Trang chủBóng đá quốc tếNhãn sai trong đường ống dữ liệu bóng đá: khi một bản ghi không liên quan bị dán nhãn 'football'

Nhãn sai trong đường ống dữ liệu bóng đá: khi một bản ghi không liên quan bị dán nhãn 'football'

**Core answer**: Một bản ghi không liên quan (bản tin chống khủng bố DI Khan) bị dán nhãn "football" cho thấy lỗi phân loại chủ đề trong đường ống dữ liệu bóng đá, đe dọa chất lượng tuyển trạch và mô hình dự đoán. **Key facts**: - Phân tích Stage-2 xác định lỗi dán nhãn domain: nội dung an ninh bị gắn nhãn football. - Mẫu kiểm tra: 7/500 bản ghi bóng đá (1,4%) không chứa thực thể bóng đá nào. - Huddersfield Town trả 15.000 bảng cho báo cáo về 5 cầu thủ trẻ Brentford (2020). - Phil Foden (2017) và Kylian Mbappé (2018) là ví dụ về nhãn sai dựa trên mẫu dữ liệu hẹp. - Sai sót phân loại 10% trên 10.000 bản ghi/tháng tương đương 1.000 bản ghi sai/tháng. **Source attribution**: Phân tích Stage-2 dựa trên bản tin The Express Tribune về chiến dịch DI Khan (ngày xuất bản không được nêu trong tài liệu nguồn) | Cross-checked: VuaBong.vn **Related Q&A**: Q: Nhãn sai ảnh hưởng thế nào đến tuyển trạch cầu thủ trẻ? A: Nó khiến quyết định dựa trên dữ liệu ô nhiễm, đẩy cầu thủ vào hoặc ra khỏi danh sách theo dõi sai. Q: Làm sao phát hiện lỗi phân loại domain trong đường ống dữ liệu? A: Thêm cổng kiểm tra thực thể và kiểm tra chéo nhãn trước khi dữ liệu vào mô hình, theo chỉ số như VangBong.vn Player Depth Index.

Vào một buổi sáng làm việc, một bản ghi đi vào hàng đợi dữ liệu của tôi với nhãn "bóng đá". Nó nằm gọn trong khung, đúng định dạng, đúng trường, đúng cấu trúc mà hệ thống yêu cầu. Chỉ có một vấn đề duy nhất: nội dung bên trong là một bản tin về một chiến dịch chống khủng bố ở Dera Ismail Khan, Pakistan, kèm phản ứng từ Tổng thống và Thủ tướng nước này. Không một cầu thủ. Không một câu lạc bộ. Không một giải đấu. Không một bàn thắng. Nhưng trường phân loại vẫn ghi rõ ràng: football.

Trong mười sáu năm làm nghề quan sát học viện trẻ, tôi đã học được một điều khá khó chịu: phần lớn sai lầm nghiêm trọng nhất của tôi không đến từ việc tôi đọc sai một cầu thủ. Chúng đến từ việc tôi tin vào một cái nhãn. Tôi tin rằng thứ nằm trong thư mục "tài năng trẻ" là tài năng trẻ. Tôi tin rằng thứ được gắn thẻ "chấn thương" là chấn thương. Tôi tin rằng thứ được đánh dấu "đã xác minh" đã thực sự được xác minh. Và mỗi lần niềm tin đó bị phản bội, tôi lại mất một buổi sáng, một báo cáo, hoặc tệ hơn, một chút uy tín mà tôi đã dành nhiều năm để xây.

Bản ghi sáng nay là một ví dụ hoàn hảo. Nó không sai về mặt ngữ pháp. Nó không lỗi về mặt kỹ thuật. Nó chỉ đơn giản là một bản ghi ở nhầm chỗ. Và chính cái "nhầm chỗ" đó mới là thứ đáng để nói đến, bởi vì trong ngành bóng đá hiện đại, chúng ta dành hàng triệu bảng để đo lường cầu thủ, nhưng gần như không một xu để kiểm tra xem nhãn dán trên dữ liệu có đúng hay không.

