưa đủ thông tin để đánh giá rủi ro. Hai câu này khác nhau hoàn toàn về ý nghĩa và khác nhau hoàn toàn về hệ quả. Trong nghề của tôi, sự nhầm lẫn giữa hai câu đó đã khiến nhiều người mất tiền, và tệ hơn, khiến nhiều người tin rằng họ đang phân tích trong khi thực chất họ đang đoán.

Bài học Bunde<s>s</s>liga năm 2026 cũng là một ví dụ về việc tương quan không phải nhân quả. Tỷ lệ thắng sân nhà giảm trùng thời điểm với việc sân vận động vắng khán giả, nhưng cũng trùng thời điểm với lịch thi đấu bị nén, với việc cho phép thay năm người mỗi trận, và với tình trạng thể lực khác thường của cầu thủ sau nhiều tuần nghỉ. Tôi đã giảm trọng số lợi thế sân nhà, nhưng tôi không dám khẳng định khán giả là nguyên nhân duy nhất. Một nhà phân tích trung thực phải nói được câu đó, dù nó không mang lại cho anh ta một kết luận gọn gàng nào để đăng lên mạng.

Cám dỗ lớn nhất của người làm dữ liệu là lấp đầy khoảng trắng. Thiếu chỉ số phòng ngự của một đội, ta lấy trung bình giải đấu. Thiếu dữ liệu chấn thương, ta giả định đội hình mạnh nhất ra sân. Mỗi lần lấp như vậy, ta không tạo thêm thông tin, ta chỉ tạo thêm tự tin. Và tự tin giả trong một mô hình có trọng số lớn là thứ nguy hiểm hơn cả một mô hình đơn giản nhưng biết giới hạn của mình.

Từ những lần bị dữ liệu dạy cho bài học, tôi xây dựng cho mình một quy tắc mà tôi gọi là chỉ số khoảng trắng. Đó là con số đo tỷ lệ dữ liệu bị thiếu trong toàn bộ đầu vào của một báo cáo, và nó phải được công bố ngay cạnh kết luận, chứ không nằm trong phần phụ lục. Nếu một báo cáo có chỉ số khoảng trắng vượt quá một ngưỡng nhất định, kết luận của nó phải được ghi rõ là tạm thời. Nghe có vẻ đơn giản, nhưng trong thực tế, rất ít báo cáo phân tích thể thao mà tôi từng đọc có ghi con số này. Không ai muốn độc giả biết rằng một phần ba số liệu dùng để đưa ra nhận định không tồn tại.

Thị trường cá cược cũng nằm trong cùng logic đó. Giá của một kèo không phải một con số khách quan về thực lực hai đội. Nó là kết quả tổng hợp của hàng nghìn quyết định riêng lẻ, trong đó có cả những quyết định dựa trên các mô hình có giả định khác nhau và dữ liệu khác nhau. Khi giá di chuyển mạnh, đó là một tín hiệu đáng chú ý, nhưng tín hiệu về điều gì thì phải kiểm tra lại mới biết. Nó có thể là thông tin mới thật, cũng có thể chỉ là phản ứng dây chuyền của những người cùng đọc một nguồn.

Dữ liệu nhỏ là thứ dữ liệu lớn luôn phơi bày. Một sai số trong khâu gán nhãn, một định nghĩa bị đổi mà không thông báo, một bảng dữ liệu bị đứt quãng trong ba tuần, tất cả đều có thể bị che khuất trong một bảng tổng hợp đẹp đẽ. Chúng chỉ lộ ra khi ta chịu chia nhỏ tập dữ liệu và nhìn vào từng lát cắt.

Tôi đọc cột chú thích khi tất cả chỉ nhìn bảng tỷ số. Đó là lý do tôi vẫn giữ thói quen in báo cáo ra giấy, đánh dấu từng nguồn, và ghi bên lề những chỗ tôi không chắc. Một thói quen của người làm nghề mười tám năm, nghe có vẻ chậm, nhưng đã cứu tôi nhiều lần khỏi việc đưa ra một kết luận mà chính tôi không kiểm chứng nổi.

Đêm 16 tháng 5 năm 2026, bảng dữ liệu trống đó rốt cuộc cũng được vá lại sau khoảng bốn mươi phút bằng một đường truyền dự phòng. Tôi có đủ số liệu để hoàn thành báo cáo. Nhưng tôi vẫn ghi lại sự kiện đó vào sổ, và cho đến hôm nay nó là dòng ghi chú tôi đọc lại nhiều nhất. Khoảng trắng bốn mươi phút ấy dạy tôi một điều mà một mùa giải đầy đủ số liệu không thể dạy: giá trị của một nhà phân tích không nằm ở chỗ anh ta xử lý được bao nhiêu dữ liệu có sẵn, mà ở chỗ anh ta thành thật được bao nhiêu khi dữ liệu không có.

Vòng đấu tiếp theo sẽ lại mang đến những con số mới, và sẽ lại có ai đó đưa ra một kết luận dứt khoát từ một mẫu quá nhỏ. Cách duy nhất để không nằm trong số đó là tự hỏi, trước mỗi nhận định: nếu phần dữ liệu tôi đang thiếu được công khai, kết luận của tôi sẽ trông như thế nào. Ai dám trả lời câu hỏi đó một cách trung thực, người đó đã đi trước phần còn lại của thị trường một bước — không phải vì họ có nhiều dữ liệu hơn, mà vì họ hiểu rõ giới hạn của thứ mình đang có.