Khoảng trống dữ liệu: Khi bảng thống kê bóng rổ không có gì để nói

Đêm thứ Bảy cuối tháng Mười, phòng làm việc ở Hải Phòng vẫn sáng đèn. Tôi mở một tệp dữ liệu từ hệ thống thu thập của mình — kết quả của một trận đấu mà tôi đã dành ba ngày chuẩn bị. Tệp trống. Không tên trận, không nguồn, không một chỉ số nào. Không phải lỗi đường truyền, cũng không phải mất điện. Chỉ là khoảng không. Tôi ngồi đó rất lâu, và nhận ra rằng thứ khó phân tích nhất trong nghề này không phải một trận đấu rối ren, mà là một bảng dữ liệu không có gì để nói. Trong mười tám năm theo dõi bóng rổ, tôi đã học cách đọc những con số phức tạp: PPDA, xG, xG chain, pass progression, TS%, USG%. Nhưng phải đến khi dữ liệu biến mất, tôi mới hiểu đầy đủ giá trị của sự trống rỗng. Khi sân trống, chỉ còn dữ liệu thì thầm sự thật — và đôi khi, sự thật đó chính là: không có gì cả. Bóng rổ hiện đại vận hành trên một đường ống dữ liệu. Mỗi trận đấu NBA tạo ra hàng nghìn điểm dữ liệu: vị trí cầu thủ theo từng phần trăm giây, quỹ đạo bóng, tốc độ di chuyển, khoảng cách phòng ngự, góc ném. Tại Việt Nam, nơi tôi làm việc, đường ống đó mỏng hơn nhiều. Các giải đấu trong nước chưa có hệ thống theo dõi quang học, các chỉ số cao cấp thường phải suy ra từ dữ liệu thô, và không phải trận nào cũng được ghi chép đầy đủ. Chính vì thế, người làm phân tích ở đây phải đối mặt với một thực tế mà đồng nghiệp ở Mỹ ít gặp: dữ liệu thiếu, dữ liệu nhiễu, và dữ liệu trống. Ba loại khác nhau, nhưng cùng một cái bẫy. Khi một tệp dữ liệu trống, phản xạ tự nhiên của người phân tích là lấp đầy nó bằng kinh nghiệm, bằng ký ức, bằng cảm giác. Và đó chính là lúc sai lầm bắt đầu. Tôi từng xây dựng một quy trình hai giai đoạn cho công việc của mình. Giai đoạn một: trích xuất. Tôi lấy dữ liệu thô từ nguồn, ghi lại tên trận, ngày, đội hình, các chỉ số cơ bản. Giai đoạn hai: phân tích sâu. Tôi đặt dữ liệu vào khung chiến thuật, đối chiếu với lịch sử, rút ra nhận định. Quy trình này nghe có vẻ máy móc, nhưng nó tồn tại vì một lý do: khi giai đoạn một thất bại, giai đoạn hai không được phép tự bịa ra nội dung. Một ví dụ về sự khác biệt giữa hai nền bóng rổ. Khi phân tích một trận NBA, tôi có thể truy cập dữ liệu theo dõi quang học từng giây. Khi phân tích một trận V-League hay một giải bóng rổ trong nước, tôi phải tự ghi chép bằng tay, và sai số có thể lên đến mười phần trăm. Cùng một chỉ số, nhưng độ tin cậy khác nhau. Người phân tích ở Việt Nam phải luôn mang theo một câu hỏi: con số này được thu thập như thế nào, và bởi ai? Và đây là bài học mà đêm thứ Bảy đó dạy tôi. Khi giai đoạn một trả về kết quả trống — không tên trận, không nguồn, không điểm thông tin — thì giai đoạn hai chỉ có một lựa chọn trung thực duy nhất: báo cáo rằng không có gì để phân tích. Không suy đoán. Không tô vẽ. Không lấp chỗ trống bằng trí tưởng tượng. Nghe có vẻ hiển nhiên. Nhưng trong thực tế, rất ít người làm được điều đó. Bởi vì nghề của chúng ta, dù là bóng rổ hay bất kỳ môn thể thao nào, đều được xây dựng trên kỳ vọng rằng người phân tích phải có ý kiến. Phải có nhận định. Phải nói điều gì đó. Một bài viết trống là một thất bại. Một dự đoán bị bỏ ngỏ là một sự yếu đuối. Tôi hiểu cảm giác đó rất rõ. Năm 2026, khi tôi hai mươi lăm tuổi và làm trợ lý phân tích cho một trang thể thao ở Hải Phòng, tôi đã viết một bài chỉ trích lối chơi an toàn của Thụy Sĩ trong trận gặp Serbia ở vòng bảng World Cup. Cơ sở của tôi là một con số: Xhaka chạm bóng 112 lần nhưng chỉ 34% đường chuyền hướng