Dữ liệu rác và cầu thủ vô danh: bài toán dán nhãn sai đang bào mòn tuyển trạch bóng đá trẻ

Chiều thứ Tư, khán đài B của một sân vận động tỉnh lẻ chỉ có mười một người ngồi rải rác. Tôi ở hàng thứ ba, tay trái giữ cuốn sổ đã sờn gáy, tay phải bấm đồng hồ bấm giây cho một cầu thủ chạy cánh trái cao chưa đầy một mét bảy mươi, số áo 27. Mười lăm phút đầu hiệp một, cậu ta chạm bóng bốn lần, mất bóng ba lần, và có một lần chạy cắt mặt hậu vệ phải đối phương theo hướng vuông góc đúng vào lúc đội nhà đang mất thế. Không ai trên khán đài phản ứng. Không có máy quay nào hướng về phía đó. Sân vắng khán giả, nhưng lịch sử vẫn đang ghi chép từng đường bóng.

Điện thoại tôi rung. Một nền tảng tổng hợp dữ liệu tuyển trạch gửi thông báo: Football | Winger | 19 | Plan B. Tôi mở ra. Bên trong là bốn mươi hai dòng mô tả về một đạo diễn đang làm lại cái kết của một bộ phim kinh dị, về những buổi chiếu thử cho khán giả, về đoạn phim dự phòng mà hãng phim giữ lại trong trường hợp phương án chính không hiệu quả.

Không có câu lạc bộ nào. Không có giải đấu nào. Không có cầu thủ nào.

Người ta dán nhãn "bóng đá" lên một bài báo về điện ảnh, rồi hệ thống nuốt nó xuống mà không ai kiểm tra. Tôi đã cười. Rồi tôi thôi cười, vì tôi nhận ra chuyện này xảy ra mỗi ngày, ở khắp nơi, và ở Việt Nam thì gần như không ai nói về nó.

Vấn đề lớn nhất của tuyển trạch bóng đá trẻ Đông Nam Á không phải là thiếu tài năng hay thiếu tiền. Đó là dữ liệu rác đang được đối xử như bằng chứng.

Bốn lớp trầm tích của một hệ thống tuyển trạch

Một hệ thống tuyển trạch hiện đại không chạy bằng mắt người. Nó chạy bằng bốn lớp chồng lên nhau, và mỗi lớp đều có thể đưa rác vào.

Lớp thứ nhất là thu thập. Máy cào dữ liệu quét hàng nghìn trang báo, bản tin, diễn đàn, video mô tả, bài đăng mạng xã hội. Lớp thứ hai là dán nhãn tự động: thuật toán đọc từ khóa, đo tần suất, gán nhãn lĩnh vực. Lớp thứ ba là kiểm chứng của con người. Lớp thứ tư là nơi dữ liệu biến thành quyết định — danh sách rút gọn, mức định giá, mô hình xác suất, giáo án học viện.

Ở châu Âu, ba lớp đầu có người làm chuyên trách, và lớp thứ ba thường đắt nhất. Ở V.League 1 với mười bốn câu lạc bộ, số chuyên gia phân tích dữ liệu toàn thời gian tôi đếm được trên đầu ngón tay, và tôi đã hỏi trực tiếp ở bốn câu lạc bộ khác nhau trong hai mùa gần nhất. Phần lớn công việc đó do trợ lý huấn luyện viên kiêm nhiệm, thường là sau giờ tập, thường là trên một chiếc laptop cá nhân, thường là không có ai kiểm tra lại lần hai.

Khai quật từ lớp trầm tích, nơi những cái tên chưa kịp khắc vào huyền thoại — nhưng lớp trầm tích ấy đang bị trộn lẫn với đất đá từ một mỏ khác hoàn toàn.

Lớp thứ nhất: nơi dữ liệu được múc lên

Hãy tưởng tượng một trang tin điện tử. Bài chính hôm đó là về một bộ phim. Nhưng thanh điều hướng bên phải có mục "Thể thao". Chân trang có widget tỷ số trực tiếp. Thẻ meta có từ "giải đấu" vì trang đó đưa tin về một liên hoan phim thường niên. Máy cào không đọc được ngữ nghĩa. Nó đọc cấu trúc. Và cấu trúc thì nói: đây là trang có bóng đá.

Tôi từng ngồi với một người bạn làm kỹ thuật cho một nền tảng tổng hợp tin thể thao khu vực. Cậu ấy nói một câu tôi nhớ mãi: "Bọn tôi không phân loại nội dung. Bọn tôi phân loại đường dẫn." Một khi đường dẫn được gắn nhãn thể thao, mọi thứ đi qua nó đều mang nhãn thể thao, kể cả một bài phê bình phim dài hai nghìn chữ.

