Bảng Dữ Liệu Trống: Vì Sao Phân Tích Bóng Rổ Hiện Đại Dễ Tự Lừa Chính Mình

Đêm 14 tháng 3, tôi mở tệp west_conf_audit_v7.csv trên chiếc laptop đặt cạnh cửa sổ căn hộ ở Boston. Bảng tính có 47 cột: possession, shot_zone, defender_distance, contest_level, seconds_remaining, lineup_id, và bốn mươi cột khác do chính tay tôi đặt tên trong suốt bảy năm làm nghề. Số dòng: không có dòng nào.

Nhà cung cấp dữ liệu theo dõi của tôi ngừng truyền đúng sáu giờ. Sáu giờ ấy trùng khít với trận đấu mà tôi phải nộp bài phân tích trước 8 giờ sáng hôm sau. Tôi ngồi nhìn cái bảng rỗng, và nhận ra điều mà mười một năm bình luận trực tiếp các trận chung kết NBA chưa từng dạy tôi: một bảng dữ liệu trống không hề trung lập. Nó là một khoảng chân không, và khoảng chân không nào cũng hút lấy câu chuyện.

Đêm đó tôi không viết bài. Tôi bắt đầu kiểm tra lại mọi thứ mình từng viết.

Ba tầng dữ liệu và một ô trống

Ngành phân tích bóng rổ chuyên nghiệp vận hành trên ba tầng dữ liệu chồng lên nhau. Tầng thứ nhất là play-by-play, thứ mà bất kỳ ai có kết nối internet cũng tải được, ghi lại từng sự kiện theo từng giây. Tầng thứ hai là tracking, hệ thống camera ghi tọa độ của quả bóng và mười cầu thủ ở tần suất 25 khung hình mỗi giây, biến mỗi bước chân thành một cặp số thực. Tầng thứ ba là dữ liệu ngữ cảnh do con người gán nhãn: ai phòng ngự, phòng ngự kiểu gì, cầu thủ có đang đau không, huấn luyện viên có ý đồ gì trong một pha bóng cụ thể.

Ba tầng đó không bao giờ khớp hoàn toàn với nhau. Tôi biết điều này từ năm 2026, khi ngồi trong phòng làm việc của ESPN và đối chiếu bảng play-by-play của một trận vòng bảng World Cup với bảng tracking do đối tác cung cấp. Hai bảng lệch nhau 41 sự kiện. Không phải vì ai đó làm sai. Chỉ là hai hệ thống định nghĩa "một possession" theo hai cách khác nhau.

Nhưng có một khoảng trống khác, nguy hiểm hơn nhiều, và nó nằm ngay trong ô dữ liệu bị bỏ trống.

Trong khoa học dữ liệu, một ô trống mang nghĩa "chưa biết". Một ô chứa số 0 mang nghĩa "đã đo, và kết quả bằng không". Hai thứ này khác nhau về bản chất, giống như sự khác biệt giữa "tôi chưa từng đến nhà cầu thủ đó" và "tôi đến nhà cầu thủ đó và anh ấy không có ở nhà".

Vấn đề nằm ở chỗ: phần lớn phần mềm bảng tính, phần lớn thư viện lập trình, và phần lớn đường ống dữ liệu tự động, mặc định biến ô trống thành số 0. Không có cảnh báo. Không có tiếng động. Ô trống lặng lẽ trở thành một con số, và con số đó bắt đầu tham gia vào mọi phép tính phía sau.

Đó là tội nguyên tổ của ngành phân tích thể thao hiện đại.

Null không phải số 0

Năm 2026, khi đại dịch khiến mọi giải đấu trên thế giới dừng lại, tôi có thời gian làm một việc mà trước đó tôi chưa từng làm: kiểm tra lại toàn bộ dữ liệu mình đã dùng trong mười mùa giải.

