Lỗi dán nhãn chuyên mục: Khi thuật toán xếp một câu chuyện gia đình vào bảng dữ liệu bóng đá

Trong hơn hai mươi tám năm theo dõi ngành dữ liệu thể thao, tôi đã quen với việc mở một tệp ra và đối chiếu nội dung với cái nhãn được gán lên nó. Nhưng buổi sáng cách đây ít ngày, tại bàn làm việc ở Thượng Hải, tôi phải đọc lại một tệp đến lần thứ ba vì nhãn và nội dung lệch nhau đến mức khó tin. Nhãn ghi rõ ràng: Lĩnh vực bóng đá. Nhưng khi tôi cuộn xuống, thứ hiện ra là một cuộc trò chuyện với Angelina Jolie, những câu bà kể về các con trai mình, về việc Maddox và Pax làm trợ lý đạo diễn trên phim trường, về những buổi chiều bà ngồi đợi con học bay. Không một đội bóng. Không một cầu thủ. Không một bảng xếp hạng. Không một con số xG, một chỉ số PPDA, một mức phí chuyển nhượng nào. Chỉ có một sự thật rất đơn giản mà bất kỳ ai trong nghề cũng phải nhớ: một cái nhãn sai có thể biến toàn bộ chuỗi phân tích phía sau thành một mớ suy diễn vô nghĩa. Đừng vội tin con số trước khi nó kể lại câu chuyện từ đầu. Đó là câu tôi vẫn nói với các cộng sự trẻ mỗi khi họ nộp cho tôi một báo cáo dán nhãn vội vàng. Và lần này, chính tôi lại là người phải kiểm tra lại chính hệ thống của mình. Khi tôi rà lại toàn bộ tệp phân tích hai tầng đi kèm với bài viết này, tôi nhận ra một điều thú vị hơn cả bản thân lỗi. Đó là cấu trúc của nó. Một tài liệu phân tích chuyên sâu được chia thành chín phần: phân tích chiến thuật và kỹ thuật, tài chính câu lạc bộ và thị trường chuyển nhượng, kết quả thi đấu và chu kỳ dư luận, bối cảnh giải đấu và định vị đội bóng, quy tắc và tuân thủ quản trị, quản lý và phòng thay đồ, hồ sơ rủi ro, dòng chảy truyền thông và kỳ vọng, và cuối cùng là sự lan tỏa trong ngành bóng đá. Chín khung phân tích, chín lăng kính. Và trong cả chín lăng kính đó, kết luận đều giống nhau: không áp dụng được. Không có nội dung bóng đá để đánh giá. Đây không phải là một bài viết về bóng đá bị phân tích sai. Đây là một bài viết không thuộc về bóng đá ngay từ đầu, và bị một hệ thống tự động đẩy nhầm vào đúng cái khe mà nó không thuộc về. Nói cách khác, chúng ta đang có trong tay một mẫu vật quý hiếm: một ví dụ sạch về cách một đường ống dữ liệu tự động có thể trượt chân, và cái trượt chân đó để lại hậu quả gì cho những người đến sau, những người tin rằng cái nhãn là đúng. Tôi muốn kể các bạn nghe một chuyện cũ hơn, để các bạn thấy vì sao tôi lại ám ảnh với cái nhãn đến vậy. Năm 2026, khi tôi phân tích thương vụ Hulk chuyển từ Zenit về Shanghai SIPG với mức phí 55 triệu euro, tôi dùng mô hình xG tích lũy và chỉ ra rằng hiệu suất dứt điểm thực tế của anh chỉ đạt khoảng 0.28 bàn mỗi trận, thấp hơn gần bốn mươi phần trăm so với kỳ vọng mà truyền thông vẽ ra. Bài viết bị người hâm mộ tấn công dữ dội. Nhưng ba tuyển trạch viên từ các câu lạc bộ khác đã liên hệ tôi để xin báo cáo chi tiết. Tôi học được một điều từ hôm đó: số liệu chính xác sẽ tự tìm ra người cần nó. Nhưng tôi cũng học thêm một điều nữa, một điều mà tôi chỉ nhận ra sau này: con số chính xác đặt trên một cái nhãn sai sẽ không tìm được ai cả. Nó chỉ tạo ra nhiễu loạn. Đó là lý do khi tôi đối mặt với tệp bị dán nhãn sai lần này, tôi không bỏ qua nó như một lỗi hành chính nhỏ. Tôi coi nó là một ca lâm sàng. Hãy bắt đầu từ bối cảnh kỹ thuật. Trong ngành dữ liệu thể thao ngày nay, hầu hết các bài viết không đến tay nhà phân tích theo cách thủ công. Chúng đi qua một chuỗi xử lý tự động: thu thập