Nhãn sai và tín hiệu yếu: kho dữ liệu bóng đá học gì từ một sai sót phân loại

Tháng trước, một đồng nghiệp ở bộ phận phân tích dữ liệu gửi cho tôi bản báo cáo tuyển trạch dài 38 trang. Trang đầu ghi: tiền vệ cánh trái, 23 tuổi, thuận chân trái, xu hướng bó vào trong. Trang mười một ghi: hậu vệ biên phải, 27 tuổi, chân phải, xu hướng dâng cao. Cùng một cái tên. Hai bộ số liệu. Hai cầu thủ khác nhau.

Tôi mất gần bốn tiếng để truy ngược nguồn. Hóa ra nhà cung cấp dữ liệu đã gộp hai cầu thủ trùng tên ở hai giải đấu khác nhau vào chung một mã định danh. Không ai kiểm tra chéo. Bản báo cáo đi thẳng vào phòng họp, và suýt nữa thì đi thẳng vào một đề xuất chuyển nhượng.

Lỗi dữ liệu thì ở đâu cũng có. Điều đáng nói nằm ở chỗ khác: tồn tại một ngành xử lý đúng loại sai sót này bằng một quy trình rất nghiêm ngặt, và bóng đá gần như chưa bao giờ áp dụng nó.

Một quan sát chưa đủ để gọi là phát hiện

Tháng 8 năm 2026, một nhóm nhà thiên văn công bố rằng họ ghi được tín hiệu phát xạ vô tuyến dạng cực quang phát ra từ Beta Pictoris b, một hành tinh khí khổng lồ cách Trái Đất khoảng 63 năm ánh sáng. Họ dùng dàn kính viễn vọng vô tuyến MeerKAT đặt tại Nam Phi. Tín hiệu yếu tới mức muốn tách nó ra khỏi nhiễu nền, họ phải đối chiếu vị trí ghi nhận với quỹ đạo đã biết của hành tinh, rồi loại trừ bằng thống kê cả ngôi sao chủ lẫn một hành tinh đồng hành khác trong cùng hệ.

Dòng quan trọng nhất trong thông báo ấy nằm ở cuối: kết quả vẫn đang chờ bình duyệt độc lập. Chưa có nhóm nào khác xác nhận. Chưa ai lặp lại được phép đo.

Đó là một tiêu chuẩn khắt khe đến mức nhiều người ngoài ngành thấy vô lý. Một quan sát đơn lẻ, dù sạch đến đâu, cũng chưa được gọi là phát hiện. Muốn thành phát hiện, phải có người khác, dùng thiết bị khác, ở nơi khác, làm lại và ra kết quả tương tự. Trước thời điểm đó, tất cả chỉ là một ứng viên đang mở.

Bóng đá vận hành theo chiều ngược lại. Một quan sát đơn lẻ — một trận, một hiệp, một pha bóng — lập tức được nâng thành kết luận, rồi thành tiêu đề, rồi thành chính sách. Một tiền đạo ghi hai bàn trong một buổi tối được dán nhãn số 9 toàn diện. Một đội thua sau khi cầm bóng 70% bị dán nhãn đã hết thời. Không ai chờ bình duyệt, bởi trong bóng đá không tồn tại cơ chế bình duyệt nào.

Khoảng cách giữa hai cách xử lý thông tin ấy chính là thứ tôi muốn bàn. Không phải để khen ngành này hay chê ngành kia. Mà để chỉ ra rằng phần lớn sai sót trong phân tích bóng đá không nằm ở khâu đo. Chúng ta đo rất tốt, tốt hơn nhiều so với mười lăm năm trước. Sai sót nằm ở khâu dán nhãn cho thứ vừa đo.

Ba tầng nhãn và ba tầng sai

Trong hơn ba mươi năm theo dõi ngành bóng đá, riêng mười một năm gần đây làm việc với dữ liệu chuyên nghiệp ở Valencia, tôi nhận ra sai sót phân loại xuất hiện ở ba tầng khác nhau, và tầng càng cao thì càng khó phát hiện.

Tầng thấp nhất là nhãn sự kiện. Ai chạm bóng, ở đâu, bằng cách nào. Nghe thì đơn giản, nhưng đây là nơi các nhà cung cấp dữ liệu lệch nhau nhiều nhất. Một đường chuyền bị hậu vệ chạm nhẹ trước khi tới đồng đội: nó là đường chuyền thành công, đường chuyền hỏng, hay một pha phá bóng? Ba nhà cung cấp khác nhau có thể cho ba câu trả lời khác nhau về cùng một sự việc, và cả ba đều tự tin rằng mình đúng. Khi bạn ghép dữ liệu từ hai nguồn cho cùng một trận, sai lệch ở tầng này có thể chiếm một tỷ lệ đáng kể trong tổng số sự kiện được ghi.

