Khoảng trống dữ liệu: Khi mô hình bóng rổ im lặng trước điều quan trọng nhất

Ba giờ sáng, màn hình vẫn sáng. Tôi mở lại bảng tổng hợp trận đấu và thấy đúng một dòng nằm chơ vơ giữa hàng trăm ô số: “N/A”. Đêm đó, đội bóng tôi theo dõi suốt mùa giải bị loại, và hệ thống dữ liệu của tôi — thứ tôi dựng lên bằng ba năm quan sát, hàng nghìn dòng play-by-play, hàng trăm giờ băng ghi hình — không nói được một lời nào có nghĩa. Không phải lỗi đường truyền. Không phải lỗi nhập liệu. Mô hình chạy trơn tru, chỉ là nó không có gì để nói. Và chính sự im lặng đó mới là điều đáng sợ nhất. Trong bóng rổ, người ta thường sợ dữ liệu sai. Nhưng tôi đã học được rằng dữ liệu trống rỗng nguy hiểm hơn gấp nhiều lần, bởi nó không báo động, không tạo ra mâu thuẫn, không buộc ai phải nghi ngờ. Nó chỉ đơn giản là vắng mặt, để rồi mọi kết luận được xây trên đó đều mang theo một lỗ hổng vô hình.

Tôi ngồi lại đến sáng, không phải để sửa mô hình, mà để hiểu vì sao mình đã tin nó đến thế. Suốt nhiều năm, tôi tự nhận mình là người kể chuyện bằng dữ liệu. Tôi học cách đặt niềm tin vào chỉ số cao cấp, vào nhịp độ thi đấu, vào hiệu số tấn công và phòng ngự trên mỗi trăm lượt sở hữu bóng. Nhưng cái đêm mô hình im lặng ấy dạy tôi một điều mà không trường dữ liệu nào dạy: phần lớn thất bại trong phân tích không đến từ con số sai, mà đến từ con số thiếu. Và con số thiếu thì không bao giờ tự nói rằng nó đang thiếu.

Sự việc khiến tôi nhớ lại một buổi họp chuyên môn ở tòa soạn. Một biên tập viên trẻ đưa ra bảng phân tích về một cầu thủ trẻ đang lên với hiệu số cộng trừ ròng rất đẹp, hiệu suất dứt điểm trong vòng cấm cao, tỉ lệ chuyền thành bàn ấn tượng. Cả phòng gật gù. Chỉ có tôi hỏi một câu: “Cậu ấy đá bao nhiêu phút trước những đối thủ mạnh nhất?” Không ai trả lời được, vì bộ dữ liệu không có cột đó. Đó là bản chất của vấn đề. Chúng ta thường xây kết luận trên những gì được đo, chứ không phải trên những gì quan trọng, và hai tập hợp ấy không bao giờ trùng khớp hoàn toàn.

Trong bóng rổ hiện đại, khoảng cách giữa hai tập hợp ấy đang rộng ra. Dữ liệu theo dõi chuyển động, dữ liệu vị trí, dữ liệu va chạm, dữ liệu nhịp thở — tất cả đều phình to. Người ta có thể đo quãng đường di chuyển của một cầu thủ trong từng hiệp, tốc độ tối đa khi bứt phá, số lần đổi hướng mỗi phút. Nhưng cái thứ quyết định một pha bóng cuối trận lại thường nằm ngoài mọi thước đo: sự bình tĩnh, khả năng đọc ý đồ đối thủ, và một chút gì đó rất khó gọi tên. Tôi từng viết rằng thiếu cảm xúc đôi khi lại là biểu hiện của kỷ luật tuyệt đối. Nhưng đến khi ngồi trước một mô hình trống rỗng, tôi mới hiểu mặt còn lại của câu đó: khi dữ liệu im lặng, cảm xúc là thứ duy nhất còn lại, và nó không đáng tin.

Tôi bắt đầu nhìn lại toàn bộ quá trình mình làm nghề. Năm 2026, khi còn là biên tập viên dữ liệu trẻ ở Hà Nội, tôi từng gây tranh cãi khi khẳng định một đội bóng xứng đáng thắng đậm hơn nhiều so với tỉ số thực tế. Tôi dựa vào số bàn thắng kỳ vọng, tỉ lệ kiểm soát bóng và số cú dứt điểm trong vòng cấm. Bài viết bị chế giễu, nhưng một tuần sau huấn luyện viên của đội đó thừa nhận đã xem lại băng và thay đổi cách tiếp cận dựa trên phân tích ấy. Đó là khoảnh khắc tôi tin rằng dữ liệu không chỉ mô tả mà còn định hướng. Nhưng niềm tin ấy, như mọi niềm tin tuyệt đối, cần được kiểm chứng bằng thất bại. Và thất bại đến, đúng vào lúc tôi tự tin nhất.

Năm 2026, khi các giải đấu trở lại với khán đài trống, tôi đặt cược rằng lợi thế sân nhà sẽ sụp đổ. Tôi đã đúng về xu hướng: tỉ lệ thắng sân nhà tụt rõ rệt. Nhưng tôi sai thảm hại khi dự đoán tốc độ hồi phục, vì mô hình của tôi không có cột dữ liệu nào cho chất lượng sân tập, cho tâm lý cầu thủ, cho lịch thi đấu dày đặc bất thường. Đó là lần đầu tôi viết ra câu mà sau này thành nguyên tắc: số liệu cho thấy xu hướng, nhưng không phải lời tiên tri. Tôi bắt đầu thêm mục “rủi ro và khoảng trống” vào mọi bài phân tích, không phải để tự vệ, mà để người đọc biết mô hình đang đứng trên nền đất nào.

Đến năm 2026, tôi tưởng mình đã khôn hơn. Tôi dựng một mô hình dự đoán dựa trên chỉ số tấn công tích lũy, hiệu số bàn thắng và khả năng kiểm soát, rồi tự tin kết luận về một đội mạnh sẽ vượt qua vòng bảng. Kết quả thì ai cũng biết. Đội đó bị loại ngay từ vòng đầu. Nhìn lại, tôi nhận ra mô hình của mình thiếu hẳn dữ liệu về cường độ pressing của đối thủ nhỏ, thứ nằm ngoài mọi bộ dữ liệu tôi thu thập trước giải. Tôi suy sụp vài tuần. Sau đó, tôi dành ba tháng để xây một hệ thống tích hợp nhiều nguồn dữ liệu phi truyền thống, và quan trọng hơn, để học cách chấp nhận rằng luôn có một phần sự thật mình không nắm được.

Đó là lý do khi màn hình hiện dòng “N/A”, tôi không hoảng loạn. Tôi nhận ra đó chính là bài học lớn nhất mà nghề này dạy tôi. Khoảng trống dữ liệu không phải là lỗi cần sửa, mà là tín hiệu cần đọc. Khi một mô hình không nói được gì, điều đó thường có nghĩa là sự thật đang nằm ở một chiều không gian khác, một chiều mà các cột số chưa chạm tới. Trong bóng rổ, điều này xảy ra liên tục. Một cầu thủ có chỉ số tấn công hoàn hảo nhưng đội thua mọi trận đấu lớn. Một đội có hiệu số phòng ngự tốt nhất giải nhưng sụp đổ ở loạt trận playoff. Một tân binh có mọi chỉ số của ngôi sao tương lai nhưng không thể thắng nổi một trận đấu căng thẳng. Mô hình nhìn thấy tất cả, trừ thứ quyết định.

Tôi học được rằng có ba loại khoảng trống dữ liệu trong bóng rổ, và mỗi loại đòi một cách ứng xử khác nhau. Loại thứ nhất là khoảng trống kỹ thuật: dữ liệu tồn tại nhưng chưa được thu thập, ví dụ như các chỉ số về giao tiếp phòng ngự hay chất lượng màn chắn không bóng. Loại thứ hai là khoảng trống cấu trúc: dữ liệu được thu thập nhưng không phản ánh đúng bối cảnh, ví dụ như chỉ số cộng trừ ròng khi cầu thủ chơi cạnh những đồng đội yếu. Loại thứ ba, và nguy hiểm nhất, là khoảng trống nhận thức: dữ liệu tồn tại, được thu thập, được phân tích, nhưng bị đặt sai câu hỏi. Chúng ta đo lường điều dễ đo thay vì điều cần đo, rồi tự thuyết phục mình rằng đã hiểu.

