Tập dữ liệu trống và lỗ hổng im lặng của mọi mô hình bóng rổ

Đêm 14 tháng 10 năm 2026, tôi ngồi trước màn hình với bảng dữ liệu của trận New England Revolution – Atlanta United. Tỷ số cuối cùng là 2-1 cho đội chủ nhà. Cột xG trong tập tin của tôi ghi 2.8 cho Atlanta, gấp gần ba lần con số 1.1 của New England. Tôi viết bài khẳng định Atlanta không hề yếu, họ chỉ đang thiếu may mắn. Cư dân mạng gọi tôi là gã mọt sách mơ mộng. Tôi không sửa một chữ nào. Tôi tiếp tục đếm xG trung bình của Atlanta suốt mùa giải — 1.87 bàn kỳ vọng mỗi trận — và đến cuối mùa, họ vào playoffs. Bài viết đó về sau được xem là một trong những phân tích xG sớm nhất ở MLS.

Rồi đến một đêm khác. Đêm đó, cột dữ liệu trống hoàn toàn. Và tôi suýt không nhận ra.

Đó là kiểu thất bại khiến tôi mất ngủ nhiều hơn mọi sai số. Một con số sai vẫn còn đường cứu: bạn dò lại nguồn, bạn tìm ra chỗ lệch, bạn sửa. Một con số tự tin được dựng lên từ tập dữ liệu chưa từng tồn tại thì không có đường cứu nào, bởi chẳng ai nghĩ đến chuyện đi kiểm tra. Trong hơn hai mươi năm theo dõi ngành này, tôi học được rằng thứ giết chết phân tích không phải là thiếu dữ liệu, mà là dữ liệu thiếu đi kèm một khoảng trắng không ai nhìn thấy.

Khi mỗi trận đấu trở thành một tập tin

Mùa giải 2026-14, NBA lắp đặt hệ thống camera SportVU tại toàn bộ 30 nhà thi đấu. Mỗi giây, hệ thống ghi lại tọa độ của mười cầu thủ trên sân cùng quả bóng, ở tốc độ 25 khung hình mỗi giây. Từ mùa 2026-18, Second Spectrum tiếp quản với hợp đồng sáu năm, bổ sung khả năng nhận diện loại động tác: ai đặt màn chắn, ai cắt vào, ai tạo khoảng trống cho đồng đội.

Một trận đấu NBA không còn là bốn mươi tám phút. Nó là một tập tin với hàng trăm nghìn điểm tọa độ. Một mùa giải là hàng chục triệu điểm.

Tôi đến với bóng rổ từ phía bên kia của hào quang: tôi là nhà báo dữ liệu. Mười một năm liên tiếp bình luận trực tiếp các trận chung kết NBA đã dạy tôi cách nhìn một trận đấu bằng mắt. Nhưng chính những năm đếm xG ở MLS, rồi đếm PPDA ở World Cup 2026, mới dạy tôi rằng mắt người là một cảm biến có độ phân giải thấp và tuổi thọ ngắn.

Năm 2026, khi đại dịch quét sạch mọi lịch thi đấu, tôi không còn trận nào để viết. Tôi quay sang làm thứ khác: thu thập dữ liệu quãng đường chạy và cường độ thi đấu của 4.500 cầu thủ qua mười mùa Premier League, rồi dựng một chỉ số mang tên Workload Risk Index nhằm dự đoán nguy cơ chấn thương. Tôi công bố một báo cáo dài 12.000 từ. Một câu lạc bộ Championship liên hệ, áp dụng mô hình vào quản lý thể lực, và giảm được 30% số ca chấn thương trong nửa sau mùa giải.

Nhưng phiên bản đầu tiên của chỉ số đó có một lỗ hổng. Và lỗ hổng ấy dạy tôi nhiều hơn mọi biến số tôi từng thêm vào.

Lỗ hổng nằm ở chỗ trống

Trong mười mùa Premier League tôi thu thập, có khoảng 2% số trận mà hệ thống định vị trong sân không trả về dữ liệu đầy đủ. Lý do rất đời: lỗi camera, mất tín hiệu truyền hình, một góc khán đài che khuất. Khi dựng chỉ số, tôi đã loại những trận đó ra khỏi mẫu — một thao tác mà bất kỳ ai học thống kê cũng làm, và bất kỳ ai học thống kê cũng nên kiểm tra lại.

Khi tôi kiểm tra lại, tôi phát hiện những trận bị loại không phân bố ngẫu nhiên. Chúng tập trung vào các vòng đấu giữa tuần. Đó chính là những tuần lịch thi đấu dày nhất, những tuần mà bài toán thể lực trở nên căng thẳng nhất. Chỉ số của tôi vì thế mà đánh giá thấp rủi ro đúng vào thời điểm nó cần chính xác nhất.