Tầng thứ hai là nhãn vai trò. Đây mới là nơi tốn tiền. Tiền vệ cánh và tiền đạo lệch cánh nghe gần giống nhau, nhưng trong một mô hình định giá cầu thủ, hai nhãn ấy nằm ở hai nhóm tuổi sự nghiệp khác nhau, hai mức lương tham chiếu khác nhau, hai mức phí chuyển nhượng khác nhau. Một cầu thủ bị dán nhãn sai ở tầng này không chỉ bị định giá sai một lần. Cậu ta bị định giá sai trong suốt quãng đời còn lại của sự nghiệp, vì mọi mô hình phía sau đều học từ cái nhãn gốc.

Tầng thứ ba là nhãn kết luận. Đây là tầng mà truyền thông sống bằng nó: bản lĩnh, tâm lý yếu, ADN chiến thắng, đội bóng nhỏ. Những nhãn này không đo được, không kiểm chứng được, và vì thế không bao giờ bị bác bỏ. Chúng chỉ được truyền từ bài này sang bài khác, từ mùa này sang mùa khác, cho tới khi trở thành thứ mà không ai còn nhớ là đã từng có nguồn gốc.

Dữ liệu không biết nói dối, nhưng nó cũng không tự kể chuyện. Mọi con số đều đã đi qua tay một người dán nhãn. Vấn đề là người dán nhãn ấy hiếm khi ký tên.

Có một ví dụ rất cụ thể cho tầng nhãn sự kiện mà tôi vẫn dùng khi đào tạo các bạn trẻ trong phòng phân tích. Cùng một cú sút từ khoảng 12 mét, hơi lệch góc, có thể được một mô hình cho giá trị bàn thắng kỳ vọng khoảng 0,08 và một mô hình khác cho khoảng 0,14. Cả hai đều hợp lý về mặt toán học. Nhưng khi bạn cộng 0,08 cho mỗi cú sút của một đội trong cả mùa giải, và cộng 0,14 cho mỗi cú sút của đội đối thủ, rồi đặt hai kết quả cạnh nhau trên một biểu đồ, bạn sẽ tạo ra một kết luận chênh lệch gần gấp đôi so với thực tế. Không ai nói dối. Chỉ là hai người dùng hai định nghĩa khác nhau cho cùng một từ.

Tầng nhãn vai trò cũng vậy. Khi một trung vệ chơi trong hệ thống ba người phía sau bị đối chiếu với nhãn trung vệ trong hàng bốn, chỉ số của cậu ta trông tệ hơn thực tế, vì nhiệm vụ của cậu ta khác về bản chất. Cậu ta ít phải đối mặt với tình huống một chọi một hơn, nhưng phải bao quát không gian rộng hơn, và những pha bọc lót ấy hầu như không xuất hiện trong bảng thống kê chuẩn. Một tiền vệ trung tâm ở đội bóng yếu, nơi cậu ta chỉ chạm bóng khoảng sáu mươi phần trăm số lần so với đồng nghiệp ở đội mạnh, sẽ bị mô hình đánh giá thấp, vì mẫu của cậu ta nhỏ hơn chứ không phải vì cậu ta kém hơn.

Điều này dẫn tới một hệ quả mà giới tuyển trạch ít khi nói ra. Những cầu thủ tốt nhất ở các đội bóng tầm trung thường bị định giá thấp hơn giá trị thật của họ, và phần lớn sai số ấy đến từ nhãn, không đến từ kỹ năng. Những đội bóng lớn khai thác chính khoảng trống đó. Họ không mua cầu thủ giỏi nhất theo bảng xếp hạng chỉ số. Họ mua cầu thủ bị bảng xếp hạng chỉ số dán nhãn sai.

Bài học từ 31 giờ băng ghi hình

Năm 2026, khi còn theo dõi Levante UD ở Valencia, tôi ngồi lại với 31 giờ băng ghi hình của một mùa giải. Mục tiêu ban đầu rất hẹp: tìm xem đội này thủng lưới từ đâu.

Bảng thống kê chuẩn cho tôi một câu trả lời trông rất hợp lý: hàng thủ chơi lệch, các bàn thua rải đều, không có mô hình rõ ràng. Nhưng khi tôi tự mã hóa lại từng tình huống thay vì tin vào nhãn có sẵn, kết quả đổi hẳn. Phần lớn bàn thua đến từ hành lang cánh trái, và một nhóm trong đó đến từ những quả phạt góc bị khai thác theo đúng một mô hình chạy chỗ lặp đi lặp lại. Tôi vẽ 214 sơ đồ tấn công, và số điểm mất từ nhóm tình huống ấy đủ để thay đổi vị trí cuối mùa của đội.

