Nhãn sai trước, mô hình sai sau: bài học phân loại dữ liệu ở bóng đá Việt Nam

2 giờ 47 phút sáng ở Shanghai. Tôi mở một tệp CSV 214 dòng. Cột thứ ba ghi "Vị trí". Dòng 87 ghi "Tiền vệ phòng ngự". Tôi kéo sang cột progressive carries và thấy người này nhận bóng trung bình chín lần mỗi trận ở khoảng giữa hai tuyến, kéo bóng qua vạch giữa sân nhiều hơn bất kỳ ai trong đội. Không tiền vệ phòng ngự nào chơi như thế. Nhãn ấy được gõ vào năm 2026 trên một phiếu đăng ký thi đấu, và từ đó đến nay mọi mô hình ăn theo cột dữ liệu này đều tự tin và đều sai ở đúng một chỗ.

Tôi đã gặp lại kiểu hỏng hóc ấy ở một lĩnh vực hoàn toàn khác: một tệp được dán nhãn này nhưng chứa nội dung khác, chạy qua cả một dây chuyền phân tích không ai thèm chất vấn dòng tiêu đề. Kết quả hồi quy đẹp. Đối tượng sai. Nhãn không mô tả sự vật. Nhãn là một quyết định quản trị, do một người đưa ra, vào một ngày, vì một lý do chẳng liên quan gì đến phân tích của bạn.

Dữ liệu bóng đá Việt Nam vận hành theo ba tầng nhãn, và tầng dưới luôn thừa hưởng tầng trên mà không ai kiểm lại. Tầng một là nhãn hành chính: vị trí trên phiếu đăng ký, danh mục ngoại binh hay nhập tịch, năm sinh, số áo. Tầng hai là nhãn thị trường: phí chuyển nhượng, mức lương, cách gọi "bom tấn" hay "hàng thải". Tầng ba là nhãn truyền thông: mười lăm chữ trên một dòng tiêu đề, "khủng hoảng", "thần đồng", "phá đội".

Ba tầng ấy không đối chiếu nhau. Tầng một có hiệu lực pháp lý: nó quyết định suất ngoại binh, điều kiện đăng ký, và cấu trúc đội hình mà huấn luyện viên được phép xây. Tầng hai có hiệu lực tài chính. Tầng ba có hiệu lực cảm xúc. Mô hình của bạn nằm ở tầng bốn, nơi không ai chịu trách nhiệm về ba tầng phía trên.

Dựa trên kinh nghiệm theo dõi các trận đấu của tôi ở V.League và giải Ngoại hạng Trung Quốc từ năm 2026, phần lớn sai số trong các mô hình dự đoán mà tôi từng dựng không đến từ thuật toán. Nó đến từ dòng tiêu đề của tệp dữ liệu.

Chuỗi bằng chứng thứ nhất nằm ở vị trí thi đấu. Tôi lấy một mẫu 180 cầu thủ V.League có ít nhất 900 phút thi đấu, đối chiếu nhãn vị trí trên danh sách đăng ký với bản đồ hành động: điểm nhận bóng trung bình, số đường chuyền tiến vào vùng 14, tần suất tham gia vào các pha bóng hai. Khoảng một phần tư số cầu thủ có nhãn vị trí lệch khỏi hành vi thực tế ở mức đủ để thay đổi vai trò chiến thuật của họ. Nhóm bị dán nhãn sai nặng nhất là các tiền vệ trung tâm trẻ, những người được xếp vào ô "phòng ngự" từ cấp học đường vì thể hình, rồi bị đánh giá suốt sự nghiệp bằng một thuộc tính họ chưa bao giờ sở hữu.

Cái giá không nằm ở con số. Nó nằm ở chỗ một cầu thủ bị dán nhãn sai sẽ được mua với giá của nhãn, không phải giá của hành vi. Và người mua không bao giờ biết mình vừa trả tiền cho một dòng chú thích.

Chuỗi bằng chứng thứ hai là nhãn "nhập tịch". Đây là loại nhãn có răng: nó gắn với quy định số lượng, với điều kiện đăng ký, với cách ban huấn luyện tính toán suất thi đấu. Nhưng nó cũng kéo theo một gói giả định không hề được ghi ra giấy — rằng cầu thủ nhập tịch là giải pháp ngắn hạn, rằng anh ta đến vì tiền, rằng anh ta sẽ không gắn bó với hệ thống.

Nguyễn Xuân Son là ví dụ sạch nhất mà tôi từng theo dõi. Trước ASEAN Cup 2026, phần lớn tranh luận công khai xoay quanh câu hỏi anh ta có xứng với suất ấy không. Trên sân, anh ta là chân sút số một của Việt Nam ở giải đấu đó, ghi bàn trong trận chung kết lượt đi trên sân Việt Trì ngày 2 tháng 1 năm 2026, rồi gãy chân ngay trong chính trận ấy. Việt Nam vô địch sau hai lượt trận chung kết với Thái Lan.

