Ô trống trong đường ống dữ liệu: kỷ luật im lặng của nhà phân tích thể thao

Ô trống trong đường ống dữ liệu: kỷ luật im lặng của nhà phân tích thể thao

21 giờ 40, thứ Ba. Tôi mở file tổng hợp trước trận trên chiếc laptop đặt cạnh cửa sổ căn hộ ở Chicago. Cột "tỷ lệ thắng điểm trả giao bóng" trống. Cột "tỷ lệ chuyển hóa break point" trống. Cột "tỷ lệ thắng điểm giao bóng hai" cũng trống. Mười bảy dòng, bốn mươi hai cột, và không một ô nào có số. Điều khiến tôi dừng lại không nằm ở sự trống rỗng, mà nằm ở dòng trạng thái trên đỉnh đường ống dữ liệu, nơi vẫn ghi hai chữ "thành công".

Hệ thống không báo lỗi. Nó chỉ không trả về gì cả. Trong khoảnh khắc ấy, tôi nhận ra có một phiên bản khác của mình — phiên bản của bảy năm trước — sẽ lập tức tìm cách lấp đầy các ô trống bằng trung bình giải đấu, chạy mô hình, rồi in ra một tờ nhận định trông rất chuyên nghiệp trước khi trận đấu bắt đầu.

Tối hôm đó tôi không làm vậy. Nhưng bài học đáng nói không nằm ở việc tôi đã dừng lại. Nó nằm ở chỗ tôi mất gần một thập kỷ để nhận ra rằng đường ống dữ liệu không bao giờ sụp đổ ồn ào.

Ba tầng, ba cách nói dối

Trong nghề phân tích thể thao, mọi thứ vận hành theo một đường ống ba tầng. Tầng một thu thập: điểm số, thống kê trận đấu, biên bản họp báo, thông cáo câu lạc bộ, dữ liệu theo từng điểm từ nhà cung cấp. Tầng hai bóc tách: từ một khối văn bản và bảng biểu thô, rút ra đâu là dữ kiện, đâu là ý kiến, đâu là tuyên bố chưa kiểm chứng. Tầng ba mô hình hóa: biến dữ kiện thành xác suất, thành định giá, thành nhận định.

Ô trống có thể xuất hiện ở bất kỳ tầng nào, và mỗi tầng có một cách nói dối riêng.

Ở tầng thu thập, dữ liệu rỗng thường đến từ những chỗ rất đời thường. Một trang thống kê chính thức trả về bảng trắng vì trận đấu vừa kết thúc vài phút. Một nguồn cấp điểm-theo-điểm mất kết nối ở game thứ tư của set hai. Một thông cáo câu lạc bộ bị gỡ xuống rồi đăng lại với nội dung đã sửa. Không có tiếng báo động nào cả; chỉ có một cột trắng.

Với quần vợt, vấn đề này có hình dạng riêng. Môn này không có xG. Không có quyền kiểm soát bóng, không có số pha bóng, không có chuỗi phối hợp. Đơn vị phân tích là điểm — và một trận best-of-three kéo dài hai tiếng rưỡi chỉ chứa khoảng một trăm năm mươi đến hai trăm điểm, trong khi một trận bóng đá chứa hàng nghìn đường chuyền. Ở cấp độ điểm, lượng mẫu khá dồi dào. Ở cấp độ trận, một break point duy nhất có thể định đoạt tất cả.

Ngôn ngữ dữ liệu của quần vợt cũng hẹp hơn nhiều so với người ngoài tưởng: tỷ lệ giao bóng vào sân, tỷ lệ thắng điểm giao bóng một, tỷ lệ thắng điểm giao bóng hai, tỷ lệ thắng điểm trả giao bóng, tỷ lệ chuyển hóa break point, độ dài loạt bóng, và tỷ số winner so với lỗi tự đánh hỏng. Muốn đi sâu hơn — bóng giao rồi cú đánh đầu tiên, bóng trả rồi cú đánh đầu tiên, mô hình phân bố điểm rơi — thì cần dữ liệu ở cấp độ cú đánh. Lớp dữ liệu ấy chỉ tồn tại ở một phần nhỏ số trận trên hệ thống chính, chủ yếu nhờ đội ngũ biên tập thủ công của các dự án dữ liệu mở và hệ thống theo dõi bóng điện tử ở các giải lớn.

