Nhãn bóng đá trên một bài phỏng vấn thời trang: biên bản kiểm định một lỗi đường ống dữ liệu

Đêm 12 tháng 2 năm 2026, tôi mở một bản ghi trong đường ống dữ liệu của mình. Nhãn phân loại: bóng đá. Mười lăm điểm thông tin, đánh số gọn gàng từ một đến mười lăm, cấu trúc đầy đủ như mọi bản ghi khác trong ngày.

Tôi đếm. Câu lạc bộ: không. Cầu thủ: không. Huấn luyện viên: không. Giải đấu, vòng đấu, bản hợp đồng, phí chuyển nhượng, xG, PPDA, bảng xếp hạng: đều không. Thứ nằm trong tay tôi là một cuộc phỏng vấn tạp chí với một cựu siêu mẫu 60 tuổi, kể về quyết định chụp hình cho một tạp chí nam giới cách đây vài thập kỷ, về cô con gái cũng theo nghề mẫu, và về việc bà đang định nghĩa lại quan hệ vợ chồng sau khi con rời nhà.

Tỷ lệ nội dung bóng đá trong một bản ghi mang nhãn bóng đá: 0 trên 15.

Loại lỗi này không ai đăng lên mạng xã hội. Nó không tạo ra một bàn thắng sai, không làm lệch một bảng xếp hạng, không khiến ai mất tiền. Nó nằm im trong đường ống, chờ được cộng vào một chỉ số tổng hợp, chờ được nạp vào một mô hình đang cố ước lượng điều gì đó về bóng đá Việt Nam.

Tôi ngồi lại đến ba giờ sáng để viết biên bản. Bài phỏng vấn kia không có gì sai. Nó sai ở một chỗ khác: nó được đặt vào một ngăn không thuộc về nó.

Đường ống không tự biết mình sai

Mỗi ngày, các hệ thống tổng hợp nội dung thể thao ở Việt Nam nuốt vào hàng nghìn bài viết. Mỗi bài đi qua một bộ phân loại và nhận một nhãn: V.League 1, chuyển nhượng, đội tuyển quốc gia, bóng đá quốc tế, hoặc một ngăn không liên quan. Nhãn quyết định bài đó đi đâu — vào bảng tin, vào luồng dữ liệu huấn luyện mô hình, vào bảng theo dõi thị trường chuyển nhượng, hay vào thùng rác.

Trong bảy năm làm việc với dữ liệu bóng đá, tôi học được một điều mà không trường lớp nào dạy: sai số ở tầng nhập liệu có tính nhân, không phải tính cộng. Một bài sai lọt vào tập 500 bài cho ra tỷ lệ nhiễu 0,2 phần trăm, nghe vô hại. Nhưng nếu tỷ lệ đó duy trì ở mức hai phần trăm, thì cứ mỗi 50 bài lại có một bài mang nhãn sai. Với một hệ thống xử lý 200 bài mỗi ngày, đó là bốn bài nhiễm độc mỗi ngày, 120 bài mỗi tháng, gần 1.500 bài mỗi năm.

Tôi có một ví dụ cá nhân về việc tầng nhập liệu quyết định kết luận. Năm 2026, khi V.League thi đấu trên sân không khán giả, tôi phân tích 156 trận và tìm ra tỷ lệ thắng sân nhà giảm từ 46 phần trăm xuống 38 phần trăm. Tôi công bố kết quả đó; một chuyên viên phân tích của một câu lạc bộ đã dùng nó để điều chỉnh cách tính điểm khi đá xa nhà.

Sân trống không làm mất đi sự thật. Nó chỉ lột bỏ lớp sương mù mà 40.000 tiếng hò hét từng tạo ra.

Nhưng nếu trong tập 156 trận ấy có ba trận bị gắn nhãn sai, kết luận của tôi sẽ sụp. Tôi sẽ không dám công bố. Tôi sẽ ngồi đếm thêm một mùa nữa, và bỏ lỡ thời điểm thông tin còn giá trị.

Niềm tin vào dữ liệu không đến từ mô hình. Nó đến từ việc tôi biết chính xác cái gì đã lọt vào.

