Trùng tên và lỗ hổng dữ liệu: Khi một nhân vật hư cấu lọt vào bản đồ bóng đá

Vào một buổi sáng đầu tháng Mười Một, tôi mở bản báo cáo kiểm tra chất lượng của hệ thống phân loại nội dung mà nhóm tôi phụ trách tại Seoul. Trong số hơn hai nghìn bài viết được gắn nhãn "bóng đá" trong tuần đó, có một bài khiến tôi phải đọc lại ba lần. Đó là một bài phỏng vấn về series truyền hình Heated Rivalry của HBO — mùa thứ hai dự kiến ra mắt vào mùa xuân năm 2027 — trong đó nam diễn viên người xứ Wales Shaheen Jafargholi, 29 tuổi, nói về vai diễn của anh, một nhân vật có tên Fabian Salah.

Không có câu lạc bộ nào trong bài viết đó. Không có huấn luyện viên. Không có tỷ số, không có đội hình, không có một dòng dữ liệu chiến thuật nào. Vậy mà hệ thống của chúng tôi đã gắn nhãn "bóng đá" cho toàn bộ bài viết. Nguyên nhân nằm ở hai chữ cái: "Salah".

Tôi đóng cửa văn phòng, tự pha một ly cà phê, rồi ngồi nhìn màn hình khoảng mười phút. Không phải vì lỗi ấy lớn. Mà vì nó nhỏ đến mức đáng sợ.

Bối cảnh: cách một cái tên trở thành một nút dữ liệu

Để hiểu vì sao một bài phỏng vấn phim truyền hình lại có thể lọt vào luồng dữ liệu bóng đá, cần hiểu cách ngành công nghiệp dữ liệu thể thao vận hành phía sau hậu trường. Mỗi ngày, các công ty dữ liệu như nơi tôi làm việc thu thập hàng chục nghìn bài viết, bản tin, dòng tweet và thông cáo từ khắp thế giới. Chúng không được đọc bởi con người trước tiên. Chúng đi qua một tầng phân loại tự động — thứ mà trong tài liệu nội bộ chúng tôi gọi là tầng một — có nhiệm vụ gắn nhãn chủ đề cho từng văn bản: bóng đá, bóng rổ, quần vợt, hoặc giải trí.

Tầng một hoạt động dựa trên nhận dạng thực thể có tên, tức là việc máy tính tìm ra các danh từ riêng — tên người, tên tổ chức, tên địa điểm — rồi đối chiếu chúng với một cơ sở dữ liệu khổng lồ. Khi nó gặp chữ "Salah", nó tra cứu và thấy Mohamed Salah, tiền đạo của Liverpool và đội tuyển quốc gia Ai Cập. Vậy là nó kết luận: bài viết này thuộc về bóng đá.

Vấn đề nằm ở chỗ tầng một không được lập trình để hỏi câu hỏi tiếp theo: "Nhưng Salah nào?" Nó chỉ được lập trình để tìm chữ, chứ không phải để hiểu ngữ cảnh. Và trong trường hợp này, chữ "Salah" trong bài viết là họ của một nhân vật hư cấu trong một bộ phim truyền hình, không phải một cầu thủ đang thi đấu.

Điều khiến tôi chú ý không phải là sự cố đơn lẻ. Mà là quy mô của nó. Nếu một lỗi như vậy có thể xảy ra với chữ "Salah", thì nó có thể xảy ra với bất kỳ cái tên nào đủ nổi tiếng để trở thành một nam châm lỗi.

Khi tôi bắt đầu làm nghề phân tích dữ liệu chiến thuật cách đây vài năm, tôi từng nghĩ rằng dữ liệu là thứ trung tính nhất trên đời. Con số không biết nói dối. Nhưng sau mùa hè sân trống năm 2026, khi tôi mất ba tuần để chạy lại mô hình về lợi thế sân nhà trong bối cảnh K League thi đấu không khán giả, tôi mới hiểu rằng dữ liệu chỉ trung tính khi người ta hiểu được nó đến từ đâu. Lợi thế sân nhà trung bình giảm từ 1,48 điểm mỗi trận xuống 1,12 điểm mỗi trận sau khoảng hai trăm trận. Con số ấy đúng. Nhưng nếu tôi không kiểm tra nguồn gốc của nó, tôi đã đọc sai toàn bộ câu chuyện.