Nói cách khác: trong quần vợt, khoảng trống dữ liệu là một đặc điểm cấu trúc, không do sự cố tạo ra. Ở các giải Challenger và ITF, phần lớn trận đấu không có lớp dữ liệu cấp độ cú đánh nào cả. Một nhà phân tích làm việc ở đó buộc phải chấp nhận rằng mình đang đọc một trận đấu qua một khung cửa rất hẹp.

Và đây là chỗ tầng thứ ba bắt đầu nói dối.

Ba lần dữ liệu đúng nhưng câu hỏi sai

Mùa thu 2026, tôi còn là sinh viên năm cuối ngành thống kê ở Đại học Chicago, viết blog về MLS bằng dữ liệu của StatsBomb. Đối tượng tôi theo dõi là Atlanta United, đội bóng mới của giải. Truyền thông Mỹ khi đó dự đoán đội mở rộng này sẽ vật lộn. Bảng dữ liệu của tôi kể chuyện khác: chỉ số bàn thắng kỳ vọng của Atlanta sau ba mươi bốn vòng đạt 71,2 — cao thứ ba toàn giải — với trung bình 14,8 cú sút mỗi trận, được tạo ra bởi hệ thống pressing tầm cao của Tata Martino. Josef Martínez ghi 19 bàn trong 20 lần ra sân ở vòng đấu chính, còn Miguel Almirón là đầu tàu của chuỗi luân chuyển bóng. Tôi công bố dự đoán đội sẽ ghi trên sáu mươi bàn. Họ ghi đúng bảy mươi, một kỷ lục cho đội bóng mở rộng ở MLS, giành vé playoff với vị trí thứ tư miền Đông.

Cần nói rõ điều mà rất nhiều người đọc kết quả ấy rồi rút ra sai: xG của Atlanta năm 2026 không mở ra một kỷ nguyên. Nó chỉ xác nhận rằng kỷ nguyên ấy đã bắt đầu từ trước, và tôi là người đến sau để ghi lại. Giá trị thật của câu chuyện nằm ở chỗ khác — ở việc tôi may mắn có một đường ống dữ liệu sạch. StatsBomb cung cấp lớp dữ liệu cấp độ cú sút cho MLS khi đó khá đầy đủ. Tôi không phải đối mặt với ô trống nào. Chính vì thế, tôi đã học được một bài học sai lệch: tôi tưởng rằng dữ liệu luôn có sẵn.

Một năm sau, ở World Cup 2026, đường ống sạch ấy vẫn còn nguyên — nhưng tôi đã hỏi nhầm câu hỏi. Tôi áp mô hình Poisson từ MLS vào giải đấu lớn nhất hành tinh. Tuyển Đức có hiệu số xG dương 2,3 mỗi trận ở vòng loại, nên mô hình của tôi cho họ 82% khả năng vượt qua vòng bảng. Trận cuối gặp Hàn Quốc, Đức cầm bóng 74%, tung ra hai mươi ba cú sút, và tổng xG của cả trận chỉ là 1,4. Họ thua 0-2, bị loại với vị trí cuối bảng F. Hai mươi ba cú sút mà tổng chất lượng cơ hội thấp đến vậy là hình ảnh của một hàng công bắn từ ngoài vòng cấm, bởi không còn cách nào xuyên qua khối phòng ngự đã bốc hơi hoàn toàn vào khu vực cấm địa. Người ghi bàn ấn định tỷ số phía Hàn Quốc là Son Heung-min, trong khi Manuel Neuer buộc phải dâng lên tận nửa sân đối phương.

Đức 2026 dạy tôi rằng hỏi đúng câu hỏi khó hơn tìm đúng dữ liệu. Tôi đã dùng trung bình của vòng loại — nơi đối thủ yếu hơn và khoảng nghỉ giữa các trận dài hơn — để dự đoán biến động của một giải đấu ngắn ngày, nơi thể lực và tâm lý thay đổi theo từng buổi tập. Dữ liệu không nói dối. Nó chỉ trả lời một câu hỏi khác với câu hỏi tôi tưởng mình đang hỏi.

Ba năm sau, đến lượt đường ống mất đi một biến số mà không ai kịp thông báo.