Điều đáng chú ý là dữ liệu gốc không hề sai. Từng sự kiện đều đúng. Cái sai nằm ở nhãn mà hệ thống mặc định gán cho chúng. Hệ thống gọi đó là bàn thua từ tình huống cố định, một nhãn quá rộng để có thể rút ra hành động. Muốn có hành động, phải dán nhãn lại hẹp hơn: bàn thua từ phạt góc cánh trái, khi tuyến hai không kịp lùi, và khi hậu vệ biên phía đó bị hút vào trong.

Chiến thuật không phải là sơ đồ; nó là cách đội bóng phản ứng trước hỗn loạn. Và muốn nhìn thấy phản ứng, bạn phải phân loại được hỗn loạn trước đã.

Sau khi tôi trình bày kết quả, một biên tập viên nói với tôi rằng anh ấy không tin lắm, vì bảng thống kê chính thức nói khác. Tôi đề nghị anh ấy làm một việc đơn giản: xem lại bốn trận kế tiếp và ghi lại từng bàn thua theo cách phân loại mới của tôi. Ba trong bốn trận ấy diễn ra đúng như mô hình dự đoán. Đó là lần đầu tiên tôi hiểu ra rằng giá trị của phân tích không nằm ở việc nói ra điều gì đúng, mà ở việc đưa ra một cách phân loại khác có thể bị kiểm chứng bằng trận đấu kế tiếp.

1.029 đường chuyền và tám cú sút

Năm 2026, ở World Cup tại Nga, tôi được mời bình luận chiến thuật cho trận Tây Ban Nha gặp Nga ở vòng 16 đội. Tây Ban Nha hoàn thành 1.029 đường chuyền và cầm bóng khoảng 74%. Họ bị loại trên chấm luân lưu, sau khi chỉ tung ra được tám cú sút trúng khung thành trong 120 phút. Thủ thành Igor Akinfeev của Nga là người chặn đứng loạt luân lưu ấy.

Chỉ số 1.029 đường chuyền ngay lập tức trở thành tiêu đề. Nó được dùng để chứng minh nhiều thứ trái ngược nhau: rằng Tây Ban Nha vẫn chơi đúng bản sắc, rằng Tây Ban Nha đã hết ý tưởng, rằng kiểm soát bóng vô dụng. Cả ba kết luận đều được rút ra từ cùng một con số, và cả ba đều bỏ qua câu hỏi duy nhất đáng hỏi: 1.029 đường chuyền ấy đi về đâu.

Tôi vẽ lại 47 đợt lên bóng của họ. Phần lớn số đường chuyền là luân chuyển ngang ở khu vực trước vòng cấm, nơi hàng thủ Nga đã lùi đủ sâu để mọi đường chuyền ngang đều trở thành đường chuyền an toàn. Khoảng tám mươi phần trăm số đường chuyền nằm trong nhóm luân chuyển không tạo ra góc đột phá. Tỷ lệ đường chuyền tịnh tiến vào vùng nguy hiểm thấp đến mức nó giải thích luôn chỉ số tám cú sút trúng khung thành.

Bóng chỉ là một biến số; cách nó di chuyển mới là thông điệp. Chỉ số 1.029 không sai. Cái nhãn kiểm soát bóng dán lên nó mới là thứ sai, vì nó gộp hai thứ hoàn toàn khác nhau — cầm bóng để tìm khoảng trống và cầm bóng để tránh mất bóng — vào cùng một ô.

Khi tôi trình bày luận điểm này trên sóng trực tiếp trước khoảng hai triệu khán giả, phản ứng không hề nhẹ nhàng. Có người nói thẳng rằng một phụ nữ thì không hiểu chiến thuật. Tôi không tranh luận. Tôi chỉ đưa ra số liệu về vị trí trung bình của từng đường chuyền, về số lần bóng vào vùng 16m50, và về số pha chuyển trạng thái sau khi mất bóng. Vài ngày sau, khi các nhà phân tích khác làm lại phép đếm, con số của tôi đứng vững. Nhưng điều tôi nhớ nhất không phải là việc mình đúng. Điều tôi nhớ nhất là có bao nhiêu người sẵn sàng rút ra một kết luận chiến thuật lớn từ một con số mà chưa từng kiểm tra xem con số ấy được dán nhãn thế nào.

