Bản trích xuất rỗng: Khi nhà khảo cổ dữ liệu phải học cách nói 'không có gì để khai quật'

Ba giờ sáng ngày 14 tháng 3, tại phòng dữ liệu của một trung tâm thể thao ở Thâm Quyến, tôi mở một tệp tuyển trạch mà mình đã chờ suốt mười ngày. Tên tệp đúng quy ước nội bộ: mã giải, mã đội, mã cầu thủ, ngày trích xuất. Nhưng khi cửa sổ dữ liệu bật lên, phần nội dung trống trơn. Không một chỉ số. Không một mốc thời gian. Không một tên người. Chỉ còn một nhãn nằm lạc lõng ở dòng đầu: lĩnh vực, thể thao điện tử. Một nhãn phân loại đã sống sót qua toàn bộ đường ống xử lý, trong khi mọi thứ nó phải mô tả đều bốc hơi.

Tôi ngồi nhìn màn hình khoảng hai mươi phút. Trong hai mươi phút đó, có ít nhất ba phiên bản bài phân tích hoàn chỉnh hiện lên trong đầu tôi. Một phiên bản về sức mạnh meta. Một phiên bản về cấu trúc đội hình. Một phiên bản về dòng tiền câu lạc bộ. Tất cả đều mượt mà, đều có số, đều đọc rất thuyết phục. Và cả ba đều sai ngay từ dòng đầu tiên, bởi vì tôi chưa từng biết mình đang nói về trò chơi nào.

Đó là khoảnh khắc tôi hiểu ra điều mà chín năm quan sát học viện trẻ đã dạy nhưng tôi chưa từng đặt thành câu: kẻ thù lớn nhất của nhà khảo cổ dữ liệu không phải là sự thiếu hiểu biết. Kẻ thù lớn nhất là một trang giấy trắng trông quá giống một trang giấy đã viết.

Khi đám đông nhìn lên màn hình sáng, tôi đào dưới lớp bụi dữ liệu cũ. Nhưng lần này, dưới lớp bụi ấy chẳng có gì ngoài bụi.

---

Một tệp rỗng nguy hiểm hơn một tệp sai

Muốn hiểu vì sao, phải hiểu đường ống dữ liệu trong tuyển trạch học viện đã thay đổi ra sao trong một thập kỷ. Năm 2026, tôi mười sáu tuổi, ngồi trên khán đài sân phụ của Shenzhen FC để xem một trận U16 nội bộ. Tiền vệ Lin Chen không ghi bàn. Tôi đếm được 47 đường chuyền chính xác trong sáu mươi phút, 11 pha cướp bóng ở phần sân nhà, độ chính xác chuyền dài 84%. Tôi ghi tay vào một cuốn sổ đen, không vội kết luận. Sự thiếu hiểu biết khi đó có hình dạng rõ ràng: nó gắn với một trận đấu, một khung giờ, một điều kiện thời tiết. Tôi biết chính xác mình đã ngồi ở đâu, đã bỏ lỡ phút nào, đã không kịp ghi chuyển động nào của cầu thủ số 8.

Hai tháng sau, Lin Chen bị đội bóng bán cho một câu lạc bộ hạng Nhất. Tôi chỉ mỉm cười, vì tôi đã dựng sẵn cho cậu một khung đánh giá gồm sáu chỉ số: di chuyển không bóng, khả năng đọc tình huống, áp lực cướp bóng, độ chính xác chuyền dài, tốc độ xử lý, chỉ số tránh rủi ro. Khung ấy không cần màn hình sáng. Nó cần một người chịu ngồi đủ lâu.

Ngày nay phần lớn dữ liệu đến từ các hệ thống trích xuất tự động. Một chương trình quét hàng nghìn giờ băng ghi hình, gắn nhãn sự kiện, đẩy vào cơ sở dữ liệu, và trả về một tệp JSON hoặc CSV sạch sẽ. Tốc độ tăng theo cấp số nhân. Nhưng có một thứ bị đánh rơi trong quá trình tăng tốc ấy: khả năng nhìn thấy giới hạn của chính mình. Khi một hệ thống trả về con số, ta mặc định con số ấy có nghĩa. Khi nó trả về khoảng trắng, ta không còn biết khoảng trắng ấy là do không có dữ liệu, hay do dữ liệu không được truyền vào, hay do bộ phân tích im lặng thất bại.

Một tệp sai thì người ta còn phát hiện được, vì nó mâu thuẫn với thứ khác. Một tệp rỗng thì không mâu thuẫn với bất cứ điều gì. Nó chỉ chờ được lấp đầy.

---

Địa tầng của một sự thất bại

Trong tài liệu phân tích gốc mà tôi nhận được, người ta gọi tình trạng này là "trả về kết quả rỗng có cấu trúc". Nghe khô khan. Thực tế, nó là một phát hiện nghiêm túc. Một hệ thống được thiết kế đúng phải phân biệt được hai trạng thái hoàn toàn khác nhau: không thể đánh giá và đã đánh giá và không tìm thấy rủi ro. Hai câu này nhìn gần giống nhau trên màn hình. Chúng cách nhau một khoảng bằng toàn bộ uy tín của nghề phân tích.

Hãy hình dung một bảng kiểm gồm chín lớp: meta và bản vá, hệ thống giải đấu, đội hình và cầu thủ, bức tranh khu vực, tài chính câu lạc bộ, tuân thủ luật và quản trị, hồ sơ rủi ro, câu chuyện công chúng, và chuỗi lan truyền của ngành. Với một tệp rỗng, cả chín lớp đều trả về cùng một chữ: chưa thể đánh giá. Không phải "không có rủi ro". Không phải "rủi ro thấp". Mà là: rủi ro chưa được nhìn thấy, chưa được xác nhận, cũng chưa được loại trừ.

Sự khác biệt ấy không phải chuyện học thuật. Trong một quy trình xuất bản, nhầm lẫn giữa "chưa thể đánh giá" và "an toàn" chính là lỗi đắt giá nhất. Một đội được dán nhãn an toàn vì hồ sơ của họ trống, không phải vì hồ sơ của họ sạch.

Mọi lời tiên tri đều nằm trong lớp trầm tích mà đám đông vội bỏ qua. Và một lớp trầm tích trống thì không chứa lời tiên tri nào cả. Vấn đề là ở chỗ đó.

Năm 2026, khi đại dịch đóng băng toàn bộ giải trẻ châu Á, tôi không có trận nào để xem. Tôi chuyển sang khai quật kho dữ liệu lịch sử của mười bốn học viện, tổng cộng 9.212 hồ sơ cầu thủ. Tôi tìm ra một tương quan: những cầu thủ đạt trên 1.800 phút thi đấu ở cấp U19 trước tuổi mười tám có tỷ lệ thành công sau ba năm cao gấp 2,3 lần nhóm còn lại. Tôi gọi mô hình đó là Điểm Khai Quật.

Nhưng mô hình ấy chỉ đứng vững vì tôi biết chính xác mình đã mất gì. Trong 9.212 hồ sơ, có hơn một nghìn bản thiếu cột số phút. Tôi không điền chúng bằng ước lượng trung bình. Tôi đánh dấu chúng là khuyết, tách ra khỏi tập huấn luyện, và ghi rõ trong tài liệu phương pháp rằng mô hình chỉ đúng với phần dữ liệu đầy đủ. Đó là lý do tôi luôn tìm một người phản biện — lần đó là một nhà phân tích dữ liệu ở Bắc Kinh, người không thích xem bóng đá, chỉ thích số. Anh ta không nâng niu mô hình của tôi. Anh ta kiểm tra nó.

---

Bảy lỗ hổng không thể lấp

Khi tệp rỗng ấy nằm trước mặt, tôi liệt kê cho mình đúng những việc không thể làm. Không thể xác định trò chơi cụ thể, mà đây là điều kiện tiên quyết số một, bởi vì cùng một chữ "tăng sức mạnh" mang nghĩa hoàn toàn khác trong một trò MOBA, một trò bắn súng góc nhìn thứ nhất, hay một trò sinh tồn. Không thể đặt sự kiện lên kim tự tháp thi đấu vì không biết đó là giải vô địch thế giới, giải giữa mùa, giải khu vực hay giải hạng hai. Không thể phân loại giai đoạn đội hình vì không có tên người. Không thể so sánh sức mạnh khu vực vì mạnh yếu là thuộc tính gắn với từng tựa game, không phải thuộc tính của một vùng đất. Không thể kiểm tra chuỗi nguồn vì tên bài báo cũng trống. Không thể chấm điểm ổn định câu chuyện vì không có tuyên bố nào để chấm. Và không thể dựng bản đồ lan truyền ngành vì thiếu cả nút thượng nguồn lẫn nút hạ nguồn.

Bảy lỗ hổng. Không lỗ nào có thể bịt bằng suy luận. Suy luận cần ít nhất một điểm neo. Ở đây không có điểm neo nào.

