Khi dữ liệu để trống: Ranh giới mong manh giữa phân tích và phỏng đoán

Cuối tháng 2 năm nay, trong một buổi họp cố vấn cho một đội golf bán chuyên ở Nha Trang, tôi mở bảng dữ liệu trước mặt bốn người. Ba dòng Strokes Gained quen thuộc — Off the Tee, Approach, Putting — để trống. Phía dưới, mục "Course Fit" không có con số nào. Người ngồi đối diện tôi vẫn cầm bút, điền vào ô đó hai chữ: "Ổn định."

Tôi hỏi anh ta dựa trên bao nhiêu lần tee, bao nhiêu cú approach, mẫu dữ liệu nào. Anh ta trả lời rằng anh ta "cảm được". Buổi họp kết thúc với một báo cáo không có số liệu nào.

Bảy tuần sau, ở vòng loại thứ hai của một giải khu vực, học viên của đội đó đưa bóng vào cát ba lần trong bốn hố cuối. Không ai trong phòng họp ngày hôm ấy có thể nói trước điều đó — không hẳn vì họ thiếu kinh nghiệm, mà vì họ thiếu dữ liệu, và thay vì thừa nhận, họ đã điền vào chỗ trống bằng một cảm giác được gọi bằng hai chữ mỹ miều.

Sự việc nhỏ. Nhưng nó phản chiếu một lỗi hệ thống đang ăn mòn ngành phân tích thể thao ở mọi cấp độ — từ phòng họp của một đội bán chuyên ở Nha Trang cho đến phòng phân tích của một câu lạc bộ hạng nhất châu Âu.

Khi phân tích trở thành một ngành công nghiệp dữ liệu

Mười lăm năm qua, thể thao chuyên nghiệp chuyển mình từ một sân chơi của trực giác sang một thị trường của số liệu. Golf có ShotLink và Data Golf. Bóng đá có Opta, StatsBomb, xG, PPDA. Bóng rổ có Synergy và Second Spectrum. OWGR sắp xếp thứ hạng người chơi theo điểm tích lũy. Những chỉ số này không còn là phụ kiện của bình luận — chúng quyết định hợp đồng tài trợ, suất dự giải, và cả vị trí của một huấn luyện viên trong ban huấn luyện.

Nhưng có một nghịch lý mà ít người trong ngành nói ra: càng nhiều chỉ số, càng nhiều khoảng trống. ShotLink không ghi lại mọi cú đánh ở mọi giải. Dữ liệu sân nhà ở các tour nhỏ đôi khi chỉ có vài chục cú mỗi mùa. Một tay golf 22 tuổi mới chuyển từ nghiệp dư lên chuyên nghiệp có thể chỉ có ba trăm cú đánh được ghi lại trong hệ thống — một mẫu quá nhỏ để bất kỳ kết luận kỹ thuật nào có ý nghĩa thống kê.

Cấu trúc dữ liệu của golf có một đặc điểm riêng mà nhiều môn thể thao khác không có: tính chu kỳ rất dài. Một tay golf thi đấu 20 đến 25 giải mỗi năm, mỗi giải bốn vòng, mỗi vòng 18 hố. ShotLink ghi lại từng cú đánh, nhưng chỉ ở những giải có hệ thống theo dõi. Ở các giải nhỏ hơn — đặc biệt ở châu Á và Đông Nam Á — dữ liệu cú đánh chi tiết thường không tồn tại. Điều này có nghĩa là một tay golf có thể thi đấu xuất sắc ở một giải khu vực, nhưng khi bước vào một giải có ShotLink, hồ sơ kỹ thuật của anh ta gần như trống. Đây là dạng khoảng trống nguy hiểm nhất: không phải khoảng trống vì người chơi kém, mà khoảng trống vì hệ thống chưa theo dõi tới.

Và đây là điểm tôi muốn nói thẳng: sự trống rỗng của dữ liệu không đồng nghĩa với sự tầm thường của kết quả. Thiếu dữ liệu không phải là bằng chứng của hiệu suất trung bình. Đó là bằng chứng của sự chưa biết.

