Đêm dữ liệu rỗng: Nhà phân tích bóng rổ Việt Nam học gì từ một file log không có gì

Tôi mở file log lúc 23 giờ, sau khi trận play-off VBA đã kết thúc bốn tiếng đồng hồ. Trận đó tôi ngồi trực tiếp trên khán đài, ghi chép từng pha bóng vào một cuốn sổ da bìa nâu. Về đến nhà, việc đầu tiên tôi làm là mở máy tính để đối chiếu ghi chép tay với dữ liệu chính thức từ nhà cung cấp thống kê. Đường dẫn đúng. Tên file đúng. Mốc thời gian đúng. Dung lượng: 0 byte.

Tôi tưởng ổ cứng hỏng. Đổi máy. Vẫn vậy. Tôi thử tải lại từ máy chủ nhà cung cấp. Vẫn vậy. File tồn tại, có cấu trúc, có schema hoàn chỉnh — mười một trường dữ liệu được định nghĩa sẵn: Possession, Shot Location, Defender Distance, Offensive Rating, Defensive Rating, Pace, Effective Field Goal Percentage, True Shooting Percentage, Usage Rate và hai trường metadata. Nhưng không một điểm dữ liệu nào nằm bên trong. Đó là một chiếc hộp đựng hoàn hảo, chỉ thiếu thứ đáng lẽ nằm trong hộp.

Bốn tiếng trước, tôi đã ngồi nghe tiếng giày cao su rít lên mặt sàn gỗ. Tôi biết trận đấu ấy có thật. Cầu thủ ghi bàn. Trọng tài thổi còi. Khán giả hét. Chai nước của tôi đã cạn từ đầu hiệp ba. Nhưng khi tôi gõ vào ổ dữ liệu, tất cả những gì trả về là một khoảng không yên lặng, được đóng gói gọn gàng dưới định dạng JSON.

Đêm đó tôi học được một điều mà mười ba năm làm nghề chưa từng dạy tôi: dữ liệu sai đã đủ nguy hiểm. Dữ liệu rỗng còn nguy hiểm hơn, vì nó không gây tiếng động.

Bối cảnh

Ngành phân tích bóng rổ Việt Nam đang ở một giai đoạn kỳ lạ. VBA đã đi qua hơn một thập kỷ tồn tại. Đội tuyển quốc gia dự các giải Đông Nam Á và châu Á đều đặn. Hệ thống đào tạo trẻ mở rộng ở Hà Nội, Đà Nẵng và Thành phố Hồ Chí Minh. Nhưng hạ tầng dữ liệu — cái nền mà mọi mô hình hiện đại đứng lên trên — vẫn còn mong manh theo một cách khó diễn đạt thành lời.

Các nhà cung cấp thống kê nội địa thường chạy song song hai hệ thống. Một hệ dành cho truyền thông, chỉ cần điểm, rebound và assist. Một hệ dành cho phân tích chuyên sâu, cần vị trí dứt điểm, số possession, hiệu suất trên 100 lượt tấn công. Hai hệ không phải lúc nào cũng đồng bộ với nhau. Có trận, số liệu cập nhật lệch cả một hiệp. Có trận, log bị cắt giữa chừng. Có trận — như đêm hôm đó — file đóng gói ra ngoài đúng cấu trúc nhưng rỗng ruột.

Vấn đề không nằm ở chỗ nhà cung cấp có giỏi hay không. Vấn đề nằm ở chỗ: khi dữ liệu rỗng, người phân tích buộc phải chọn giữa ba con đường. Một, báo lỗi và chờ nguồn cấp lại. Hai, quay về ghi chép tay và tự tái tạo. Ba, lấp khoảng trống bằng suy đoán rồi biến suy đoán thành số liệu.

Con đường thứ ba nguy hiểm nhất, và cũng phổ biến nhất. Bởi vì trong một nền thể thao mà dữ liệu cao cấp còn khan hiếm, người ta dễ nhầm sự trôi chảy của câu chữ với sự chính xác của con số. Tôi đã từng đọc những báo cáo nội bộ rất mượt, đầy thuật ngữ, biểu đồ đẹp, nhưng khi truy ngược nguồn thì phát hiện phần lớn số liệu không có xuất xứ rõ ràng. Có những trường hợp tệ hơn: dữ liệu mẫu được lấy từ một giải bóng rổ nước ngoài rồi dán nhãn Việt Nam.