Khi khán đài trống và nhãn sân nhà biến mất

Năm 2026, khi bóng đá trở lại sau thời gian phong tỏa, tôi rà lại 63 trận La Liga không khán giả và đặt cạnh 63 trận trước dịch. Mục tiêu là kiểm tra một nhãn mà cả ngành coi là định luật: lợi thế sân nhà.

Kết quả lệch rõ. Tỷ lệ pressing thành công giảm khoảng 12%. Tỷ lệ bàn thắng từ phản công nhanh tăng khoảng 18%. Độ cao trung bình của tuyến phòng ngự đội chủ nhà giảm khoảng 4 mét. Ba chỉ số này không giải thích toàn bộ câu chuyện, nhưng chúng chỉ ra một điều mà cái nhãn cũ che mất: phần lớn lợi thế sân nhà mà chúng ta tưởng là đặc tính chiến thuật, thực ra là một hiệu ứng tâm lý tác động lên con người — cầu thủ đối phương, và cả trọng tài.

Sân trống không xóa đi trận đấu, nó lột trần những lời biện minh. Khi bốn mươi nghìn khán giả biến mất, các đội chủ nhà không còn dám dâng cao tuyến phòng ngự như trước. Hóa ra họ dâng cao không phải vì đó là lựa chọn chiến thuật tối ưu, mà vì đám đông phía sau khiến việc lùi sâu trở nên đắt đỏ về mặt cảm xúc.

Ba tuần sau khi tôi công bố bản báo cáo dài 12 trang, một trợ lý huấn luyện ở La Liga trích dẫn nó trong họp báo chính thức. Đó là lần đầu tiên tôi thấy một phân tích dữ liệu độc lập đi thẳng vào ngôn ngữ của ban huấn luyện, thay vì chỉ nằm trên báo.

Bốn bước để tự bình duyệt

Từ ba câu chuyện trên, tôi rút ra một quy trình nhỏ mà tôi vẫn dùng trước khi cho bất kỳ kết luận nào rời khỏi máy tính.

Bước đầu tiên là truy ngược nhãn. Với mỗi chỉ số định dùng, tôi tự hỏi: ai đã gán nhãn cho sự kiện này, theo định nghĩa nào, và định nghĩa ấy thay đổi khi nào. Chỉ cần biết rằng hai nhà cung cấp lớn định nghĩa cơ hội rõ ràng khác nhau, bạn sẽ thôi so sánh chỉ số của họ như thể chúng cùng đơn vị đo.

Bước thứ hai là tách mẫu. Một trận không phải là mẫu. Năm trận cũng không. Với những kết luận hệ thống, tôi cần tối thiểu một mùa, và cần một nhóm so sánh tương xứng. Khi kiểm tra lợi thế sân nhà, 63 trận so với 63 trận là mức tối thiểu để tôi dám nói ra thành lời.

Bước thứ ba là tìm phản ví dụ. Trước khi khẳng định một mô hình, tôi đi tìm trường hợp nó không đúng. Nếu không tìm được phản ví dụ nào, khả năng cao là tôi chưa tìm kỹ, chứ không phải mô hình hoàn hảo.

Bước thứ tư là để người khác làm lại. Đây là bước bóng đá bỏ qua nhiều nhất. Trong giới phân tích, chúng ta hiếm khi chia sẻ mã nguồn, định nghĩa chỉ số và tập dữ liệu thô cho người ngoài kiểm tra. Kết quả là mỗi người xây một mô hình riêng, tin vào nó, và không ai đủ khả năng bác bỏ ai.

Dữ liệu tốt không trả lời câu hỏi, nó dạy ta đặt câu hỏi tốt hơn.

Nhãn sai trong thị trường chuyển nhượng

Có một hệ quả của vấn đề này mà tôi theo dõi nhiều năm và thấy nó ngày càng rõ. Trong mùa giải thường niên, khi một đội bóng tầm trung làm tốt hơn dự kiến, phần thưởng dành cho họ thường không phải là giữ nguyên đội hình, mà là bị chia cắt. Hai hoặc ba cầu thủ trụ cột được các đội lớn đưa đi trong vòng một kỳ chuyển nhượng. Thành công trở thành dạng mở đầu cho một cuộc tháo dỡ.

Điều đáng chú ý là quá trình tháo dỡ ấy thường dựa trên nhãn, không dựa trên dữ liệu đã được bình duyệt. Một cầu thủ chơi tốt trong hệ thống cụ thể của đội bóng mẹ được dán nhãn là tiền đạo toàn diện, được mua về, rồi bị đặt vào một hệ thống khác nơi những phẩm chất thật của cậu ta không còn được sử dụng. Mùa sau, cậu ta bị dán nhãn mới: kém thích nghi. Không ai quay lại kiểm tra xem cái nhãn đầu tiên có đúng hay không.