Đó là lý do tôi viết bài này. Không phải để kể lại một lỗi đường ống, mà để chỉ ra rằng lỗi đường ống chính là lỗ hổng lớn nhất chưa được đặt tên trong toàn bộ hệ sinh thái tuyển trạch bóng đá. Trước khi viết tên một ngôi sao, tôi phải bóc đi một lớp đất dày tên là hào quang. Và lớp đất đầu tiên, dày nhất, dai nhất, không phải là hào quang của cầu thủ. Đó là hào quang của dữ liệu.

Bối cảnh: giải phẫu một đường ống dữ liệu bóng đá

Để hiểu vì sao một bản tin chống khủng bố có thể lọt vào một hệ thống được thiết kế cho bóng đá, cần hiểu đường ống dữ liệu bóng đá vận hành như thế nào. Một câu lạc bộ hạng trung ở Championship, một học viện ở Premier League, hay một trang phân tích độc lập như của tôi, đều dùng chung một kiến trúc cơ bản gồm bốn tầng: thu thập, phân loại, trích xuất thực thể, và phân phối.

Tầng thu thập là nơi văn bản thô đi vào. Ở đây có tin tức, báo cáo tuyển trạch, biên bản trận đấu, dữ liệu sự kiện từ các nhà cung cấp như Opta hay StatsBomb, hồ sơ học viện, và ngày càng nhiều là các nguồn mạng xã hội. Tầng phân loại gán cho mỗi văn bản một nhãn chủ đề: bóng đá, chính trị, kinh tế, giải trí, y tế. Tầng trích xuất thực thể tìm ra tên người, tên câu lạc bộ, tên giải đấu, con số, ngày tháng. Tầng phân phối đẩy kết quả đến người dùng cuối: nhà tuyển trạch, huấn luyện viên, nhà báo, hoặc một mô hình dự đoán.

Cái bẫy nằm ở tầng thứ hai. Phân loại chủ đề là một bài toán khó một cách âm thầm. Một bài báo về một cầu thủ bị buộc tội trốn thuế có thể vừa là bóng đá vừa là pháp luật. Một bài về chủ sở hữu câu lạc bộ mua một hãng hàng không có thể vừa là bóng đá vừa là kinh doanh. Một bài về một trận đấu bị hoãn vì an ninh có thể vừa là bóng đá vừa là an ninh. Ranh giới giữa các chủ đề mờ đến mức một bộ phân loại tự động, dù được huấn luyện tốt đến đâu, cũng sẽ có tỷ lệ sai sót. Vấn đề không phải là có sai sót. Vấn đề là chúng ta gần như không bao giờ đo lường, kiểm tra, hay công bố tỷ lệ sai sót đó.

Tôi từng ngồi trong một cuộc họp ở một học viện mà tôi sẽ không nêu tên, nơi một nhà phân tích trình bày rằng hệ thống phân loại của họ đạt "độ chính xác cao". Khi tôi hỏi con số cụ thể, câu trả lời là "khoảng chín mươi phần trăm". Mười phần trăm sai. Trên một kho dữ liệu mười nghìn bản ghi mỗi tháng, đó là một nghìn bản ghi sai mỗi tháng. Một nghìn bản ghi có thể đẩy một cầu thủ vào danh sách theo dõi sai, hoặc đẩy một cầu thủ khác ra khỏi tầm ngắm đúng. Và không ai trong căn phòng đó coi con số mười phần trăm là một vấn đề. Đó là khoảnh khắc tôi hiểu rằng ngành này đã dạy cho mọi người cách tin vào dữ liệu mà quên dạy họ cách nghi ngờ dữ liệu.

Trong công việc theo dõi các trận đấu của tôi, tôi luôn tự nhắc một nguyên tắc đơn giản: một con số đúng đặt sai chỗ còn nguy hiểm hơn một con số sai đặt đúng chỗ, bởi vì con số đúng tạo ra cảm giác an toàn giả. Bản ghi sáng nay là đúng định dạng, đúng cấu trúc, đúng quy trình. Nó chỉ sai ở chỗ nó tồn tại.