Loại thứ ba là nơi tôi từng mắc kẹt lâu nhất. Trong nhiều năm, tôi xây dựng các mô hình đánh giá cầu thủ dựa trên hiệu suất dứt điểm và khả năng tạo cơ hội, những thứ có sẵn dữ liệu sạch. Tôi bỏ qua những chỉ số khó đo hơn như khả năng thay đổi nhịp độ trận đấu, tác động lên tâm lý đồng đội, hay sức nặng của một pha phòng ngự ở thời điểm quyết định. Không phải vì tôi không biết chúng quan trọng, mà vì chúng không có cột trong bảng tính. Và con người ta, khi đứng trước một bảng tính trống, có xu hướng lấp đầy nó bằng những gì sẵn có thay vì thừa nhận rằng mình đang thiếu thứ quan trọng nhất.

Đó là lý do tôi bắt đầu áp dụng một nguyên tắc mà tôi gọi là “đọc khoảng trống”. Trước mỗi phân tích, tôi liệt kê ra những gì mô hình của mình không đo được, rồi tự hỏi liệu những thứ đó có thể đảo ngược kết luận hay không. Nếu câu trả lời là có, tôi không đưa ra kết luận tuyệt đối. Nguyên tắc này nghe đơn giản, nhưng nó thay đổi hoàn toàn cách tôi viết. Tôi không còn nói “cầu thủ này tốt nhất” hay “đội này sẽ vô địch”. Tôi nói “trên tập dữ liệu hiện có, cầu thủ này nổi bật ở các chỉ số X, Y, Z, nhưng tôi chưa có dữ liệu về A và B, và hai yếu tố đó có thể thay đổi bức tranh”.

Nhiều người đọc cho rằng cách viết ấy thiếu dứt khoát, thậm chí là né tránh. Tôi hiểu phản ứng đó. Độc giả muốn câu trả lời rõ ràng, muốn một cái tên, một dự đoán, một kết luận có thể trích dẫn. Nhưng tôi tin rằng sự trung thực về giới hạn của dữ liệu quan trọng hơn sự thỏa mãn tức thời. Tôi từng thấy quá nhiều phân tích chắc như đinh đóng cột, rồi sụp đổ, kéo theo niềm tin của độc giả vào toàn bộ ngành phân tích dữ liệu. Một kết luận sai với vẻ ngoài chắc chắn gây hại nhiều hơn một kết luận đúng với vẻ ngoài dè dặt.

Trong bóng rổ, ví dụ rõ nhất của loại khoảng trống này là cách chúng ta đánh giá những cầu thủ trẻ. Một tài năng mới nổi có thể đạt hiệu số tấn công rất cao, tỉ lệ dứt điểm hiệu quả, số đường kiến tạo ấn tượng. Nhưng mẫu dữ liệu của cậu ấy thường chỉ vài chục trận, đối thủ chưa điều chỉnh, và quan trọng nhất, chưa có dữ liệu về khả năng chịu áp lực khi mọi thứ được đặt lên vai. Đó là lý do những bản hợp đồng khổng lồ cho cầu thủ chưa chơi đủ nhiều trận đỉnh cao khiến tôi lo ngại. Một bản hợp đồng chỉ thực sự đúng khi con số ký cùng chữ ký, nhưng con số trên bảng tính chưa bao giờ ký cùng ai.

Tôi không tin vào linh cảm. Nhưng tôi tin vào những gì linh cảm được dữ liệu xác nhận. Vấn đề là phần lớn linh cảm trong bóng rổ lại đến từ những thứ dữ liệu chưa chạm tới, chứ không phải từ những thứ dữ liệu đã phủ. Khi một tuyển trạch viên nói rằng anh ta “cảm thấy” một cầu thủ sẽ thành công dù chỉ số không nổi bật, có thể anh ta đang đọc đúng một khoảng trống mà mô hình bỏ sót. Và khi một mô hình nói rằng một cầu thủ chắc chắn thành công dù người xem không thấy điều đó, có thể mô hình đang lấp đầy khoảng trống bằng giả định. Cả hai phía đều có thể đúng, đều có thể sai, và cách duy nhất để biết là chờ thời gian trả lời.