về phía trước. Tôi kết luận rằng Thụy Sĩ đang chơi bóng an toàn đến mức vô hại. Huấn luyện viên Petković đáp trả ngắn gọn: bóng đá không phải toán học. Ba ngày sau, Thụy Sĩ lội ngược dòng thắng 2-1, với tám đường chuyền quyết định mà tôi không hề tính đến. Tôi đã bỏ qua một chỉ số quan trọng: PPDA — áp lực lên cầu thủ cầm bóng — nơi Serbia đứng áp chót giải đấu. Thụy Sĩ không chơi an toàn. Họ chơi kiên nhẫn, chờ đợi một đối thủ không thể gây áp lực. Bài học năm đó là: một con số đơn lẻ, dù chính xác đến đâu, vẫn có thể dẫn đến kết luận sai. Nhưng phải đến đêm thứ Bảy vừa rồi, tôi mới hiểu phiên bản sâu hơn của bài học đó. Vấn đề không chỉ là dùng một con số. Vấn đề là khi không có con số nào cả, chúng ta vẫn muốn kết luận. Có một cơ chế tâm lý mà tôi gọi là định kiến lấp đầy. Khi não bộ gặp một khoảng trống thông tin, nó tự động lấp vào đó bằng thứ gần nhất có sẵn: kinh nghiệm cũ, định kiến, hoặc kỳ vọng. Trong bóng rổ, điều này diễn ra liên tục. Một cầu thủ không có số liệu phòng ngự nâng cao? Người ta mặc định anh ta phòng ngự kém. Một đội không được theo dõi chỉ số không gian? Người ta cho rằng họ chơi bóng lỗi thời. Nhưng dữ liệu không nói dối, còn kẻ chọn số thì có. Và khi không có số nào để chọn, kẻ chọn số vẫn tiếp tục chọn — chỉ là bây giờ anh ta chọn từ trí nhớ, từ cảm xúc, từ những gì mình muốn tin. Đó là loại dữ liệu nguy hiểm nhất, bởi nó khoác lên mình vẻ ngoài của phân tích trong khi thực chất là phỏng đoán. Tôi đã dành hai tuần sau đêm đó để xem lại các trận đấu cũ trong kho lưu trữ của mình, và tôi nhận ra một mô thức. Những sai lầm lớn nhất trong sự nghiệp phân tích của tôi không đến từ việc đọc sai dữ liệu. Chúng đến từ việc tôi quá tự tin khi dữ liệu chưa đủ. Mỗi con số là một lời thú tội, nếu ta đủ kiên nhẫn nghe. Nhưng khi không có con số nào, chúng ta thường không kiên nhẫn — chúng ta sốt ruột, và chúng ta bịa. Một ví dụ cụ thể hơn. Khi phân tích một trận bóng rổ, người ta thường dùng bốn nhóm chỉ số chính. Nhóm cơ bản: điểm, rebound, assist. Nhóm hiệu quả: TS%, PER. Nhóm ảnh hưởng: cộng trừ, EPM. Nhóm sử dụng bóng: USG%. Mỗi nhóm có một câu hỏi riêng. Nhưng điều quan trọng hơn cả là phải tự hỏi: nhóm nào đang thiếu? Và sự thiếu hụt đó nói lên điều gì? Trong một trận đấu mà tôi từng phân tích cho một đội bóng ở V-League, tôi có đầy đủ số liệu tấn công nhưng gần như trống rỗng về số liệu phòng ngự. Ban đầu tôi định bỏ qua phần phòng ngự và tập trung vào những gì mình có. Nhưng rồi tôi nhận ra: chính khoảng trống đó là thông tin. Đội bóng này không được theo dõi phòng ngự vì hệ thống của họ không đo lường nó. Và một đội không đo lường phòng ngự thường là một đội không coi phòng ngự là ưu tiên. Khoảng trống dữ liệu không phải lỗ hổng cần che. Nó là dấu vết cần đọc. Đây là điều tôi muốn nhấn mạnh: sự trống rỗng có cấu trúc. Khi một tệp dữ liệu trống hoàn toàn, đó là một loại thông tin. Khi nó trống một phần, đó là loại thông tin khác. Khi nó đầy nhưng thiếu một chỉ số quan trọng, đó lại là loại thông tin thứ ba. Người phân tích giỏi không phải người lấp đầy khoảng trống nhanh nhất, mà là người đọc được khoảng trống chính xác nhất. Có một sự khác biệt tinh tế giữa hai loại trống rỗng. Loại thứ nhất là không có dữ liệu — hệ thống không thu thập, hoặc thu thập thất bại. Loại thứ hai là dữ liệu nói không — chỉ số bằng không, nghĩa là sự kiện không xảy ra. Hai loại này nhìn giống nhau trên bảng thống kê, nhưng ý nghĩa hoàn toàn khác. Một cầu thủ có 0 lần cướp bóng có