Đây là chỗ tôi phải nói rõ một điều mà nghề này ít khi thừa nhận: phần lớn nội dung phân tích thể thao được viết trong tình trạng thiếu dữ liệu, và phần lớn người viết chọn cách lấp khoảng trống bằng kiến thức nền trông có vẻ hợp lý. Họ gọi đó là kinh nghiệm. Tôi gọi đó là bịa đặt có trang trí.

Năm 2026, khi còn là thực tập sinh tại một trung tâm dữ liệu thể thao ở Thâm Quyến, tôi theo dõi các đội nhỏ ở vòng chung kết World Cup tại Qatar. Tôi phát hiện hậu vệ trẻ Enzo Martínez của Uruguay, xuất thân từ học viện Defensor Sporting, có dáng chạy bất thường: lực đạp của chân trái thấp hơn chân phải 18%, một dấu hiệu của tổn thương gân kheo tiềm ẩn. Tôi viết một báo cáo dự đoán cậu ấy sẽ chấn thương trong sáu tháng tới, kèm lộ trình phục hồi. Vì muốn hoàn hảo, tôi giữ bản thảo hai tuần để kiểm tra lại đồ thị. Trong hai tuần đó, một đồng nghiệp phát hiện và đưa lên trang của câu lạc bộ, ghi danh cho cầu thủ, không ghi nguồn.

Tôi học được một câu: đúng mà trễ vẫn là sai. Nhưng tôi cũng học được điều thứ hai, ít được nói đến hơn: thứ được đưa lên trang kia không phải báo cáo của tôi, mà là một phiên bản của nó — đã bị cắt bớt phần ghi chú độ tin cậy, phần giới hạn dữ liệu, phần giả định. Người đọc cuối cùng nhận được một kết luận chắc chắn, trong khi tôi đã viết một giả thuyết có điều kiện.

Từ đó, mọi báo cáo của tôi đều có ba dòng bắt buộc ở đầu: dữ liệu đến từ đâu, ngày nào, và độ tin cậy ở mức nào. Không có ba dòng ấy, tôi không xuất bản.

---

Người ta trả tiền cho kết luận, không trả tiền cho khoảng trắng

Đây là phần phản trực giác, và cũng là phần khiến tôi mất ngủ nhiều nhất.

Nếu một tệp rỗng là kết quả trung thực, tại sao nó lại hiếm khi xuất hiện trong các bản tin chính thức? Bởi vì cấu trúc khuyến khích không trả tiền cho nó. Một nhà phân tích đưa ra kết luận "chưa thể đánh giá" sẽ nhận về im lặng. Một nhà phân tích đưa ra kết luận "đội này đang trỗi dậy nhờ bản vá mới" sẽ nhận về lượt xem. Thị trường thể thao số không thưởng cho sự cẩn trọng. Nó thưởng cho kết cấu. Càng nhiều chi tiết, càng nhiều con số, càng nhiều tên riêng, bài viết càng có vẻ đáng tin — bất kể bên dưới nó có gì hay không.

Và có một dòng tiền đặc biệt khiến vấn đề trở nên trầm trọng hơn. Dữ liệu trực tiếp, được trích xuất và làm sạch trong thời gian thực, có giá trị thương mại lớn nhất khi nó chảy tới các công ty cá cược. Một tỷ lệ chuyền chính xác được cập nhật theo từng phút, một chỉ số thể lực được đo theo từng giây, một dự đoán chấn thương được đưa ra trước khi đội ngũ y tế của câu lạc bộ biết — tất cả đều trở thành hàng hóa. Và hàng hóa ấy chỉ có giá khi người mua tin rằng nó chắc chắn.

Đó là lý do sâu xa khiến một tệp rỗng trở thành mối đe dọa. Không phải vì nó thiếu dữ liệu. Mà vì nó tạo ra động lực để ai đó lấp đầy nó bằng thứ trông giống dữ liệu. Một khi kết luận đã được đóng gói để bán, độ tin cậy trở thành chướng ngại chứ không còn là đức hạnh.

Tôi đã chứng kiến kiểu thất bại này nhiều lần trong các báo cáo tuyển trạch trẻ. Một cầu thủ ghi ba bàn trong hai trận giao hữu, và ngay lập tức có bài ca ngợi. Ba bàn ấy là sự thật. Nhưng cỡ mẫu thì không. Tôi không khoan vào khoảnh khắc, tôi khoan vào quá trình lắng đọng của một tài năng. Ba bàn trong hai trận giao hữu là một khoảnh khắc. Một nghìn tám trăm phút ở cấp U19 là một quá trình. Hai thứ đó không cùng đơn vị đo.