Ở Việt Nam, tầng thu thập còn có thêm một biến số: dịch máy. Rất nhiều bản tin quốc tế được dịch tự động rồi đăng lại. Từ "transfer" trong tiếng Anh có thể là chuyển nhượng cầu thủ, cũng có thể là chuyển giao bản quyền một tác phẩm. Từ "release" có thể là giải phóng hợp đồng, cũng có thể là công chiếu. Từ "draft" có thể là bản thảo, cũng có thể là tuyển chọn. Máy dịch không phân biệt. Và cái máy dán nhãn đứng sau cũng không.

Lớp thứ hai: cái bẫy của từ khóa

Đây là phần tôi muốn dành nhiều thời gian nhất, vì nó là gốc rễ của sự việc chiều thứ Tư.

Một bài báo về phim bị gắn nhãn bóng đá vì bốn chữ: franchise, outbreak, Plan B, và một cái tên virus. Trong tiếng Anh thể thao, franchise là một đội bóng chuyên nghiệp ở Mỹ — NFL, NBA, MLB. Trong tiếng Anh điện ảnh, franchise là một thương hiệu phim. Outbreak trong y tế công cộng là dịch bệnh; trong thể thao, injury outbreak là một đợt chấn thương hàng loạt trong đội hình, cụm từ mà bất kỳ phòng y tế câu lạc bộ nào cũng dùng. Plan B trong sản xuất phim là phương án dự phòng cho một cảnh quay; trong bóng đá, nó là sơ đồ thay thế khi đội hình chính bị bắt bài. Và một cái tên virus hư cấu thì trùng âm với tên một số thương hiệu thể thao.

Bốn va chạm từ khóa. Một nhãn sai. Bốn mươi hai dòng dữ liệu rác lọt vào một hệ thống mà ai đó có thể đang dùng để ra quyết định.

Điều đáng sợ không nằm ở bài báo phim. Điều đáng sợ nằm ở chỗ: nếu một bài về phim lọt được vào, thì một bài về bóng bầu dục, về bóng rổ, về một giải điền kinh cũng lọt được. Và tệ hơn nữa — một bài về một cầu thủ trẻ ở một giải hạng dưới, bị dán nhãn sai sang một lĩnh vực khác, sẽ biến mất khỏi hệ thống mà không ai biết nó từng tồn tại.

Tôi không săn lùng danh thủ. Tôi săn lùng khoảnh khắc họ bị bỏ quên. Nhưng nếu khoảnh khắc đó bị dán nhãn sai, tôi còn không có cơ hội để bỏ quên nó.

Lớp thứ ba: khoảng trống mang tên con người

Trong bốn lớp, đây là lớp mỏng nhất ở Đông Nam Á, và cũng là lớp quan trọng nhất.

Một quy trình kiểm chứng tử tế cần ba câu hỏi. Nội dung này có nhắc đến ít nhất một thực thể bóng đá có thật — câu lạc bộ, cầu thủ, giải đấu, hiệp hội — hay không? Nội dung này có chứa ít nhất một chỉ số có thể kiểm chứng — số phút, số đường chuyền, số lần chạm bóng, phí chuyển nhượng — hay không? Và nguồn gốc của nội dung này thuộc tầng nào — báo chính thống, báo lá cải, hay một bài đăng không ai chịu trách nhiệm?

Ba câu hỏi. Mất khoảng bốn mươi giây cho một bản ghi. Với một trung tâm dữ liệu xử lý vài nghìn bản ghi mỗi ngày, bốn mươi giây nhân lên thành một khoản chi phí mà không câu lạc bộ hạng trung nào ở Việt Nam muốn trả.

Thế là họ bỏ qua lớp thứ ba. Không phải vì lười. Vì bốn mươi giây đó, nhân với số bản ghi, nhân với số ngày trong mùa giải, là một con số mà ban lãnh đạo nhìn vào sẽ hỏi: "Cái này mang lại mấy điểm?"

Và câu trả lời trung thực là: không mang lại điểm nào ngay lập tức. Nó chỉ ngăn bạn mua nhầm người, thuê nhầm chuyên gia, hoặc xây một giáo án học viện dựa trên một xu hướng chiến thuật được thống kê từ dữ liệu bẩn.

