Khi một tệp dữ liệu dán nhãn sai lọt vào phòng tuyển trạch V.League

22 giờ 40, phòng làm việc chỉ còn tiếng quạt trần. Một cộng sự trẻ gửi tôi gói 1.200 tệp văn bản đã dán nhãn, chờ nạp vào mô hình theo dõi thị trường chuyển nhượng mà chúng tôi dựng cho một CLB V.League. Tôi mở tệp đầu tiên mang nhãn “bóng đá”. Bên trong không có một dòng nào về bóng đá: không tên CLB, không tên cầu thủ, không tỉ số, không hợp đồng, không bảng xếp hạng.

Tôi ngồi lại bốn tiếng để rà. Gần 70 trong 1.200 tệp mang nhãn bóng đá mà ruột rỗng. Với người giữ kho dữ liệu tuyển trạch hơn ba thập kỷ như tôi, tỉ lệ đó đáng sợ hơn mọi trận thua trên sân. Một mô hình học từ đống tệp ấy sẽ học cách gọi sai tên mọi thứ, rồi trả về cho ban huấn luyện những bản báo cáo đúng định dạng, trơn tru, và vô nghĩa.

Lý do tôi viết bài này nằm ở một thứ gần như không ai kiểm: cái nhãn dán lên dữ liệu.

Bóng đá Việt Nam đã bước vào kỷ nguyên mua dữ liệu. CLB ở V.League trả tiền thuê bao nền tảng cầu thủ, thuê người cắt clip, và nhiều đội đã có một chỗ ngồi riêng cho người làm phân tích. Một đội tầm trung chi vài trăm triệu đồng mỗi năm cho phần mềm và dữ liệu, con số không lớn so với một bản hợp đồng nội binh, nhưng đủ để tạo ra ảo giác rằng đội đã “có dữ liệu”.

Người Đức gõ cửa một lần, tôi mở ra cả kho hồ sơ tuyển trạch chưa từng công bố. Anh ta nhờ tôi đánh giá một tiền vệ trung tâm người Việt. Anh xem đúng một trận, trận cầu thủ ấy bị thẻ và chơi mờ nhạt, rồi kết luận tốc độ tối đa chỉ 27 km/h, dưới chuẩn châu Âu, và hủy một bản hợp đồng trị giá 1,8 triệu euro. Thiết bị GPS trên sân hôm đó lỗi. Tốc độ thật là 33 km/h. Bài vạch trần của tôi sau đó đạt 1,2 triệu lượt đọc, nhưng bản hợp đồng thì đã chết.

Năm 2026, tôi theo CLB Sài Gòn suốt 250 ngày, dự 34 buổi tập và 18 trận sân khách. Cầu thủ trẻ áo số 29 ghi 7 bàn mà vẫn bị bỏ qua trong bình chọn trực tuyến. Tôi lập một khảo sát trên fanpage, thu 12.000 lượt tương tác, và phát hiện cộng đồng không tin vào chiến thuật ban huấn luyện dù đội thắng 5 trận liên tiếp. Bài học nằm ở chỗ khác: dữ liệu chỉ có nghĩa khi nó đi cùng nhịp của khán đài.

Ba kiểu lỗi đang lặp lại trong các phòng tuyển trạch Việt Nam, và cả ba đều bắt đầu từ chỗ rẻ nhất để sửa.

Kiểu thứ nhất là nhãn sai ở khâu nạp. Đường ống dữ liệu gồm ba tầng: thu thập, dán nhãn, mô hình. Tầng giữa rẻ nhất, ít ai thuê người giỏi nhất, và cũng ít ai kiểm nhất. Một tệp được gắn nhãn “bóng đá” mà không chứa thực thể bóng đá nào sẽ dạy mô hình rằng những từ ngữ kia thuộc về bóng đá. Sai một tầng, sai toàn bộ chuỗi. Nó giống một trận đấu mà người ghi biên bản đánh nhầm đội ghi bàn: tỉ số cuối trận vẫn đúng, nhưng mọi thống kê cá nhân sau đó đều lệch, và không ai biết vì sao lệch.

Kiểu thứ hai là tiếng vọng một nguồn. Một tiền đạo được cho là sẽ sang Thái Lan; ba tờ báo đưa tin trong cùng buổi sáng; đến chiều thành năm; hôm sau thành “nhiều nguồn xác nhận”. Truy ngược lại, cả năm bài cùng trích một dòng trạng thái của cùng một người môi giới. Năm bài báo cùng một nguồn vẫn chỉ là một nguồn. Trong tuyển trạch, đây là lỗi đắt nhất vì nó tạo ra cảm giác chắc chắn mà không thêm một gram bằng chứng nào. Tôi đã thấy những bản báo cáo cầu thủ dày 12 trang, trong đó 9 trang là bản sao của nhau.