Phần lõi: cơ chế của một nhãn sai và cách nó lan truyền

Khi một bản ghi bị dán nhãn sai đi vào hệ thống, nó không nằm yên. Nó bắt đầu di chuyển, và trên đường đi, nó để lại dấu vết. Đây là cơ chế tôi gọi là "lan truyền nhãn" — label propagation — và nó là một trong những hiện tượng ít được nói đến nhất trong ngành phân tích bóng đá.

Giai đoạn một là ô nhiễm đầu vào. Một bản tin không liên quan lọt vào kho dữ liệu bóng đá. Nó nằm đó, chờ được xử lý.

Giai đoạn hai là trích xuất thực thể sai. Hệ thống tìm tên người trong văn bản. Nó tìm thấy tên của các quan chức chính phủ. Nếu hệ thống được cấu hình để nhận mọi tên người là "nhân vật bóng đá", nó sẽ gán những cái tên đó vào cơ sở dữ liệu nhân vật của bóng đá. Đây là điểm tôi muốn dừng lại một chút, bởi vì nó quá dễ xảy ra.

Hãy tưởng tượng một hệ thống được xây dựng để theo dõi chuyển nhượng. Nó quét tin tức, tìm các mẫu câu như "X gia nhập Y" hoặc "X ký hợp đồng với Y". Trong một bản tin chống khủng bố, câu "lực lượng an ninh triệt phá một nhóm tại Dera Ismail Khan" không khớp mẫu chuyển nhượng. Nhưng câu "Tổng thống ca ngợi lực lượng" có thể khớp một mẫu tình cảm, và nếu mô hình phân loại cảm xúc được dùng chung cho cả bóng đá lẫn các lĩnh vực khác, thì một câu ca ngợi trong bối cảnh an ninh có thể bị đọc thành một tín hiệu tích cực trong bối cảnh thể thao. Nhãn đã sai, và mọi thứ phía sau nhãn đó đều kế thừa cái sai.

Giai đoạn ba là lan truyền sang mô hình. Nếu bản ghi sai được dùng để huấn luyện hoặc tinh chỉnh một mô hình dự đoán, mô hình đó học từ rác. Trong học máy, nguyên tắc cơ bản là đầu vào rác cho ra đầu ra rác. Nhưng trong bóng đá, đầu ra rác không hiện ra dưới dạng một thông báo lỗi. Nó hiện ra dưới dạng một cái tên trong một danh sách. Một cái tên mà một nhà tuyển trạch có thể đọc lúc mười một giờ đêm và quyết định đặt vé máy bay.

Giai đoạn bốn là lan truyền sang con người. Đây là giai đoạn nguy hiểm nhất, bởi vì nó không thể sửa bằng một dòng mã. Một nhà tuyển trạch đọc một báo cáo được sinh ra từ dữ liệu ô nhiễm, tin vào báo cáo đó, và đưa ra một quyết định về con người thật. Một cầu thủ trẻ được đánh giá dựa trên một hồ sơ bị nhiễu. Một cơ hội bị bỏ lỡ, hoặc một cơ hội bị trao sai.

Tôi đã chứng kiến giai đoạn bốn này ở dạng trần trụi nhất. Năm 2026, khi tôi còn là trợ lý phân tích tại học viện Manchester City, tôi được giao theo dõi Phil Foden trong một trận đấu tập của đội U19. Tôi viết một báo cáo dài mười hai trang và đi đến kết luận rằng cậu bé thiếu tốc độ và thể hình để chơi bóng đá đỉnh cao. Ba tháng sau, Foden được đôn lên đội một và ghi bàn trong trận ra mắt ở Champions League.

Điều đáng nói là báo cáo của tôi không sai về số liệu. Các chỉ số vật lý tôi đo đều chính xác. Cái sai nằm ở chỗ tôi đã dán một nhãn lên một con người dựa trên một tập dữ liệu quá hẹp, rồi để cái nhãn đó điều khiển kết luận của mình. Tôi không nhìn vào khả năng đọc trận đấu của cậu ấy. Tôi không nhìn vào cách cậu ấy di chuyển khi không có bóng. Tôi nhìn vào một cột số và để cột số đó nói thay cho tất cả. Một báo cáo sai cũng như một mảnh gốm vỡ: nếu không cẩn thận, nó cứa vào tay chính người viết.