Câu này nghe đơn giản, nhưng nó là nguyên tắc mà hầu hết các báo cáo phân tích trong ngành vi phạm mỗi ngày. Khi một ô dữ liệu trống, có ba lựa chọn trung thực: để trống, ghi rõ "chưa đủ mẫu", hoặc quay lại thu thập thêm. Nhưng có một lựa chọn thứ tư hấp dẫn hơn nhiều — điền vào chỗ trống bằng một phán đoán định tính nghe có vẻ chuyên nghiệp.

"Ổn định." "Tiềm năng." "Cần theo dõi thêm." "Có dấu hiệu tiến bộ."

Những cụm từ này không phải là phân tích. Chúng là những miếng đệm ngôn ngữ để che đi sự thật rằng người viết không có gì để nói.

Bài học năm 19 tuổi

Tôi học được bài học này một cách đau đớn. Năm 2026, khi tôi 19 tuổi và làm trợ lý dữ liệu cho một blog bóng đá ở Nha Trang trong kỳ World Cup tại Nga, tôi ghi chép thủ công 1.240 tình huống nguy hiểm và tính xG cho từng pha bóng. Sau trận bán kết Pháp — Bỉ, tôi chỉ ra rằng Bỉ có xG 1,8 so với Pháp 1,2 — nghĩa là kết quả 2-0 nghiêng về Pháp không phản ánh đúng thế trận.

Biên tập viên gạt đi bằng một câu tôi còn nhớ nguyên văn: "Con gái biết gì về chiến thuật." Tôi viết bài phản biện dài 2.000 từ kèm biểu đồ, đăng lên diễn đàn. Bài được chia sẻ hơn 3.000 lần, và ông ấy phải im lặng.

Nhưng điều tôi học được không phải là "tôi đúng, ông ta sai". Điều tôi học được là: khi dữ liệu đủ dày, nó tự bảo vệ mình. Và khi dữ liệu không đủ dày, không có cảm giác nào — dù của một huấn luyện viên 20 năm kinh nghiệm hay một biên tập viên có tiếng — có thể thay thế nó.

Từ đó, tôi áp dụng một quy tắc cứng trong mọi báo cáo của mình. Một biến số ẩn chỉ đáng được viết ra khi nó xuất hiện ít nhất ba lần trong các mẫu độc lập. Một phán đoán kỹ thuật chỉ đáng được đưa vào báo cáo khi đi kèm mẫu tối thiểu và khoảng tin cậy. Một ô dữ liệu trống phải được để trống — hoặc dán nhãn "N/A" một cách công khai — chứ không được lấp bằng bất cứ thứ gì khác.

Quy tắc này nghe có vẻ cực đoan. Nhưng nó là ranh giới duy nhất giữa phân tích và phỏng đoán.

Những khoảng trống nguy hiểm nhất là những khoảng trống được lấp kín

Năm 2026, khi bóng đá châu Âu tái khởi động với các sân vận động không khán giả, tôi 21 tuổi và đang là sinh viên năm ba. Tôi thu thập dữ liệu của 412 trận đấu tại năm giải vô địch quốc gia hàng đầu châu Âu và so sánh với năm mùa giải liền trước. Kết quả: tỷ lệ thắng sân nhà giảm từ 46% xuống 34%, số bàn thắng trung bình tăng từ 2,6 lên 3,1.

Tôi viết một bài dài 3.000 từ, lập luận rằng khán giả chính là một "cầu thủ thứ 12" có thể đo lường được qua dữ liệu áp lực tâm lý và lỗi phòng ngự. Bài được nhà phân tích nổi tiếng Michael Caley chia sẻ — cánh cửa đầu tiên mở ra cho tôi trong ngành.

Nhưng điều tôi muốn nói ở đây là điều mà bài viết ấy không nói. Trong 412 trận đó, có một số trận mà dữ liệu khán giả không được ghi lại; một số sân không có hệ thống theo dõi khán đài; một số giải chỉ công bố tổng lượng khán giả chứ không phải phân bố theo thời gian. Những khoảng trống đó, nếu bị lấp bằng con số ước lượng, sẽ làm toàn bộ kết luận sụp đổ. Tôi chọn để chúng trống và ghi rõ trong phần phương pháp luận. Đó là lý do bài viết có thể đứng vững khi người khác kiểm tra lại.