thể vì anh ta không cố gắng, hoặc vì đối thủ không bao giờ để anh ta có cơ hội. Không đọc được sự khác biệt này, bạn sẽ đánh giá sai cả một sự nghiệp. Tôi nhớ một lần tranh luận với đồng nghiệp về một cầu thủ nhập tịch. Anh ta có chỉ số ghi điểm ấn tượng, nhưng số liệu phòng ngự hoàn toàn trống. Đồng nghiệp tôi kết luận anh ta là mẫu cầu thủ tấn công thuần túy. Tôi giữ lại phán quyết, vì tôi biết dữ liệu phòng ngự ở giải đó không được thu thập cho bất kỳ ai. Chúng tôi đang so sánh một người có dữ liệu với một người không có dữ liệu, và gọi đó là phân tích. Sau đó, khi xem lại băng hình, chúng tôi phát hiện anh ta là một trong những người phòng ngự tốt nhất đội. Khoảng trống dữ liệu đã suýt phá hủy sự nghiệp của một cầu thủ. Trong giới cá cược thể thao, có một nguyên tắc bất thành văn: khi thị trường không chắc chắn, tỷ lệ cược sẽ giãn ra. Sự giãn ra đó chính là dữ liệu. Nó cho bạn biết rằng những người chuyên nghiệp nhất cũng đang thiếu thông tin. Người phân tích bóng rổ có thể học từ nguyên tắc này. Khi bạn không chắc chắn, hãy để khoảng tin cậy rộng ra. Đừng giả vờ chắc chắn chỉ vì bạn cần viết một bài. Quay lại với đêm thứ Bảy. Tệp dữ liệu trống đó khiến tôi phải đối diện với một câu hỏi nghề nghiệp: tôi đang làm gì khi dữ liệu không đến? Và câu trả lời trung thực là: tôi phải học cách nói tôi không biết. Ba từ mà người làm phân tích thể thao sợ nhất. Ba từ mà ban lãnh đạo không muốn nghe, độc giả không muốn đọc, và chính bản thân tôi cũng không muốn viết. Nhưng đó là ba từ trung thực. Và trong một ngành mà sai lầm bị phóng đại còn sự đúng đắn bị lãng quên, trung thực là tài sản duy nhất không thể mua bằng dữ liệu. Đến đây, tôi muốn đưa ra một góc nhìn có thể khiến nhiều người khó chịu. Chúng ta thường tin rằng càng nhiều dữ liệu thì càng tốt. Càng nhiều chỉ số thì phân tích càng chính xác. Nhưng kinh nghiệm của tôi nói điều ngược lại: dữ liệu dư thừa có thể nguy hiểm không kém dữ liệu thiếu. Khi bạn có quá nhiều con số, bạn có xu hướng chọn những con số xác nhận điều mình đã tin. Đó là định kiến xác nhận, và nó hoạt động mạnh nhất khi dữ liệu dồi dào. Ngược lại, khi dữ liệu thiếu, bạn buộc phải khiêm nhường. Bạn buộc phải nói tôi chưa biết. Và sự khiêm nhường đó, đôi khi, chính xác hơn mọi mô hình phức tạp. Tôi từng nghĩ mình đúng. Qatar dạy tôi biết sai. Tháng Mười Một năm 2026, trước trận Ả Rập Xô Út gặp Argentina, tôi dùng mô hình kết hợp bốn năm dữ liệu vòng loại để tuyên bố Argentina thắng với xác suất 94%. Kết quả: Ả Rập Xô Út thắng 2-1, nhờ bẫy việt vị mười lần trong hiệp một. Tôi đã bỏ lỡ biến số quan trọng nhất: nhiệt độ 34 độ C và áp suất không khí làm giãn cơ đùi của các cầu thủ Nam Mỹ. Mô hình của tôi đầy dữ liệu. Nó có hàng nghìn điểm thông tin. Nhưng nó thiếu đúng một biến số quyết định. Và sự thiếu hụt đó không nằm ở dữ liệu tôi có, mà ở dữ liệu tôi không nghĩ đến việc thu thập. Đó là lý do tôi tin rằng câu hỏi quan trọng nhất của người phân tích không phải tôi có gì, mà là tôi đang thiếu gì. Khi sân trống, chỉ còn dữ liệu thì thầm sự thật. Đêm thứ Bảy đó, dữ liệu thì thầm với tôi rằng nó không có gì để nói. Và lần đầu tiên sau nhiều năm, tôi đã nghe. Tôi đóng tệp lại, ghi một dòng vào nhật ký phân tích: Không đủ dữ liệu để kết luận. Cần thu thập lại từ nguồn gốc. Có thể ngày mai, đường ống dữ liệu sẽ đầy trở lại. Nhưng bài học vẫn còn đó. Câu hỏi tôi giữ lại cho mình, và cho bất kỳ ai làm nghề này: khi dữ liệu im lặng, bạn có đủ can đảm để im lặng theo không?