nguồn, tách nội dung, gán nhãn theo chủ đề, gán nhãn theo thực thể, gán nhãn theo lĩnh vực, rồi mới đẩy vào hàng đợi phân tích. Ở tầng khởi đầu, việc gán nhãn lĩnh vực được thực hiện bằng mô hình phân loại văn bản, thường là một phiên bản học máy đã được huấn luyện trên một tập dữ liệu có sẵn. Mô hình này không hiểu bóng đá theo cách chúng ta hiểu. Nó chỉ biết đếm tần suất từ khóa, nhận diện cụm từ đặc trưng, và gán xác suất cho từng nhãn. Vấn đề nằm ở chỗ đó. Một bài viết về bà mẹ nổi tiếng đưa các con trai vào ê-kíp làm phim có thể chứa những từ ngữ trùng khớp với từ khóa của một lĩnh vực khác. Từ trợ lý đạo diễn, trong cấu trúc huấn luyện của một số mô hình cũ, từng nằm chung một cụm với các khái niệm như trợ lý huấn luyện hay học viện. Từ con trai, trong một số tập dữ liệu lỗi thời, lại nằm gần cụm hậu duệ hay học trò. Và thế là mô hình gán nhãn bóng đá cho một bài viết mà bóng đá chưa từng đặt chân vào. Tôi nhấn mạnh điều này bởi vì nó không phải chuyện hiếm. Trong suốt những năm làm báo cáo nội bộ cho các câu lạc bộ, tôi đã gặp đủ loại lỗi dán nhãn đến mức phải viết hẳn một quy trình kiểm tra chéo cho chính tôi. Một bài báo về một cầu thủ rời sân vì chấn thương có thể bị dán nhãn y tế. Một bản tin về hợp đồng tài trợ sân vận động có thể bị dán nhãn bất động sản. Một bài về chương trình đào tạo trẻ có thể bị dán nhãn giáo dục. Những lỗi này không gây hậu quả nghiêm trọng nếu người đọc cuối cùng là một biên tập viên tỉnh táo. Nhưng khi người đọc cuối cùng là một mô hình dự báo, hoặc là một quy trình đánh giá tự động, thì lỗi nhãn trở thành lỗi chuỗi. Khi xác suất sụp đổ, thứ còn lại là bản chất của trận đấu. Nhưng nếu ngay từ đầu bạn đã đặt sai trận đấu vào sổ, thì cái bản chất kia cũng không còn chỗ để hiện ra. Bây giờ hãy đi vào từng khung phân tích trong tài liệu này, để thấy rằng một lỗi nhãn không chỉ là một dòng sai trong bảng tính. Nó là một chuỗi mất mát có hệ thống. Khung thứ nhất là phân tích chiến thuật và kỹ thuật. Trong một bài phân tích bóng đá đúng nghĩa, đây là nơi tôi dành phần lớn dung lượng. Tôi sẽ nói về cấu trúc đội hình, cách hai tuyến giữa bịt khoảng trống, cách một hậu vệ cánh dâng cao và để lại một hành lang, cách một tiền đạo lùi sâu làm loãng tuyến phòng ngự đối phương. Nhưng với một bài viết về gia đình Jolie, không có đội hình nào để vẽ. Không có khoảng trống nào để đo. Không có cấu trúc nào để bóc tách. Độ phức tạp chiến thuật: không áp dụng. Khả năng thực thi: không áp dụng. Mức độ phù hợp nhân sự: không áp dụng. Những con số then chốt: không áp dụng. Bốn dòng trong một bảng vốn đã được thiết kế để chứa những giá trị định lượng, giờ đây trống rỗng. Đó là tổn thất đầu tiên. Khung thứ hai là tài chính câu lạc bộ và thị trường chuyển nhượng. Đây là mảnh đất tôi quen thuộc nhất sau mười một năm sống và làm việc ở Trung Quốc, nơi mà mỗi thương vụ chuyển nhượng giữa các ông lớn đều là một cuộc chạy đua vũ trang thương hiệu hơn là một phép tính thuần túy về chuyên môn. Tôi thường bắt đầu bằng cơ cấu doanh thu, tỷ trọng tiền bản quyền truyền hình, tiền thương mại, quỹ lương, nợ ròng. Nhưng trong bài viết bị dán nhãn sai này, doanh thu truyền hình: không áp dụng. Doanh thu thương mại: không áp dụng. Chi phí lương: không áp dụng. Nợ ròng: không áp dụng. Không có thương vụ nào để đánh giá. Không có cấu trúc tài chính nào để phản biện. Cái mà tài liệu này có, nếu phải gọi tên, là một dạng vốn vô hình: uy tín thương hiệu gia đình, quan hệ nghề nghiệp, cơ hội nghề nghiệp cho con cái. Nhưng đó là vốn xã hội trong ngành điện ảnh, không phải vốn tài chính trong ngành bóng đá. Tôi nhớ có lần một câu lạc bộ ở giải hạng nhất hỏi tôi phân tích một bản hợp đồng cho vay mượn vào kỳ chuyển nhượng mùa đông. Tôi mất ba ngày để truy vết nguồn gốc con số phí, và phát hiện ra rằng mức phí được công bố trên truyền thông cao hơn mức phí thực tế trong hợp đồng gần bốn mươi phần trăm, phần chênh lệch được đẩy vào các khoản thanh toán theo thành tích mà trên thực tế gần như không thể đạt được. Đó là kiểu con số mà tôi săn đuổi. Nhưng để săn được nó, tôi phải có một nhãn đúng. Nếu tôi đang đọc một bài về điện ảnh mà nghĩ rằng nó là một bản tin chuyển nhượng, tôi sẽ lãng phí ba ngày của đời mình để đuổi theo một bóng ma. Khung thứ ba là kết quả thi đấu và chu kỳ dư luận. Trong một bài phân tích bóng đá, đây là nơi tôi so sánh vị trí hiện tại của đội với kỳ vọng đầu mùa, nhìn vào phong độ gần đây, xem xét yếu tố lịch thi đấu. Nhưng ở đây, số mẫu là số không. Không có trận đấu nào để đánh giá. Không có dữ liệu để đối chiếu với kết quả. Cái duy nhất còn lại là một dạng áp lực dư luận khác hẳn: áp lực lên một nhân vật công chúng khi được hỏi về sự cân bằng giữa gia đình và công việc. Mức độ áp lực thấp. Nguồn áp lực đến từ truyền thông. Hệ quả có thể có: một chuỗi đưa tin tích cực tiếp tục. Đó là một chu kỳ dư luận lành mạnh, nhưng nó không phải là chu kỳ dư luận của bóng đá, nơi mỗi trận thua có thể đẩy một huấn luyện viên đến bờ vực bị sa thải sau bốn mươi tám giờ. Khung thứ tư là bối cảnh giải đấu và định vị đội bóng. Ở đây tôi thường vẽ một bản đồ cạnh tranh: đội này đang ở tầng nào, đối thủ trực tiếp là ai, khoảng cách về giá trị đội hình là bao nhiêu, nguồn lực tài chính ra sao, sản lượng đào tạo trẻ đến đâu, dòng chảy tài năng đang đi theo hướng nào. Nhưng trong bài viết này, không có giải đấu nào. Không có tầng bậc nào. Không có bản đồ cạnh tranh nào. Tất cả các thực thể đều là cá nhân trong ngành giải trí, và mặc dù ngành điện ảnh cũng có một kim tự tháp tài năng riêng, với các bậc từ nhân viên hậu trường đến đạo diễn và nhà sản xuất, nhưng việc so sánh nó với kim tự tháp bóng đá chỉ là một phép loại suy, không phải một phân tích. Và phép loại suy, trong công việc của tôi, là thứ nguy hiểm nhất sau lỗi dán nhãn. Khung thứ năm là quy tắc và tuân thủ quản trị. Đây là nơi tôi kiểm tra các quy định về công bằng tài chính, các quy tắc đăng ký chuyển nhượng, các án phạt kỷ luật, điều kiện tham dự giải đấu. Nhưng với bài viết này, tất cả đều không áp dụng. Không có vấn đề quản trị nào được nhắc đến. Không có tiền lệ nào để tham chiếu. Điều duy nhất có thể liên quan, nếu chúng ta muốn nói về luật lao động trẻ em và các quy định công đoàn trong ngành điện ảnh, thì cũng trở nên vô nghĩa vì hai con trai của bà đều đã trưởng thành. Một lần nữa, không có gì để tuân thủ, không có gì để vi phạm, không có gì để phán xử. Khung thứ sáu là quản lý và phòng thay đồ. Đây là khung mà tôi thích nhất khi phân tích một đội bóng, vì nó là nơi dữ liệu gặp con người. Chất lượng quyết định tuyển dụng, sự ổn định cấu trúc, quan hệ giữa huấn luyện viên và cầu thủ, quá trình chuyển giao thế hệ, sức ép truyền thông lên từng cá nhân theo đường cong tuổi tác. Tất cả những thứ đó, trong bài viết bị dán nhãn sai, đều không áp dụng. Những gì còn lại là một tuyên bố quan hệ công chúng về sự gắn kết gia đình và cơ hội nghề nghiệp, được dàn dựng một cách khéo léo. Câu nói tôi chỉ là mẹ, nếu đặt trong bối cảnh phòng thay đồ, sẽ là một tín hiệu cực kỳ đáng chú ý về cách một nhân vật quyền lực muốn định vị mình. Nhưng đặt trong bối cảnh một cuộc phỏng vấn điện ảnh, nó chỉ là một câu nói đẹp. Cùng một câu chữ, hai chế độ đọc khác nhau. Đó là sức mạnh của nhãn, và cũng là hiểm họa của nó. Khung thứ bảy là hồ sơ rủi ro. Trong một báo cáo bóng đá, tôi phân loại rủi ro theo năm nhóm: rủi ro thi đấu, rủi ro tài chính, rủi ro nhân sự, rủi ro quy tắc, rủi ro dư luận. Ở đây, bốn nhóm đầu không áp dụng. Nhóm thứ năm, rủi ro dư luận, chỉ còn đúng một dòng: lỗi dán nhãn bài viết này thành bóng đá, xác suất xảy ra ở mức trung bình, tác động ở mức thấp, biện pháp giảm thiểu là sửa lại nhãn. Đó là một kết luận ngắn gọn nhưng chính xác. Và nó nhắc tôi rằng trong ngành của chúng ta, rủi ro lớn nhất thường không phải là rủi ro đến từ sân cỏ. Nó đến từ những dòng dữ liệu mà chúng ta gõ vào lúc mười một giờ đêm, khi mắt đã mỏi và tay đã nhấc khỏi bàn phím. Khung thứ tám là dòng chảy truyền thông và kỳ vọng. Đây là nơi tôi đọc nhiệt độ của dư luận: câu chuyện hiện tại là gì, nó đang ở giai đoạn tăng tốc hay suy giảm, nó có nền tảng vững chắc không, kích thước mẫu có đủ để dự báo không, và thời gian sống của nó kéo dài bao lâu. Trong bài viết này, câu chuyện hiện tại là về việc một bà mẹ nổi tiếng cân bằng giữa gia đình và sự nghiệp. Sự bền vững của câu chuyện ở mức trung bình. Thời gian sống dự kiến ngắn, dưới một tháng, cho đến chu kỳ tin tức tiếp theo về nhân vật này. Và tỷ lệ giữa sức nóng trên mạng xã hội với nền tảng thực tế ở mức thấp, bởi vì bài viết không có móc câu lan truyền. Tất cả những điều đó đều hợp lệ, nhưng chúng đều thuộc về một chuyên mục khác. Khi tôi đặt chúng cạnh những con số chuyển nhượng, chúng không nói cùng một ngôn ngữ. Khung thứ chín là sự lan tỏa trong ngành bóng đá. Đây là khung mà tôi coi là quan trọng nhất trong mọi báo cáo chiến lược. Nó vẽ ra một sơ đồ truyền dẫn: từ chuỗi cung ứng tài năng ở học viện, qua các câu lạc bộ và giải đấu, đến thị trường truyền hình, thương mại và các sản phẩm phái sinh. Nhưng trong bài viết này, sơ đồ đó không có một điểm nối nào. Tác động lên chuỗi cung ứng tài năng: trung tính, không có. Tác động lên hệ sinh thái người đại diện: trung tính, không có. Tác động lên thị trường truyền hình và thương mại: trung tính, không có. Tác động lên mạng lưới vốn: trung tính, không có. Tác động lên thị trường phái sinh: trung tính, không có. Tác động lên hệ sinh thái đội tuyển quốc gia: trung tính, không có. Sáu dòng, sáu số không. Đó là dấu hiệu rõ ràng nhất rằng chúng ta đang cầm trên tay một bài viết không thuộc về lĩnh vực mà nó bị gán vào. Và điều đáng sợ là, nếu không ai kiểm tra, bài viết này sẽ nằm trong cơ sở dữ liệu bóng đá của chúng ta mãi mãi, chờ đợi một thuật toán nào đó vào một ngày nào đó trích xuất nó ra và đưa vào một báo cáo chuyển nhượng. Sân vận động trống rỗng, nhưng dữ liệu chưa bao giờ vắng bóng khán giả. Câu đó đúng trong trường hợp này theo một nghĩa khác. Không có sân vận động nào ở đây, không có khán giả nào ở đây, nhưng dữ liệu vẫn ngồi đó, và nó vẫn đang chờ để được đọc. Và nếu nó được đọc bởi một người tin vào cái nhãn sai, nó sẽ sinh ra một phân tích sai. Người ta sẽ bắt đầu hỏi: liệu hai con trai của bà có phải là một dạng học viên của