Biên bản kiểm định

Đây là biểu mẫu tôi áp dụng cho mọi hồ sơ lạ, bất kể nó đến từ đâu.

| Hạng mục kiểm tra | Kết quả | Ngưỡng chấp nhận | Trạng thái | |---|---|---|---| | Thực thể bóng đá trong hồ sơ | 0 trên 15 | tối thiểu 1 | Không đạt | | Điểm thông tin có nguồn độc lập | 3 trên 15 | tối thiểu 10 | Không đạt | | Ngày phát hành | Không có | Bắt buộc | Không đạt | | Tên người thực hiện | Không có | Bắt buộc | Không đạt | | Mốc thời gian nội tại | Mâu thuẫn | Phải khớp | Không đạt | | Tỷ lệ lỗi cùng luồng (mẫu 200 bản ghi) | 1,5 phần trăm | dưới 2 phần trăm | Đạt có điều kiện |

Ba dòng trong bảng đáng dừng lại.

Dòng đầu: mười hai trong mười lăm điểm thông tin được ghi nguồn là "không có", hoặc nguồn chính là nhân vật của bài. Ba phần tư dữ liệu thô trong hồ sơ này là lời tự thuật, không có người kiểm chứng, không có tài liệu đối chiếu. Trong công việc của tôi, một điểm thông tin không có nguồn độc lập thì bị xếp vào nhóm chờ, không được đưa vào mô hình.

Dòng thứ hai: không có tên phóng viên, không có ngày phát hành, không có số phát hành. Nguồn phân phối là một tờ báo tiếng Anh đăng lại nội dung. Một hồ sơ không có mốc thời gian thì không thể xếp vào bất kỳ chuỗi dữ liệu nào, vì tôi không biết nó thuộc về mùa giải nào.

Dòng thứ ba: dấu hiệu thời gian duy nhất là con số tuổi — 60. Đối chiếu với ngày sinh công khai của nhân vật, con số đó đẩy bài viết về một mốc nằm ngoài cửa sổ thời gian của đường ống. Tôi đánh dấu "dữ liệu cần xác minh" và chuyển sang bước tiếp theo. Một hồ sơ tự mâu thuẫn về thời gian là một hồ sơ không thể tin ở mọi chiều khác.

Giả thuyết của tôi về nguyên nhân lỗi: bộ phân loại bị đánh lừa bởi trùng khớp từ vựng bề mặt. Trong bài có những cụm từ thuộc vốn từ của ngành thể thao, và một cái tên tạp chí từng gắn với các cuộc phỏng vấn thể thao. Bộ phân loại không đọc nghĩa. Nó đếm từ. Và nó đếm đúng theo cách sai.

Tôi kiểm tra thêm một giả thuyết nữa: liệu đây có phải lỗi cá biệt. Tôi lấy mẫu 200 bản ghi ngẫu nhiên khác trong cùng luồng và tìm thấy hai trường hợp tương tự, đều là nội dung giải trí lọt vào nhãn thể thao. Tỷ lệ 1,5 phần trăm. Dưới ngưỡng hai phần trăm mà tôi tự đặt, nhưng đủ để tôi mở một phiếu kiểm định định kỳ.

Một con số có thể nói dối, nhưng một mô hình được kiểm chứng qua 10.000 trận đấu thì không có lý do gì để giả vờ. Vấn đề nằm ở chỗ mô hình ấy chưa từng nhìn thấy những gì tôi vừa nhìn thấy.

Giá trị thật của một mẫu đối chứng âm

Trong thống kê, người ta dùng mẫu đối chứng âm để kiểm tra xem một hệ thống có báo động giả hay không. Bạn đưa cho nó một thứ chắc chắn không chứa mục tiêu, rồi xem nó có gắn nhãn mục tiêu hay không.

Hồ sơ này là một mẫu đối chứng âm hoàn hảo. Tôi biết chắc chắn nó không chứa một đơn vị nội dung bóng đá nào. Vậy mà nó nằm trong ngăn bóng đá.

Với một tòa soạn, giá trị của nó nằm ở chỗ khác. Một bài viết về một siêu mẫu không phải là mối đe dọa với bảng tin V.League. Mối đe dọa là thói quen: chúng ta xây bộ lọc, chúng ta tin bộ lọc, và chúng ta không bao giờ kiểm tra lại đầu ra của nó bằng tay.

Tôi đã thấy điều này trong ngành. Các câu lạc bộ ở V.League bắt đầu dùng dữ liệu theo dõi cầu thủ, mua các gói chỉ số, thuê chuyên viên phân tích. Các tòa soạn thể thao ở Việt Nam bắt đầu dựng bảng dữ liệu độc giả. Các nền tảng tổng hợp như VuaBong.vn phải xử lý khối lượng nội dung lớn hơn nhiều so với năm năm trước.

