Ô trống trong bảng kết quả: khi dữ liệu thiếu bị đọc thành số không

Tệp kết quả giải bơi hồ 25m ở Brisbane hồi tháng Ba có 212 dòng. Bốn mươi bảy dòng thiếu thời gian chia đôi ở cự ly 100m tự do. Không ai trong phòng đánh giá để ý. Mô hình vẫn chạy, vẫn nhả ra xác suất thắng cho từng làn bơi, và bảng đầu ra không có một dòng cảnh báo nào. Điều đáng sợ nằm ở đó: hệ thống không sập khi thiếu dữ liệu. Nó im lặng, rồi trả về một con số trông hoàn toàn bình thường.

Tôi kiểm lại tệp đó vào buổi tối, sau khi trận chung kết khép lại. Đội thắng nằm đúng cửa mà mô hình dự đoán. Nhưng chỉ số tôi quan tâm — tốc độ nửa sau của hai làn bơi cạnh tranh huy chương — sai lệch tới 0,4 giây trên 50m, đủ để đảo ngược thứ hạng nếu đem so với dữ liệu của World Aquatics. Nguyên nhân không nằm ở thuật toán. Nằm ở 47 ô trống được đọc thành số không.

Khi một ô trống được đọc thành số không

Năm năm theo dõi bơi lội cho thị trường Úc, tôi học được rằng dữ liệu bơi có ba tầng chất lượng rất khác nhau, và gần như không tài liệu nào phân biệt chúng khi huấn luyện mô hình.

Tầng thứ nhất là dữ liệu đo được và công bố: thời gian đích, thời gian phản xạ do bàn xuất phát ghi lại, thời gian chia đôi từng 50m, số lần quạt tay. Đây là phần chắc chắn, sai số nằm ở mức phần trăm giây.

Tầng thứ hai là dữ liệu mơ hồ: những chỉ số có được nhưng không có chuẩn thống nhất giữa các giải. Tần suất quạt tay tính trên cả cự ly hay chỉ trên đoạn nước rút? Khoảng cách mỗi chu kỳ quạt đo bằng mét hay tính theo phần trăm chiều dài cơ thể? Khi hai giải đấu dùng hai định nghĩa khác nhau, phép so sánh vẫn chạy, chỉ là nó đang so hai thứ không cùng bản chất.

Tầng thứ ba là vùng không đo được: cảm giác nước sau một tuần giảm tải, mức căng thẳng trước loạt bơi chung kết, quyết định đổi nhịp hô hấp ở 150m mà huấn luyện viên không công bố. Ở tầng này, số liệu không sai. Nó chỉ vắng mặt.

Sai lầm phổ biến nhất của ngành phân tích là trộn cả ba tầng vào một bảng, rồi xử lý ô trống bằng hai cách: điền giá trị trung bình của giải, hoặc để nguyên số không. Cách thứ nhất xóa mất phương sai — biến một vận động viên bơi rất không đều thành một người bơi đều đặn. Cách thứ hai tệ hơn: nó tạo ra một vận động viên chưa từng tồn tại, người bơi 50m đầu với tốc độ 0 giây, và mọi chỉ số dẫn xuất từ đó đều bị kéo lệch xuống.

Có một ví dụ cụ thể hơn mà tôi gặp thường xuyên. Trong bơi, đoạn bơi dưới nước sau khi xuất phát và sau mỗi lần lộn vòng thường quyết định kết quả ở cự ly ngắn. Nhưng dữ liệu công khai gần như không bao giờ có chỉ số đó. Camera bên hồ có ghi, ban huấn luyện có xem, còn cơ sở dữ liệu công bố cho công chúng thì không. Kết quả là mọi mô hình dự đoán cự ly 50m và 100m đang chạy trên một tập dữ liệu thiếu hẳn biến quan trọng nhất, và không ô trống nào trong bảng báo cho bạn biết điều đó.

Điều tôi muốn nói không phải là dữ liệu bẩn. Mà là ô trống mang thông tin, và thông tin đó thường đúng bằng thông tin trong ô có dữ liệu.

Bản đồ giới hạn

Tôi gọi cách làm của mình là vẽ bản đồ giới hạn, và nó gồm ba vùng rõ ràng. Vùng khẳng định: nơi số liệu đủ dày để kết luận, ví dụ tần suất chấn thương của một vận động viên trẻ qua ba mùa liên tiếp. Vùng mơ hồ: nơi số liệu tồn tại nhưng chưa đủ mẫu, ví dụ hai lần bơi chung kết trong hai bể khác nhau. Vùng cảm quan: nơi phải dựa vào mắt người đọc trận, và tôi phải nói rõ mình đang đứng ở vùng nào.

Năm 2026, khi đánh giá thương vụ Daniel Arzani cho một công ty cá cược ở Brisbane, tôi trình bày ba con số. Quãng đường chạy trung bình 8,2 km một trận, thấp hơn mức 10,1 km của nhóm tiền đạo Celtic. Tần suất rê bóng 2,1 lần một trận. Và hai lần đứt dây chằng trong sự nghiệp. Giám đốc thể thao phản đối, cho rằng tôi nhìn con người như cỗ máy. Hai mùa sau, Arzani thi đấu tổng cộng 20 phút cho Celtic.