Tôi gom dữ liệu quãng đường chạy và cường độ thi đấu của 4.500 cầu thủ trong mười mùa Premier League, xây dựng chỉ số Workload Risk Index nhằm dự đoán nguy cơ chấn thương. Báo cáo dài 12.000 từ được công bố, và một câu lạc bộ Championship đã liên hệ áp dụng mô hình vào quản lý thể lực, giúp họ giảm 30% ca chấn thương trong nửa sau mùa giải.

Nhưng trước khi đi đến kết quả đó, tôi phải đi qua một bước mà tôi suýt bỏ qua.

Khi kiểm tra chất lượng dữ liệu, tôi phát hiện 8,3% số dòng trong tập dữ liệu gốc có ô thời gian thi đấu bị trống. Những dòng đó thuộc về các cầu thủ không ra sân vì chấn thương, vì án treo giò, hoặc vì quyết định chiến thuật của huấn luyện viên. Nếu để nguyên như vậy và chạy mô hình, phần mềm sẽ coi họ là cầu thủ có 0 phút thi đấu, tức là cầu thủ khỏe mạnh nhưng không được dùng. Kết quả là chỉ số rủi ro chấn thương của họ bị đẩy xuống mức thấp giả tạo.

Khi tôi sửa lại bằng cách đánh dấu rõ ràng các ô trống và loại chúng khỏi mẫu số, chỉ số rủi ro của 214 cầu thủ đảo chiều. Hơn hai trăm con người bước vào mùa giải tiếp theo với một nhãn dán sai trên lưng, chỉ vì một ô trống bị hiểu thành số 0.

Một ô trống bị hiểu thành số 0 không tạo ra lỗi ở dòng đó. Nó tạo ra lỗi ở mọi dòng phía sau, và lỗi đó lan ra theo cấp số nhân của số phép tính trung bình.

Cách sửa không phức tạp. Mọi tập dữ liệu phải có một cột đánh dấu độ tin cậy cho từng ô. Mọi phép tính trung bình phải tách mẫu số thành hai loại: mẫu số đầy đủ và mẫu số khả dụng. Mọi mô hình phải được chạy thử hai lần, một lần với ô trống được đánh dấu, một lần với ô trống bị loại bỏ hoàn toàn. Nếu hai lần chạy cho ra hai kết luận khác nhau, kết luận đó chưa chín.

Tôi không đoán, tôi đếm. Và rồi một ngày, viên ngọc lộ ra giữa đống dữ liệu thô.

Ngưỡng 50 possession

Có một loại ô trống khác, tinh vi hơn, và nó thường xuyên qua mặt cả những nhà phân tích kỳ cựu: ô trống về mặt thống kê.

Một nhóm năm cầu thủ cùng đứng trên sàn trong 40 possession và đạt hiệu số +18 trên 100 possession. Con số này đẹp đến mức khó tin. Nó cũng vô nghĩa.

Tôi gọi đây là ngưỡng 50 possession, và trong mọi mô hình của mình, tôi áp dụng nó như một luật cứng: không kết luận về một tổ hợp đội hình dưới 50 possession, không kết luận về một xu hướng ném ba dưới 200 lần thử, không kết luận về một mẫu số nhỏ hơn mức mà khoảng tin cậy cho phép.

Lý do nằm ở toán học cơ bản. Với 40 possession, độ lệch chuẩn của hiệu số điểm trên 100 possession rơi vào khoảng 15 điểm. Nghĩa là một đội hình thực chất trung bình, hoàn toàn có thể trông giống một đội hình xuất sắc chỉ nhờ bốn possession may mắn liên tiếp. Với 400 possession, độ lệch chuẩn thu hẹp xuống còn khoảng 5 điểm, và tín hiệu bắt đầu tách khỏi tiếng ồn.

Đây là điều mà các bản báo cáo chuyển nhượng thường xuyên bỏ qua. Một cầu thủ được đánh giá cao sau 12 trận đấu ở giải hạng dưới, nơi mỗi trận anh ta chơi 22 phút, tổng cộng chưa đến 500 possession cho cả mùa. Đó là một tờ giấy nháp, không phải một hồ sơ.

