Một bản tin về chó mèo trong kho dữ liệu bóng đá: khi 'số ca báo cáo' bị đọc thành 'tỷ lệ thực tế'

2 giờ 47 phút sáng, Seoul. Tôi mở một tệp phân tích cấp hai và đọc dòng đầu tiên: lĩnh vực — bóng đá.

Bên dưới là mười bốn điểm thông tin. Không câu lạc bộ. Không cầu thủ. Không trận đấu. Không bảng xếp hạng, không hợp đồng, không huấn luyện viên, không một cái tên nào thuộc về thế giới mà tôi kiếm sống bằng nó.

Thay vào đó là một khuyến cáo an toàn cộng đồng do Consejo Ciudadano para la Seguridad y Justicia de la Ciudad de México phát đi, cảnh báo rủi ro cho động vật nuôi trong dịp Día de Muertos. Chó mèo lông đen và lông trắng được xếp vào nhóm dễ bị tổn thương nhất. Dê, gà trống, quạ xếp sau.

Tôi đọc lại lần hai. Rồi lần ba. Tôi thử bẻ từng điểm thành một câu chuyện bóng đá: một đội lấy linh vật là chó, một giải đấu tổ chức sự kiện trước lễ, một cầu thủ bị treo giò vì ngược đãi động vật. Không có điểm nào chịu được phép bẻ đó.

Bảng số liệu biết nói, chỉ là ít người đủ kiên nhẫn để nghe. Đêm đó bảng số liệu nói đúng một điều mà cả một dây chuyền phân tích nhiều tầng không muốn nghe: cái nhãn nằm sai chỗ, và không ai trong chuỗi đó dừng lại đủ lâu để kiểm tra.

Nguồn gốc của tệp này là một thông cáo thường niên. Consejo Ciudadano là hội đồng công dân về an ninh và công lý của Thành phố Mexico, đơn vị vận hành chương trình CompAnimal — kênh tiếp nhận và ghi nhận các vụ ngược đãi động vật. Dịp Día de Muertos, cuối tháng 10 đến đầu tháng 11, là thời điểm hội đồng lặp lại khuyến cáo.

Khối số liệu họ đưa ra: 59.588 báo cáo kể từ năm 2026; 6.616 ca trong khoảng tháng 1 đến tháng 6 năm 2026, tăng 28% so với cùng kỳ năm trước; 203 ca gắn với các nghi lễ kể từ năm 2026. Khuyến cáo hành vi gồm giữ động vật trong nhà, khóa chặt lối ra vào, và tạm ngừng nhận nuôi động vật lông đen trong giai đoạn cao điểm. Hội đồng cũng nhắc rằng ngược đãi động vật có thể cấu thành tội hình sự, và kêu gọi người dân gọi đường dây báo cáo.

Đó là toàn bộ nội dung. Không có gì khác. Và đó là lý do tệp này đáng được viết thành một bài, dù nó không có một phút bóng đá nào.

Vì cấu trúc của nó — một tổ chức phát đi một khuyến cáo theo lịch, kèm theo một khối số liệu tự khai — là cấu trúc mà ngành bóng đá chúng tôi sản xuất ra hằng ngày, chỉ khác cái tên trên góc giấy.

Một chi tiết nữa, và đây là chi tiết quyết định: trong mười bốn điểm thông tin, mười hai điểm truy về đúng một tổ chức. Không có cơ quan thứ hai, không có kiểm chứng học thuật, không có tổ chức phi chính phủ nào xác nhận độc lập. Toàn bộ khối dữ liệu đứng trên một chân.

Tôi theo dõi bóng đá mười bốn năm và tôi đã học được một điều về những khối dữ liệu đứng trên một chân: chúng không đổ ngay. Chúng đổ vào đúng lúc có người dựa vào.

Sáu nghìn sáu trăm mười sáu không phải là số vụ ngược đãi.

Đó là số hồ sơ một tổ chức đã xử lý. Trong dịch tễ học, người ta gọi khoảng cách giữa hai thứ này là khoảng cách giữa caseload và prevalence — giữa lượng hồ sơ và tỷ lệ hiện hành. Một bệnh viện mở thêm cửa tiếp nhận sẽ ghi nhận nhiều ca hơn mà không có thêm một người ốm nào. Một đường dây báo cáo được quảng bá tốt hơn sẽ nhận nhiều cuộc gọi hơn, và con số trên báo cáo sẽ tăng, và không ai nói dối cả.

Mức tăng 28% có thể là thước đo hiệu quả truyền thông của CompAnimal. Nó cũng có thể là thước đo gia tăng ngược đãi thật. Văn bản không phân biệt hai khả năng đó, và cách nó được trình bày — một con số tăng, đặt cạnh một khuyến cáo — ngầm định khả năng thứ hai.

