Khi dữ liệu rỗng: bài học từ một quy trình phân tích bóng bàn thất bại

Có một dạng thất bại trong nghề phân tích thể thao mà ít ai dám nói thẳng: không phải sai số, không phải mô hình lỗi thời, mà là quy trình chạy hết mà không có gì để phân tích. Tôi từng nhận một bản đầu vào của quy trình phân tích bóng bàn, mở ra xem, và thấy đúng một điều: mọi trường đều trống. Tiêu đề bài viết là N/A. Nguồn là N/A. Mười một trường thông tin định dạng đều trống rỗng, và mảng thông tin điểm — thứ tôi cần để làm nên toàn bộ chín chiều phân tích — có đúng không phần tử nào. Bảng thì vẫn đẹp. Khung thì vẫn đủ. Chỉ có dữ liệu là không có. Dữ liệu không nói dối, chỉ là ta chưa biết cách hỏi. Nhưng dữ liệu cũng không thể trả lời khi người ta chưa từng đưa nó vào.

Kỷ luật đầu tiên của một nhà phân tích là biết khi nào được phép im lặng. Với tôi, đây là một ca bệnh kinh điển của cái gọi là "thoái hóa âm thầm" — một quy trình chạy đến đích, xuất ra cấu trúc hợp lệ, nhưng bên trong không có nội dung. Nếu gặp một hệ thống như vậy trong cá cược, nó sẽ là thứ nguy hiểm nhất: một bảng tính trông hoàn hảo, không có ô nào báo lỗi, và một quyết định đặt cược được đưa ra dựa trên hư không. Tôi đã thấy quá nhiều người đọc bảng xếp hạng mà không hỏi ngày chụp bảng. Đó là cùng một lỗi, chỉ khác quy mô.

Với một bài báo, Stage 1 phải trả về những gì? Tiêu đề, nguồn có tên, ngày công bố, loại bài — tin tức, tường thuật trận đấu, phân tích kỹ thuật, phỏng vấn, bình luận, hay bản tin quản trị. Tối thiểu năm điểm thông tin, mỗi điểm nguyên tử, có ngày tháng nếu áp dụng được, và gắn với một thực thể có tên — cầu thủ, huấn luyện viên, hiệp hội, giải đấu, hoặc nhãn hàng. Danh sách thực thể phải được liệt kê rõ ràng, chứ không thể là một câu chỉ dẫn kiểu "hãy xác định từ các điểm thông tin ở trên". Khi mảng đó rỗng, câu chỉ dẫn trở thành vòng lặp tự thân: không có điểm nào để xác định, và không có thực thể nào được xác định.

Đó chính là điểm tôi muốn dừng lại lâu nhất. Trong hệ thống của tôi, mỗi chiều phân tích đều phải đứng trên một điểm bằng chứng cụ thể. Chiều kỹ thuật cần biết hệ thống lối chơi đang được bàn tới, cần các chỉ số như tỷ lệ thắng điểm, tỷ lệ thắng loạt đánh, hoặc một trận đấu được mô tả. Không có những thứ đó, mọi bảng đánh giá chỉ là khung trống có tiêu đề. Chiều dữ liệu cầu thủ cần tên, thứ hạng, độ tuổi — không thể nào dựng một bảng đối đầu khi không có ai để đối chiếu. Chiều giải đấu cần biết giải nào, hạng nào, bao nhiêu điểm cho nhà vô địch, tiền thưởng bao nhiêu, vị trí trong chu kỳ Olympic ra sao. Ngay cả chiều thương mại — thứ tôi quen xét nhất khi ngồi trên bàn phân tích — cũng cần ít nhất một chủ thể kinh doanh được nêu tên.

Có một điều tôi học được sau nhiều năm làm nghề: phần nguy hiểm nhất của một báo cáo không phải là số liệu sai, mà là số liệu đúng nhưng không có mốc thời gian. Bảng xếp hạng bóng bàn vận hành theo cơ chế cuốn 52 tuần — điểm số hết hạn theo từng tuần, và một con số thứ hạng được trích dẫn mà không kèm ngày chụp thì không dùng được vào bất cứ quyết định nào. Đó là lý do tôi luôn kiểm tra mốc thời gian trước khi kiểm tra con số. Trong bản đầu vào này, ngay cả độ nhạy thời gian cũng được ghi là "chưa được đánh giá ở Stage 1". Không có mốc thời gian thì ngay cả một con số đúng cũng trở thành vô nghĩa.