Điều này đưa tôi đến một nghịch lý mà tôi tin là trung tâm của mọi phân tích bóng rổ nghiêm túc. Càng nhiều dữ liệu, chúng ta càng dễ tin rằng mình hiểu toàn bộ bức tranh. Nhưng thực tế, càng nhiều dữ liệu, khoảng trống càng trở nên tinh vi và khó nhận ra hơn. Khi chỉ có vài chỉ số, ta biết rõ mình thiếu gì. Khi có hàng trăm chỉ số, ta tưởng mình đã phủ hết, và đó là lúc nguy hiểm nhất. Sự tự tin quá mức vào độ phủ của dữ liệu là cái bẫy lớn nhất mà bất kỳ nhà phân tích nào cũng có thể rơi vào, kể cả những người dày dạn nhất.

Tôi nhớ một buổi tranh luận với một đồng nghiệp về giá trị của một cầu thủ. Anh đưa ra một loạt chỉ số cao cấp cho thấy cầu thủ ấy vượt trội ở mọi khía cạnh đo lường được. Tôi không phản bác các con số. Tôi chỉ hỏi: “Trong những trận đấu mà đội bóng cần cậu ấy nhất, cậu ấy làm được gì?” Anh im lặng. Bộ dữ liệu của anh không có cột đó. Và khoảng trống ấy, dù nhỏ, lại là nơi sự thật về cầu thủ đó trú ngụ. Một cầu thủ có thể tuyệt vời trong 82 trận mùa thường và biến mất trong 7 trận playoff. Chỉ số trung bình của cả mùa sẽ không bao giờ phản ánh điều đó, trừ khi ta chủ động tách lớp dữ liệu theo bối cảnh.

Đó là lý do tôi cho rằng phân tích bóng rổ hiện đại cần chuyển từ câu hỏi “cầu thủ này giỏi đến đâu” sang câu hỏi “cầu thủ này giỏi trong hoàn cảnh nào”. Câu hỏi thứ nhất có thể trả lời bằng bảng tính. Câu hỏi thứ hai đòi hỏi bối cảnh, và bối cảnh thì không bao giờ có sẵn trong một cột số. Một chỉ số trung bình đẹp có thể che giấu sự phụ thuộc vào một hệ thống cụ thể, vào một huấn luyện viên cụ thể, vào một bộ đồng đội cụ thể. Khi những điều kiện đó thay đổi, chỉ số ấy có thể sụp đổ, và người ta gọi đó là “phong độ sa sút”, trong khi thực chất đó là sự thật bị phơi bày.

Tôi từng chứng kiến một đội bóng xây dựng lối chơi quanh một cầu thủ có chỉ số kiến tạo hàng đầu giải. Mọi phân tích đều ca ngợi khả năng tạo cơ hội của cậu ấy. Nhưng khi đội bóng chuyển sang một hệ thống khác, những đường kiến tạo biến mất, và người ta bắt đầu nghi ngờ tài năng của cậu ấy. Sự thật là tài năng ấy có thật, nhưng nó gắn chặt với một hệ thống cụ thể. Chỉ số không sai. Nó chỉ thiếu. Nó thiếu cột dữ liệu về mức độ phụ thuộc vào hệ thống, và đó chính là khoảng trống đã khiến cả một tập thể đánh giá sai về một con người.

Trong bóng rổ, những khoảng trống kiểu này xuất hiện ở mọi cấp độ. Ở cấp độ đội bóng, chúng ta đo hiệu số tấn công và phòng ngự, nhưng không đo được sự gắn kết trong phòng thay đồ, thứ đôi khi quyết định cả một mùa giải. Ở cấp độ cầu thủ, chúng ta đo được tốc độ, sức bật, độ chính xác, nhưng không đo được khả năng lãnh đạo, thứ chỉ hiện ra trong những khoảnh khắc khó khăn nhất. Ở cấp độ giải đấu, chúng ta đo được doanh thu, lượng người xem, giá trị thương hiệu, nhưng không đo được sức khỏe thực sự của môn thể thao, thứ nằm ở những sân tập cấp cơ sở và những đứa trẻ chưa từng được nhìn thấy.