Đó là bối cảnh tôi cần kể trước khi đi vào điều quan trọng nhất của đêm dữ liệu rỗng.

Phân tích cốt lõi

Điều đầu tiên một file log rỗng dạy tôi là phân biệt ba loại "không" khác nhau. Không có dữ liệu. Có dữ liệu nhưng không đọc được. Có dữ liệu nhưng không có gì đáng đọc. Đêm hôm đó thuộc loại thứ ba. Về mặt kỹ thuật, đường ống xử lý đã chạy xong phần khởi tạo schema, nhưng thất bại ở bước trích xuất văn bản gốc. Nói cách khác, chiếc hộp đã đóng xong nắp, chỉ có thứ đáng lẽ nằm trong hộp thì chưa bao giờ được đặt vào.

Với một nhà phân tích, đây là bài kiểm tra bản lĩnh khó nhất. Bởi vì bạn vẫn còn ký ức về trận đấu. Bạn vẫn còn sổ tay. Bạn vẫn còn video highlight trên điện thoại. Não bạn ráo riết đề nghị: "Tôi nhớ cầu thủ kia ghi hơn hai mươi điểm, tôi nhớ đội nọ ném ba điểm rất tệ, cứ viết ra đi, không ai kiểm tra đâu."

Nếu tôi viết ra, tôi đã phản bội chính nguyên tắc đã đưa tôi đến với nghề này. Một nhà phân tích dữ liệu giỏi không phải người có nhiều số nhất, mà là người biết chính xác khi nào mình không có số. Đây là điều mà rất ít hội thảo, rất ít khóa học dạy. Người ta dạy bạn cách tính True Shooting Percentage. Người ta dạy bạn cách xây dựng mô hình dự đoán. Người ta dạy bạn cách đọc shot chart. Nhưng ít ai dạy bạn cách nói "tôi không biết" mà không cảm thấy mất mặt.

Trong bóng rổ đỉnh cao, người ta đã quen với những bộ dữ liệu khổng lồ. NBA cung cấp hàng nghìn trận đấu mỗi mùa với dữ liệu theo dõi vị trí cầu thủ đến từng khung hình mỗi giây. Các giải châu Âu có hệ thống Second Spectrum. Còn VBA, ở giai đoạn hiện tại, vẫn đang chiến đấu với những vấn đề cơ bản hơn nhiều: máy tính bảng bên bàn thống kê hết pin giữa hiệp ba, người nhập số liệu nhấn nhầm cột, mạng wifi của nhà thi đấu đứt khi hiệp bốn bắt đầu. Câu chuyện ấy không buồn. Nó là hiện thực của một nền thể thao đang trưởng thành.

Chính vì vậy, kỷ luật dữ liệu ở Việt Nam phải khắt khe hơn nơi khác, chứ không phải lỏng hơn. Ở NBA, một điểm dữ liệu thiếu có thể được suy ra từ mười nguồn khác. Ở VBA, một điểm dữ liệu thiếu có thể là điểm duy nhất bạn có. Nếu bạn lấp nó bằng niềm tin, bạn không xây phân tích. Bạn đang xây tín ngưỡng.

Tôi quay lại với cuốn sổ ghi chép trong trận. Bốn trang giấy, viết tay, dưới ánh đèn vàng của nhà thi đấu, trong lúc trận đấu diễn ra. Tôi đối chiếu với video highlight trên điện thoại. Tôi đối chiếu với ký ức của hai người bạn ngồi cạnh. Tôi dựng lại một bảng dữ liệu thô — dữ liệu do chính tôi thu thập, không qua nhà cung cấp, không qua máy chủ nào.

Kết quả: tôi tái tạo được khoảng bốn mươi phần trăm trận đấu. Bốn mươi phần trăm. Con số nghe có vẻ tệ. Nhưng nó trung thực hơn nhiều so với một bài phân tích mượt mà được dựng trên chín mươi phần trăm số liệu tưởng tượng. Và bốn mươi phần trăm ấy, sau khi được kiểm tra chéo với hai nguồn độc lập, hóa ra lại khớp với dữ liệu chính thức mà nhà cung cấp gửi bù vào sáng hôm sau ở mức đáng ngạc nhiên — ở những chỉ số cơ bản như số pha dứt điểm và vị trí dứt điểm, sai lệch dưới mười phần trăm.

Điều đó nói lên một bài học kép. Thứ nhất: ghi chép tay vẫn có giá trị. Thứ hai: giá trị ấy chỉ được xác nhận sau khi có nguồn đối chiếu độc lập, chứ không phải trước.

