Khi một bản tin giải trí mang nhãn "bóng đá": lỗi ở tầng phân loại dữ liệu thể thao

Buổi sáng ở bàn làm việc tại Nha Trang, tôi mở hàng đợi bài viết chờ gắn nhãn cho chuyên mục bóng đá. Giữa những dòng tin quen thuộc về vòng loại, chuyển nhượng và chấn thương, có một bản tin nằm lạc lõng. Nó không có đội bóng. Không có cầu thủ. Không có tỷ số, không một câu chiến thuật. Nội dung là câu chuyện kỷ niệm ngày cưới của một cựu tổng thống Mỹ cùng phu nhân, vài bức ảnh, vài dòng chú thích trên mạng xã hội. Vậy mà ở ô phân loại chủ đề, nhãn hiển thị đúng hai chữ: "bóng đá".

Tôi ngồi nhìn nó một lúc. Với người làm dữ liệu, một nhãn sai có khi đáng lo hơn cả một tỷ số sai, bởi tỷ số sai thì người ta còn thấy, còn nhãn sai thì âm thầm chảy xuống mọi mô hình phía sau. Cả ngày hôm đó, tôi không phân tích một trận đấu nào. Tôi đi tìm xem lỗi nằm ở đâu, và điều tôi tìm thấy vượt ra ngoài phạm vi một bản tin.

Để hiểu vì sao một chuyện như vậy xảy ra, cần nhìn vào cách ngành nội dung thể thao vận hành mỗi ngày. Các tòa soạn và nền tảng tổng hợp ở Việt Nam cũng như trong khu vực phải xử lý hàng nghìn bản tin mỗi ngày. Không ai đủ người để đọc tay từng bài. Vì thế, phần lớn quy trình đều có một tầng tự động: máy đọc tiêu đề, quét từ khóa, rồi gán nhãn chủ đề — bóng đá, bóng rổ, esports, giải trí. Nhãn này quyết định bài viết đi vào luồng phân tích nào, được ai đọc, và quan trọng hơn, được mô hình nào tiêu thụ.

Từ khi các công cụ trả lời tự động dựa trên AI lên ngôi, tầng gắn nhãn ấy càng trở nên quan trọng. Một bài viết sai luồng có thể trở thành "nguồn" cho một câu trả lời tự động, rồi từ đó lan sang bảng xếp hạng, biểu đồ, và cả những bản tin tiếp theo. Ở một thị trường mà nội dung thể thao được tái sử dụng qua rất nhiều kênh — báo, mạng xã hội, fan page, ứng dụng tổng hợp — một hạt sạn nhỏ ở khâu phân loại có thể nhân lên thành một vệt dài khó xóa.

Vậy bản tin kia chứa gì? Mười ba điểm thông tin. Đọc hết, tôi ghi lại trung thực: không có đội, không có huấn luyện viên, không có giải đấu, không có hợp đồng, không có con số tài chính nào. Cái duy nhất mang tính thiết chế là tên một trung tâm văn hóa gắn với vị cựu tổng thống — một thiết chế dân sự, hoàn toàn nằm ngoài hệ thống bóng đá. Đây là một bản tin đời sống, giải trí, viết bằng giọng ấm áp, tích cực, hướng tới đám đông.

Chính vì thế, khi chạy nó qua khung phân tích chuyên môn, mọi chiều đều trả về một kết quả giống nhau: không đủ thông tin để đánh giá. Phân tích chiến thuật và kỹ thuật — trống. Tài chính câu lạc bộ và thị trường chuyển nhượng — trống. Kết quả thi đấu và chu kỳ dư luận — trống. Bức tranh giải đấu và vị thế đội bóng — trống. Tuân thủ luật và quản trị — trống. Quản lý và phòng thay đồ — trống. Không có chiều nào có thể dựng nên, bởi không có nguyên liệu để dựng.

Điều đáng nói là sự trống rỗng ấy lại mang một thông tin. Trong nghề phân tích, im lặng đôi khi cũng là dữ liệu, miễn là ta chịu đọc nó đúng cách. Khi một chiều phân tích trả về "không đủ thông tin", đó là một tín hiệu về chất lượng nguồn, chứ không phải một thất bại của người phân tích. Một bản tin không có nội dung bóng đá bị gắn nhãn bóng đá là lỗi ở tầng phân loại, không phải lỗi ở tầng phân tích.

Tôi thử dựng lại chuỗi bằng chứng. Về chủ đề, toàn bộ nội dung xoay quanh một cột mốc cá nhân — ngày cưới của một cặp đôi nổi tiếng. Về nhân vật, chỉ có hai người, và không ai trong số họ gắn với bóng đá chuyên nghiệp. Về nguồn dẫn, gần như trống — các khẳng định không kèm nguồn nội dòng, tên ký giả cũng không rõ. Và trên hết, cái nhãn: "bóng đá". Bốn điểm này ghép lại cho ra một kết luận rõ ràng: lỗi nằm ở khâu dán nhãn tự động, còn cái giá của nó nằm ở khâu tiêu thụ phía sau.