Tôi đã phạm đúng lỗi này năm 2026. Khi đó tôi là sinh viên năm cuối ngành Thống kê, ngồi xem lại toàn bộ dữ liệu chuyền bóng của một tiền vệ mười chín tuổi tên Kim Min-jae trong mười bốn trận K League Classic, và tìm ra tỷ lệ chuyền tạo cơ hội 6,8% — dưới trung bình giải. Tôi viết bài với tiêu đề đại ý rằng cơn sốt giá của cậu ta bị thổi phồng. Ba trăm bình luận chửi. Hai mươi bình luận phân tích đồng tình.

Con số 6,8% là thật. Kết luận của tôi thì sai. Tôi đã không chia cho vai trò, không chia cho cấu trúc đội, không chia cho vị trí nhận bóng trung bình của cậu ta trên sân. Một tỷ lệ không có mẫu số đi kèm chỉ là một tin đồn có dấu phẩy thập phân.

Đó chính xác là những gì đang xảy ra với 6.616.

Phép chia mà không ai làm

6.616 ca trong nửa đầu 2026, tăng 28% so với cùng kỳ. Làm phép chia ngược: nửa đầu 2026 vào khoảng 5.169 ca. Hai con số khớp nhau về mặt số học, và đó là toàn bộ những gì chúng ta biết về chúng. Không có bộ dữ liệu độc lập nào để đối chiếu, và tỷ lệ dân số không được nêu, nên không thể suy ra tỷ lệ hiện hành trên mỗi trăm nghìn dân — thứ duy nhất có thể so sánh với một thành phố khác hoặc một năm khác.

203 ca gắn với nghi lễ kể từ 2026 là nhóm số liệu đáng chú ý nhất, và cũng là nhóm bị khai thác sơ sài nhất. Nó không có bảng phân tách theo màu lông. Nghĩa là tuyên bố 'lông đen và lông trắng dễ bị tổn thương nhất' đứng trước 203 ca đó mà không có chân đỡ nào từ chính dữ liệu của họ.

Cơ chế giải thích thì hợp lý: trong nghi lễ, một số màu lông mang liên tưởng biểu tượng, và liên tưởng biểu tượng có thể dẫn tới hành vi thật. Nhưng hợp lý không phải là đã đo được. Tôi đã thấy quá nhiều mô hình pressing được xây trên một giả định hợp lý rồi sụp trong ba vòng đấu.

Và có một điểm dữ liệu không khớp: một bài về Día de Muertos, sự kiện cuối tháng 10, lại dẫn số liệu 'tháng 1 đến tháng 6 năm 2026'. Hoặc bài được công bố trong nửa sau 2026, hoặc năm bị đánh máy sai. Văn bản không giải quyết. Một khuyến cáo công cộng có một lỗi ngày tháng chưa xác minh là một khuyến cáo mà tôi chưa thể trích dẫn.

Vòng lặp tự chứng thực

Trong các khuyến cáo có một dòng đáng chú ý hơn cả: tạm ngừng nhận nuôi động vật lông đen trong giai đoạn cao điểm.

Đó là một ý kiến của tổ chức, không phải một quy tắc pháp lý, và tỷ lệ tương xứng của nó đang bị tranh cãi trong chính giới phúc lợi động vật. Nhưng điều khiến tôi dừng lại là hệ quả đo lường của nó.

Tạm ngừng nhận nuôi động vật lông đen nghĩa là động vật lông đen ở lại trại lâu hơn. Ở lại lâu hơn nghĩa là thời gian lưu chuồng của nhóm này tăng lên trong dữ liệu của chính tổ chức. Và khi ai đó ba năm sau mở lại bảng số, họ sẽ thấy động vật lông đen khó được nhận nuôi hơn — rồi gọi đó là bằng chứng cho giả thuyết ban đầu, trong khi thứ họ đang đọc chính là dấu vết của biện pháp can thiệp.

Đo lường tạo ra hiện tượng, rồi hiện tượng quay lại xác nhận đo lường. Đây là lỗi khó phát hiện nhất trong toàn bộ khoa học dữ liệu, vì nó không tạo ra số sai. Nó tạo ra số đúng cho một câu hỏi đã bị bóp méo từ trước.

Bóng đá sống bằng vòng lặp này.

Cùng một lỗi, mặc áo đấu khác

Tôi đã thấy nó ở tầng chuyển nhượng. Một cầu thủ xuất hiện trong bốn mươi danh sách rút gọn của bốn mươi câu lạc bộ — theo cách các trang tổng hợp đếm. Bốn mươi danh sách đó trở thành một chỉ báo về mức độ quan tâm. Một câu lạc bộ thật đọc chỉ báo đó, gọi điện, và tin đồn thành sự thật. Thị trường chuyển nhượng không bán cầu thủ, nó bán niềm tin của cổ động viên — và nó sản xuất niềm tin đó bằng cách đếm chính những gì nó vừa thổi vào.

