Bản báo cáo trống: bài học liêm chính dữ liệu từ một tệp phân tích bơi lội rỗng

Đêm thứ Ba, tôi mở một gói dữ liệu gửi từ đầu mối quen ở Thượng Hải. Tệp có tên, có mốc thời gian, có cấu trúc trường đàng hoàng. Nhưng khi bấm vào, mọi ô nội dung đều rỗng: không tên vận động viên, không cự ly, không thành tích, không giải đấu. Một tệp rỗng khoác áo một tệp đầy đủ, thứ nguy hiểm hơn một tệp rỗng trần trụi, vì nó khiến người ta tưởng mình đang cầm thứ gì đó để phân tích. Trong mười một năm theo nghề, tôi quen với những đêm dữ liệu nói quá nhiều. Bơi lội là môn mà mỗi phần trăm giây đều để lại dấu vết: thời gian phản xạ xuất phát, split mười lăm mét đầu, nhịp quạt tay, quãng bơi mỗi chu kỳ, thời gian quay đầu. Một buổi thi đấu sinh ra hàng nghìn điểm dữ liệu. Đêm đó thì khác. Dữ liệu không nói gì cả. Đó mới là phép thử thật của nghề. Ở Thượng Hải, nơi tôi đưa tin về bơi lội cho thị trường Trung Quốc, áp lực lớn nhất không đến từ việc phải viết hay. Nó đến từ việc phải viết ngay. Mỗi giải đấu là một dòng chảy tin tức không ngừng, và người đọc không chờ. Khi một gói dữ liệu mở ra trống rỗng, có hai con đường. Con đường thứ nhất là lấp khoảng trống bằng suy đoán: gán một vận động viên, phỏng đoán một cự ly, dựng một câu chuyện nghe hợp lý. Con đường thứ hai là dừng lại và nói thẳng rằng chưa có gì để phân tích. Nghề này thưởng cho con đường thứ nhất. Nó trừng phạt con đường thứ hai. Nhưng tôi thuộc phe số liệu, và phe số liệu không có chỗ cho những con số bịa. Khung phân tích tôi dùng cho bơi lội có chín tầng. Tầng kỹ thuật soi vào xuất phát, đoạn bơi dưới nước, kỹ thuật quay đầu và hiệu suất quãng bơi. Tầng thành tích đối chiếu kỷ lục thế giới, danh sách mọi thời đại và xếp hạng trong mùa. Tầng hệ thống thi đấu xác định giải thuộc cấp nào, từ Olympic, giải bơi đường dài thế giới, giải bơi ngắn, World Cup, châu lục cho tới quốc gia. Tầng bản đồ quyền lực môn bơi vẽ ra ai đang thống trị từng nội dung. Tầng luật và chống doping rà soát tính hợp lệ. Tầng sự nghiệp vận động viên đặt thành tích lên đường cong tuổi tác. Tầng rủi ro phân loại mối đe dọa. Tầng câu chuyện truyền thông đo nhiệt của dư luận. Và tầng hiệu ứng ngành đọc tác động lên thị trường huấn luyện, thiết bị, sự kiện và đại lý. Chín tầng ấy có một điểm chung duy nhất: tất cả đều cần dữ liệu đầu vào. Khi đầu vào trống, cả chín tầng sập cùng lúc. Người ngoài nghề thường tưởng phân tích thể thao là chuyện của cảm hứng. Một vận động viên bơi về đích, người ta reo lên, và thế là có một bài. Nhưng đằng sau tiếng reo đó là một chuỗi câu hỏi không được phép bỏ qua. Cô ấy bơi bao nhiêu? Bể năm mươi mét hay hai mươi lăm mét? Vì thời gian ở hai loại bể không so sánh trực tiếp được với nhau, bể ngắn cho kết quả nhanh hơn do nhiều lần quay đầu hơn. Đây là giải gì, vào năm nào của chu kỳ Olympic? Vận động viên bao nhiêu tuổi, đang ở đoạn nào của sự nghiệp? Bộ đồ bơi thuộc thời kỳ nào, trước hay sau lệnh cấm đồ bơi công nghệ cao năm hai nghìn không trăm mười? Thiếu một câu trả lời, cả kết luận đổ. Tôi từng nghĩ dữ liệu là câu trả lời. Năm hai nghìn không trăm mười tám cho tôi câu hỏi tốt hơn. Năm đó, ở tuổi sinh viên, tôi dành cả kỳ World Cup để ghi chép song song và tự phân tích bằng bảng tính. Khi Đức thua Hàn Quốc không hai, truyền thông nói Đức kém may mắn vì kiểm soát bóng bảy mươi tư phần trăm. Tôi tính lại và thấy số bàn thắng kỳ vọng của Đức chỉ một phẩy hai so với một phẩy tám của Hàn Quốc, cùng mười bốn lần hàng thủ Đức hở khoảng trống sau lưng trung vệ. Bài viết của tôi bị gỡ xuống vì trái truyền thông chính thống. Nhưng chính đêm đó dạy tôi rằng dữ liệu có thể chống lại cả những câu chuyện mạnh nhất, với điều kiện dữ liệu phải thật. Bảng tính không có màu áo, nhưng tôi vẫn nghe trận đấu qua từng cột số. Và khi một cột số trống, tôi không được phép nghe thấy thứ không tồn tại. Quay lại gói dữ liệu đêm thứ Ba. Điều đáng chú ý không nằm ở chỗ nó trống. Điều đáng chú ý nằm ở chỗ một bài báo trong lĩnh vực bơi lội, nếu thật sự tồn tại, gần như không bao giờ trống hoàn toàn. Một bài về bơi lội, dù chỉ là tin vắn, thường nêu ít nhất một cái tên, một quốc gia hoặc một giải đấu. Sự vắng mặt tuyệt đối của mọi thực thể là một tín hiệu mạnh: nhiều khả năng khâu thu thập hoặc khâu bóc tách văn bản đã hỏng, chứ không phải bài viết thật sự không có nội dung. Nguồn có thể bị chặn sau tường phí, bị khóa đăng nhập, hoặc là nội dung phi văn bản như video hay podcast. Cũng có khả năng, thấp hơn, mục tin bị dán nhãn sai và lọt nhầm vào đường ống xử lý bơi lội. Kết luận đúng của một nhà phân tích trước tình huống đó không phải là một phán đoán về bơi lội. Nó là một phát hiện về liêm chính dữ liệu. Trong giới phân tích, có một cám dỗ mang tên lấp khoảng trống. Khi khung đã đủ đẹp, khi biểu mẫu đã đủ đầy, người ta muốn điền vào cho trọn vẹn. Một chuyên gia có thể gán cho vận động viên giả định một sự nghiệp, một nguy cơ chấn thương vai, một rào cản tuổi dậy thì. Nghe rất thuyết phục, nhưng tất cả đều không có cơ sở. Cám dỗ ấy nguy hiểm gấp đôi trong môn bơi lội, nơi những phân tích nhạy cảm nhất, từ rào cản dậy thì ở vận động viên nữ tuổi thiếu niên tới cửa sổ đỉnh cao ngắn ngủi, phụ thuộc hoàn toàn vào danh tính một con người cụ thể. Không có danh tính ấy, mọi phát ngôn đều trở thành bất an. Có một cám dỗ thứ hai, tinh vi hơn: nhầm một bản báo cáo đầy đủ về hình thức thành một bản đánh giá đầy đủ về nội dung. Một tài liệu có tiêu đề, có đề mục, có bảng biểu, có thuật ngữ chuyên môn trông rất đáng tin. Nhưng nếu mọi ô đều ghi chưa đủ thông tin, thì giá trị nội dung của nó bằng không. Đây là điểm mù của cả một thế hệ đọc tin: hình thức được chấm điểm cao hơn sự thật. Nghề của tôi dạy tôi điều ngược lại. Khi bóng đá đứng yên năm hai nghìn không trăm hai mươi, tôi tìm thấy tốc độ trong chính mình. Các giải đấu đóng băng, dữ liệu trận đấu ngừng sinh ra, và tôi học cách viết