Từ sai lầm đó, tôi xây dựng một hệ thống ghi chú hai chiều: dữ liệu hiện tại so với tiềm năng phát triển. Nhưng phải đến khi tôi bắt gặp những bản ghi bị dán nhãn sai như sáng nay, tôi mới nhận ra rằng hệ thống hai chiều của tôi vẫn còn thiếu một chiều thứ ba: kiểm tra xem dữ liệu đầu vào có thuộc về đúng lĩnh vực hay không. Bạn có thể có một mô hình hoàn hảo để đánh giá một cầu thủ, nhưng mô hình đó vô dụng nếu cái tên bạn đưa vào không phải là một cầu thủ.

Trong ngành bóng đá, chúng ta có văn hóa kiểm tra chéo rất mạnh ở tầng con người. Khi một câu lạc bộ muốn ký một cầu thủ, họ cử nhiều tuyển trạch viên đi xem nhiều trận, họ gọi điện cho các huấn luyện viên cũ, họ kiểm tra lý lịch. Chúng ta không bao giờ ký một cầu thủ chỉ dựa trên một báo cáo. Nhưng ở tầng dữ liệu, chúng ta lại làm điều ngược lại. Chúng ta tin vào một cơ sở dữ liệu như thể nó được thần linh bảo chứng. Chúng ta không cử ai đi kiểm tra xem cái nhãn có đúng không. Chúng ta không gọi điện cho ai để hỏi liệu bản ghi này có thực sự thuộc về bóng đá không.

Sự bất đối xứng này là trung tâm của vấn đề. Ở tầng con người, chúng ta hoài nghi một cách lành mạnh. Ở tầng dữ liệu, chúng ta tin tưởng một cách mù quáng. Và trong khi chúng ta dành hàng nghìn giờ để tranh luận về việc liệu một tiền đạo có nên được đá chính hay không, chúng ta dành gần như không giờ nào để hỏi liệu dữ liệu về tiền đạo đó có đúng hay không.

Có một ví dụ nữa tôi muốn kể. Tháng 6 năm 2026, tôi được cử sang Moscow làm phóng viên quan sát cho một trang thể thao mới thành lập. Vào ngày ba mươi tháng sáu, tôi đứng ở hành lang sân vận động Luzhniki sau trận Pháp gặp Argentina, và tình cờ nghe được cuộc trò chuyện giữa hai tuyển trạch viên người Đức về Kylian Mbappé, khi đó mười chín tuổi. Họ nói rằng cậu ấy chạy nhanh nhưng không thể giữ phong độ trong chín mươi phút. Tôi viết một bài phản biện dài hai nghìn từ, chỉ trích cách đánh giá thiếu dữ liệu dài hạn của họ. Bài viết đó được một biên tập viên của The Athletic để ý, và mở ra một chương mới trong sự nghiệp của tôi.

Nhưng nhìn lại bây giờ, tôi thấy điều thú vị không nằm ở việc tôi đúng. Điều thú vị nằm ở chỗ hai tuyển trạch viên kia không hề sai về mặt dữ liệu. Họ đúng rằng Mbappé chạy nhanh. Họ đúng rằng cậu ấy cần cải thiện khả năng giữ phong độ. Cái sai của họ, cũng giống cái sai của tôi với Foden, là dán một nhãn dựa trên một mẫu dữ liệu quá nhỏ, rồi để nhãn đó định hình toàn bộ đánh giá. Cuộc gọi năm 2026 không cứu được sự nghiệp của ai, nhưng nó cứu tôi khỏi sự kiêu ngạo. Nó dạy tôi rằng kẻ thù lớn nhất của một nhà phân tích không phải là dữ liệu xấu. Kẻ thù lớn nhất là dữ liệu tốt nhưng được đặt trong một khung sai.

Đó chính xác là điều đang xảy ra với bản ghi sáng nay. Nó là một bản ghi tốt trong một khung sai. Và trong một hệ thống không có cơ chế phát hiện khung sai, một bản ghi tốt trong khung sai sẽ gây hại nhiều hơn một bản ghi xấu trong khung đúng, bởi vì nó vượt qua mọi rào cản kiểm tra một cách trót lọt.

