Khi bảng tính chuyển nhượng bị đầu độc bởi dữ liệu sai

Đầu tháng Mười Một, tôi mở lại tập hồ sơ phân tích mình chuẩn bị cho kỳ chuyển nhượng mùa đông. Bên trong có một tài liệu gồm hai mươi chín điểm dữ kiện, được gắn nhãn "bóng đá". Tôi đọc đến dòng thứ ba thì dừng lại. Nội dung nói về chiến dịch đăng ký hiến tạng và mô tại Mexico City, do người đứng đầu chính quyền thành phố Clara Brugada phát động, gắn với Ngày Quốc gia Hiến tạng và Ghép mô. Không một đội bóng, không một cầu thủ, không một thương vụ nào xuất hiện trong suốt hai mươi chín điểm dữ kiện đó.

Một bản tin y tế công cộng đã lọt vào đúng ngăn mà tôi dùng để quyết định nên viết gì về thị trường chuyển nhượng. Sự nhầm lẫn không làm tôi chú ý. Điều làm tôi chú ý là nó không hề hiếm.

Chiếc bảng tính năm ấy không chỉ ghi tên cầu thủ, mà ghi cả hướng đi của thị trường. Tôi viết câu đó nhiều năm trước, khi còn theo dõi từng bản hợp đồng ở V-League bằng file Excel cá nhân. Ngày đó tôi tin rằng chỉ cần số liệu đúng thì kết luận sẽ đúng. Tôi đã sai ở một nửa: số liệu đúng chỉ có nghĩa khi nó thuộc đúng chủ đề.

Tôi kể chuyện này không phải để phê bình một tài liệu cụ thể. Tôi kể vì nó phơi bày một lỗ hổng mà bất kỳ ai làm nghề chuyển nhượng cũng phải đối mặt.

Trong kỳ chuyển nhượng, khối lượng thông tin đổ về mỗi ngày vượt xa khả năng đọc của con người. Một bài về cầu thủ tự do ở giải hạng Nhì, một dòng tweet từ người đại diện, một bảng lương rò rỉ từ phòng họp nội bộ, một đoạn clip cắt từ buổi tập — tất cả cùng chảy qua một đường ống. Để xử lý kịp, các tòa soạn và nền tảng dữ liệu dùng hệ thống phân loại tự động: gắn nhãn chủ đề, trích xuất thực thể, chấm điểm nguồn tin.

Khi đường ống đó chạy đúng, tôi có một bộ lọc tiếng ồn. Khi nó chạy sai, tôi có một bảng dữ liệu đã bị đầu độc. Vấn đề của dữ liệu bẩn nằm ở chỗ nó sai một cách hợp lý. Một tài liệu gắn nhãn "bóng đá" sẽ được đối xử như dữ liệu bóng đá. Nó được đếm, được trích dẫn, được đưa vào mô hình xu hướng. Không ai kiểm tra lại nhãn.

Bản tin hiến tạng tại Mexico City có vài dấu hiệu khiến hệ thống phân loại tự động dễ nhầm. Tên viết tắt của thành phố, từ "chiến dịch", từ "đăng ký" — những mảnh từ vựng xuất hiện dày đặc trong các bản tin chuyển nhượng. Một bộ phân loại dựa trên từ khóa sẽ gắn nhãn sai mà không cần đọc đến câu thứ hai.

Hệ quả thật sự không nằm ở tài liệu đó. Nó nằm ở chỗ: nếu tôi không tự tay kiểm tra, tôi sẽ đưa một chỉ số y tế công cộng vào bảng phân tích chuyển nhượng. Một bảng dữ liệu bị nhiễm không báo lỗi. Nó chỉ âm thầm bẻ cong kết luận.

Đó là lý do tôi luôn viết lại nguồn bằng tay. Mỗi dữ liệu trong bài của tôi đều phải trả lời được câu hỏi: nó thuộc về ai, được công bố khi nào, và ai là người có lợi nếu tôi tin nó.

Tôi lấy một ví dụ gần hơn với người đọc Việt Nam. Vài năm trước, một bản tin về "mức lương kỷ lục" của một ngoại binh lan truyền khắp các hội nhóm. Dữ liệu đúng về mặt văn bản: nó nằm trong một hợp đồng thật. Nhưng đó là mức gộp, chưa trừ thuế, chưa trừ phí môi giới, và gắn với điều khoản thưởng chỉ kích hoạt khi đội vô địch. Khi hệ thống tự động trích xuất, nó biến thành "lương cứng".

Kết quả: các đội khác lấy mức sai đó làm mốc đàm phán. Cầu thủ tiếp theo đòi mức tương đương. Quỹ lương của cả một nhóm đội bị đẩy lên bởi một lỗi phân loại.

Người hâm mộ thường không thấy điểm này. Họ thấy một dữ liệu trên báo. Tôi thấy một chuỗi quyết định bị dẫn dắt sai. Giá trị thương mại không nằm ở chân sút, mà nằm ở cách họ chạy không bóng. Cũng vậy, giá trị đúng của một bản tin không nằm ở dữ liệu nổi bật, mà ở chỗ nó thuộc đúng ngữ cảnh.

Trong một kỳ chuyển nhượng, tôi chia dữ liệu thành ba tầng. Tầng một là dữ liệu đã xác minh bằng nguồn gốc: hợp đồng, thông báo chính thức, số liệu từ đơn vị đo lường độc lập. Tầng hai là dữ liệu có nguồn nhưng chưa đối chiếu: phát ngôn người đại diện, tin từ một phóng viên. Tầng ba là dữ liệu lan truyền không nguồn gốc.