Vì sao cái giá lại nằm ở phía sau? Bởi khi một bản tin đã mang nhãn bóng đá, nó sẽ đi vào các mô hình trích xuất thực thể — tức những hệ thống tự động tìm ra "ai, đội nào, giải nào" trong văn bản. Mô hình không biết phân biệt. Nó thấy một cái tên, nó gán vào ô "nhân vật". Nó thấy một con số, nó gán vào ô "thành tích". Đến cuối chuỗi, một bản tin về kỷ niệm ngày cưới có thể sinh ra một "cầu thủ" không tồn tại, một "trận đấu" chưa từng diễn ra, thậm chí một "bản hợp đồng" chưa từng được ký.

Đây là lý do tôi luôn nhắc các bạn trẻ trong nghề: đừng sợ mô hình trả lời sai, hãy sợ mô hình trả lời sai một cách tự tin. Một mô hình biết nói "tôi không có đủ dữ liệu" là một mô hình trung thực. Một mô hình bịa ra cầu thủ để lấp chỗ trống mới là mô hình nguy hiểm.

Có một nghịch lý đáng chú ý trong chính bản tin này. Xét theo tiêu chí thể thao, nó vô giá trị. Nhưng xét theo tiêu chí truyền thông, nó lại có sức hút lớn: một cặp đôi quyền lực, một cột mốc tình cảm, hình ảnh đẹp, giọng văn dễ chịu. Nếu đo bằng lượt tương tác, nó có thể vượt qua nhiều bài phân tích chiến thuật khô khan. Đây chính là chỗ tôi muốn dừng lại lâu hơn một chút.

Trong nhiều năm làm dữ liệu thể thao, tôi thấy một nhầm lẫn lặp đi lặp lại: lấy giá trị truyền thông để đo giá trị thể thao. Hai thứ này không cùng đơn vị. Một bài viết có thể đạt hàng trăm nghìn lượt đọc mà không chứa một thông tin nào về bóng đá. Một trận đấu có thể diễn ra âm thầm mà mang theo dữ liệu quý giá nhất của cả mùa giải. Nếu ta trộn hai loại giá trị vào cùng một cột, ta sẽ tối ưu hóa sai thứ. Và sai thứ nào thì mô hình cũng chỉ trung thành với sai thứ đó.

Tôi nhớ đến bài học năm 2026, khi mô hình dự đoán đầu tiên của tôi sụp đổ ở một trận vòng bảng. Hồi đó tôi tin rằng chỉ cần đủ xG là đủ để nhìn ra kết quả. Sai. Tôi soi lại toàn bộ dữ liệu và nhận ra mình đã bỏ qua những biến số không nằm trong bảng tính. Từ đó, tôi học cách đặt câu hỏi trước khi tin vào con số. Mô hình sai không có nghĩa dữ liệu sai – chỉ là tôi chưa đọc đúng câu hỏi.

Câu chuyện hôm nay cũng vậy. Dữ liệu không sai. Bản tin kia mô tả đúng một sự việc có thật. Cái sai nằm ở câu hỏi ta đặt cho nó: ta hỏi một bản tin giải trí về chiến thuật bóng đá, rồi ngạc nhiên vì nó không trả lời được.

Để kiểm chứng vai trò của cách đặt câu hỏi, tôi thường lấy ví dụ từ chính công việc theo dõi của mình. Dựa trên kinh nghiệm theo dõi các trận đấu của tôi, có những biến số chỉ lộ ra khi ta thay đổi góc nhìn. Khi Bundesliga trở lại sau đại dịch với các khán đài trống, tôi phân tích 136 trận và thấy tỷ lệ thắng sân nhà giảm từ 41% xuống 29%, còn số quả phạt đền dành cho đội chủ nhà giảm 37%. Nhìn bề mặt, đó là một thay đổi về bóng đá. Nhìn kỹ hơn, đó là một thay đổi về môi trường — tiếng ồn biến mất, và cùng với nó, một phần áp lực lên trọng tài cũng biến mất. Nếu chỉ đo bằng bảng tỷ số, tôi sẽ không bao giờ thấy điều đó.

Cùng một nguồn, hai câu hỏi khác nhau, hai sự thật khác nhau. Với bản tin kia, nếu hỏi "đây có phải tin bóng đá không", câu trả lời là không. Nhưng nếu hỏi "bản tin này dạy gì về hệ thống của chúng ta", câu trả lời lại rất phong phú.