Tháng 5 năm 2026, Bundesliga trở lại sau đại dịch, và tôi đang làm việc cho một công ty phân tích cá cược ở Chicago. Toàn bộ mô hình của chúng tôi xây trên lợi thế sân nhà — một biến số tích lũy qua hàng thập kỷ, ổn định đến mức không ai nghĩ đến việc kiểm tra lại nó. Rồi sân vận động trống không. Khán đài không còn người, tiếng hát không còn, áp lực từ khán giả lên trọng tài không còn. Biến số trung tâm của mô hình biến mất trong một buổi tối.

Tôi lục lại dữ liệu ba mùa giải gần nhất để tìm tiền lệ. Không có. Trong lịch sử bóng đá hiện đại chưa từng có giai đoạn nào mà mọi trận đấu đều diễn ra trước sân rỗng trong nhiều tuần liền. Đây là một ô trống thật sự — không do lỗi thu thập, mà do chính thực tại tạo ra.

Cách xử lý hóa ra lại đơn giản đến mức khó tin. Tôi bỏ hẳn biến sân nhà khỏi phương trình, giữ nguyên các biến phong độ và kết quả gần nhất, và chấp nhận rằng mô hình mới sẽ kém chính xác hơn ở những thứ nó từng rất giỏi. Trong hai mươi lăm trận đầu tiên, mô hình dự đoán đúng mười chín trận, tương đương 76%. Cách làm cũ của đồng nghiệp đạt mười hai trận. Khác biệt không nằm ở thuật toán. Nó nằm ở việc chúng tôi chấp nhận mất một biến số thay vì bịa ra một giá trị thay thế cho nó.

Ghép ba câu chuyện lại, tôi thấy một mẫu hình mà phải đến khi làm nghề đủ lâu tôi mới nhìn ra. Tai nạn lớn nhất trong phân tích thể thao không đến từ ô trống. Nó đến từ ô trống đã bị lấp.

Ô trống đã bị lấp — sai lầm không để lại dấu vết

Ngành dữ liệu gọi thao tác lấp ô trống là imputation: điền giá trị thiếu bằng một con số hợp lý, thường là trung bình của giải, trung bình của tay vợt, hoặc giá trị của lần đo gần nhất. Về mặt kỹ thuật, thao tác này giúp mô hình chạy được. Về mặt nhận thức, nó tạo ra một giá trị mới hoàn toàn, không có thật, nhưng mang hình dáng của dữ liệu. Giá trị ấy sẽ đi thẳng vào kết luận cuối cùng mà không một ai kiểm tra lại nguồn gốc, bởi nó trông chẳng khác gì những ô bên cạnh.

Trong quần vợt, dạng sai lầm này có một biến thể rất riêng. Tỷ lệ thắng điểm giao bóng là chỉ số tay vợt kiểm soát tốt nhất, bởi cú giao bóng là cú đánh duy nhất mà tay vợt hoàn toàn tự quyết. Tỷ lệ thắng điểm trả giao bóng thì ngược lại: nó phụ thuộc vào đối thủ đứng bên kia lưới. Khi dữ liệu trả giao bóng của một tay vợt bị thiếu — chuyện xảy ra thường xuyên ở các giải nhỏ, nơi không có hệ thống theo dõi bóng — và ta lấp nó bằng trung bình toàn hệ thống, ta đã vô tình gán cho tay vợt ấy một năng lực mà người ta chưa từng thể hiện. Mô hình sau đó sẽ đánh giá thấp một tay vợt giao bóng cực mạnh nhưng trả giao bóng trung bình, và đánh giá cao một tay vợt có chỉ số trả giao bóng đẹp chỉ vì chưa từng gặp ai giao bóng đủ nặng.

Đó là lý do tôi không bao giờ đọc một bảng thống kê quần vợt mà không hỏi ba câu, theo đúng thứ tự: dữ liệu này đến từ đâu, có bao nhiêu trận trong mẫu, và bao nhiêu phần trăm số ô trong bảng là số thật.

Kỳ chuyển nhượng là nơi dạng sai lầm này đạt mức độ công nghiệp. Trong thị trường chuyển nhượng, ô trống hiếm khi mang hình dáng trống rỗng. Nó mang hình dáng một dòng đăng ngắn. Một người đại diện gọi cho một nhà báo. Một tài khoản tổng hợp lại thông tin ấy bằng một câu không nêu nguồn. Một tài khoản khác trích dẫn lại tài khoản thứ nhất. Đến vòng thứ ba, thông tin đã đủ trọng lượng để các mô hình định giá ghi nhận nó như một tín hiệu.