một học viện đào tạo đặc biệt không. Người ta sẽ bắt đầu so sánh cơ hội nghề nghiệp của họ với con đường của một cầu thủ trẻ được đôn lên đội một. Người ta sẽ bắt đầu dùng những mô hình kinh tế của bóng đá để phân tích một quan hệ gia đình. Và thế là một lỗi nhãn nhỏ biến thành một chuỗi sai lệch lớn. Tôi đã chứng kiến điều tương tự xảy ra trong ngành của chúng ta nhiều lần. Năm 2026, khi các giải đấu tạm hoãn rồi thi đấu trên sân không khán giả, tôi thu thập dữ liệu Ngoại hạng Anh từ 2026 đến 2026 và so sánh với chuỗi trận sau giãn cách. Kết quả cho thấy tỷ lệ thắng trên sân nhà giảm từ 46.2 phần trăm xuống 38.4 phần trăm, trong khi số bàn thắng trung bình mỗi trận tăng thêm 0.6. Tôi gửi một báo cáo dài bốn mươi trang cho một câu lạc bộ đang trụ hạng. Họ thuê tôi làm cố vấn phân tích tình huống cố định, thứ không phụ thuộc vào khán giả. Nhưng để làm được báo cáo đó, tôi đã phải dành hai tuần đầu tiên chỉ để làm một việc duy nhất: kiểm tra lại xem mỗi trận đấu trong tập dữ liệu của tôi có thực sự diễn ra trên sân không khán giả hay không. Có những trận được ghi là không khán giả nhưng thực tế vẫn có một lượng khán giả hạn chế theo quy định y tế. Có những trận được ghi là có khán giả nhưng số lượng quá nhỏ đến mức không thể coi là có tác động. Nếu tôi bỏ qua bước kiểm tra nhãn đó, toàn bộ mô hình của tôi sẽ sai. Và sai một cách rất khó phát hiện. Đó là lý do tôi nói rằng lỗi dán nhãn là lỗi nghiêm trọng nhất trong mọi lỗi dữ liệu. Nó không phải là lỗi ở tầng giá trị. Nó là lỗi ở tầng ý nghĩa. Bạn có thể sửa một con số sai bằng cách chạy lại mô hình. Nhưng bạn không thể sửa một ý nghĩa sai bằng bất kỳ thuật toán nào, bởi vì bản thân thuật toán đã bị đặt vào một bối cảnh không thuộc về nó. Đây là điểm mà tôi muốn dừng lại và phản biện chính mình một chút, bởi vì tôi biết người đọc có thể nói rằng: ừ, nhưng đây chỉ là một lỗi nhỏ, một bài viết bị xếp nhầm chuyên mục, có gì to tát đâu. Tôi trả lời thế này. Trong một mùa giải, mỗi câu lạc bộ ở một giải vô địch quốc gia hàng đầu chơi khoảng năm mươi trận trên mọi đấu trường. Mỗi trận có hàng nghìn điểm dữ liệu. Cộng lại, một câu lạc bộ có thể tạo ra hàng trăm nghìn điểm dữ liệu mỗi mùa. Nếu tỷ lệ lỗi nhãn chỉ là một phần trăm, chúng ta đang nói đến hàng nghìn điểm dữ liệu bị hiểu sai. Và trong một môi trường phân tích, một nghìn điểm dữ liệu bị hiểu sai không nằm rải rác một cách vô hại. Chúng tập trung thành cụm. Chúng kéo theo những điểm khác. Chúng làm lệch mô hình. Và khi mô hình bị lệch, người ra quyết định sẽ nhìn vào một bức tranh không tồn tại. Đó là cái giá thật của một lỗi nhãn tưởng như nhỏ. Nhưng tôi cũng phải công bằng. Không phải mọi lỗi dán nhãn đều đến từ sự cẩu thả. Một phần lớn đến từ bản chất của ngôn ngữ. Ngôn ngữ tự nhiên không có nhãn. Nhãn là thứ chúng ta áp lên ngôn ngữ. Và khi chúng ta áp một hệ thống nhãn lên một thứ trôi chảy, luôn có những vùng biên mờ. Một bài viết về thể thao có thể chứa một đoạn về kinh doanh. Một bài viết về kinh doanh có thể chứa một đoạn về thể thao. Ở đâu là ranh giới. Không có câu trả lời tuyệt đối. Chỉ có những quy tắc thực dụng, được thử nghiệm và điều chỉnh theo thời gian. Tôi không nhìn bảng giá, tôi nhìn vào chữ ký của dòng tiền. Câu đó thường dùng cho thị trường chuyển nhượng. Nhưng nó cũng đúng cho dòng dữ liệu. Đừng nhìn vào con số mà nhìn vào chữ ký của con số. Chữ ký của một con số bao gồm nguồn gốc, thời điểm, người