Giờ đến phần phản trực giác. Phản ứng thường thấy của người làm nghề khi gặp một đầu vào rỗng là lấp vào chỗ trống bằng kiến thức nền — thứ ai cũng có sẵn trong đầu sau hai mươi năm theo dõi giải. Tôi có thể viết ra một bài về cấu trúc đội tuyển, về chuyển giao thế hệ, về áp lực bảo vệ điểm số, và nó sẽ đọc rất trôi chảy. Nhưng đó sẽ là phân tích về một văn bản không tồn tại. Mọi nhãn độ tin cậy gắn vào những kết luận ấy sẽ trở thành vô nghĩa, và tệ hơn, chúng sẽ mang hình thức của bằng chứng. Một bảng phân tích chín chiều đầy đủ, với các dòng được điền gọn gàng bằng kiến thức nền, là thứ khó phát hiện hơn nhiều so với một bảng trống. Người đọc thấy bảng đầy thì tin là đã có phân tích.

Đó là lý do tôi đặt lên đầu bản báo cáo một cảnh báo về tính toàn vẹn đầu vào, thay vì một kết luận thể thao. Về mặt rủi ro nghề nghiệp, đây là một thất bại cấp cao: nó có xác suất cao nếu không được gắn cờ, và tác động cao vì nó ảnh hưởng đến uy tín lẫn quyết định của người dùng hạ nguồn. Trong ma trận rủi ro thông thường của tôi có sáu dòng: cạnh tranh, tuyển chọn, khoảng cách thế hệ, quản trị, hệ thống, đối thủ. Cả sáu đều không thể xếp hạng vì không có sự kiện nào được nêu. Nhưng có dòng thứ bảy — rủi ro phân tích, rủi ro meta — và đó là dòng duy nhất tôi có thể chấm điểm. Tôi chấm nó mức cao.

Nguyên nhân gốc thì khá rõ: hoặc quy trình trích xuất thất bại trong im lặng, hoặc nguồn là ảnh không có văn bản đọc được, hoặc nội dung bị chặn sau tường trả phí, hoặc đối chiếu tài liệu bị trỏ sai chỗ. Dấu hiệu đặc trưng là có khung mẫu đầy đủ nhưng phần dữ liệu rỗng — dấu hiệu của một quy trình đã chạy xong trên nội dung không tồn tại chứ không phải của một lỗi cứng. Và điều này thường không đơn lẻ: những bản ghi cùng lô thường mang cùng khiếm khuyết, nên bước tiếp theo là lấy ba đến năm bản ghi anh em ra kiểm tra chéo.

Có một chi tiết nhỏ mà tôi cho là bài học lớn nhất: mô hình "thoái hóa âm thầm" xuất hiện ở khắp nơi trong ngành dữ liệu thể thao, không riêng gì bóng bàn. Một bảng PPDA tính đủ mười sáu đội nhưng thiếu ghi chú về điều kiện thống kê. Một mô hình dự đoán tỷ lệ chuyển hóa cơ hội nhưng quên rằng bối cảnh sân không khán giả đã phá vỡ toàn bộ quy luật sân nhà. Một bảng xếp hạng được trích dẫn trong bài mà không ai hỏi ngày chụp. Tất cả đều là cùng một lỗi: cấu trúc hợp lệ, nội dung vô nghĩa, và một người đọc không được thông báo.

Nên tôi đưa ra ba khuyến nghị. Thứ nhất, thêm một cổng kiểm tra cứng: mảng thông tin điểm phải có ít nhất một phần tử, tiêu đề và nguồn không được là N/A, nếu không thì báo lỗi thay vì tiếp tục. Thứ hai, đánh dấu bản ghi là "vô hiệu — nguồn chưa phân tích được" trong mọi kho dữ liệu hạ nguồn, để không ai trích dẫn nó như bằng chứng về một bài báo thật. Thứ ba, thay trường "thực thể" từ một câu chỉ dẫn thành một trường được chính bộ trích xuất điền vào, vì chỉ dẫn không thể tự giải quyết khi không có gì để chỉ dẫn.

Câu hỏi mở mà tôi để lại: nếu một quy trình có thể xuất ra bảng phân tích hoàn chỉnh từ dữ liệu rỗng, thì bao nhiêu bảng phân tích đang được lưu hành trong ngành cũng được sinh ra theo cách đó mà không ai kiểm tra? Tôi đứng về phía con số, kể cả khi con số đứng một mình — nhưng khi không có con số nào cả, thứ duy nhất trung thực là nói rằng chưa có gì để phân tích. Dữ liệu không nói dối, chỉ là ta chưa biết cách hỏi. Và đôi khi, cách hỏi đúng nhất là hỏi lại người đưa dữ liệu: anh có chắc mình đã đưa cho tôi thứ gì chưa?