Bảng dữ liệu trống: khi phòng phân tích tự lừa mình bằng một tệp rỗng

Ba giờ sáng ở Thâm Quyến, tôi mở tệp đầu ra của khâu trích xuất và nhận về đúng một dòng: hàng tiêu đề. Hai mươi bốn cột. Không tên giải, không tên đội, không mốc thời gian, không một ô giá trị. Một bảng trống vẫn giữ nguyên hình dạng của một bảng đầy, và chính điều đó khiến nó khó bị phát hiện hơn bất kỳ lỗi định dạng nào.

Tôi mất bốn mươi phút mới dám kết luận lỗi nằm ở khâu trích xuất chứ không nằm ở nguồn. Rồi tôi nhận ra thứ đáng lo hơn nhiều: nếu đêm đó tôi đi ngủ sớm, tệp rỗng này sẽ trôi xuống khâu sau, được đóng gói thành một báo cáo có mục lục, có bảng biểu, có phần kết luận, có cảnh báo rủi ro. Không ai trong chuỗi vận hành dừng lại, vì một tệp rỗng trông vẫn rất giống một tệp đã hoàn thành.

"Trái bóng ngừng lăn, nhưng dòng số vẫn chảy về phía trước." Dòng số chảy về phía trước kể cả khi nó rỗng. Trong phòng phân tích, một dòng số rỗng gây hại nhiều hơn một dòng số sai, bởi dòng số sai sẽ bị bắt lỗi, còn dòng số rỗng chỉ đơn giản là im lặng.

Tôi làm nghề phân tích cá cược thể thao, xuất thân từ vai trò vận động viên esports rồi tổ chức giải đấu, sau đó chuyển sang truyền thông và dữ liệu. Mười ba năm quan sát ngành đủ để tôi thấy một quy luật: phần lớn sai lầm của giới phân tích đến từ khâu đầu vào, chứ không đến từ mô hình.

Quy trình tôi dùng chia làm hai tầng. Tầng một bóc tách tài liệu nguồn: sự kiện nào, thực thể nào, mốc thời gian nào, nguồn nào. Tầng hai mới phân tích chuyên sâu theo chín chiều, gồm phiên bản vá game, thể thức giải, đội hình và cầu thủ, bản đồ khu vực, tài chính câu lạc bộ, luật và quản trị, hồ sơ rủi ro, câu chuyện công chúng, và chuỗi truyền dẫn của ngành.

Nguyên tắc cứng của tầng hai: mỗi chiều phải neo vào ít nhất một điểm thông tin có thật. Thiếu bằng chứng thì ghi thẳng "không đủ thông tin để đánh giá", tuyệt đối không suy diễn lấp chỗ trống. Nguyên tắc này nghe hiển nhiên, nhưng nó chỉ có giá trị nếu tầng một thực sự chạy. Đêm đó, tầng một trả về rỗng, và tầng hai lập tức mất toàn bộ chân đế.

Sáu trên chín chiều bị chặn hoàn toàn. Chiều thứ bảy, hồ sơ rủi ro, vẫn chạy được nhưng chỉ ở tầng thủ tục: rủi ro lớn nhất trong tài liệu đó là việc nó có thể bị đọc như một bản đánh giá thật. Không đội nào, cầu thủ nào, giải đấu nào được nhắc tên, nên mọi kết luận về họ đều là bịa đặt.

Điều khiến tôi bình tĩnh xử lý sự cố này là tôi đã từng ở phía bên kia của nó.

Đêm World Cup 2026, tôi nhìn quả bóng bằng một đôi mắt khác. Hồi đó tôi hai mươi tuổi, thực tập ở một trang phân tích chiến thuật nhỏ tại Thâm Quyến. Trận Pháp gặp Argentina ở vòng một phần tám, tôi tự tay tính chỉ số xG cho mười hai cú dứt điểm của Pháp, và phát hiện Kylian Mbappe tạo ra 1,8 xG chỉ từ bốn pha chạy chỗ sau lưng hàng thủ. Tôi viết bài cùng bảng số tự dựng, bị sếp chê nhàm. Một tuần sau, một nhà phân tích cá cược chia sẻ lại. Từ đó tôi rút ra nguyên tắc nghề: dữ liệu tự tay tính có sức thuyết phục cao hơn dữ liệu đi vay, kể cả khi nó thô hơn.

Mùa hè 2026, bóng đá dừng quay ba tháng. Tôi hai mươi ba tuổi, làm nhân viên phân tích dữ liệu cho một công ty cá cược. Trong chín mươi ngày không có trận nào, tôi dựng bộ dữ liệu về tốc độ suy giảm phong độ theo tuổi, dựa trên 3.200 cầu thủ giai đoạn 2026 đến 2026. Kết quả: cầu thủ chạy cánh mất trung bình 12% quãng đường chạy sau tuổi hai mươi chín. Khi giải đấu trở lại, mô hình đó giúp tôi dự đoán đúng rằng Willian, khi ấy ba mươi hai tuổi, không thể đáp ứng cường độ của Premier League. "Từ mùa hè tĩnh lặng, tôi học nghe bóng đá bằng con số."