tạo ra nó, cách nó được gán nhãn, và lý do nó tồn tại trong tập dữ liệu. Nếu chữ ký của một con số không khớp với nhãn mà nó được gán, bạn phải dừng lại. Đó là nguyên tắc đầu tiên mà tôi dạy cho bất kỳ cộng sự nào bước chân vào nghề phân tích dữ liệu thể thao. Quay trở lại với bài viết bị dán nhãn sai này. Điều tôi muốn nhấn mạnh, với tư cách một người làm dữ liệu, là chúng ta cần một tầng kiểm tra con người trong mọi đường ống tự động. Tôi biết điều đó nghe có vẻ mâu thuẫn với bản thân tôi, một người sống bằng dữ liệu và mô hình. Nhưng chính vì tôi sống bằng dữ liệu, tôi biết giới hạn của nó rõ hơn ai hết. Mô hình giỏi nhận diện mẫu. Mô hình kém ở việc nhận diện cái bất thường. Và cái bất thường, trong trường hợp này, là một bài viết về một gia đình nổi tiếng, với đầy đủ các yếu tố cảm xúc và quan hệ con người, nằm trong một tập dữ liệu được thiết kế để đo khoảng cách đội hình và tốc độ pressing. Một con người nhìn vào hai thứ đó và ngay lập tức thấy sự lệch pha. Một mô hình, nếu được huấn luyện đủ tốt, cũng có thể thấy, nhưng nó sẽ không biết phải làm gì tiếp theo. Nó sẽ không biết rằng sự lệch pha đó cần được đưa cho một biên tập viên, chứ không phải đẩy tiếp xuống tầng phân tích. Đó là khoảng trống mà chỉ con người mới bù đắp được. Có một điều thú vị mà tôi phát hiện khi đọc bản phân tích chín khung này. Người viết phân tích đã không hề nao núng. Họ đi qua từng khung một, ghi rõ không áp dụng ở mọi nơi cần ghi, và giữ kỷ luật đến cùng. Đó là một thái độ đúng. Trong nghề của chúng ta, có một cám dỗ lớn là khi không có dữ liệu, người ta bắt đầu bịa ra dữ liệu. Người ta viết những câu như thế trận chưa rõ ràng hoặc đội bóng đang có tinh thần tốt, những câu không có gì để kiểm chứng. Bản phân tích này đã không làm vậy. Nó thà để trống còn hơn tô vẽ. Và theo một nghĩa nào đó, chính sự trung thực đó đã biến một lỗi dán nhãn thành một bài học có giá trị. Tôi muốn dừng lại ở đây và nói về một chủ đề mà tôi cho là trọng tâm nhất trong giai đoạn này của năm. Chúng ta đang ở giữa mùa giải thường niên. Đây là thời điểm mà các đội bóng bắt đầu bộc lộ bản chất thật. Không còn những tháng đầu mùa đầy hào hứng và những lời hứa. Chỉ còn những con số. Những đội đang ganh đua ở nhóm đầu đã cho thấy họ có thể chịu được nhịp độ. Những đội đang vật lộn ở nhóm cuối đã cho thấy họ không thể. Và trong khoảng không gian giữa hai nhóm đó, có những đội đang âm thầm thay đổi. Những đội mà bảng xếp hạng không nói lên được điều gì. Trong ba trận gần nhất của một vài đội ở nhóm giữa, tôi để ý đến một chỉ số mà ít người theo dõi: số lần đội bóng giành lại bóng ở một phần ba cuối sân đối phương, so với số lần họ để mất bóng ở chính phần ba đó. Tỷ lệ này, khi nó thay đổi từ trên một xuống dưới một, thường báo trước một sự sụp đổ về kết quả trong vòng bốn đến sáu trận sau đó. Không phải vì nó là một chỉ số hoàn hảo. Mà vì nó phản ánh một thứ mà bảng xếp hạng che giấu: sự mất cân bằng giữa tham vọng và khả năng thực thi. Một đội đẩy nhiều người lên cao để giành lại bóng nhưng không đủ cấu trúc để giữ bóng sau khi giành được nó, sẽ sớm nhận lại hậu quả. Và khi hậu quả đến, nó thường đến dưới dạng những bàn thua từ những tình huống mà không ai nhớ rõ nó bắt đầu từ đâu. Tôi nói điều này không phải để dự đoán kết quả của bất kỳ đội nào. Tôi nói điều này để nhấn mạnh rằng mọi kết luận tốt đều phải bắt đầu từ một nhãn đúng. Nếu bạn dán nhãn sai cho dữ liệu