Tôi đã từng ở phía bên kia của câu chuyện này. Tháng Sáu năm 2026, tôi mười chín tuổi, thực tập viết nội dung cho một trang người hâm mộ ở Nha Trang. Tôi xem Iran đá với Tây Ban Nha và dành cả bài viết để mổ xẻ một cầu thủ chạy cánh vì anh ta mất bóng bảy lần trong hiệp một — con số tôi tự đếm từ một clip dài ba phút trên mạng. Nhóm chuyên môn của trang đó nhận xét thẳng: không có cơ sở thực chiến. Họ đúng.

Tuần sau, tôi ngồi xem lại toàn bộ mười hai trận vòng bảng của giải năm đó, chỉ để tìm những cầu thủ dưới hai mươi ba tuổi bị thống kê chính thức bỏ qua. Người đầu tiên khiến tôi đổi cách nhìn là Achraf Hakimi của Morocco, năm đó mười chín tuổi, khi ấy bị phần lớn các bản tin mô tả như một hậu vệ thừa thãi trong danh sách. Sáu năm sau, cậu ấy là một trong những hậu vệ cánh được định giá cao nhất châu Âu.

Bài học không nằm ở chuyện tôi đoán đúng hay sai. Bài học nằm ở chỗ: dữ liệu tôi dùng hôm đó không sai về mặt con số. Nó sai về mặt bối cảnh. Và một hệ thống không có lớp kiểm chứng sẽ lặp lại đúng sai lầm đó, ở quy mô lớn hơn, với tốc độ nhanh hơn.

Lớp thứ tư: hậu quả ở đầu cuối

Dữ liệu rác không gây hại khi nằm yên. Nó gây hại khi được dùng.

Hãy theo một bản ghi sai nhãn đi xuống dòng chảy. Nó vào danh sách rút gọn của một tuyển trạch viên. Tuyển trạch viên đó tổng hợp ba mươi cái tên, trong đó có một cái tên được sinh ra từ lỗi hệ thống. Cậu ta gửi danh sách lên. Người phụ trách học viện đọc, thấy một hồ sơ không khớp với bất kỳ cầu thủ nào trong cơ sở dữ liệu nội bộ, và có hai lựa chọn: bỏ qua, hoặc dành hai mươi phút để kiểm tra. Hai mươi phút đó, nhân với mười hồ sơ tương tự mỗi tuần, là một quỹ thời gian mà không ai có.

Hoặc nó đi theo một con đường khác. Bản ghi rác lọt vào một mô hình định giá. Mô hình đó đang cố ước lượng giá trị thị trường của một cầu thủ trẻ dựa trên so sánh với các trường hợp tương tự. Nếu tập dữ liệu tham chiếu chứa rác, kết quả đầu ra sẽ méo. Không méo nhiều. Chỉ méo vài phần trăm. Nhưng trong một thương vụ mà khoản chênh lệch giữa giá hỏi và giá trả quyết định việc ký hay không ký, vài phần trăm là tất cả.

Mỗi thương vụ chuyển nhượng là một lớp địa tầng. Kẻ vội vàng đếm tiền, kẻ khảo cổ đọc thời đại.

Và có một đường đi thứ ba, tối hơn cả. Dữ liệu trực tiếp về các trận đấu trẻ, được thu thập bởi chính những người có mặt ở sân, thường được bán lại cho các công ty cá cược dưới dạng gói dữ liệu thô. Ở những giải đấu mà khán giả không đến, không có truyền hình, không có bài báo — tức là phần lớn các trận U17, U19 ở khu vực — thì người duy nhất có mặt ở sân lại chính là người bán dữ liệu. Các cầu thủ trẻ đóng góp dữ liệu mà không biết, không đồng ý, và không nhận được gì. Dữ liệu trực tiếp cung cấp cho công ty cá cược là tác dụng phụ đen tối nhất của việc số hóa thể thao, và bóng đá trẻ chính là nơi nó ít bị giám sát nhất.

Cái bẫy của sự tinh khiết

Đến đây tôi phải tự phản biện, vì đó là cách duy nhất để một người quan sát không trở thành một khẩu hiệu.

Nếu chúng ta dựng một cổng kiểm tra thật chặt cho mọi bản ghi, chúng ta sẽ loại bỏ được rác. Nhưng chúng ta cũng sẽ loại bỏ luôn những thứ không vừa với bất kỳ ô nào. Một bản ghi về một cầu thủ không có số liệu chính thức, không có video chuẩn, chỉ có mô tả bằng lời từ một huấn luyện viên địa phương — bản ghi đó sẽ bị cổng kiểm tra đánh trượt ngay từ vòng gửi xe.

Nhưng đó chính xác là loại bản ghi mà công việc khảo cổ học viện cần đến.