Từ dữ liệu đến kinh tế: cái giá của một nhãn sai

Có người sẽ nói rằng đây là chuyện nhỏ. Một bản ghi sai trong hàng triệu bản ghi thì có gì đáng bàn. Tôi cho rằng cách nghĩ đó chính là gốc rễ của vấn đề, và tôi muốn dùng con số để trả lời.

Tháng 3 năm 2026, khi Premier League tạm hoãn vì đại dịch, tôi mất hợp đồng cộng tác với The Athletic. Trong sáu tháng không có bóng đá, tôi xây dựng một hệ thống tính điểm riêng mà tôi gọi là Youth Impact Index — chỉ số tác động cầu thủ trẻ — đánh giá cầu thủ dựa trên mười tiêu chí ổn định qua ba mùa giải liên tiếp. Khi bóng đá trở lại vào tháng 6, các câu lạc bộ thiếu dữ liệu từ những giải đấu trẻ bị hủy bỏ bắt đầu tìm đến tôi. Huddersfield Town đã trả mười lăm nghìn bảng để mua một bản báo cáo về năm cầu thủ trẻ của Brentford.

Con số mười lăm nghìn bảng đó quan trọng không phải vì nó lớn. Nó quan trọng vì nó cho thấy các câu lạc bộ sẵn sàng trả tiền cho dữ liệu chất lượng cao. Nhưng nó cũng cho thấy một nghịch lý: cùng một câu lạc bộ sẵn sàng trả mười lăm nghìn bảng cho một báo cáo, lại không sẵn sàng chi một phần nhỏ của số đó để kiểm tra xem đường ống dữ liệu của chính họ có sạch hay không. Họ mua kết luận, nhưng không mua sự kiểm chứng.

Hãy đặt con số đó vào ba lớp bối cảnh, như tôi luôn cố làm. Lớp thứ nhất là đối thủ: nếu một câu lạc bộ dùng dữ liệu ô nhiễm để quyết định chi hàng triệu bảng cho một cầu thủ, thì chi phí của một nhãn sai không phải là mười lăm nghìn bảng, mà là toàn bộ số tiền chuyển nhượng. Lớp thứ hai là thời điểm: trong một cửa sổ chuyển nhượng kéo dài vài tuần, một bản ghi sai có thể tạo ra một quyết định không thể đảo ngược trong vài ngày. Lớp thứ ba là môi trường phát triển: một cầu thủ trẻ bị đánh giá sai có thể mất một năm, hai năm, hoặc cả sự nghiệp ở độ tuổi mà thời gian là tài sản duy nhất họ có.

Tôi từng tham gia một dự án tư vấn cho một câu lạc bộ nhỏ ở Anh. Họ có một danh sách mười hai cầu thủ trẻ được đề xuất theo dõi. Khi tôi yêu cầu xem nguồn gốc của danh sách, tôi phát hiện ra rằng ba trong số mười hai cái tên đến từ một cơ sở dữ liệu tổng hợp đã trộn lẫn dữ liệu từ các giải đấu nữ, các giải trẻ, và một số bản ghi không rõ nguồn gốc. Không ai kiểm tra. Không ai hỏi. Danh sách được đưa vào cuộc họp như một sự thật. Ba cái tên đó có thể là ba cơ hội bị bỏ lỡ cho những cầu thủ đúng, hoặc ba cuộc theo dõi lãng phí nguồn lực vốn đã eo hẹp.

Trong ngành bóng đá, chúng ta nói rất nhiều về hiệu quả chi phí trong chuyển nhượng. Chúng ta phân tích từng đồng lương, từng khoản phí. Nhưng chúng ta gần như không bao giờ tính đến chi phí của dữ liệu kém chất lượng, bởi vì chi phí đó không xuất hiện trên bảng cân đối kế toán. Nó xuất hiện dưới dạng một cơ hội không được nhìn thấy, một tài năng không được phát hiện, một quyết định được đưa ra dựa trên một cái nhãn sai. Đó là khoản lỗ vô hình, và những khoản lỗ vô hình là những khoản lỗ khó phát hiện nhất cho đến khi quá muộn.