Vậy hệ thống nên làm gì? Cần một ngưỡng liên quan tối thiểu. Trước khi một bản tin được đưa vào luồng bóng đá, nó phải vượt qua một bài kiểm tra nhỏ: có ít nhất một thực thể bóng đá được xác thực hay không — một đội, một cầu thủ, một giải, một trận? Nếu không, nó dừng lại ở cửa. Cần thêm một bước kiểm tra tính toàn vẹn chủ đề định kỳ: lấy mẫu ngẫu nhiên các bản tin đã gắn nhãn, đọc lại bằng mắt người, và đo tỷ lệ sai. Và cần ghi rõ nguồn cho mọi khẳng định — bởi một khẳng định không nguồn là một khẳng định không thể kiểm chứng, và không thể kiểm chứng thì không nên đưa vào mô hình.

Có một điều tôi muốn nói thẳng. Tôi tin quy trình hơn cảm hứng, vì quy trình lặp lại được còn cảm hứng thì không. Một quy trình tốt sẽ bắt được lỗi này ở cửa vào. Một quy trình kém sẽ để nó chảy xuống tận cùng, rồi khi phát hiện thì đã muộn — dữ liệu bẩn đã nằm trong cơ sở dữ liệu, đã được trích dẫn, đã được dùng làm căn cứ cho một kết luận nào đó.

Ở đây, tôi muốn đi ngược lại một phản xạ rất tự nhiên. Khi phát hiện một bản tin bị gắn nhãn sai, phản xạ đầu tiên là đổ lỗi cho cái nhãn. Nhưng nhãn chỉ là triệu chứng. Cái gốc thường nằm ở chỗ khác: ở việc hệ thống được thiết kế để tối ưu cho số lượng thay vì độ chính xác, để chạy nhanh thay vì chạy đúng. Khi tốc độ là thước đo duy nhất, lỗi không còn là tai nạn — nó là hệ quả tất yếu.

Một phản xạ thứ hai cũng đáng nghi ngờ: coi đây là sự cố cá biệt. Trong dữ liệu, gần như không có sự cố cá biệt. Nếu một bản tin giải trí lọt vào luồng bóng đá, xác suất cao là có nhiều bản tin khác cũng vậy, chỉ khác ở chỗ chưa ai phát hiện. Một lỗi nhìn thấy thường là dấu hiệu của một lớp lỗi chưa nhìn thấy.

Và đây là chỗ tôi muốn nhấn mạnh nhất: Con số không bao giờ nói dối, nhưng chúng rất giỏi kể nửa sự thật. Một nhãn "bóng đá" là một con số đúng về mặt kỹ thuật — nó tồn tại trong trường dữ liệu. Nhưng nó kể nửa sự thật, vì sự thật đầy đủ nằm ở chỗ: bản tin này không liên quan đến bóng đá. Nếu chỉ kiểm tra sự tồn tại của nhãn mà không kiểm tra nội dung, ta sẽ mãi bị đánh lừa bởi những nửa sự thật được định dạng gọn gàng.

Cũng cần nói rõ: bản tin kia, xét như một sản phẩm giải trí, không có gì đáng chê. Nó ấm áp, tích cực, đúng chỗ của nó. Vấn đề không nằm ở bản tin, mà nằm ở việc ta đặt nó sai chỗ. Trong nghề dữ liệu, đặt đúng chỗ đôi khi quan trọng hơn cả việc có dữ liệu.

Có một ví dụ quen thuộc để thấy rõ sức mạnh của con số khi nó bị tách khỏi ngữ cảnh. Năm 2026, thương vụ chuyển nhượng Neymar từ Barcelona sang Paris Saint-Germain được ghi nhận với mức phí 222 triệu euro, một kỷ lục thế giới ở thời điểm đó. Con số ấy xuất hiện trên khắp các mặt báo, gọn gàng và dễ nhớ. Nhưng nó không nói gì về cấu trúc hợp đồng, về kỳ vọng, về áp lực mà nó tạo ra cho cả hai phía. Một con số đúng vẫn có thể dẫn người đọc đến một kết luận lệch. Đó là bản chất của nửa sự thật.

Với bản tin về kỷ niệm ngày cưới, cơ chế cũng tương tự, chỉ khác ở chỗ nó nằm ở tầng vận hành chứ không phải tầng biên tập. Một nhãn đúng về mặt kỹ thuật dẫn đến một luồng xử lý sai về mặt nội dung. Và khi luồng đã sai, mọi thứ sinh ra từ nó đều mang theo sai số đó.

Tối hôm đó, tôi gỡ nhãn "bóng đá" khỏi bản tin và ghi chú lại rằng việc cần làm ở đây là kiểm tra chất lượng, chứ chưa đến bước phân tích. Nhưng tôi giữ nó lại trong sổ, vì nó dạy một điều mà các bảng biểu không dạy được.

Dữ liệu giỏi nhất cũng chỉ là bản đồ, không bao giờ là địa hình. Và trước khi tin vào tấm bản đồ, người làm nghề nên tự hỏi: mình đang tìm đường, hay chỉ đang ngắm những đường kẻ cho đẹp? Một nền thể thao biết đặt câu hỏi đúng sẽ không sợ những bản tin lạc luồng. Nó chỉ sợ chính mình đã ngừng đọc lại những gì mình gắn nhãn.