về xu hướng dài hạn thay vì tường thuật. Tôi dự đoán bảy trong mười trường hợp cầu thủ bùng nổ sau giãn cách, dựa trên tốc độ chạy nước rút, tỷ lệ chuyền hướng lên và chỉ số hồi phục chấn thương. Nhưng tôi cũng học được rằng nếu không có dữ liệu, không có bàn luận. Khoảng trống không được lấp bằng niềm tin; nó được lấp bằng việc quay lại thu thập cho đúng. U19 Châu Á năm hai nghìn không trăm mười bảy không có dữ liệu để tôi phân tích. Nó bắt tôi phải tin. Đó là lần duy nhất tôi chấp nhận tin mà không có bằng chứng, và cái giá là một bài viết tôi phải làm lại từ đầu khi số liệu về sau. Từ đó, tôi đặt ra một nguyên tắc: giá trị trống phải được xử lý bằng tuyên bố rõ ràng, không bằng suy đoán. Chiến thuật là một giả thuyết. Mỗi giả thuyết đều cần một đêm Hàn Quốc để thử lửa. Và mỗi đêm thử lửa đều cần dữ liệu thật để đốt. Vậy một bản báo cáo trống để lại gì cho người đọc? Ba thứ. Thứ nhất, nó là một lời nhắc rằng phân tích thể thao là một chuỗi phụ thuộc. Không có tầng dữ liệu gốc, mọi tầng phía trên đều là trang trí. Một dự đoán về huy chương Olympic, một đánh giá về sức mạnh của một quốc gia trên bản đồ bơi lội, một ước tính về giá trị thương mại của một vận động viên, tất cả đều đứng trên cùng một nền móng: con số đầu vào có kiểm chứng. Thứ hai, nó là một bộ lọc cho độc giả. Khi bạn đọc một bài phân tích bơi lội, hãy tìm xem tác giả có nêu thời gian cụ thể kèm chiều dài bể hay không, có nói rõ giải và năm trong chu kỳ Olympic hay không, có phân biệt thời kỳ đồ bơi công nghệ cao hay không. Nếu không, đó có thể là một bài viết đẹp về hình thức và rỗng về nội dung. Thứ ba, nó là một lời nhắc cho chính người viết. Trận đấu kết thúc, nhưng dữ liệu vẫn đang nói tiếp, và đôi khi điều dữ liệu nói là: chưa đủ để nói gì cả. Nếu các bản báo cáo trống lặp lại nhiều lần, vấn đề không còn nằm ở một bài viết. Nó nằm ở hệ thống: khâu truy xuất, khâu phân tích cú pháp, hay khâu dán nhãn định tuyến. Một lỗi đơn lẻ là tai nạn; hai lỗi lặp lại là tín hiệu để rà soát quy trình. Với người làm dữ liệu, điều đó quan trọng hơn mọi câu chuyện về một vận động viên bơi nhanh. Tôi từng nghĩ nghề này là chuyện kể lại những gì đã xảy ra. Giờ tôi hiểu nó còn là chuyện từ chối kể những gì chưa xảy ra. Một tệp dữ liệu trống không đáng sợ. Điều đáng sợ là một tệp trống bị lấp đầy bằng suy đoán rồi được phát đi như sự thật. Đêm đó, tôi gửi lại cho đầu mối một tin nhắn ngắn: tệp rỗng, cần chạy lại từ đầu. Không có bản phân tích nào được xuất. Không có tên vận động viên nào bị gán. Không có cáo buộc nào bị dựng lên. Chỉ có một khoảng trống được giữ nguyên đúng như nó vốn là, và một quy trình được sửa trước khi nó kịp gây hại. Có thể lần sau gói dữ liệu sẽ đầy. Khi đó, tôi sẽ lại bơi qua từng cột số, chấm từng nhịp, giữ đều tốc độ, và chỉ khi về đích mới hạ một kết luận. Nhưng cho đến lúc ấy, câu trả lời trung thực nhất vẫn là câu trả lời mà nghề này ít khi dám thốt ra: không đủ thông tin.