Sự thật là, phần lớn các sai lầm tuyển trạch không đến từ việc đọc sai dữ liệu. Chúng đến từ việc đọc đúng một lượng dữ liệu quá nhỏ rồi coi nó là đủ. Và trong môi trường mà mọi người đều cần một câu trả lời trước khi trận đấu tiếp theo bắt đầu, khoảng trắng luôn thua kết luận.

---

Cái bẫy của tư duy bằng chứng

Có một nghịch lý mà chính tôi cũng mắc. Khi bạn đã quen chứng minh mọi thứ bằng số, bạn dễ dùng số để dập tắt mọi ý kiến khác. Bạn biến phân tích thành một cuộc phô diễn bằng chứng, nơi người nói câu "tôi không biết" bị coi là yếu. Nhưng mục đích của khai quật không phải là phơi bày sự am hiểu của người khai quật. Mục đích là phơi bày sự thật của di chỉ.

Có lần, một đồng nghiệp đưa tôi một mô hình dự đoán tài năng trẻ với độ chính xác 78%. Tôi hỏi một câu duy nhất: phần dữ liệu khuyết được xử lý thế nào? Câu trả lời là: đã nội suy. Nội suy, trong trường hợp đó, nghĩa là lấp khoảng trống bằng giả định rồi coi giả định là dữ liệu. Mô hình 78% ấy thực chất là một mô hình ước lượng, nhưng nó được trình bày như một mô hình đo lường. Hai thứ đó cách nhau bằng cả một sự nghiệp.

Người ta gọi là may mắn, tôi gọi là đã đọc xong ba năm dữ liệu nền. Nhưng chỉ khi ba năm dữ liệu nền ấy thực sự tồn tại. Khi nó không tồn tại, cách trung thực duy nhất là nói ra.

Trong bóng đá châu Âu hiện tại, một cuộc tranh luận tương tự đang diễn ra quanh quyền thay năm người. Nhìn bề mặt, nó trao lợi thế cho đội hình sâu. Nhưng hệ quả thật nằm ở hai mươi phút cuối, khi trận đấu biến thành một cuộc chiến tiêu hao thể lực. Để kết luận ai thắng trong cuộc chiến ấy, bạn cần dữ liệu về quãng đường chạy ở hiệp hai, số phút nghỉ giữa các trận, và chất lượng đội hình dự bị theo từng vị trí. Nếu bạn không có ba lớp dữ liệu ấy, bạn không thể nói ai có lợi. Bạn chỉ có thể nói ai có vẻ có lợi. Hai câu đó khác nhau, và sự khác biệt ấy chính là toàn bộ ranh giới giữa phân tích và phỏng đoán.

---

Không phải lúc nào cũng có hóa thạch

Có một cám dỗ mà mọi nhà khảo cổ đều biết. Khi bạn đào một thời gian dài mà không thấy gì, bạn bắt đầu nhìn những viên sỏi bình thường và tưởng tượng chúng là xương. Đó là lúc nguy hiểm nhất. Bởi vì một mảnh xương tưởng tượng có thể trở thành nền móng cho cả một giả thuyết, rồi giả thuyết ấy trở thành giáo trình, rồi giáo trình ấy đào tạo ra một thế hệ người tìm kiếm sai chỗ.

Trong tuyển trạch học viện, viên sỏi tưởng tượng có tên cụ thể. Nó là một chỉ số được trích xuất từ một trận giao hữu vô nghĩa. Nó là một pha bóng được cắt khỏi ngữ cảnh. Nó là một cầu thủ mười sáu tuổi được gọi là "tài năng thế hệ" sau ba tuần quan sát. Mỗi mảnh sỏi như thế đều trông rất giống một hóa thạch, đặc biệt khi nó được đặt trong một bài viết có số liệu, có tên, có ngày tháng.

Sân trống không phải điểm dừng, mà là một lớp địa tầng mới để khai quật. Nhưng một sân trống theo nghĩa không có trận đấu nào được ghi lại thì khác. Đó không phải địa tầng. Đó là một cái hố. Và cách duy nhất để đối xử đúng với một cái hố là ghi lại rằng nó tồn tại, ghi lại rằng nó trống, và không vẽ lên đó một bản đồ giả.