Euro 2026 là lần đầu tôi công khai đi ngược đám đông. Vòng một phần tám, Ý gặp Áo. Cửa trên thuộc về Ý, dòng tiền đổ về Ý. Nhưng chỉ số PPDA của Áo chỉ 7,8, nghĩa là pressing cực dữ dội, trong khi tỷ lệ chuyền thành công vào một phần ba cuối sân của Ý chỉ 21%. Tôi khuyến nghị cửa Áo chấp một trái và Xỉu 2,5. Trận đấu kết thúc 2-1 cho Ý sau hiệp phụ, Áo cầm bóng 48% trước một đội bóng lớn. Tôi thắng kèo chấp. "Đám đông ngủ quên trong cảm xúc; tôi thức cùng bảng số."

Bài học lớn nhất đến từ Qatar, tháng 11 năm 2026. Tôi hai mươi lăm tuổi, quản lý nhóm phân tích bốn người. Ả Rập Xê Út thắng Argentina 2-1, với bàn quyết định của Salem Al-Dawsari, trong trận mà gần như không mô hình nào trên thế giới dự đoán đúng. Tôi xem lại toàn bộ 2.100 pha chạy của Ả Rập Xê Út trong ba trận giao hữu tiền giải. Họ đá rất thấp, gần như giấu hoàn toàn sơ đồ. Ở World Cup, họ đẩy đội hình cao bất thường và khiến Argentina bị bẫy việt vị mười lần chỉ trong hiệp một. Sai lầm của chúng tôi nằm ở chỗ lấy trận giao hữu làm chuẩn. Dữ liệu không nói dối, nhưng đối thủ có thể chủ động tạo ra dữ liệu nói dối, và người đọc dữ liệu phải chịu trách nhiệm về việc đó. Tôi dựng lại quy trình lọc nhiễu ngay hôm sau: loại bỏ mọi trận giao hữu có mật độ chạy chỗ thấp hơn 25% so với trung bình.

Quay lại tệp rỗng ở Thâm Quyến. Cái tôi phải sửa không nằm ở tầng phân tích. Nó nằm ở chỗ tầng một được thiết kế để trả về kết quả, chứ không phải để trả về câu hỏi. Khi đầu vào rỗng, hệ thống vẫn sinh ra đủ chín chiều với đầy đủ tiêu đề, bảng biểu và ô ghi chú, tất cả đều mang giá trị "không đủ thông tin". Về mặt hình thức, tài liệu hoàn chỉnh. Về mặt nội dung, thứ duy nhất đáng tin là số không nằm trong các ô dữ liệu.

Phản xạ tự nhiên của số đông là đọc một ô trống thành một sự an toàn. Không có tín hiệu nợ lương, vậy câu lạc bộ chắc khỏe. Không có tín hiệu vi phạm, vậy đội chắc sạch. Không có tin chấn thương, vậy đội hình chắc đủ người.

Logic đó sai ở gốc. Một ô trống chỉ nói lên rằng không có thực thể nào nằm trong phạm vi quan sát, chứ không nói rằng rủi ro không tồn tại. Khi danh sách thực thể rỗng, mọi kết luận rủi ro đều vô nghĩa theo cả hai hướng: không thể xác nhận, cũng không thể phủ nhận. Tôi gọi đây là cái bẫy im lặng, và nó là lý do mọi báo cáo rời phòng của tôi bắt buộc phải có một dòng ghi rõ phạm vi quan sát.

Có một điểm tôi cố tình không áp thẳng từ mô hình Trung Quốc sang thị trường Việt Nam. Ở đây, hạ tầng dữ liệu giải đấu mỏng hơn, số trận một mùa ít hơn, nên mọi ngưỡng lọc nhiễu đều phải hiệu chỉnh lại. Ngưỡng 25% tôi dùng cho vòng loại World Cup không thể bê nguyên vào một giải quốc nội chỉ có vài trận giao hữu chất lượng thấp. Sao chép ngưỡng là cách nhanh nhất để tạo ra một mô hình đẹp và vô dụng.

"Tôi không tin vào bàn tay định mệnh, tôi tin vào đường cong dữ liệu." Nhưng đường cong chỉ vẽ được khi có điểm. Vòng tới, tôi sẽ theo dõi một tín hiệu duy nhất: tỷ lệ tệp rỗng trên tổng số tệp trong mỗi đợt xử lý. Nếu tỷ lệ đó vượt hai trên mười, vấn đề nằm ở đường ống chứ không nằm ở nguồn bài, và việc cần làm là dừng xuất bản, chứ không phải viết thêm luận điểm.

Giả định có thể sai của bài này: nếu tài liệu gốc vẫn còn truy xuất được, việc chạy lại khâu trích xuất với yêu cầu bắt buộc lấy ra tên giải, tên đội, tên người và mốc thời gian sẽ phục hồi phần lớn cấu trúc đã mất. Khi đó, tài liệu kia nên bị coi là một nút chạy lại, chứ không phải một bản phân tích để trích dẫn.