Bài viết về Heated Rivalry là một phiên bản khác của cùng một vấn đề. Con số ở đây không sai. Cái nhãn mới là thứ sai.

Cơ chế của một cái bẫy trùng tên

Tôi muốn dành phần này để nói rõ hơn về cơ chế, bởi vì đây là điều mà hầu hết người hâm mộ bóng đá không nhìn thấy. Họ thấy kết quả cuối cùng: một bảng xếp hạng, một biểu đồ, một dòng tin trên ứng dụng. Họ không thấy hàng trăm quyết định nhỏ đằng sau nó.

Quá trình nhận dạng thực thể có tên chia làm hai bước. Bước thứ nhất là phát hiện — máy tìm ra các cụm từ viết hoa có khả năng là tên riêng. Bước thứ hai là liên kết — máy quyết định cụm từ đó đang chỉ vào ai hoặc cái gì. Bước thứ hai là nơi tai nạn xảy ra.

Với một tên riêng như "Salah", hệ thống phải chọn giữa nhiều ứng viên: Mohamed Salah, cầu thủ bóng đá; Salah Abdeslam, đối tượng trong các vụ án khủng bố năm 2026 tại Paris; Salah Jadid, cựu lãnh đạo Syria; hay Fabian Salah, nhân vật hư cấu. Một hệ thống tốt sẽ dùng các tín hiệu xung quanh — từ khóa, tiêu đề, chủ đề tổng thể — để chọn ứng viên đúng. Một hệ thống chạy vội sẽ chỉ chọn cái phổ biến nhất.

Và trong ngành bóng đá, cái phổ biến nhất gần như luôn là cầu thủ.

Trong bốn tuần theo dõi đội tuyển Morocco ở World Cup 2026, tôi đã dành rất nhiều thời gian để đếm và đo. Tôi đếm số lần Achraf Hakimi và Noussair Mazraoui bó vào trung lộ. Tôi ghi lại khoảng cách trung bình giữa hai tiền vệ trung tâm là 12,4 mét. Tôi vẽ ra hình tam giác ngược che chắn khoảng sân trống trước vòng cấm. Ma trận phòng ngự Morocco không phải để chặn bóng, mà để bóp nghẹt thời gian của đối thủ. Mỗi chi tiết đều có thể kiểm chứng. Nhưng điều đó chỉ đúng vì tôi biết chính xác mình đang đo cái gì, giữa hai đội bóng có thật, trên sân có thật.

Khi dữ liệu đến từ một bài phỏng vấn phim, tất cả những điểm neo ấy biến mất. Không có đội bóng. Không có trận đấu. Chỉ còn lại một chữ viết hoa, và một hệ thống đang cố gắng gán nó vào chỗ quen thuộc nhất.

Salah, Ronaldo, Messi: những cái tên trở thành nam châm lỗi

Những cái tên nổi tiếng nhất của bóng đá thế giới không chỉ là thương hiệu. Chúng còn là những nam châm lỗi tiềm năng.

Hãy thử nghĩ về Cristiano Ronaldo. Đó là tên của một cầu thủ người Bồ Đào Nha. Nhưng cũng là tên của một nhân vật trong một số tiểu thuyết, một số trò chơi điện tử, và một số bộ phim không liên quan đến bóng đá. Hãy nghĩ về Ronaldo — cái tên Brazil đơn giản — được dùng cho các nhân vật trong nhiều câu chuyện hư cấu. Hãy nghĩ về Messi, một cái tên vốn là họ của gia đình nhưng giờ gần như đã bị chiếm trọn bởi một con người.

Khi một bài viết chứa một trong những cái tên ấy nhưng không có bóng đá, hệ thống phải quyết định. Nếu nó quyết định sai, kết quả sẽ không dừng lại ở một bài viết. Kết quả sẽ chảy xuống.