Nhưng hạ tầng nhập liệu thì vẫn là một người với một bảng tính và một niềm tin rằng nguồn nào cũng như nhau. Một bài đăng lại từ một tờ báo nước ngoài được đối xử ngang bằng với một thông cáo chính thức từ ban tổ chức giải. Một bài phỏng vấn không ngày tháng được đối xử như một bản báo cáo trận đấu có biên bản.

Sự khác biệt giữa hai thứ đó chính là toàn bộ giá trị của nghề báo dữ liệu. Nếu tôi coi chúng là một, tôi không còn gì để bán ngoài danh nghĩa của mình.

Góc phản trực giác

Khi phòng họp báo cười nhạo xG, tôi biết mình đang đọc đúng cuốn sách mà họ chưa mở.

Nhưng bài học từ hồ sơ này không nằm ở phía những người hoài nghi. Nó nằm ở phía những người tin — trong đó có tôi.

Ngành dữ liệu thể thao Việt Nam đang dành phần lớn năng lượng cho các câu hỏi về mô hình: dùng xG hay dùng số cơ hội, trọng số pressing bao nhiêu là đủ, dự báo kết quả bằng hồi quy hay bằng mạng nơ-ron. Tất cả những câu hỏi đó đều đặt sai chỗ nếu dữ liệu đầu vào chưa được xác minh.

Một mô hình tốt chạy trên dữ liệu bẩn sẽ cho ra một kết luận sai một cách tự tin. Một mô hình trung bình chạy trên dữ liệu sạch vẫn cho ra một kết luận dùng được. Trong bảy năm làm nghề, tôi chưa từng thấy ai thăng chức vì tự tay kiểm tra nguồn gốc của một tập dữ liệu. Tôi đã thấy nhiều người thăng chức vì xây một mô hình đẹp chạy trên một tập dữ liệu chưa từng được kiểm.

Điều phản trực giác nhất: những bài như bài phỏng vấn siêu mẫu kia không gây hại cho đường ống vì nội dung của chúng. Chúng gây hại vì chúng không bao giờ bị từ chối. Một đường ống chỉ giữ được độ sạch nếu nó có khả năng nói "không" với một bài nghe có vẻ hợp lý. Cái khả năng đó phải được xây bằng tay, bằng thời gian, bằng một người chịu trách nhiệm.

Ở Việt Nam, hạ tầng đó đang được xây chậm hơn tốc độ các mô hình đến. Chúng ta nhập mô hình trước, rồi mới đi tìm luật cho dữ liệu.

Tín hiệu cho vòng tiếp theo

Nếu bạn làm sản phẩm dữ liệu thể thao ở Việt Nam, đây là ba việc có thể bắt đầu trong tuần này.

Mỗi tuần lấy ngẫu nhiên 50 bản ghi đã đi qua bộ phân loại và tự tay đọc nhãn. Ghi lại tỷ lệ sai. Nếu tỷ lệ sai vượt hai phần trăm, dừng lại và kiểm tra bộ lọc trước khi làm bất cứ việc gì khác.

Với mọi bài viết lại, bắt buộc ghi lại ba thứ: nguồn gốc đầu tiên, ngày phát hành, tên người thực hiện. Thiếu một trong ba thì bài đó không được vào mô hình — chỉ được vào kho chờ.

Xây một tập mẫu đối chứng âm cố định, 100 bản ghi chắc chắn không liên quan đến bóng đá, và chạy chúng qua bộ phân loại mỗi khi bạn thay đổi mã nguồn. Đây là cách rẻ nhất để biết mình vừa làm hỏng cái gì.

Tôi không đề xuất điều gì mới. Tôi đề xuất một việc rất cũ: đếm lại.

Dựa trên kinh nghiệm theo dõi các trận đấu và các luồng dữ liệu của tôi, tôi cho rằng trong mười hai tháng tới, tỷ lệ lỗi nhập liệu sẽ trở thành chỉ số được hỏi đến nhiều thứ ba trong các phòng phân tích thể thao ở Việt Nam, sau chỉ số bàn thắng kỳ vọng và chỉ số quãng chạy nước rút. Ai xây được ngưỡng kiểm định trước, người đó giữ được độc giả lâu hơn. Và người giữ được độc giả lâu nhất sẽ là người dám nói với một bài viết nghe rất hợp lý rằng: không.