Một ví dụ cụ thể. Giả sử một tay golf 24 tuổi có SG: Approach +0,4 trên mẫu 40 cú đánh trong một giải. Con số này có ý nghĩa gì? Không nhiều. Với mẫu 40 cú, khoảng tin cậy 95% kéo dài từ -0,6 đến +1,4. Nghĩa là người đó có thể là một tay approach hạng trung, hoặc hạng khá — dữ liệu không cho phép phân biệt. Nhưng nếu báo cáo của bạn chỉ ghi "+0,4" mà không kèm khoảng tin cậy, người đọc sẽ hiểu đó là một tay approach trên trung bình. Đó là cách một khoảng trống dữ liệu biến thành một kết luận sai — không qua bịa đặt, mà qua im lặng về độ bất định.

Tôi kể câu chuyện này bởi vì ngày nay có một động lực thị trường khuyến khích điều ngược lại. Một báo cáo có 30% ô dữ liệu ghi "N/A" trông yếu hơn một báo cáo có 100% ô được điền — kể cả khi 30% kia là những con số được phỏng đoán. Một bài phân tích ba trang số liệu kèm khoảng tin cậy trông kém hấp dẫn hơn một bài năm trang số liệu không ai kiểm chứng. Ngành này thưởng cho sự tự tin, không thưởng cho sự trung thực.

Góc nhìn ngược: ngành không thưởng cho sự trống rỗng

Đây là điểm phản trực giác tôi muốn đặt lên bàn. Chúng ta thường nghĩ kẻ bịa đặt dữ liệu là kẻ xấu — một người cố tình lừa dối. Nhưng trong phân tích thể thao, phần lớn các con số bịa đặt không đến từ ác ý. Chúng đến từ áp lực cấu trúc.

Một cố vấn dữ liệu được trả tiền để đưa ra kết luận, không phải để đưa ra sự im lặng. Một biên tập viên được giao 800 từ để xuất bản trước giờ bóng lăn, không được giao một ô trống để giải thích. Một huấn luyện viên phải chọn đội hình trước khi có đủ mẫu dữ liệu, và phải giải thích lựa chọn của mình bằng lý do nghe có vẻ hợp lý.

Kết quả là một hệ thống mà ở đó, việc lấp đầy khoảng trống bằng phỏng đoán không phải là một lỗi — mà là một kỹ năng được đánh giá cao. Người điền ô trống nhanh nhất, tự tin nhất, và không bao giờ để lộ sự chưa biết, là người thắng. Người để nguyên ô trống và nói "tôi chưa đủ dữ liệu" bị coi là yếu.

Mô hình học máy và mô hình ngôn ngữ lớn đang làm trầm trọng thêm vấn đề này. Một mô hình được huấn luyện để luôn tạo ra câu trả lời sẽ không bao giờ trả lời "tôi không biết". Nó sẽ điền vào chỗ trống bằng phân phối xác suất của những gì nó từng thấy — tức là bằng những kết luận có vẻ hợp lý nhưng không có cơ sở dữ liệu nào trong bài toán cụ thể. Đây là con đường ngắn nhất để đi từ một bảng dữ liệu trống đến một bài phân tích về một tay golf không tồn tại trong dữ liệu thật.

Năm 2026, ở tuổi 23, khi đang làm cố vấn dữ liệu cho một câu lạc bộ tại Thành phố Hồ Chí Minh và quét dữ liệu cầu thủ cho một đối tác châu Âu trong kỳ World Cup tại Qatar, tôi phát hiện tiền vệ Azzedine Ounahi của Maroc có PPDA 6,8 — thấp nhất giải — quãng đường di chuyển 11,4 km mỗi trận, và tỷ lệ tắc bóng thành công 94%. Tôi gửi một báo cáo 15 trang dự đoán anh ấy sẽ đưa Maroc vào bán kết. Tuyển trạch viên lớn tuổi bỏ qua vì nghĩ "cô gái trẻ không hiểu bóng đá châu Phi". Sau khi Maroc tạo địa chấn, Ounahi gia nhập Marseille.