Dòng dữ liệu bóng đá hiện đại không tồn tại độc lập. Một bài viết được gắn nhãn "bóng đá" sẽ được gửi vào một cơ sở dữ liệu trung tâm, nơi nó được liên kết với các thực thể khác: Mohamed Salah sẽ được gắn với Liverpool, với đội tuyển Ai Cập, với các bàn thắng, với các hợp đồng quảng cáo. Nếu một bài viết phim truyền hình bị gắn vào cùng một nút, hệ thống sẽ bắt đầu tạo ra những mối liên kết không tồn tại.

Tôi từng chứng kiến một trường hợp tương tự, tuy nhỏ hơn. Một hệ thống phân tích của đối tác gửi cho chúng tôi một bản báo cáo về "phong độ gần đây của Salah" trong đó có một bàn thắng mà Mohamed Salah chưa từng ghi. Truy ngược lại, chúng tôi tìm ra nguồn: một bài viết về một cầu thủ nghiệp dư tên Salah ở một giải hạng năm, đã bị hệ thống nhập chung vào hồ sơ của cầu thủ lớn. Bàn thắng ấy được ghi trong một trận đấu mà không ai thuộc đội tuyển quốc gia từng xem.

Về mặt kỹ thuật, đây là một lỗi nhỏ. Về mặt phân tích, đây là một thảm họa. Vì khi dữ liệu đã vào, nó sẽ ở đó. Và những nhà phân tích như tôi, những người dựa vào nó để đưa ra quyết định, sẽ không bao giờ biết rằng mình đang đọc một phần của một câu chuyện không có thật.

Cái giá của một nút dữ liệu sai

Chúng ta thường đánh giá thấp sức mạnh của một nút dữ liệu sai. Một nút không đúng, khi nằm ở vị trí trung tâm, sẽ kéo theo hàng trăm kết nối sai xung quanh nó. Và trong bóng đá, nơi mọi quyết định — chuyển nhượng, chiến thuật, đầu tư — đều dựa vào dữ liệu, cái giá không hề nhỏ.

Tôi nhớ một câu chuyện từ vài năm trước, khi một đội bóng nhỏ ở châu Âu suýt chi một khoản tiền đáng kể cho một cầu thủ chỉ vì một chỉ số bị nhập sai. Chỉ số ấy đến từ một cơ sở dữ liệu tổng hợp, nơi một trận đấu của đội trẻ được gán nhầm cho đội một. Cầu thủ ấy chưa từng chơi ở cấp độ đó. Nhưng con số nằm trong hệ thống, và con số có sức mạnh hơn ký ức.

May mắn là đội bóng ấy phát hiện ra. Nhưng câu hỏi đặt ra không phải là liệu họ có phát hiện ra hay không. Câu hỏi đặt ra là có bao nhiêu trường hợp tương tự mà không ai phát hiện.

Đây là lý do tôi luôn nói với đồng nghiệp trẻ rằng: dữ liệu cho ta bản đồ, nhưng chỉ có sự hỗn loạn mới chỉ ra con đường thật sự. Bản đồ là điểm khởi đầu. Sự hỗn loạn — những trường hợp không khớp, những con số vô lý, những cái tên không thuộc về chỗ nó đang đứng — mới là nơi ta học được điều gì.

Một hệ thống dữ liệu không có khả năng tự nghi ngờ sẽ không bao giờ tìm ra chính xác nơi nó sai. Nó chỉ tìm ra nơi người khác sai.

Không gian và thời gian: hai thứ không thể giả

Có một cách để phân biệt dữ liệu thật với dữ liệu rác: kiểm tra xem nó có chứa không gian và thời gian hay không.

Trong một trận bóng đá thật, mọi thứ đều diễn ra ở một chỗ cụ thể vào một thời điểm cụ thể. Hakimi bó vào trung lộ ở phút thứ 67, khi Pháp đang có bóng bên cánh trái. Khoảng trống ấy rộng bao nhiêu mét. Bóng đi qua nó trong bao nhiêu giây. Những dữ kiện này tạo thành một mạng lưới các ràng buộc, khiến cho việc bịa đặt trở nên cực kỳ khó khăn.