của mình, bạn sẽ đọc sai xu hướng. Và nếu bạn đọc sai xu hướng, bạn sẽ đưa ra quyết định sai. Một huấn luyện viên tin rằng đội mình đang pressing tốt trong khi thực tế đội mình đang bị xuyên thủng ở tuyến giữa sẽ chọn sai phương án tập luyện. Một giám đốc thể thao tin rằng một cầu thủ đang có xG tốt trong khi thực tế cậu ta chỉ đang dứt điểm nhiều sẽ trả sai giá. Một ông chủ tin rằng đội mình đang phát triển trong khi thực tế đội mình đang tụt lại sẽ chậm trễ trong việc thay đổi. Tất cả những sai lầm đó đều bắt đầu từ một chữ nhãn. Trận đấu chỉ dài chín mươi phút, nhưng câu chuyện của nó dài hơn một mùa giải. Và câu chuyện của một con số dữ liệu cũng vậy. Nó bắt đầu từ khoảnh khắc nó được tạo ra, đi qua nhiều bàn tay, nhiều hệ thống, nhiều mục đích sử dụng khác nhau. Nếu ở bất kỳ điểm nào trên hành trình đó, ai đó gán cho nó một cái nhãn sai, thì toàn bộ câu chuyện phía sau sẽ trôi dạt. Và đến cuối cùng, khi bạn nhìn lại, bạn sẽ không còn biết con số đó thực sự muốn nói điều gì. Đó là lý do tôi giữ thói quen truy vết nguồn gốc mọi con số tôi dùng. Trước khi dùng bất kỳ thống kê nào, tôi ngược dòng về nơi nó được sinh ra. Tôi muốn biết nó được thu thập vào lúc nào, bởi ai, theo tiêu chí nào, và nó đã đi qua bao nhiêu lần đổi nhãn. Đây là một thói quen tốn thời gian. Nó khiến tôi chậm hơn những người chỉ cần mở bảng số ra và đọc. Nhưng nó cũng khiến tôi tránh được những sai lầm mà người khác mắc phải. Và trong nghề này, tránh được một sai lầm nghiêm trọng đáng giá hơn nhiều việc viết nhanh được một bản tin. Dữ liệu không bao giờ mệt mỏi, chỉ có người đọc nó mệt mà thôi. Câu đó tôi nói với các cộng sự mỗi khi họ chuẩn bị nộp báo cáo vào cuối ngày. Nhưng câu đó cũng đúng cho chính tôi. Sau hai mươi tám năm, tôi vẫn chưa hết mệt khi đọc dữ liệu. Chỉ có điều, sau hai mươi tám năm, tôi đã học được cách mệt một cách có ích. Tôi dành sự mệt mỏi của mình cho những con số quan trọng, và bỏ qua những con số chỉ để trang trí. Đó là cách tôi duy trì sự tỉnh táo của mình trong một ngành mà ai cũng muốn có câu trả lời nhanh. Quay lại với ca lâm sàng. Sau khi xác nhận lỗi dán nhãn, tôi làm ba việc. Thứ nhất, tôi sửa nhãn của bài viết. Thứ hai, tôi ghi lại sự kiện này vào một tệp nhật ký lỗi mà tôi duy trì trong suốt sự nghiệp, để sau này có thể truy vết. Thứ ba, tôi gửi một ghi chú ngắn cho đội ngũ vận hành đường ống dữ liệu, đề nghị họ xem lại quy trình gán nhãn cho các bài viết có chứa những cụm từ liên quan đến trợ lý và con trai, vì đó là nguồn gốc trực tiếp của lỗi. Đây không phải là một hành động lớn. Nhưng nó là một hành động có hệ thống. Và trong công việc dữ liệu, một hành động nhỏ có hệ thống tốt hơn một hành động lớn không được ghi lại. Tôi kể chuyện này không phải để chỉ trích ai. Tôi kể chuyện này bởi vì tôi muốn các bạn thấy rằng ngay cả những hệ thống tốt nhất cũng có ngày trượt chân. Và khi chúng trượt chân, cách chúng ta phản ứng quan trọng hơn bản thân lỗi. Nếu chúng ta sửa nhãn, khiêm tốn nhìn vào sai sót, và cải thiện quy trình, thì một lỗi nhãn nhỏ trở thành một khoản đầu tư vào độ tin cậy. Nếu chúng ta bỏ qua nó, coi nó là chuyện không đáng bận tâm, thì nó sẽ quay lại, ở một nơi khác, dưới một hình thức khác, và với sức công phá lớn hơn. Có một khía cạnh mà tôi muốn đào sâu thêm, bởi vì nó liên quan trực tiếp đến công việc hàng ngày của tôi và của bất kỳ ai đọc bài viết này với mục đích chuyên môn. Đó là vấn đề của