Lỗi nhãn dữ liệu trong chuỗi phân tích quần vợt: khi một bản tin giá xăng lọt vào mô hình

11 giờ đêm ở Sydney, tôi đang rà lại một gói dữ liệu gồm 240 bản ghi được gắn thẻ "tennis" cho mô hình định giá thị trường Úc. Mọi thứ diễn ra bình thường cho đến bản ghi thứ 187. Tiêu đề: "Govt raises petrol price by Rs4.42, diesel by Rs6.10". Không tay vợt. Không giải đấu. Không một tỷ lệ giao bóng. Chỉ có giá xăng, giá dầu diesel, và một nhãn sai lệch hoàn toàn.

Trong mười tám năm làm việc với dữ liệu thể thao, tôi đã nhiều lần bắt gặp loại lỗi này. Nhưng mỗi lần như vậy, tôi vẫn dừng lại. Vì một bản ghi sai có thể đầu độc cả một mô hình.

Bản tin gốc đến từ Pakistan. Chính phủ nước này công bố điều chỉnh giá xăng thêm 4,42 rupee một lít và giá dầu diesel cao tốc thêm 6,10 rupee một lít. Đây là lần tăng thứ sáu liên tiếp. Brent crude tăng 2,6% lên 107,33 USD/thùng; WTI tăng 2,5% lên 102,56 USD/thùng. Ngày hiệu lực là 15 tháng 9, 2026, sau kỳ rà soát ngày 12 tháng 9. Hai cơ quan được nêu tên là Bộ Năng lượng Pakistan (Bộ phận Dầu khí) và Cơ quan Quản lý Dầu khí OGRA.

Không có tay vợt nào trong bản tin này. Không có huấn luyện viên, không có giải đấu, không có bảng xếp hạng. Đây là một bản tin kinh tế vĩ mô thuần túy. Vậy tại sao nó lại mang nhãn "quần vợt"?

Cái nhãn ấy không tự sinh ra. Nó đến từ một bộ phân loại. Các bộ phân loại hiện đại hoạt động theo xác suất. Chúng quét từ khóa, ngữ cảnh, và đôi khi là cả metadata không đáng tin. Một từ như "match" có thể xuất hiện trong cả ngữ cảnh thể thao lẫn ngữ cảnh kinh tế. Một con số như 107,33 có thể bị hiểu nhầm là tỷ lệ phần trăm thắng điểm. Và thế là một bản ghi năng lượng bị đẩy sang kho quần vợt.

Trước khi tin một con số, hãy hỏi nó sinh ra từ đâu. Đây là nguyên tắc tôi luôn nhắc học trò của mình. Nhưng nguyên tắc này còn đúng hơn với nhãn: trước khi tin một nhãn, hãy hỏi nó đến từ đâu.

Hậu quả của một bản ghi nhiễm bẩn không nhỏ như tôi tưởng khi mới vào nghề. Năm 2026, khi tôi công bố bài phân tích dài 3.200 từ về chỉ số pressing của Melbourne City, tôi dùng dữ liệu vị trí GPS để chỉ ra rằng tiền vệ Luke Brattan chạy 11,2 km mỗi trận nhưng chỉ tạo ra 1,3 cú tắc bóng thành công. Bài viết bị chế giễu. Ba tuần sau, huấn luyện viên Warren Joyce thay đổi đội hình pressing, và Melbourne City thắng bốn trận liên tiếp. Điều tôi học được không phải là tôi đúng. Điều tôi học được là dữ liệu chỉ có giá trị khi nó sạch.

Một bản ghi năng lượng lẫn trong tập dữ liệu quần vợt có thể làm lệch trung bình, làm loạn phân phối, và tệ nhất là tạo ra những mối tương quan giả. Nếu một mô hình học máy gặp đủ nhiều bản ghi như vậy, nó sẽ bắt đầu "học" rằng giá dầu có liên quan đến kết quả trận đấu. Mối liên hệ ấy không tồn tại. Nhưng mô hình thì tin là nó tồn tại.

Số liệu thì thầm. Người chịu nghe sẽ nghe thấy cả một trận đấu. Nhưng người không kiểm tra nguồn gốc sẽ chỉ nghe thấy tiếng ồn.