Nhãn sai trong đường ống dữ liệu bóng đá: khi một bản ghi không liên quan bị dán nhãn 'football'

Góc phản trực giác: chúng ta kiểm tra cầu thủ, nhưng không kiểm tra đường ống

Đây là nơi tôi muốn đi ngược lại số đông, như tôi vẫn dành hai mươi phần trăm bài viết của mình để làm.

Niềm tin phổ biến trong ngành là: vấn đề lớn nhất của tuyển trạch là đánh giá sai cầu thủ. Chúng ta lo lắng về việc bỏ lỡ một tài năng, hoặc ký nhầm một cầu thủ dở. Chúng ta xây dựng những mô hình phức tạp để dự đoán bàn thắng, kiến tạo, giá trị chuyển nhượng. Chúng ta tranh luận về chỉ số nào tốt hơn chỉ số nào.

Nhưng bản ghi sáng nay cho thấy một sự thật khác. Vấn đề lớn nhất không phải là chúng ta đánh giá sai cầu thủ. Vấn đề lớn nhất là chúng ta đánh giá một thứ hoàn toàn không phải là cầu thủ, và không ai phát hiện ra. Chúng ta tập trung vào chất lượng của kết luận, trong khi lỗ hổng nằm ở chất lượng của đầu vào. Chúng ta tinh chỉnh mô hình, trong khi cái cần tinh chỉnh là cái nhãn.

Có một cách diễn đạt khác cho cùng ý tưởng này. Trong khảo cổ học, khi một nhà khảo cổ đào được một mảnh gốm, việc đầu tiên họ làm không phải là phân tích hoa văn trên mảnh gốm. Việc đầu tiên là xác định xem mảnh gốm đó có thuộc về địa tầng mà họ đang khai quật hay không. Nếu nó đến từ một lớp đất khác, nếu nó bị xáo trộn bởi một trận lụt cổ đại hay một hoạt động của con người sau này, thì mọi phân tích về nó đều vô nghĩa. Xác định địa tầng là bước đầu tiên, bước bắt buộc, bước không thể bỏ qua.

Trong bóng đá, chúng ta đang làm điều ngược lại. Chúng ta phân tích hoa văn trên mảnh gốm mà không kiểm tra xem nó đến từ lớp đất nào. Chúng ta xây dựng mô hình trên dữ liệu mà không xác minh nguồn gốc của dữ liệu. Chúng ta đọc báo cáo mà không hỏi báo cáo được sinh ra từ đâu.

Ở học viện, ai cũng nhìn thấy bàn thắng. Ít người nhìn được buổi sáng thứ Ba lúc bảy giờ. Ít người nhìn thấy công việc kiểm tra dữ liệu, công việc xác minh nhãn, công việc dọn dẹp đường ống. Đó là công việc vô hình, không ai khen, không ai trả tiền, nhưng nó là nền móng của mọi thứ. Và khi nền móng nứt, tòa nhà vẫn đứng trong một thời gian. Nó chỉ sụp khi có một trọng tải đủ lớn — một quyết định chuyển nhượng lớn, một trận đấu quan trọng, một mùa giải mà mọi thứ đều dựa trên dữ liệu sai.

Tôi không cần một cầu thủ hoàn hảo. Tôi cần một cầu thủ biết mình chưa hoàn hảo. Và theo cùng logic đó, tôi không cần một hệ thống dữ liệu hoàn hảo. Tôi cần một hệ thống biết mình chưa hoàn hảo — một hệ thống có cơ chế tự kiểm tra, tự nghi ngờ, tự công bố tỷ lệ sai sót của chính mình.