những thực thể trùng tên. Một tên riêng có thể đồng thời là tên của một cầu thủ bóng đá và tên của một nhân vật trong lĩnh vực khác. Tên của một câu lạc bộ có thể trùng với tên của một công ty nằm ngoài ngành thể thao. Một chức danh có thể được dùng trong hai bối cảnh khác nhau với hai nghĩa khác nhau. Đây là nguồn gốc phổ biến nhất của lỗi gán nhãn thực thể, và nó đặc biệt nguy hiểm trong ngành của chúng ta, nơi mà một bài báo về một doanh nghiệp vận hành một câu lạc bộ có thể bị lẫn với một bài báo về chính câu lạc bộ đó. Tôi đã từng phân tích một thương vụ mà tôi phát hiện ra rằng hai bài viết được tổng hợp từ hai nguồn khác nhau đang mô tả cùng một sự kiện nhưng với hai con số phí chuyển nhượng hoàn toàn khác nhau. Một bài nói mười tám triệu euro. Một bài nói hai mươi ba triệu euro. Cả hai đều trích dẫn nguồn là một câu lạc bộ. Khi tôi truy vết, tôi phát hiện ra rằng một trong hai con số là phí cơ bản, còn con số kia là tổng phí bao gồm cả các khoản thanh toán theo thành tích. Cả hai bài đều đúng theo cách riêng của chúng. Nhưng nếu ai đó tổng hợp hai bài lại mà không gán nhãn cẩn thận, họ sẽ tạo ra một mức phí thứ ba, sai hoàn toàn, và đẩy nó vào một cơ sở dữ liệu mà sau này không ai có thể sửa được. Đó là lý do mà mỗi khi dùng một con số chuyển nhượng, tôi luôn nói rõ nó là phí cơ bản hay tổng phí. Tôi luôn ghi rõ nguồn và ngày công bố. Tôi luôn đặt nó trong bối cảnh của những con số chuyển nhượng khác trong cùng kỳ. Không có bước nào trong số đó là thừa. Mỗi bước đều là một lớp bảo vệ chống lại lỗi nhãn. Và trong một ngành mà thông tin di chuyển nhanh hơn tốc độ kiểm chứng, những lớp bảo vệ đó là thứ duy nhất giữ cho chúng ta không trôi dạt. Tôi muốn kết thúc phần phân tích này bằng một suy nghĩ về bản chất của xác suất. Mỗi con số chúng ta đưa ra đều kèm theo một mức độ bất định. Đó là điều tự nhiên và không thể tránh khỏi. Nhưng có một loại bất định mà chúng ta có thể kiểm soát: bất định về ý nghĩa. Con số này có nghĩa gì. Nó thuộc về đâu. Nó nói về cái gì. Nếu chúng ta kiểm soát tốt loại bất định đó, thì những loại bất định khác trở nên dễ chấp nhận hơn. Chúng ta có thể nói rằng mô hình của chúng ta có độ chính xác bảy mươi phần trăm trong việc dự đoán kết quả, chứ không phải rằng chúng ta không biết mình đang dự đoán cái gì. Với bài viết bị dán nhãn sai này, chúng ta đã có một cơ hội để nhìn lại quy trình của mình. Một bài viết về một gia đình nổi tiếng không thuộc về một bảng dữ liệu bóng đá. Việc xác nhận điều đó không phải là thất bại. Đó là thành công của quy trình kiểm tra. Và trong một ngành mà chúng ta thường quá bận rộn với những trận đấu tiếp theo để nhìn lại những sai sót đã qua, thì việc dành thời gian để sửa một cái nhãn là một hành động đáng được ghi nhận. Khi xác suất sụp đổ, thứ còn lại là bản chất của trận đấu. Nhưng khi nhãn sụp đổ, thứ còn lại là sự thật về dữ liệu của bạn. Và sự thật đó, dù nhỏ đến đâu, vẫn đáng để được ghi lại một cách trung thực. Tôi sẽ theo dõi xem liệu những lỗi dán nhãn tương tự có xuất hiện trong các đường ống dữ liệu khác trong mùa giải này hay không. Bởi vì tôi tin rằng trong những tháng tới, khi cuộc đua vô địch và cuộc chiến trụ hạng bước vào giai đoạn căng thẳng, áp lực về tốc độ sẽ khiến các quy trình tự động trượt chân nhiều hơn. Và điều cần làm, vào lúc đó, là đứng lại một giây để hỏi một câu đơn giản: con số này có thực sự thuộc về nơi tôi đang đặt nó hay không.