Có một chi tiết trong tài liệu gốc khiến tôi chú ý. Nhãn "thể thao điện tử" sống sót qua toàn bộ đường ống, trong khi mọi trường nội dung đều chết. Điều này nói lên rằng lỗi không nằm ở bước phân loại lĩnh vực, mà nằm ở bước trích xuất nội dung. Hai bước ấy là hai bộ phận khác nhau của cùng một hệ thống. Khi bạn đọc một bản phân tích không có gì, việc đầu tiên cần làm là xác định chính xác bộ phận nào của quy trình đã im lặng — chứ không phải đoán xem bài viết gốc nói về điều gì. Đoán là bước đi sai hướng đầu tiên.

Trong một quy trình đúng, một kết quả rỗng phải được gắn cờ chặn. Nó phải chặn mọi bước phía sau, để không một lớp nào có thể tiêu thụ nó như thể nó đã được kiểm chứng. Một lần tôi từng thấy một bảng rủi ro mà mọi ô đều ghi "không áp dụng". Người đọc lướt qua và tưởng rằng đội bóng ấy không có rủi ro nào. Thực tế, bảng ấy chỉ nói rằng chưa ai từng kiểm tra. Bảng rủi ro trống hiếm khi có nghĩa là an toàn. Nó thường có nghĩa là chưa ai buồn kiểm tra.

---

Điều tôi mang theo ra khỏi đêm đó

Ba giờ sáng hôm ấy, tôi đóng tệp lại và viết vào nhật ký quan sát đúng một dòng: chưa có gì để khai quật. Không vẽ biểu đồ. Không dựng giả thuyết. Không gọi tên một đội bóng nào. Tôi gửi một yêu cầu ngược lên đầu nguồn, liệt kê chính xác những gì cần có để mở lại phân tích: văn bản bài viết gốc, hoặc một lần chạy lại bước trích xuất với ít nhất bốn trường được điền — tiêu đề, nguồn, một tựa game được đặt tên, và một điểm thông tin cụ thể.

Bốn trường. Chỉ cần bốn trường là đủ để cả chín lớp phân tích mở ra. Tôi biết điều đó vì tôi đã làm việc này đủ lâu để nhận ra một điểm neo khi nhìn thấy nó. Một tựa game được đặt tên sẽ mở khóa bốn lớp cùng lúc: meta, hệ thống giải, đội hình, và bức tranh khu vực. Một tuyên bố cụ thể sẽ mở khóa lớp câu chuyện công chúng. Một nguồn có ngày tháng sẽ mở khóa lớp độ tin cậy. Nghề này không khó đến thế khi dữ liệu thực sự tồn tại. Nó chỉ khó khi ta buộc phải giả vờ rằng dữ liệu đang tồn tại.

Tôi nghĩ về cái đêm đó mỗi khi nhận một hồ sơ quá đẹp. Một hồ sơ mà mọi chỉ số đều khớp, mọi kết luận đều gọn gàng, mọi rủi ro đều được xử lý. Những hồ sơ như thế thường đáng nghi hơn những hồ sơ có lỗ hổng lộ thiên, bởi vì lỗ hổng lộ thiên nghĩa là ai đó đã thực sự nhìn. Một hồ sơ không tì vết thường nghĩa là ai đó đã quét lớp sơn lên.

Không có phép màu trên sân, chỉ có những mảnh vỡ được ghép lại trước khi người khác kịp thấy. Và nếu những mảnh vỡ ấy không tồn tại, thì việc đúng đắn không phải là tự tạo ra chúng. Việc đúng đắn là nói với người đọc rằng cái hố đang trống, và nói rõ mình cần gì để lấp nó bằng sự thật.

Trong ngành thể thao số, nơi dữ liệu chảy càng nhanh thì khoảng trắng càng dễ bị lấp bằng tiếng ồn, khả năng phân biệt giữa "không có gì" và "không tìm thấy gì" sẽ trở thành một lợi thế cạnh tranh thật sự. Không phải lợi thế về tốc độ, mà là lợi thế về khả năng kiểm chứng. Ai cũng có thể đưa ra một con số. Rất ít người có thể nói con số ấy đến từ đâu, ngày nào, và nó thiếu gì.

Vậy khi lần tới bạn đọc một bản phân tích trơn tru về một tài năng trẻ — đầy số liệu, đầy kết luận, không một khoảng trống — hãy tự hỏi một câu duy nhất. Nếu tệp dữ liệu đằng sau nó đột nhiên trống rỗng, liệu bản phân tích ấy có thay đổi điều gì không? Nếu câu trả lời là không, thì có lẽ nó chưa bao giờ được viết từ dữ liệu ngay từ đầu.