Năm 2026, tôi dự đoán Croatia vào bán kết World Cup dựa trên xG. Một nhóm huấn luyện viên nghiệp dư trên Reddit gọi tôi là kẻ mọt sách không biết bóng đá. Croatia vào chung kết. Sau đó, một nhà báo từ The Athletic liên hệ tôi để hỏi về cách tính "defensive xG prevented". Tôi mất hai tuần viết mã Python, kiểm tra chéo bằng dữ liệu StatsBomb, và gửi lại một bảng phân tích 17 trang. Tất cả chỉ vì tôi muốn chắc chắn rằng phương pháp của mình không sai.

Sự chắc chắn ấy là thứ mà một bộ phân loại tự động không bao giờ có được.

Một mùa giải thiếu chi tiết cũng giống một trận đấu thiếu phút bù giờ.

Năm 2026, khi bóng đá trở lại với sân không khán giả, mô hình của tôi định giá lợi thế sân nhà ở mức 0,45 bàn mỗi trận. Sau chín vòng đấu không khán giả, con số tụt xuống 0,08. Tôi đã từ chối một lời đề nghị viết bài vì cần thêm ba tuần dữ liệu. Khi công bố, tôi nhấn mạnh rằng chính tôi đã sai khi không xét biến số khán giả. Từ đó, mỗi bài viết của tôi đều có một phần nhỏ mang tên "Những giả định có thể sai".

Bản ghi nhiễm bẩn hôm nay thuộc cùng một loại vấn đề. Nó không chỉ là một lỗi kỹ thuật. Nó là một lời nhắc rằng mọi mô hình thể thao đều đứng trên những giả định về nguồn dữ liệu. Và những giả định ấy cần được kiểm tra liên tục.

Phân tích sai một biến số cũng như mất phương hướng cả một năm.

Có một cám dỗ mà tôi phải cưỡng lại khi viết bài này: gắn bản tin năng lượng với kinh tế du đấu của quần vợt. Giá nhiên liệu tăng thì chi phí di chuyển của các tay vợt cũng tăng. Đó là một mối liên hệ có thật trong kinh tế học nói chung. Nhưng bản tin gốc không đề cập đến quần vợt. Không có một dữ liệu nào về chi phí du đấu, về ngân sách giải đấu, hay về hợp đồng tài trợ. Nếu tôi viết về mối liên hệ ấy, tôi đang suy diễn vượt quá dữ liệu. Và đó chính là điều tôi luôn dặn mình không được làm.

Tương quan không phải là nhân quả. Một bản ghi bị gắn nhãn sai không chứng minh rằng hệ thống dữ liệu thể thao đang sụp đổ. Nó chỉ chứng minh rằng hệ thống ấy cần người kiểm tra. Ở quy mô lớn, một lỗi phân loại nhỏ có thể lan thành một vấn đề hệ thống. Nhưng ở quy mô từng bản ghi, nó là một lời cảnh báo có thể xử lý được.

Điều đáng lo không phải là bản ghi này. Điều đáng lo là nếu có nhiều bản ghi như vậy, và không ai phát hiện ra.

Với tư cách người làm phân tích dữ liệu thể thao, tôi có một quy tắc: mỗi tập dữ liệu phải được kiểm tra chéo với ít nhất một nguồn độc lập trước khi đưa vào mô hình. Với bản ghi này, nguồn độc lập cho thấy nó thuộc lĩnh vực năng lượng, không phải quần vợt. Nhãn "tennis" là một sai sót cần được sửa ở tầng phân loại, không phải ở tầng phân tích.

Nếu tôi ép bản tin giá xăng này thành một bài phân tích quần vợt, tôi sẽ tạo ra một thứ tệ hơn cả sai sót. Tôi sẽ tạo ra một lời nói dối được trình bày bằng số liệu.

Câu hỏi tôi để lại cho vòng dữ liệu tiếp theo không phải là giá xăng sẽ tăng đến đâu. Câu hỏi là: trong 240 bản ghi kia, còn bao nhiêu bản ghi khác đang mang nhãn sai mà tôi chưa kiểm tra đến?