Bản tin hiến tạng lẽ ra không thuộc tầng nào. Nó mắc kẹt ở cửa vào vì hệ thống tưởng nó thuộc tầng hai.

Nếu để nó lọt vào, hậu quả cụ thể là: một mục trong bảng so sánh giá trị của tôi bị chiếm chỗ. Trong một bảng chỉ có mười dòng, chiếm một dòng là mất mười phần trăm tín hiệu. Nhân lên trên hàng trăm tài liệu mỗi tuần, tỷ lệ nhiễm có thể vượt ngưỡng khiến mô hình mất phương hướng.

Điều tôi muốn bạn thấy nằm ở cách một lỗi nhỏ ở cửa vào biến thành một sai lệch lớn ở cửa ra, chứ không ở một tài liệu cụ thể.

Trong bóng đá, chúng ta đã quen với ý tưởng "rác vào, rác ra". Tôi muốn đẩy nó xa hơn: rác không cần vào nhiều. Chỉ cần vào đúng chỗ.

Trở lại chuyện chuyên môn. Khi tôi phân tích một thương vụ, tôi không bắt đầu từ cái tên. Tôi bắt đầu từ cấu trúc. Phí chuyển nhượng chỉ là bề mặt. Điều khoản mua lại, phí leo thang theo số lần ra sân, tỷ lệ ăn chia khi bán lại, điều khoản giải phóng — những thứ đó mới quyết định giá trị thật.

Nếu dữ liệu về mấy điều khoản đó bị lẫn với một bài y tế, tôi không mất một dữ liệu. Tôi mất cả một bản đồ.

Mỗi thương vụ là một ván cờ, người xem thấy quân xe, tôi thấy người cầm quân. Nhưng nếu bàn cờ được in sai một ô, người cầm quân đi nước cờ sai mà không hay.

Tôi từng chứng kiến điều tương tự ở quy mô nhỏ hơn. Năm 2026, tôi lập bảng so sánh ba ứng viên cho một vị trí tiền đạo ngoại binh của một CLB V-League. Bảng của tôi có một dòng lấy từ trang thống kê không rõ nguồn. Tôi tin nó, và dự đoán sai về thể lực của cầu thủ được chọn. CLB thanh lý anh ta sau sáu tháng. Bài học khi đó: dữ liệu sai không đánh vào dữ liệu, nó đánh vào quyết định.

Bản tin Mexico City là phiên bản phóng to của bài học đó.

Nhiều người sẽ nói: chuyện này nhỏ, hệ thống nào chẳng có vài lỗi, quan trọng là ở cửa ra vẫn có người kiểm duyệt.

Tôi không đồng ý với cách đặt vấn đề đó.

Điểm mù nằm ở chỗ chúng ta tưởng rằng cửa ra đủ mạnh để chặn mọi lỗi từ cửa vào. Trong kỳ chuyển nhượng, cửa ra chính là tốc độ. Tin đúng chỉ có giá trị khi đến đúng lúc. Nếu tôi mất hai ngày để kiểm tra một nguồn, đối thủ đã kịp đăng trước. Áp lực thời gian khiến người kiểm duyệt tin vào nhãn hơn là đọc lại nội dung.

Khi cả thị trường đứng yên, kẻ biết đọc điều khoản sẽ bước đi trước. Nhưng kẻ đọc sai nhãn sẽ bước đi nhanh hơn, và đi nhầm hướng.

Một điểm nữa mà ít người để ý: các hệ thống phân loại tự động thường được đánh giá bằng độ chính xác tổng thể. Nếu chín mươi lăm phần trăm tài liệu được gắn đúng nhãn, hệ thống được coi là tốt. Nhưng năm phần trăm sai đó không phân bố đều. Nó tập trung vào những tài liệu dễ nhầm nhất — tức là những tài liệu có từ vựng giống chủ đề khác. Trong chuyển nhượng, đó lại đúng là loại tài liệu chứa điều khoản, hợp đồng, phí — những thứ tôi cần nhất.

Nghĩa là: hệ thống sai đúng ở chỗ tôi cần nó đúng nhất.

Tôi không có ý nói bỏ hệ thống tự động. Tôi nói phải đặt một cổng kiểm tra ngữ nghĩa ở cửa vào: tài liệu có thực sự chứa đội bóng, cầu thủ, hoặc cơ quan quản lý bóng đá hay không. Nếu không, chuyển nó sang đúng ngăn.

Ngay cả cổng kiểm tra cũng có giới hạn. Vấn đề sâu hơn là văn hóa nghề: chúng ta quen coi dữ liệu là thứ trung lập. Nó không trung lập. Mỗi nhãn là một phán đoán. Và mỗi phán đoán đều có thể sai.

Tôi giữ lại tài liệu sai đó trong máy, không xóa. Không phải để làm bằng chứng, mà để nhắc bản thân rằng đường ống tôi đang chạy có thể hỏng ở bất kỳ chỗ nào.

Trong vài tuần tới, kỳ chuyển nhượng mùa đông sẽ mở. Sẽ có hàng trăm tin đồn, hàng chục bản hợp đồng, và ít nhất một vài tài liệu bị gắn nhãn sai lọt vào bảng dữ liệu của tôi. Điều tôi có thể làm không phải là ngăn mọi lỗi. Điều tôi có thể làm là kiểm tra tên cầu thủ trước khi kiểm tra dữ liệu, và kiểm tra chủ đề trước khi kiểm tra tên cầu thủ.

Câu hỏi tôi để lại cho bạn: trong bảng dữ liệu mà bạn đang tin, có bao nhiêu dòng bạn đã tự tay mở nguồn gốc ra đọc?