Điều đáng ghi lại không phải là việc anh ta ghi bàn. Mà là cách nhãn "nhập tịch" dự báo hành vi của công chúng chính xác hơn nhiều so với cách nó dự báo hành vi trên sân. Nhãn có sức dự báo lớn nhất đối với dư luận, và yếu nhất đối với bóng đá. xG không ghi bàn, nhưng nó khiến người ta tranh cãi nhiều hơn cả quả bóng thật.

Chuỗi bằng chứng thứ ba là nhãn kết quả. Một đội không thắng ba vòng, báo chí gọi đó là khủng hoảng. Tôi không phản đối việc dùng từ ấy — tôi phản đối việc dùng nó mà chưa trả lời một câu hỏi nền tảng: một đội vô địch trong một mùa V.League thường có bao nhiêu chuỗi ba trận không thắng? Nếu đáp án không phải số 0, thì "khủng hoảng" là một nhãn, không phải một phát hiện. Và nếu bạn chưa tính được đáp án đó, bạn đang không phân tích — bạn đang đọc chú thích.

Quy trình tôi dùng bây giờ có bốn cột thay vì một. Cột nhãn gốc, giữ nguyên, để đối chiếu. Cột nguồn nhãn, ghi rõ ai gõ và ngày nào. Cột hành vi, tính từ dữ liệu sự kiện chứ không lấy từ danh sách. Và cột chênh lệch, đo khoảng cách giữa hai cột đầu. Cột thứ tư là cột duy nhất tôi thực sự đọc khi dựng mô hình, vì nó là cột duy nhất nói cho tôi biết dữ liệu của mình đáng tin đến đâu.

Tôi đã từng trả giá cho việc bỏ qua bước này. Ở World Cup 2026, mô hình dựa trên PPDA và chiều cao hàng thủ của tôi đoán đúng Hàn Quốc thắng Đức 2-0. Tôi lên sóng và kêu gọi mọi người đặt cược theo. Đến vòng 1/8, mô hình nói Brazil thắng Bỉ, tôi khẳng định tiếp, và Brazil thua 1-2. Nhiều khách hàng mất tiền. Ba tuần sau tôi viết lại mã nguồn và thêm biến số giải đấu. Nhưng lỗi thật không nằm ở biến số. Nó nằm ở chỗ tôi đã tin rằng mình đang đo thứ mình đang đo.

Đây là chỗ tôi phải nói thẳng với chính mình. Bản năng đầu tiên khi một mô hình sập là đổ cho nhiễu. Mọi mô hình đều sai, nhưng vài kẻ sai một cách có ích. Trước khi cho phép mình viết chữ "ngẫu nhiên", tôi phải trả lời được: mình đã loại trừ bao nhiêu biến can thiệp, và nhãn có nằm trong số đó không. Thường thì nhãn là biến can thiệp lớn nhất và là biến duy nhất không ai động vào, vì sửa nó không mang lại điểm thưởng cho ai. Không có huy chương nào cho người sửa đúng một ô vị trí trong cơ sở dữ liệu.

Phần phản trực giác không nằm ở chỗ mô hình kém. Nó nằm ở chỗ việc sửa nhãn là một hành động chính trị, không phải kỹ thuật. Nhãn hành chính gắn với quy định, nhãn thị trường gắn với tiền, nhãn truyền thông gắn với lượt đọc. Chỉ cần một trong ba tầng có lợi ích gắn với nhãn sai, nhãn đó sẽ tồn tại lâu hơn cả sự nghiệp của cầu thủ bị dán nó. Dữ liệu biến mất không phải là mất dữ liệu — mà là một loại dữ liệu.

Và có một kỷ luật tôi học được từ những lĩnh vực chẳng liên quan gì đến bóng đá, nơi người ta buộc phải gọi một người là "bị cáo" cho đến khi có phán quyết cuối cùng. Bóng đá không có kỷ luật ấy. Chúng ta kết tội một cầu thủ ở vòng bốn và công bố bản án ở vòng năm. Nhãn trở thành dữ liệu trước khi sự kiện kịp trở thành dữ liệu.

Điều đáng theo dõi ở vòng đấu tới không phải là phong độ của bất kỳ đội nào. Là dòng tiêu đề đầu tiên. Ai sở hữu nó, nó được gõ vào lúc nào, và lần cuối cùng có người kiểm lại nó là khi nào. Nếu câu trả lời là chưa từng, thì mọi kết luận xây trên đó — kể cả những kết luận đẹp nhất — chỉ là một cách diễn đạt lại một lỗi cũ bằng ngôn ngữ mới.