Tôi không tin vào linh cảm. Nhưng tôi tin rằng một nhà phân tích giỏi phải có khả năng cảm nhận được khoảng trống của chính mình. Đó là một kỹ năng không nằm trong bất kỳ khóa học thống kê nào. Nó đến từ việc liên tục đặt câu hỏi về những gì mình không biết, và chấp nhận rằng câu trả lời đôi khi là “tôi không biết”. Trong một ngành mà sự chắc chắn được thưởng bằng lượt xem và sự dè dặt bị coi là yếu đuối, việc giữ được sự khiêm tốn nhận thức là một cuộc chiến mỗi ngày.

Có một điều tôi học được từ chính những lần mô hình của mình sụp đổ: khoảng trống dữ liệu không phân biệt người mới hay người cũ. Nó không quan tâm đến số năm kinh nghiệm hay số giải thưởng của bạn. Nó chỉ chờ, âm thầm, cho đến khi bạn đưa ra một kết luận tuyệt đối, rồi phơi bày rằng bạn đã bỏ sót điều gì đó. Và điều đáng sợ là nó luôn phơi bày vào thời điểm tệ nhất, khi bạn đã cam kết với kết luận của mình, khi bạn đã đặt uy tín lên bàn.

Đó là lý do tôi bắt đầu coi mỗi bài viết của mình như một tài liệu có thể bị bác bỏ, thay vì một phán quyết cuối cùng. Tôi viết ra cả những gì có thể khiến kết luận của mình sai. Tôi ghi rõ nguồn dữ liệu, thời điểm thu thập, kích thước mẫu, và những giả định đằng sau mỗi con số. Không phải để tự vệ, mà để người đọc có thể tự đánh giá. Một phân tích trung thực không phải là một phân tích không thể sai, mà là một phân tích cho người đọc đủ công cụ để biết nó có thể sai ở đâu.

Trở lại với cái đêm mô hình im lặng. Tôi nhận ra rằng dòng “N/A” ấy không phải là thất bại của dữ liệu. Nó là một lời nhắc nhở. Nó nhắc tôi rằng phía sau mỗi con số là một con người, một khoảnh khắc, một bối cảnh mà không bảng tính nào chứa đủ. Nó nhắc tôi rằng bóng rổ, dù ngày càng được lượng hóa, vẫn là một môn thể thao của những điều không thể đo. Và nó nhắc tôi rằng công việc của tôi không phải là biến bóng rổ thành toán học, mà là dùng toán học để hiểu bóng rổ sâu hơn, đồng thời biết rõ giới hạn của công cụ mình cầm.

Tôi không tin vào linh cảm. Nhưng tôi tin vào những gì linh cảm được dữ liệu xác nhận, và vào việc thừa nhận rằng có những linh cảm không bao giờ được dữ liệu xác nhận. Sự thừa nhận đó không làm tôi yếu đi. Nó làm tôi chính xác hơn, bởi nó buộc tôi phân biệt giữa cái tôi biết và cái tôi tưởng mình biết. Trong một ngành mà ai cũng muốn tỏ ra chắc chắn, việc biết mình không chắc chắn ở đâu là một lợi thế, không phải một điểm yếu.

Nhìn về phía trước, tôi tin rằng thế hệ phân tích tiếp theo sẽ không được đánh giá bằng việc họ thu thập được bao nhiêu dữ liệu, mà bằng việc họ nhận ra khoảng trống của mình nhanh đến đâu. Các mô hình sẽ ngày càng mạnh, nhưng khoảng trống cũng sẽ ngày càng tinh vi. Ai chỉ dựa vào sức mạnh tính toán sẽ bị bỏ lại phía sau. Ai biết đọc những gì mô hình không nói sẽ đi trước. Và trong bóng rổ, nơi mọi trận đấu đều có thể được quyết định bởi một khoảnh khắc không thể dự đoán, khả năng ấy có giá trị hơn bất kỳ chỉ số nào.

Con số không bao giờ cần chúng ta bảo vệ. Ngược lại, chúng ta cần chúng để không tự lừa mình. Nhưng chúng ta cũng cần biết rằng có những sự thật nằm ngoài mọi con số, và chính những sự thật ấy là lý do bóng rổ vẫn khiến chúng ta phải ngồi lại đến ba giờ sáng, nhìn chằm chằm vào một màn hình, và tự hỏi mình đã bỏ lỡ điều gì.