Sự khác biệt giữa một mẫu số lớn và một mẫu số nhỏ không nằm ở số lượng dữ liệu. Nó nằm ở việc bạn có đủ can đảm để nói "tôi chưa biết" hay không.

Tôi đã học bài này một cách đau đớn vào năm 2026, khi bị cả một cộng đồng cổ động viên gọi là kẻ mơ mộng.

Bài học Atlanta 2026

Mùa giải MLS 2026, trận đấu giữa New England Revolution và Atlanta United kết thúc với tỷ số 2-1 nghiêng về đội chủ nhà. Bảng điểm truyền thống nói rằng Atlanta thua. Dữ liệu bàn thắng kỳ vọng mà tôi thu thập nói điều ngược lại: Atlanta tạo ra 2,8 bàn kỳ vọng, New England tạo ra 1,1.

Tôi viết một bài chỉ ra rằng đội bóng của Tata Martino đang thiếu may mắn, không hề yếu kém. Phản hồi đến nhanh và không mấy dễ chịu. Cổ động viên trên mạng gọi tôi là gã mọt sách mơ mộng, kẻ ngồi nhà vẽ ra những con số để bào chữa cho một thất bại.

Tôi không lùi bước. Tôi tiếp tục thu thập dữ liệu bàn thắng kỳ vọng của Atlanta cho cả mùa. Kết quả trung bình: 1,87 bàn kỳ vọng mỗi trận, thuộc nhóm cao nhất giải. Cuối mùa, họ vào vòng playoffs, và bài viết của tôi trở thành một trong những phân tích tiên phong về bàn thắng kỳ vọng tại MLS.

Nhưng nếu đọc lại bài viết đó hôm nay, tôi sẽ sửa một chỗ. Tôi đã viết như thể dữ liệu bàn thắng kỳ vọng đã giải thích xong mọi thứ. Thực tế, nó chỉ loại trừ được một giả thuyết: giả thuyết cho rằng Atlanta tấn công kém. Nó không chứng minh Atlanta sẽ vô địch. Nó không chứng minh hàng thủ của họ đủ tốt. Nó chỉ nói rằng trong 90 phút cụ thể đó, đội bóng tạo ra nhiều cơ hội chất lượng hơn đối thủ.

Sự khác biệt giữa "loại trừ một giả thuyết" và "khẳng định một kết luận" là sự khác biệt giữa phân tích và cổ vũ.

Đó cũng là bài học mà tôi mang sang World Cup 2026.

Bài học PPDA 2026

Nhờ loạt bài về bàn thắng kỳ vọng tạo được tiếng vang, tôi được ESPN mời làm cây bút dữ liệu cho World Cup 2026. Ở vòng 1/8, Tây Ban Nha gặp Nga. Tây Ban Nha kiểm soát bóng 74%. Trên mọi bảng thống kê thông thường, đó là một thế trận một chiều.

Dữ liệu của tôi cho thấy một câu chuyện khác. PPDA của Nga, chỉ số đo số đường chuyền mà đối thủ được phép thực hiện trước khi đội phòng ngự can thiệp, chỉ ở mức 7,8. Con số đó nghĩa là Nga chủ động bỏ biên, dồn quân vào trung lộ, và bịt mọi đường chuyền xuyên tuyến. Tây Ban Nha cầm bóng nhiều nhưng phần lớn số đường chuyền đó diễn ra ở khu vực không nguy hiểm.

Tôi viết rằng Nga hoàn toàn có cơ sở để loại đối thủ sừng sỏ. Khi Nga thắng trên chấm luân lưu, bài viết tạo ra một cuộc tranh luận lớn. Một huấn luyện viên nổi tiếng người Đức chia sẻ lại kèm dòng trạng thái ngắn: "Dữ liệu không biết nói dối".