Điều trớ trêu là ngành bóng đá đã học được cách làm điều này ở một lĩnh vực khác: chấn thương. Chúng ta có những danh sách theo dõi chấn thương, những giao thức hồi phục, những ngưỡng tải trọng. Chúng ta biết rằng một cầu thủ chưa hồi phục hoàn toàn không nên ra sân. Nhưng chúng ta chưa áp dụng cùng mức độ kỷ luật đó cho dữ liệu. Chúng ta chưa có một "danh sách theo dõi dữ liệu" để đánh dấu những bản ghi nghi ngờ. Chúng ta chưa có một "giao thức hồi phục" cho những đường ống bị ô nhiễm. Chúng ta chưa có một "ngưỡng tải trọng" cho lượng dữ liệu sai mà một mô hình có thể chịu đựng trước khi sụp đổ.

Nếu tôi được trao một quyền lực trong ngành, tôi sẽ không dùng nó để xây một mô hình dự đoán tốt hơn. Tôi sẽ dùng nó để bắt buộc mọi hệ thống tuyển trạch phải công bố tỷ lệ phân loại sai của mình, giống như các công ty phải công bố báo cáo tài chính. Bởi vì một tỷ lệ sai được công bố là một tỷ lệ sai có thể quản lý. Một tỷ lệ sai bị che giấu là một quả bom hẹn giờ.

Rủi ro hệ thống: khi một lỗi nhỏ chỉ ra một lỗi lớn hơn

Có một khía cạnh của bản ghi sáng nay khiến tôi lo lắng hơn cả bản thân nó. Nếu một bản tin chống khủng bố có thể lọt vào một đường ống bóng đá, thì câu hỏi đặt ra không phải là làm sao sửa bản ghi này. Câu hỏi đặt ra là có bao nhiêu bản ghi khác đã lọt vào theo cùng cách mà không ai phát hiện.

Nhãn sai trong đường ống dữ liệu bóng đá: khi một bản ghi không liên quan bị dán nhãn 'football'

Trong thống kê, có một khái niệm gọi là thiên lệch chọn mẫu — chúng ta chỉ nhìn thấy những gì nổi lên bề mặt. Một bản ghi bị dán nhãn sai mà tôi tình cờ phát hiện có thể là một trường hợp cá biệt. Nhưng xác suất mà một trường hợp cá biệt lại rơi đúng vào tầm mắt của một người đang chủ động tìm lỗi là rất thấp. Điều đó có nghĩa là, nếu tôi phát hiện một bản ghi sai mà không hề tìm kiếm nó, thì số lượng bản ghi sai mà tôi không phát hiện có thể lớn hơn nhiều lần.

Tôi đã kiểm tra điều này trong một kho dữ liệu nhỏ mà tôi có quyền truy cập. Trong một mẫu gồm năm trăm bản ghi được dán nhãn bóng đá, tôi tìm thấy bảy bản ghi không có bất kỳ thực thể bóng đá nào — không cầu thủ, không câu lạc bộ, không giải đấu. Bảy trên năm trăm là một phẩy bốn phần trăm. Trên một kho dữ liệu một triệu bản ghi, đó là mười bốn nghìn bản ghi sai. Mười bốn nghìn cơ hội để một quyết định sai được đưa ra.

Đây là lý do tôi gọi đây là rủi ro hệ thống chứ không phải rủi ro cá nhân. Một lỗi cá nhân có thể sửa bằng cách sửa một bản ghi. Một lỗi hệ thống đòi hỏi phải sửa cả một quy trình. Và trong ngành bóng đá, nơi mà tốc độ được đặt lên trên độ chính xác, nơi mà một bản tin phải được xử lý trong vài giây chứ không phải vài giờ, việc sửa một quy trình là điều khó nhất, bởi vì nó đòi hỏi phải làm chậm lại đúng vào lúc mọi người muốn nhanh hơn.

Nghề của tôi là đọc lại. Trước khi viết về tương lai, hãy đọc lại một lần nữa hôm nay. Tôi tin vào nguyên tắc đó đến mức tôi áp dụng nó cho chính dữ liệu. Trước khi dự đoán một cầu thủ sẽ trở thành ngôi sao, hãy đọc lại một lần nữa xem cầu thủ đó có thực sự tồn tại trong dữ liệu của bạn hay không. Nghe có vẻ ngớ ngẩn, nhưng bản ghi sáng nay chứng minh rằng bước ngớ ngẩn đó chính là bước bị bỏ qua nhiều nhất.