Trong một bài viết phim truyền hình, cũng có không gian và thời gian — buổi ra mắt ở New York vào một ngày cụ thể, một phim trường ở một nơi cụ thể. Nhưng những không gian và thời gian ấy không thuộc về bóng đá. Chúng thuộc về một thế giới khác. Và một hệ thống không phân biệt được hai thế giới này sẽ bắt đầu trộn chúng vào nhau.

Điều khiến tôi lo lắng không phải là những lỗi lớn, dễ thấy. Những lỗi đó sẽ bị phát hiện ngay. Điều khiến tôi lo lắng là những lỗi nhỏ, hợp lý, không ai để ý. Một bài phỏng vấn phim truyền hình được gắn nhãn bóng đá. Một bàn thắng nghiệp dư đi vào hồ sơ của một ngôi sao. Một chỉ số sai được dùng để định giá một cầu thủ. Không cái nào đủ lớn để làm sập một hệ thống. Nhưng đủ nhiều để làm mục ruỗng nó từ bên trong.

Tôi nhận ra rằng trong công việc phân tích chiến thuật của mình, nguyên tắc quan trọng nhất không phải là đọc dữ liệu giỏi. Mà là biết khi nào không nên tin dữ liệu. Mỗi sơ đồ chiến thuật là một lời thú tội: huấn luyện viên sợ điều gì, họ che điều đó. Mỗi bộ dữ liệu cũng vậy. Nó thú nhận điều gì đó về người tạo ra nó — và điều nó thú nhận thường thú vị hơn điều nó báo cáo.

Góc nhìn ngược: chúng ta đang sửa sai công cụ, hay sửa sai quy trình?

Khi tôi kể câu chuyện về Fabian Salah cho đồng nghiệp, phản ứng đầu tiên của họ là: "Cần nâng cấp mô hình". Đây là phản ứng quen thuộc trong ngành. Mỗi khi hệ thống sai, chúng ta có xu hướng đổ lỗi cho hệ thống và tìm cách làm nó thông minh hơn.

Nhưng tôi không chắc đó là vấn đề. Mô hình của chúng tôi không hề yếu. Nó nhận diện được hàng nghìn thực thể, xử lý được hàng chục ngôn ngữ, và trong phần lớn trường hợp, nó làm rất tốt. Vấn đề không nằm ở trí thông minh của mô hình. Vấn đề nằm ở chỗ không có ai kiểm tra lại.

Một mô hình dù tốt đến đâu vẫn là một mô hình. Nó hoạt động trên xác suất. Và xác suất, về bản chất, luôn có phần sai. Điều chúng ta cần không phải là một mô hình không bao giờ sai — điều đó không tồn tại. Điều chúng ta cần là một quy trình biết rằng mô hình sẽ sai, và có người ở đó để bắt lấy khoảnh khắc nó sai.

Trong trường hợp cụ thể này, quy trình đã có. Tôi là người bắt lỗi. Nhưng tôi bắt được nó vì tôi tình cờ đọc bài viết ấy. Nếu tôi bận, nếu tôi mệt, nếu tôi chỉ lướt qua — lỗi sẽ đi qua. Và một lỗi đi qua nghĩa là một lỗi được nhân lên, bởi vì ở tầng tiếp theo, không ai còn khả năng nhìn thấy nó nữa.

Tôi tin vào cấu trúc, nhưng cấu trúc sinh ra để sụp đổ; nhà phân tích giỏi là người dự đoán chính xác điểm sụp đổ. Trong bóng đá, điểm sụp đổ thường là một pha chuyển đổi trạng thái, một khoảnh khắc mất tổ chức. Trong dữ liệu, điểm sụp đổ thường là một chi tiết nhỏ bị bỏ qua — một cái tên trùng, một ngày tháng sai, một thực thể bị nhầm chỗ.

Và nếu chúng ta chỉ tập trung vào việc làm mô hình thông minh hơn, mà không xây dựng được một văn hóa kiểm chứng, chúng ta sẽ tiếp tục tạo ra những hệ thống ngày càng tinh vi để tạo ra những lỗi ngày càng khó phát hiện.