Điều tôi muốn nhấn mạnh ở đây không phải là việc tôi đúng. Điều tôi muốn nhấn mạnh là: báo cáo đó đúng vì nó dựa trên ba chỉ số có mẫu đủ dày. Nếu PPDA của Ounahi chỉ được tính từ một trận và tôi dùng nó để kết luận, thì kể cả khi kết luận cuối cùng đúng, phương pháp của tôi vẫn sai. Trong phân tích dữ liệu, một kết luận đúng rút ra từ một phương pháp sai là một tai nạn, không phải một thành tựu.

Nguyên tắc của người kể chuyện bằng dữ liệu

Có một điều tôi luôn phải nhắc bản thân mỗi khi mở một tệp dữ liệu mới: tôi không được viết những gì mình muốn thấy, mà phải viết những gì dữ liệu cho phép. Sự khác biệt này nhỏ về mặt ngôn từ nhưng khổng lồ về mặt hệ quả.

Tôi viết báo cáo, đóng hồ sơ, rồi thị trường tự mở lại. Đây không phải là một câu thơ về sự kiên nhẫn. Đây là một quy tắc vận hành. Khi một tay golf chưa có đủ mẫu dữ liệu, tôi đóng hồ sơ lại và chờ. Khi một giải đấu chưa kết thúc, tôi chưa kết luận. Khi một chỉ số chưa xuất hiện đủ ba lần trong các mẫu độc lập, tôi không đưa nó vào báo cáo. Và khi thị trường mở lại — nghĩa là khi một chu kỳ dữ liệu mới xác lập — tôi mở hồ sơ và bắt đầu lại từ đầu.

Một báo cáo nằm trong ngăn kéo không phải kết luận, mà là đồ thị đang chờ trục thời gian. Điều này đặc biệt đúng với golf, nơi mỗi mùa giải chỉ có vài chục vòng đấu cho mỗi tay golf hàng đầu, và nơi một cú swing thay đổi kỹ thuật có thể mất cả năm để cho thấy hệ quả thống kê. Trong môn thể thao này, sự nóng vội không chỉ sai về mặt phương pháp — nó sai về mặt dữ liệu.

Điểm nhìn về phía trước

Từ đây đến cuối mùa giải, tôi sẽ theo dõi ba tín hiệu cụ thể trong cách ngành này xử lý khoảng trống dữ liệu.

Thứ nhất, liệu các báo cáo chuyển nhượng và báo cáo kỹ thuật có ghi rõ tỷ lệ ô dữ liệu được điền so với ô để trống hay không. Đây là chỉ số đơn giản nhất để đánh giá độ trung thực của một báo cáo, và hầu như không ai công bố.

Thứ hai, liệu các tour có mở rộng phạm vi ShotLink và các hệ thống theo dõi cú đánh đến những giải nhỏ hay không. Khoảng trống lớn nhất trong phân tích golf hiện tại không nằm ở PGA Tour, mà ở các tour khu vực và các giải nghiệp dư — nơi dữ liệu mẫu nhỏ nhất nhưng quyết định sự nghiệp của những tay golf trẻ.

Thứ ba, liệu các tổ chức có thêm một cổng kiểm tra trước khi xuất bản bất kỳ phân tích nào — một cổng từ chối những báo cáo có ô dữ liệu bị lấp bằng ngôn ngữ định tính. Đây không phải là một bước kỹ thuật phức tạp. Đây là một quy tắc biên tập: nếu bạn không có số, bạn không được viết kết luận.

Người ta xem bàn thắng, tôi xem đường chạy trước bàn thắng. Và trong trường hợp này, đường chạy đó bắt đầu từ một ô dữ liệu trống — nơi sự trung thực của người phân tích được đo bằng thứ họ từ chối viết ra, không phải thứ họ dám viết ra.

Dữ liệu không bao giờ gấp gáp; nó chỉ chờ người biết đọc. Còn những ai vội vàng điền vào chỗ trống sẽ luôn bị dữ liệu bắt kịp — chỉ là chậm hơn vài vòng đấu.