Điều đáng chú ý về mặt kỹ thuật: phần lớn giá trị trong các thương vụ lớn không nằm ở phí chuyển nhượng được công bố, mà nằm ở cấu trúc điều khoản giải phóng hợp đồng, tỷ lệ chia doanh thu bán áo, các khoản trả thêm theo thành tích, và quỹ lương sau khi cộng thuế. Số liệu ấy hầu như không bao giờ xuất hiện trên tiêu đề. Chúng là những ô trống cấu trúc của thị trường — và vì trống, người ta thay thế bằng phí chuyển nhượng, một giá trị duy nhất, dễ hiểu, và sai lệch.

Góc nhìn ngược: đầy đủ không phải là an toàn

Ở điểm này, phản xạ tự nhiên của bất kỳ nhà phân tích nghiêm túc nào là đi tìm dữ liệu đầy đủ hơn. Thuê thêm nguồn. Cào thêm dữ liệu. Xây thêm đường ống dự phòng. Kiểm chứng cho đến khi không còn ô trống nào.

Tôi đã đi theo con đường đó trong nhiều năm, và tôi cho rằng nó là một cái bẫy được ngụy trang thành đạo đức nghề nghiệp.

Nỗi ám ảnh về sự đầy đủ không tạo ra phân tích tốt hơn. Nó tạo ra sự chậm trễ, và tệ hơn, nó tạo ra một thứ nguy hiểm hơn cả sự chậm trễ: cảm giác rằng mọi ô đều đã có số, nên mọi kết luận đều đã an toàn. Một bảng dữ liệu đầy ắp mang lại sự tự tin mà bản thân nó không hề chứng minh được. Cả ba câu chuyện phía trên đều cho thấy điều này: Atlanta 2026 có đường ống sạch và tôi suýt học sai bài học từ chính sự sạch sẽ ấy; Đức 2026 có dữ liệu vòng loại đầy đủ và sự đầy đủ chính là vấn đề. Dựa trên kinh nghiệm theo dõi các trận đấu của tôi, một bảng thống kê trông đầy đủ chưa bao giờ là bằng chứng cho việc nó thật sự đầy đủ.

Góc nhìn ngược lại mà tôi muốn đặt lên bàn là thế này: một ô trống trung thực có giá trị cao hơn một ô đầy dối trá. Và "không đủ thông tin để kết luận" là một kết quả chuyên môn hợp lệ, có nguồn, có phương pháp, chứ không phải một lời thú nhận yếu kém.

Tôi biết điều này nghe không hấp dẫn. Khách hàng không trả tiền để đọc hai chữ "tôi không biết". Nhưng hãy xét nó ở tầng kinh tế. Một sai lệch tự tin trong định giá sẽ đi thẳng vào một tờ phiếu, và nó sẽ im lặng cho đến khi tiền đã mất. Một kết luận trống thì hiển nhiên, tức thời, và có thể sửa ngay trong ngày. Chi phí của việc thừa nhận trống luôn thấp hơn chi phí của việc che đậy trống.

Có một cái bẫy thứ hai nằm phía sau cái bẫy thứ nhất, và nó tinh vi hơn nhiều: dùng đúng quy trình cho một câu hỏi vô nghĩa. Một đường ống dữ liệu chạy hoàn hảo trên đầu vào rỗng sẽ trả về một báo cáo hoàn hảo về việc không có gì. Tôi đã từng xây những hệ thống như vậy, tinh chỉnh chúng hàng tuần, và tự hào về chúng. Chúng hoàn toàn không có lỗi. Chúng cũng hoàn toàn vô dụng, bởi chưa bao giờ có ai kiểm tra xem câu hỏi ở đầu vào có thật sự tồn tại hay không.