Tôi đã thấy nó ở tầng chỉ số. PPDA — số đường chuyền đối phương cho phép trên mỗi hành động phòng ngự — được các nhà cung cấp dữ liệu định nghĩa khác nhau: có nơi chỉ đếm trong một phần ba sân nhà, có nơi đếm trên toàn sân. Đặt hai chỉ số PPDA từ hai nguồn cạnh nhau là làm đúng điều mà bản khuyến cáo Mexico City làm: so sánh hai lượng hồ sơ được thu thập theo hai quy trình khác nhau rồi gọi kết quả là xu hướng.

Tôi đã thấy nó ở tầng mô hình. Cùng một cú sút, hai mô hình xG, hai con số. Không mô hình nào sai về mặt kỹ thuật; chúng trả lời hai câu hỏi hơi khác nhau và bị trình bày như cùng một câu hỏi.

Ngược lại, thứ đã cứu tôi là dữ liệu quá trình. World Cup 2026, trước trận Hàn Quốc gặp Đức, truyền thông Hàn Quốc chỉ bàn hòa hoặc thua sát nút. Tôi xem lại số liệu pressing của Đức trong hai trận vòng bảng và thấy đối phương chạm bóng 245 lần trong khu vực nguy hiểm — cao hơn khoảng 40% so với vòng loại. Tôi viết một bài trên diễn đàn với luận điểm rằng Đức sẽ sụp vì pressing rệu rã. Cả nghìn người cười. Kết quả 2-0 cho Hàn Quốc. Họ gọi tôi là kẻ gian lận số liệu vì họ không thể gọi tôi là kẻ sai.

Năm 2026, khi sân vận động trống vì đại dịch, tôi có hơn 130 trận K League và Bundesliga không khán giả trong tay. Tỷ lệ đội chủ nhà thắng giảm từ 46% xuống 34%, số bàn trung bình mỗi trận lên 3,1. Tôi công bố, bị buộc tội bịa số liệu, và mở toàn bộ dữ liệu thô trong 48 giờ để ai muốn kiểm thì kiểm. Khi sân vận động trống rỗng, sự thật bắt đầu lấp đầy chỗ trống của khán giả.

Điểm khác biệt giữa hai lần đó và 6.616 nằm ở chỗ: dữ liệu pressing của Đức là dữ liệu quá trình, đo cái đang xảy ra; còn 6.616 là dữ liệu hồ sơ, đo cái đã được báo lên. Bảng số liệu biết nói, nhưng chỉ khi người ta chịu đọc đúng cột.

Và đây là chỗ tôi có thể sai.

Khả năng thứ nhất: cái nhãn đúng, người trích xuất sai. Nếu nguồn gốc là một bản tin tổng hợp nhiều chủ đề, và dây chuyền bóc nhầm đoạn thì lỗi nằm ở tầng trích xuất chứ không phải tầng phân loại. Hai lỗi đó cần hai cách sửa khác nhau, và tôi đã kết luận về cái thứ hai mà chưa loại trừ cái thứ nhất.

Khả năng thứ hai: '2026' không phải lỗi đánh máy. Có thể đây là khuyến cáo ban hành trước, dùng số liệu của một chu kỳ chưa kết thúc. Khi đó cái bất thường là của tôi, không phải của họ.

Khả năng thứ ba, và là khả năng tôi ngại nhất: có thể tổ chức kia có bảng phân tách theo màu lông thật, chỉ là nó không nằm trong mười bốn điểm thông tin mà tôi được đọc. Thiếu bằng chứng trong một bản tóm tắt không đồng nghĩa với thiếu bằng chứng trong tổ chức.

Và có một thiên lệch nghề nghiệp tôi phải gọi tên: tôi sống ở Seoul, tôi kiếm tiền từ việc giữ dữ liệu bóng đá sạch. Một ca nhãn sai là câu chuyện tâng bốc đúng nghề của tôi. Biến một khuyến cáo an toàn động vật thành dụ ngôn về nghề của mình là đúng kiểu thao tác tôi vẫn tố cáo ở người khác. Đám đông luôn an toàn, và đó chính là lý do họ luôn tầm thường — nhưng kẻ đứng ngoài đám đông cũng có thể sai theo kiểu riêng của hắn.

Dự đoán của tôi, có thể kiểm chứng: trong hai kỳ chuyển nhượng tới, ít nhất một cơ quan truyền thông lớn sẽ đăng một bài dựa trên dữ liệu tin đồn tổng hợp và phải đính chính sau khi bài đã lan. Chỉ số đáng theo dõi không phải tỷ lệ lỗi, mà là độ trễ phát hiện — bao nhiêu tầng đã đi qua trước khi có người chịu đọc lại cái nhãn ở dòng đầu tiên.

Mỗi con số tôi đào lên đều chôn theo một huyền thoại mà truyền thông tạo ra. Đêm đó, huyền thoại bị chôn là một niềm tin rất tiện: rằng chỉ cần dây chuyền đủ dài thì nó sẽ tự lọc.

Tôi không cần ai đồng tình, tôi cần ai đó đủ giỏi để phản bác.