Góc nhìn phản trực giác

Có một niềm tin phổ biến trong giới phân tích thể thao Việt Nam mà tôi muốn phản đối, dù biết sẽ gây khó chịu. Đó là niềm tin rằng bài phân tích càng chi tiết, càng nhiều số, càng có giá trị. Rằng nếu bạn có năm mươi chỉ số, bạn giỏi hơn người chỉ có năm chỉ số. Rằng sự phức tạp là thước đo của năng lực.

Niềm tin ấy nghe hợp lý, nhưng nó mắc một lỗi tư duy rất cơ bản: đánh đồng độ chính xác với độ phong phú. Một file log rỗng có cấu trúc phong phú gấp mười lần một file log đơn giản. Nó định nghĩa mười một trường, có phân cấp, có metadata, có dấu thời gian. Nhưng giá trị phân tích của nó bằng không. Không phải "thấp" — bằng không. Bởi vì không có dữ liệu nào nằm trong đó.

Tôi đã thấy những báo cáo dài ba mươi trang ở các đội bóng trẻ, đầy biểu đồ radar và bản đồ nhiệt, mà nguồn dữ liệu chỉ là ảnh chụp màn hình từ một trang web nước ngoài. Tôi đã thấy những buổi thuyết trình trước ban huấn luyện, nơi mọi người gật gù vì slide đẹp chứ không vì số liệu đúng. Và tôi đã thấy điều tệ nhất: một huấn luyện viên trẻ tin vào một mô hình mà chính người xây mô hình đó biết là chưa từng được kiểm chứng.

Đây là điều phân biệt một nhà phân tích dữ liệu với một người trang trí số liệu. Người trang trí số liệu cần dữ liệu trông đẹp. Nhà phân tích cần dữ liệu trông thật. Hai mục tiêu này không phải lúc nào cũng trùng nhau. Đôi khi chúng đối nghịch rõ rệt.

Mọi huấn luyện viên đều nói về cảm giác. Tôi không có cảm giác, tôi có độ lệch chuẩn. Nhưng ngay cả độ lệch chuẩn cũng cần được tính từ một mẫu có thật, chứ không phải từ một mẫu tôi tưởng tượng ra trong lúc chờ dữ liệu tải về.

Có một chi tiết nữa tôi muốn kể. Sau khi nhà cung cấp gửi bù file log đầy đủ vào sáng hôm sau, tôi phát hiện ra rằng một trong những chỉ số quan trọng nhất — hiệu suất dứt điểm thực tế của đội chủ nhà — không khớp với bất kỳ con số nào tôi nhớ. Không phải vì tôi nhớ sai. Mà vì định nghĩa chỉ số của họ khác với định nghĩa tôi đang dùng. Cùng tên gọi, khác công thức. Cùng con số, khác ý nghĩa.

Đây là cái bẫy thứ hai mà đêm dữ liệu rỗng để lại: sau khi bạn đã cẩn thận với dữ liệu thiếu, bạn vẫn phải cẩn thận với dữ liệu đầy nhưng mơ hồ về định nghĩa.

Điểm lại

Có một câu tôi vẫn viết ở đầu mỗi file phân tích của mình: dữ liệu là một tu viện, càng ít tiếng ồn, càng nghe rõ điều gì đó đang cố nói. Đêm hôm đó tôi học thêm một vế nữa của câu ấy: tu viện im lặng không phải vì không có ai, mà vì bạn chưa mở đúng cánh cửa.

Với bóng rổ Việt Nam, cánh cửa đó có thể là một nhà cung cấp thống kê chuyên nghiệp hơn. Có thể là một tổ công tác dữ liệu độc lập ở cấp liên đoàn. Có thể chỉ đơn giản là một quy trình: mỗi trận đấu phải có người chịu trách nhiệm xác minh file log trước khi đóng gói. Nhưng trước khi chúng ta có cánh cửa ấy, chúng ta phải thôi đóng vai những người đang bước vào bên trong.

Còn đêm đó, tôi đóng máy lúc một giờ sáng. Tôi ghi vào sổ tay một dòng duy nhất: "Không có dữ liệu chính thức cho trận này. Sẽ phân tích lại khi nguồn cấp lại log." Đó là dòng ghi chú ngắn nhất trong sổ. Cũng là dòng tôi tự hào nhất.