Nhưng chính tôi biết dữ liệu có thể bị đọc sai. Nếu tôi chỉ đưa con số PPDA 7,8 mà không đặt nó vào bối cảnh chiến thuật của trận đấu, người đọc sẽ hiểu đó là một chỉ số về sự hung hăng. Thực tế, PPDA thấp ở đây phản ánh một lựa chọn phòng ngự có chủ đích: nhường không gian vô hại để giữ không gian nguy hiểm. Cùng một con số, hai cách đọc, hai kết luận trái ngược.

Từ đó, mọi bài viết của tôi đều tuân theo một kết cấu cố định: nêu vấn đề, đặt con số vào bối cảnh chiến thuật, rồi mới đưa ra kết luận. Không có con số nào tự đứng một mình.

Khi đường ống tự viết kịch bản

Quay lại đêm 14 tháng 3 với tệp dữ liệu rỗng.

Điều khiến tôi lạnh sống lưng không phải là việc tôi không có dữ liệu. Mà là việc tôi biết chính xác mình có thể làm gì nếu tôi không để ý.

Nếu tôi đưa một bảng rỗng vào một đường ống phân tích tự động, và đường ống đó được lập trình để luôn trả về đủ chín hạng mục phân tích, thì nó sẽ trả về đủ chín hạng mục. Tất cả đều trôi chảy. Tất cả đều có tiêu đề. Tất cả đều có bảng biểu. Và tất cả đều là hư cấu.

Đây là kiểu thất bại nguy hiểm nhất trong toàn bộ ngành phân tích thể thao, bởi vì nó không trông giống thất bại. Nó trông giống một báo cáo chuyên nghiệp. Không có ô trống nào để mắt người đọc bắt được. Không có dấu chấm than nào báo động. Chỉ có một văn bản gọn gàng, tự tin, và sai từ dòng đầu đến dòng cuối.

Trong thuật ngữ của ngành, đây là rủi ro quy trình. Một đường ống không có cổng kiểm tra dữ liệu rỗng sẽ âm thầm suy giảm chất lượng ở mọi tầng phía sau. Và vì nó không báo lỗi, không ai đi kiểm tra.

Tôi đã xây dựng một quy tắc cho chính mình, và tôi khuyên bất kỳ ai làm nghề này cũng nên có: nếu tầng dữ liệu đầu vào trống, toàn bộ quy trình phải dừng lại. Không có ngoại lệ. Không có phương án dự phòng bằng suy luận.

Mọi hệ thống đều nứt nếu bạn nhìn đủ lâu. Rồi bạn thấy trật tự nằm ngay trong đống vỡ vụn. Nhưng để thấy được trật tự đó, trước hết bạn phải thừa nhận rằng hệ thống đã nứt.

Góc phản trực giác: dữ liệu đầy đủ nguy hiểm hơn dữ liệu khuyết

Đây là phần mà tôi biết sẽ khiến nhiều đồng nghiệp khó chịu.

Trong bảy năm qua, tôi dành phần lớn thời gian để cảnh báo về những khoảng trống dữ liệu. Nhưng rủi ro lớn hơn không nằm ở dữ liệu khuyết. Nó nằm ở dữ liệu trông có vẻ đầy đủ.

Một ô trống tự tố cáo. Bạn nhìn vào bảng tính, bạn thấy khoảng lặng, bạn biết mình phải cẩn thận. Một tập dữ liệu đầy đủ thì không. Nó mời bạn tin tưởng. Nó cho bạn cảm giác rằng mọi thứ đã được đo lường, và do đó mọi kết luận đều có cơ sở.

Tôi từng thấy điều này với hàng trăm mô hình dự đoán chuyển nhượng. Chúng được xây dựng trên những tập dữ liệu hoàn hảo về mặt kỹ thuật, không thiếu một ô nào. Nhưng chúng bỏ qua một biến số không được ghi lại trong bất kỳ cột nào: liệu huấn luyện viên có tin cầu thủ đó hay không.