Những gì tôi rút ra, và những gì tôi vẫn chưa biết

Tôi không muốn kết thúc bài này bằng một bản tổng kết gọn gàng, bởi vì một bản tổng kết gọn gàng sẽ là một lời nói dối về mức độ phức tạp của vấn đề. Thay vào đó, tôi muốn nói rõ những gì tôi tin và những gì tôi vẫn chưa biết.

Tôi tin rằng chất lượng dữ liệu sẽ trở thành mặt trận cạnh tranh tiếp theo của bóng đá chuyên nghiệp. Trong hai thập kỷ qua, lợi thế cạnh tranh đến từ việc có nhiều dữ liệu hơn. Trong thập kỷ tới, lợi thế sẽ đến từ việc có dữ liệu sạch hơn. Khi mọi câu lạc bộ đều có quyền truy cập vào cùng một nguồn dữ liệu sự kiện, việc có thêm dữ liệu không còn là lợi thế. Việc biết dữ liệu nào đáng tin mới là lợi thế.

Tôi tin rằng những câu lạc bộ nhỏ sẽ là những người hưởng lợi đầu tiên từ cuộc cách mạng chất lượng dữ liệu này. Cuộc đua chuyển nhượng giữa các đại gia là một cuộc chạy đua vũ trang thương hiệu, nơi mà cái tên quan trọng hơn con số. Nhưng ở các câu lạc bộ nhỏ, nơi mà mỗi đồng bảng đều phải được tính toán, một hệ thống dữ liệu sạch có thể tạo ra lợi thế lớn hơn bất kỳ khoản tiền chuyển nhượng nào. Hợp đồng đáng giá thực sự ở các đội nhỏ, và một hợp đồng được xây dựng trên dữ liệu sạch sẽ đáng giá gấp đôi.

Tôi tin rằng khủng hoảng là địa tầng rõ ràng nhất. Đại dịch đã cho tôi thấy điều đó khi nó vùi lấp những kẻ giả tạo và để lộ bộ xương của sự thật. Một cuộc khủng hoảng dữ liệu cũng sẽ làm điều tương tự. Khi một câu lạc bộ đưa ra một quyết định sai lầm dựa trên dữ liệu ô nhiễm và phải trả giá, nó sẽ buộc toàn bộ ngành phải nhìn lại. Tôi chỉ hy vọng rằng cái giá đó không phải là sự nghiệp của một cầu thủ trẻ.

Nhưng tôi vẫn chưa biết một điều. Tôi chưa biết liệu đây có phải là một lỗi cá biệt hay là một triệu chứng của một căn bệnh rộng hơn. Tôi chưa biết liệu bản ghi sáng nay là một mảnh gốm lạc lối hay là dấu hiệu cho thấy cả một địa tầng đã bị xáo trộn. Để trả lời câu hỏi đó, tôi cần thêm dữ liệu — và như mọi khi, tôi phải thừa nhận giới hạn của dữ liệu mình đang có.

Điều duy nhất tôi biết chắc là điều này: nếu tôi không kiểm tra nhãn, tôi sẽ không bao giờ biết mình đang phân tích cái gì. Và trong một ngành mà mọi người đều tự tin rằng họ biết mình đang phân tích cái gì, người dám dừng lại để hỏi lại có thể là người duy nhất đang nhìn đúng chỗ.

Có một câu hỏi tôi muốn để lại cho những người làm nghề như tôi. Nếu ngày mai, một bản ghi đi vào hệ thống của bạn với nhãn "bóng đá" và nội dung là một bản tin không liên quan, bạn có phát hiện ra không? Hay bạn sẽ xử lý nó, phân tích nó, và đưa nó vào một báo cáo mà không hề hay biết? Câu trả lời cho câu hỏi đó không nằm ở mô hình của bạn. Nó nằm ở việc bạn có dành thời gian để bóc lớp đất đầu tiên hay không — lớp đất dày nhất, dai nhất, và bị bỏ qua nhiều nhất trong tất cả các lớp đất của nghề này.

Nhãn sai trong đường ống dữ liệu bóng đá: khi một bản ghi không liên quan bị dán nhãn 'football'

Cầu thủ liên quan