Điều tôi đã làm thay vì sửa mô hình

Sau khi đóng bài viết ấy lại và đánh dấu nó là sai nhãn, tôi không vội yêu cầu nâng cấp hệ thống. Thay vào đó, tôi làm ba việc nhỏ.

Thứ nhất, tôi lập một danh sách các tên riêng nổi tiếng của bóng đá có khả năng bị trùng với tên hư cấu hoặc tên ngoài ngành. Danh sách ấy không nhằm mục đích cấm đoán. Nó nhằm mục đích đánh dấu: khi hệ thống gặp những cái tên này, nó sẽ tự động hạ mức độ tin cậy xuống và yêu cầu một bước kiểm tra bổ sung.

Thứ hai, tôi viết một quy trình ngắn cho nhóm: trước khi một bài viết được chuyển xuống tầng thấp hơn, nó phải vượt qua một bộ kiểm tra tối thiểu. Có ít nhất một câu lạc bộ thật trong bài không? Có ít nhất một giải đấu thật không? Có ít nhất một mốc thời gian gắn với một sự kiện thể thao thật không? Nếu cả ba câu trả lời đều là không, bài viết ấy cần người xem lại.

Thứ ba, tôi ghi lại sự cố này vào một tệp mà tôi gọi là nhật ký sai sót. Trong tệp ấy, tôi lưu lại từng lỗi mình từng gặp, kèm theo cách nó xảy ra và cách nó được phát hiện. Sau vài năm, tệp ấy đã trở thành một trong những tài sản quý giá nhất của nhóm. Không phải vì nó cho chúng tôi biết hệ thống sai ở đâu — mà vì nó cho chúng tôi biết con người thường bỏ sót điều gì.

Ba việc ấy không hào nhoáng. Chúng không cần thuật toán mới, không cần dữ liệu huấn luyện khổng lồ, không cần một buổi họp báo. Chúng chỉ cần một người chịu dừng lại và hỏi: "Chuyện gì đang thực sự xảy ra ở đây?"

Và đó, theo tôi, là kỹ năng quan trọng nhất của một nhà phân tích — không phải kỹ năng đọc số, mà là kỹ năng nghi ngờ số một cách có hệ thống.

Kết luận: giá trị của sự nghi ngờ

Câu chuyện về Fabian Salah sẽ bị lãng quên trong vài tuần. Bộ phim Heated Rivalry sẽ ra mắt vào mùa xuân năm 2027, và có thể sẽ thành công, và có thể sẽ không. Mohamed Salah sẽ tiếp tục ghi bàn cho Liverpool. Không có gì trong số này sẽ thay đổi vì một bài viết bị gắn sai nhãn ở một văn phòng nhỏ tại Seoul.

Nhưng trong cái khoảnh khắc tôi ngồi nhìn màn hình ấy, tôi hiểu ra một điều tôi sẽ mang theo suốt sự nghiệp: trong một thế giới mà dữ liệu được coi là chân lý, người biết nghi ngờ dữ liệu là người giữ được sự tỉnh táo. Không phải nghi ngờ để phủ nhận. Mà là nghi ngờ để bảo vệ.

Bảo vệ điều gì? Bảo vệ sự thật rằng bóng đá, dù bị phân tích đến đâu, vẫn là một câu chuyện do con người tạo ra — với những cái tên, những khoảnh khắc, và những sai lầm không thể tính toán hết. Và nếu chúng ta quên điều đó, chúng ta sẽ không chỉ gắn sai nhãn cho một bài viết. Chúng ta sẽ bắt đầu đọc sai chính trận đấu mà mình đang theo dõi.

Lần tới, khi bạn nhìn thấy một con số trên một ứng dụng hay một bảng thống kê, hãy thử hỏi một câu đơn giản: "Con số này đến từ đâu, và có ai đã kiểm tra nó chưa?". Câu trả lời có thể không thay đổi trận đấu. Nhưng nó sẽ thay đổi cách bạn nhìn trận đấu.