Kiểu thứ ba là sai lệch tham số kỹ thuật. Cùng một trận, hai nhà cung cấp dữ liệu trả về hai con số quãng đường chạy khác nhau 8-11%, tốc độ tối đa lệch 1,5 km/h. Cả hai đều đạt chứng nhận của FIFA cho hệ thống định vị điện tử, cả hai đều đúng theo cách của nó, và không bên nào sai theo kiểu có thể kiện. Với một HLV, 1,5 km/h là khác biệt giữa một tiền vệ box-to-box và một tiền vệ phòng ngự. Vụ GPS 27 km/h so với 33 km/h là phiên bản cực đoan của cùng một căn bệnh: thiết bị đo sai, người đọc tin ngay, và không ai hỏi vì sao con số này lạ.

Ở đây tôi phải nói về một kỹ năng bị xem nhẹ nhất trong nghề: dám viết “chưa đủ dữ liệu để kết luận”. Trong tuyển trạch, câu trả lời trung thực nhất thường là câu ngắn nhất: chưa đủ. Một báo cáo có ba kết luận chắc và bốn ô trống trung thực có giá trị hơn một báo cáo có bảy kết luận đều đặn. Tôi đã thấy mô hình tự tin chấm điểm một cầu thủ dựa trên 180 phút thi đấu, trong đó 90 phút là rác nhãn. Không ai đọc phần chân trang để biết điều đó.

Kiểu thứ tư, phổ biến nhất ở các đội mới làm quen: dùng chỉ số đúng cho sai câu hỏi. xG được trích ra để kết luận một tiền đạo “kém duyên” sau 6 trận, trong khi mẫu 6 trận ở V.League chỉ khoảng 40 cú sút — dưới ngưỡng ổn định của mọi mô hình. PPDA được dùng để chê một đội phòng ngự lùi sâu, trong khi đội đó chủ động lùi sâu và đang đứng thứ ba bảng xếp hạng. Chỉ số không nói dối; người đọc chỉ số mới nói dối.

Ở các giải hạng dưới, tình hình đảo ngược: gần như không có dữ liệu. Một cầu thủ 19 tuổi ghi 11 bàn ở hạng Nhì được viết như cổ tích trong hai tuần, rồi biến mất khỏi mọi bản báo cáo. Cải cách phân bổ nguồn lực thì vẫn chưa tới: tiền dữ liệu chảy về đội lớn, nơi cầu thủ đã được nhìn thấy, còn nơi sản sinh ra họ thì không có nổi một chiếc máy quay cố định.

Dữ liệu mềm cũng vậy. Năm 2026, sân đóng cửa, CLB Sài Gòn mất 40% doanh thu, khoản nợ 8 tỷ đồng, nhà tài trợ tuyên bố cắt hợp đồng sau 12 vòng bị hoãn. Chúng tôi mở một buổi giao lưu trực tuyến với hơn 3.000 cổ động viên; hai tuần sau, cộng đồng quyên được 2,3 tỷ đồng. Đó là dữ liệu hành vi có thật, đo được, và không phần mềm nào bán cho bạn.

Cách hiểu phổ biến bên ngoài: đội nào mua nhiều dữ liệu hơn thì quyết định tốt hơn. Thực tế ở các CLB Việt Nam, nút thắt không nằm ở lượng dữ liệu mà ở quyền sở hữu cái nhãn. Không ai chịu trách nhiệm về việc một tệp được gắn nhãn gì. Khi lỗi xảy ra, người ta đổ cho nhà cung cấp, đổ cho thiết bị, đổ cho cầu thủ chấn thương — không ai đổ cho quy trình dán nhãn vì quy trình đó không có tên người.

Một điểm mù nữa: ban huấn luyện Việt Nam đang bị bảo rằng trực giác là thứ lỗi thời. Tôi không tin vậy. Phòng thay đồ thì thầm; việc của tôi là ghi âm bằng trí nhớ, không phải bằng máy. Cái mà một HLV nhìn ra ở buổi tập thứ ba — dáng chạy hơi nghiêng, ánh mắt né tránh sau khi bị thay ra — không nằm trong bất kỳ tệp CSV nào. Số hóa không làm tôi nhanh hơn, nhưng buộc tôi trung thực hơn với từng con số.

Tín hiệu tôi theo dõi trong giai đoạn tới không phải số thuê bao dữ liệu của các CLB, mà là việc đội nào bổ nhiệm một người chịu trách nhiệm về chất lượng dữ liệu, có quyền nói “không” với một tệp nhãn sai. Ở tuổi 52, tôi vẫn giữ nhịp bằng đôi tai — thứ duy nhất chưa ai số hóa được. Nhưng đôi tai cần một cái kho sạch để đối chiếu. Khi mùa giải bước vào loạt trận nước rút, đội nào sẽ là đội đầu tiên dám nói trước họp báo: chúng tôi chưa đủ dữ liệu để kết luận?