Một cầu thủ có chỉ số tiên tiến cao, chơi đúng vai trò, không chấn thương, và vẫn ngồi dự bị mười hai trận liên tiếp. Không có cột nào trong tập dữ liệu của tôi ghi lại lý do. Không có thuật toán nào phát hiện được điều đó. Và câu lạc bộ mua anh ta với giá 30 triệu, rồi phát hiện ra rằng con số đúng nhưng câu chuyện sai.

Đây là điểm mà ngành phân tích thể thao hiện đại vẫn chưa giải quyết: chúng ta giỏi đo lường những gì có thể đo, và chúng ta có xu hướng quên rằng những gì không đo được vẫn tồn tại.

Bóng rổ không trao giải cho người thông minh nhất, nhưng thị trường chuyển nhượng thì luôn phạt kẻ ngu ngốc.

Một ví dụ khác, gần hơn với bóng rổ. Trong nhiều mùa giải, các mô hình của tôi cho thấy mối tương quan mạnh giữa số đường chuyền và tỷ lệ thắng. Điều đó nghe rất hợp lý: chuyền nhiều thì phối hợp tốt, phối hợp tốt thì thắng.

Nhưng khi tách dữ liệu theo diễn biến tỷ số, tương quan đảo chiều. Các đội chuyền nhiều nhất là những đội đang dẫn điểm và cần giữ bóng. Số đường chuyền không tạo ra chiến thắng. Chiến thắng tạo ra số đường chuyền. Nếu một đội đọc bảng dữ liệu mà không đọc diễn biến, họ sẽ mua những cầu thủ chuyền giỏi và tự hỏi vì sao mình vẫn thua.

Khủng hoảng không phải kẻ thù. Nó chỉ là dữ liệu bị đọc sai ngay từ đầu.

Tín hiệu cho vòng tiếp theo

Đêm 14 tháng 3, tôi gửi cho tòa soạn một email ngắn: không có bài phân tích cho trận đấu đó, vì đường ống dữ liệu đã chết, và tôi từ chối viết dựa trên trí nhớ.

Tôi bị nhắc nhở. Tôi chấp nhận.

Nhưng sau đó, tôi đưa ba chỉ số mới vào quy trình kiểm tra chất lượng của mình. Thứ nhất, tỷ lệ ô trống trên mỗi nguồn cấp dữ liệu, theo dõi theo tuần. Thứ hai, ngưỡng mẫu số tối thiểu cho từng loại kết luận, được ghi rõ trong mọi báo cáo. Thứ ba, nhãn độ tin cậy cho từng khẳng định, từ mức "đã kiểm chứng trên mẫu số lớn" xuống mức "giả thuyết cần thêm dữ liệu".

Ba chỉ số đó không làm cho phân tích của tôi hay hơn. Chúng làm cho phân tích của tôi trung thực hơn. Và trong một ngành mà mọi người đều đang cố tỏ ra chắc chắn, trung thực là một lợi thế cạnh tranh.

Đức tin của tôi không nằm ở may rủi, mà nằm ở mẫu số lớn. Nhưng mẫu số lớn chỉ đáng tin khi mỗi ô trong đó đều được đếm đúng cách.

Mùa giải tiếp theo sẽ có thêm hàng trăm nghìn dòng dữ liệu mới. Sẽ có thêm những cầu thủ được định giá sai, những đội bóng bị đọc nhầm, những bản báo cáo gọn gàng và tự tin đến mức không ai buồn kiểm tra lại. Việc của tôi, và của bất kỳ ai đọc bài này với một bảng tính đang mở trước mặt, là kiểm tra xem cột đầu tiên có dòng nào không trước khi đọc đến cột thứ bảy.

Tôi nhập liệu như nhập định. Mỗi con số là một hơi thở của trận đấu. Nhưng một hơi thở bị đếm sai thì không còn là hơi thở nữa, nó chỉ là tiếng ồn mang hình dáng của sự thật.