Một ví dụ khác nằm ở quản lý tải trọng. Trong nhiều năm, tôi nghe rất nhiều về các chương trình xoay tua khoa học, về việc nghỉ ngơi có kế hoạch. Nhưng khi nhìn vào lịch thi đấu thực tế của một cầu thủ ở đội bóng lớn, bạn sẽ thấy những chuyến đi xa xen giữa các trận đấu quan trọng, thường là cho các trận giao hữu thương mại. Việc quản lý tải trọng tồn tại, nhưng nó thường phải nhường chỗ cho lịch trình ấy, và khi cầu thủ chấn thương, cái nhãn được dán lên là thể lực yếu hoặc thiếu chuyên nghiệp.

Cả hai ví dụ đều là sai sót ở tầng nhãn thứ ba. Chúng ta giải thích kết quả bằng tính cách, trong khi nguyên nhân nằm ở cấu trúc. Và vì nhãn tính cách không thể kiểm chứng, chúng tồn tại lâu hơn mọi dữ liệu.

Góc nhìn ngược: khi phân loại trở thành thiên kiến

Có một nghịch lý mà tôi chưa thấy ai trong ngành nói thẳng ra. Trong mười lăm năm qua, bóng đá chuyển từ thiếu dữ liệu sang thừa dữ liệu. Chúng ta giải quyết được vấn đề đo lường, nhưng lại tạo ra một vấn đề mới: phân loại quá nhiều.

Khi mọi pha bóng đều có nhãn, mọi cầu thủ đều có nhãn, mọi đội bóng đều có nhãn, thì cái nhãn trở thành khuôn mẫu mà dữ liệu buộc phải khớp vào. Một cầu thủ không khớp khuôn mẫu sẽ bị hệ thống đẩy ra rìa, không phải vì cậu ta chơi kém, mà vì mô hình không có ô nào dành cho cậu ta.

Điểm mù thật sự của bóng đá hiện đại không phải là thiếu dữ liệu. Nó là sự tự tin rằng hệ thống phân loại của mình là trung lập. Trong thiên văn, người ta mất hàng tháng để chứng minh tín hiệu không đến từ nguồn khác. Trong bóng đá, chúng ta mất khoảng ba mươi giây để quyết định một cầu thủ thuộc loại nào, và sau đó dành nhiều năm để biện minh cho quyết định ấy bằng dữ liệu.

Tôi không đề nghị bóng đá chờ bình duyệt như thiên văn. Không ai có thể đợi vài tháng để biết có nên ký hợp đồng với một tiền đạo. Nhưng có một phiên bản rút gọn của bình duyệt mà bất kỳ phòng phân tích nào cũng có thể áp dụng ngay: trước khi dùng một chỉ số, hãy ghi rõ định nghĩa, nguồn và người gán nhãn; và trước khi kết luận về một cầu thủ, hãy kiểm tra xem cậu ta có bị dán nhãn sai từ đầu hay không.

Điều này không làm cho phân tích chậm hơn. Nó làm cho phân tích có thể bị bác bỏ, và đó chính là điểm khác biệt giữa một ý kiến và một kết luận.

Điều cần kiểm tra ở vòng đấu tới

Tuần này, khi xem lại các trận ở La Liga, tôi sẽ làm một việc rất nhỏ: với mỗi đội, tôi sẽ ghi lại cái nhãn mà truyền thông đang dùng cho họ — đang khủng hoảng, đang thăng hoa, chơi phòng ngự phản công — rồi so nhãn ấy với ba chỉ số khô khan nhất: số lần vào vòng cấm đối phương, số lần cho đối phương vào vòng cấm, và chất lượng của những tình huống chuyển trạng thái.

Nếu nhãn và số liệu khớp nhau, nhãn ấy đáng tin. Nếu chúng lệch nhau, cái lệch thường là cái nhãn.

Một trận cầu không khán giả vẫn đủ ồn ào, nếu ta biết nghe từng nhịp chạm bóng. Và có lẽ, điều đáng nghe nhất không phải là tiếng bóng, mà là tiếng của người vừa dán nhãn lên nó. Nếu bạn cũng đang giữ một kho dữ liệu trong tay, hãy thử tự hỏi tuần này: có bao nhiêu cái nhãn trong đó là do bạn viết, và bao nhiêu cái chỉ đơn giản là được thừa kế từ người khác?