Trong quần vợt, dạng thất bại này nguy hiểm hơn ở bóng đá, vì môn này có xu hướng sùng bái chỉ số giao bóng. Tỷ lệ thắng điểm giao bóng một tương quan mạnh với tỷ lệ thắng trận ở cấp độ toàn mùa, điều đó đúng và tôi không tranh cãi. Nhưng tương quan ở cấp độ mùa giải và nhân quả ở cấp độ một trận đấu là hai câu hỏi khác nhau. Trong một trận duy nhất trước một đối thủ trả giao bóng đặc biệt giỏi, việc giao bóng tốt hơn không tự động dẫn đến thắng nhiều hơn; đôi khi nó chỉ có nghĩa là các loạt bóng ngắn hơn và ít cơ hội hơn để đối thủ vào guồng. Đó là câu hỏi về nhân quả, và một bảng thống kê tổng hợp sẽ không phân biệt giúp ai cả.

Nên thay vì ép mọi ô phải có số, tôi đặt một ngưỡng kiểm chứng cố định cho mỗi bài. Với một trận ở cấp Grand Slam, nơi dữ liệu cấp độ cú đánh khá đầy đủ, tôi cho phép mình kết luận về mô hình phân bố điểm rơi. Với một trận Challenger chỉ có bảng tổng hợp điểm, tôi giới hạn kết luận ở mức giao bóng và trả giao bóng, rồi ghi rõ giới hạn ấy trong bài. Với một thị trường chuyển nhượng chỉ có tin đồn, tôi không đưa ra con số định giá nào.

Đường ống dữ liệu hiếm khi sụp đổ ồn ào. Nó sụp đổ bằng một giá trị trông rất hợp lý. Và cách duy nhất tôi biết để phát hiện ra là chủ động đi tìm những ô trống trước khi chúng bị lấp.

Tín hiệu của vòng tiếp theo

Ở giai đoạn này của kỳ chuyển nhượng, tín hiệu tôi theo dõi không phải những thương vụ ồn ào nhất. Tôi theo dõi cấu trúc điều khoản giải phóng và quỹ lương ròng của các câu lạc bộ ở nhóm giữa bảng, nơi một khoản trả thêm theo thành tích có thể thay đổi toàn bộ kế hoạch chi tiêu của ba mùa giải tiếp theo. Tôi theo dõi những câu lạc bộ bỗng nhiên ngừng phát ngôn. Im lặng, trong nghề của tôi, là một kết luận có nguồn.

Với quần vợt, tín hiệu của vòng tiếp theo nằm ở chỗ khác: khi một giải đấu nâng cấp hệ thống theo dõi bóng, số ô trống trong bảng dữ liệu sẽ giảm đột ngột, và đúng lúc đó khả năng phân tích của chúng ta bị đánh giá lại từ đầu. Một nguồn dữ liệu mới không làm cho kết luận cũ trở nên đúng. Nó chỉ làm cho những kết luận cũ trở nên có thể kiểm chứng, và phần lớn chúng sẽ không chịu nổi lần kiểm chứng đầu tiên.

Còn tối thứ Ba ấy, sau khi đóng file dữ liệu trống và viết vào sổ tay một dòng ngắn, tôi để nguyên các ô trắng rồi đi ngủ. Sáng hôm sau nguồn cấp dữ liệu hoạt động trở lại. Nếu tôi đã lấp các ô trống bằng trung bình giải đấu đêm hôm trước, tờ nhận định của tôi sẽ trông hoàn thiện hơn, tự tin hơn, và chứa một sai lệch mà tôi sẽ không bao giờ truy lại được nguồn gốc. Trong nghề này, người ta chỉ thực sự mất tiền vì những sai lệch mà mình không còn nhớ là mình đã tạo ra.

---

Nguồn dữ liệu và ghi chú minh bạch

• StatsBomb: chỉ số bàn thắng kỳ vọng của Atlanta United mùa MLS 2026, sau 34 vòng đấu.
• Dữ liệu vòng loại và vòng bảng World Cup 2026, bảng F, trận Đức – Hàn Quốc.
• Dữ liệu Bundesliga mùa 2026-2026, giai đoạn thi đấu trở lại tháng 5 năm 2026.
• Các dự án dữ liệu quần vợt mở và hệ thống theo dõi bóng điện tử tại các giải thuộc hệ thống chính.
• Giới hạn của bài: các con số nêu trên là dữ liệu đã công bố ở cấp mùa giải và cấp trận; không có mô hình nào trong bài sử dụng dữ liệu chưa được kiểm chứng.