Người khảo cổ không vứt bỏ lớp đất lạ. Anh ta đọc nó. Một cổng kiểm tra tốt không phải là một cái rây lọc sạch, mà là một hệ thống phân tầng: cái gì đã kiểm chứng thì đi vào kệ A, cái gì chưa kiểm chứng thì đi vào kệ B, và cả hai kệ đều được sử dụng — nhưng với mức độ tin cậy khác nhau và được ghi rõ trên nhãn.

Có một nghịch lý nữa mà tôi cho là quan trọng hơn cả chuyện dán nhãn sai. Trong lúc chúng ta tranh nhau dọn dẹp dữ liệu bẩn, thứ dữ liệu "sạch" nhất — dữ liệu sự kiện theo thời gian thực, được ghi bởi người có mặt ở sân — lại đang được bán cho những bên không hề quan tâm đến sự phát triển của cầu thủ. Cái sạch nhất lại là cái ô uế nhất, về mặt đạo đức. Và cái bẩn nhất — một ghi chú viết tay về một cậu bé mười lăm tuổi ở một tỉnh lẻ — lại thường là cái trung thực nhất.

Tôi có một điểm yếu khác mà tôi phải thú nhận, và nó liên quan trực tiếp tới chủ đề này. Năm 2026, giữa lúc các giải đấu đình trệ, tôi lập một nhóm trao đổi về các cầu thủ trẻ bị bỏ quên, với chín thành viên là những người quan sát nghiệp dư. Chúng tôi trao đổi được năm tuần, rồi tôi bỏ đi làm một dự án khác về bóng đá Brazil. Một thành viên nhắn cho tôi đúng một câu: "Giỏi khơi nguồn, không biết duy trì." Anh ta đúng. Và tôi nhận ra cái lỗi của tôi không nằm ở chỗ khởi động quá nhiều dự án. Nó nằm ở chỗ tôi coi việc phát hiện là đích đến, trong khi phát hiện chỉ là bước đầu tiên của việc ghi chép.

Đó cũng là lỗi của phần lớn các hệ thống dữ liệu bóng đá trẻ hiện nay. Chúng giỏi phát hiện. Chúng không giỏi ghi chép.

Điều tôi mang về từ khán đài B

Cậu bé số áo 27 mà tôi đếm được bốn lần chạm bóng trong mười lăm phút ấy, đến phút thứ bảy mươi ba, thực hiện một đường chuyền bằng má ngoài chân trái xuyên qua ba tuyến, đúng vào chân tiền đạo, và đội nhà ghi bàn. Không có khán đài nào gầm lên, vì khán đài có mười một người. Không có phần mềm nào tính chỉ số cho đường chuyền đó, vì trận đấu này không được mã hóa dữ liệu.

Tối đó, về đến nhà, tôi mở lại hệ thống và tìm kiếm tên cậu ta. Không có kết quả. Bản ghi duy nhất mang tên cậu ấy mà tôi tìm được trên mạng là một dòng trong danh sách đăng ký thi đấu của một giải trẻ, không kèm ngày sinh, không kèm vị trí, không kèm bất cứ thứ gì.

Cùng lúc đó, hệ thống vẫn đang giữ bốn mươi hai dòng mô tả về một đoạn phim dự phòng của một hãng phim nước ngoài, với nhãn bóng đá, sẵn sàng cho bất kỳ ai tải về và trích dẫn.

Từ băng ghế dự bị đến ánh đèn sân khấu là một đường hầm tối. Tôi đào từ phía không ai ngờ.

Nếu bạn đang vận hành bất kỳ phần nào của một hệ thống dữ liệu bóng đá — dù chỉ là một bảng tính cá nhân — thì việc cần làm không phải là mua thêm một phần mềm. Việc cần làm là viết ra ba dòng quy tắc: bản ghi này thuộc tầng nguồn nào, nó đã được kiểm chứng bằng cách nào, và nó được phép ảnh hưởng tới quyết định ở mức nào. Ba dòng. Không cần thuật toán.

Còn với những người làm công việc như tôi: hãy tiếp tục đến những sân không có khán giả. Nhưng hãy ghi chép lại, đừng chỉ phát hiện. Vì nếu một cầu thủ vô danh không tồn tại trong bất kỳ cơ sở dữ liệu nào, thì việc anh ta có tài hay không sẽ chẳng có ý nghĩa gì với bất kỳ ai ngoài chúng ta. Và nếu một bài báo về phim có thể lọt vào danh sách tuyển trạch của bạn trong khi một đường chuyền bằng má ngoài ở phút bảy mươi ba không thể, thì vấn đề không nằm ở chỗ cậu bé kia chưa sẵn sàng. Vấn đề nằm ở chỗ hệ thống của bạn đã sẵn sàng đón nhận sai thứ.