Con số không quyết định điều đó. Cách đọc con số mới quyết định. Dữ liệu chấn thương không phải một biến ngẫu nhiên độc lập với năng lực thi đấu — nó thiếu một cách có hệ thống, và đó chính là loại dữ liệu khuyết mà mọi mô hình hồi quy đều xử lý sai nếu người xây dựng không chủ động tách nó ra khỏi phần còn lại.

Một ví dụ khác, và lần này nằm ở phía môi trường thi đấu chứ không ở phía con người. Năm 2026, khi các giải bóng đá châu Âu trở lại trên sân không khán giả, tôi dựng lại dữ liệu từ các giải lịch sử và tìm thấy tỷ lệ thắng của đội chủ nhà giảm tới 21% so với mức trung bình năm năm trước đó. Nhà cái điều chỉnh tỷ lệ chấp chậm hơn dữ liệu gần hai vòng đấu. Biến số thay đổi không phải chất lượng đội bóng, mà là một thứ chưa từng có trong bất kỳ cơ sở dữ liệu nào: tiếng ồn của khán đài.

Góc phản trực giác

Ngành phân tích thể thao đang mắc một căn bệnh ngược với căn bệnh tôi vừa mô tả. Người ta sợ ô trống hơn sợ con số sai. Một bảng phân tích trả về toàn giá trị không xác định bị coi là thất bại, còn một bảng trả về mười hai chỉ số được nội suy từ ba điểm dữ liệu thật lại được coi là chuyên nghiệp.

Kết quả rỗng cũng là một kết quả. Khi một tệp dữ liệu không có điểm thông tin nào, câu trả lời đúng không phải là suy luận thay cho phần dữ liệu thiếu. Câu trả lời đúng là nói rõ: chưa đủ cơ sở. Nhưng nói câu đó không bán được vé, không tạo được lượt đọc, không giữ được khách hàng đặt cược. Nên thị trường thưởng cho người bịa, và trừng phạt người nói thật.

Kazan là ngày tôi học được rằng xác suất 99% vẫn có thể chết trên bàn cược. Trận Đức gặp Hàn Quốc năm 2026, đội Đức kiểm soát bóng 74%, nhưng chỉ tung ra 11 đường chuyền vào vòng cấm và đạt xG 0,7 — thấp hơn cả đối thủ với 0,9. Một tuần sau, FIFA công bố số liệu chính thức xác nhận từng con số. Dữ liệu khi đó đúng. Người đọc nó thì không.

Số liệu không có giới tính. Con số không có giới tính, nhưng người đọc chúng thì có. Tôi đã ngồi trong một phòng họp báo ở sân Suncorp năm 2026, công bố dự đoán Melbourne Victory thắng ngược dù bị dẫn 1-0 sau hiệp một, dựa trên xG 2,4 so với 0,6 và quãng đường chạy 112 km so với 98 km. Một bình luận viên nam cười và nói bóng đá không phải toán học. Melbourne thắng 2-1. Nhưng bài học của tôi không nằm ở việc tôi đúng. Nó nằm ở chỗ tôi gần như đã không dám nói ra, vì bảng số của tôi có bốn ô trống ở cột dữ liệu chạy nước rút, và tôi mất hai mươi phút để quyết định rằng bốn ô trống đó không làm sập kết luận.

Tôi không tin cảm xúc. Tôi tin chuỗi số liệu dài hơn cảm xúc của bạn. Nhưng chuỗi số liệu chỉ dài khi người thu thập chịu ghi lại cả những chỗ mình không đo được.

Tín hiệu cho vòng tiếp theo

Trong phần còn lại của mùa giải, thứ tôi theo dõi không phải giá trị trung bình của bất kỳ chỉ số nào. Tôi theo dõi tỷ lệ lấp đầy của các cơ sở dữ liệu mình dùng: bao nhiêu phần trăm số lượt bơi có đủ bốn mốc chia đôi, bao nhiêu phần trăm có thời gian phản xạ, bao nhiêu phần trăm có ghi chú về điều kiện bể. Một cơ sở dữ liệu có tỷ lệ lấp đầy 71% sẽ cho ra mô hình tệ hơn hẳn một cơ sở dữ liệu có tỷ lệ 94%, kể cả khi cả hai có cùng số dòng.

Với người đọc bảng tỷ lệ, tín hiệu nằm ở chỗ khác. Khi một bảng xếp hạng được công bố mà thiếu hẳn tên một vận động viên đang hồi phục, sự vắng mặt đó là dữ liệu. Khi một giải đấu không công bố thời gian chia đôi, đó cũng là dữ liệu về mức độ minh bạch của ban tổ chức.

Điều tôi để lại cho vòng tiếp theo, không phải để trả lời ngay: mô hình của bạn mạnh đến đâu trên phần dữ liệu bạn không có?