Việc vá lỗ hổng đó mang lại mức cải thiện lớn hơn bất kỳ biến số nào tôi thêm vào sau này. Không phải vì tôi tìm ra một chỉ báo mới. Mà vì tôi ngừng giả vờ rằng mình có dữ liệu ở nơi mình không có.

Một giá trị rỗng không hề trung tính. Nó là một giả định được gán vào tập dữ liệu mà không ai ký tên.

Khi phần mềm gặp ô trống, nó có ít nhất ba cách xử lý. Nó có thể coi đó là số không: cầu thủ chạy 0 km, nghĩa là mức tải bằng không. Nó có thể bỏ qua dòng đó, khiến cầu thủ biến mất khỏi mẫu. Hoặc nó có thể điền giá trị trung bình, biến một cầu thủ đang quá tải thành một cầu thủ bình thường. Cả ba lựa chọn đều tạo ra một con số. Cả ba đều sai. Và cả ba đều không để lại dấu vết nào trong báo cáo cuối cùng.

Đây là điểm tôi muốn người đọc bóng rổ nắm rõ, bởi nó giải thích phần lớn các cuộc tranh cãi mà chúng ta tưởng là tranh cãi về chiến thuật.

Game 7 năm 2026: mô hình đúng, cách đọc sai

Ngày 28 tháng 5 năm 2026, tại Toyota Center, Houston Rockets bước vào Game 7 chung kết miền Tây với Golden State Warriors. Chris Paul ngồi ngoài vì chấn thương gân khoeo gặp ở Game 5. Rockets kết thúc trận với 7/44 cú ném ba điểm, tương đương 15,9%. Sau khi vào 6 cú đầu, họ ném hỏng 27 lần liên tiếp. Warriors thắng 101-92 và đi tiếp.

Cả tuần sau đó, làng bóng rổ nói về chuỗi 27 cú ném hỏng. Người ta gọi đó là bằng chứng cho sự sụp đổ của lối chơi ba điểm, là lời nguyền của Morey-ball, là bản án cho triết lý tối ưu hóa cú ném.

Tôi đếm theo cách khác. Bốn mươi bốn cú ném ba điểm, với tỷ lệ trung bình giải đấu khoảng 35%, kỳ vọng sinh ra chừng 46 điểm. Thực tế Houston ghi được 21 điểm từ số đó. Khoảng cách 25 điểm đến từ phương sai, không đến từ triết lý. Mô hình không hỏng. Người đọc mô hình mới hỏng.

Đây là bài học mà tôi gặp lại hết lần này đến lần khác trong sự nghiệp: một mô hình tốt chỉ nói về phân phối xác suất, còn người đọc luôn muốn nó nói về kết quả. Trong một trận đấu duy nhất, phân phối xác suất không có cơ hội thể hiện. Một cú ném ba điểm là một biến nhị phân. Bốn mươi bốn cú vẫn là một mẫu quá nhỏ để kết luận bất cứ điều gì.

Điều đáng chú ý hơn cả: trong chính trận đấu đó, Rockets ném ba điểm với tần suất cao hơn mọi trận khác của họ ở vòng playoffs. Họ không hề phá vỡ mô hình. Họ bám chặt lấy nó. Và họ thua.

Bài toán quản lý tải trọng: tranh cãi trên một cột dữ liệu trống

Mùa 2026-19, Kawhi Leonard ra sân đúng 60 trận vòng bảng cho Toronto Raptors. Đó là con số được thiết kế, không phải con số ngẫu nhiên. Toronto đã xây dựng cả một kế hoạch xoay quanh đầu gối của anh, thứ đã khiến anh bỏ gần trọn mùa 2026-18 trong màu áo San Antonio Spurs. Đến vòng playoffs, Leonard chơi 24 trận, ghi trung bình hơn 30 điểm mỗi trận, và giành danh hiệu MVP chung kết. Raptors vô địch lần đầu trong lịch sử.

Suốt mùa giải đó, giới truyền thông tranh luận bằng hai con số: số trận ra sân và số phút thi đấu. Người ta gọi đó là cuộc chiến giữa nghỉ ngơi và gỉ sét. Nhưng cả hai con số ấy đều là dữ liệu đầu ra, không phải dữ liệu đầu vào.

Biến số thật sự quyết định — tải trọng gân, tình trạng thoái hóa sụn, mức viêm tích lũy qua từng tuần — chưa bao giờ nằm trong tập dữ liệu công khai. Nó nằm trong phòng y tế của đội. Cuộc tranh luận về quản lý tải trọng được tiến hành trên một cột dữ liệu trống, và cả hai phe đều tự tin rằng mình đang đọc một cột đầy.

Dựa trên kinh nghiệm theo dõi các trận đấu của tôi, đây là dạng tranh luận phổ biến nhất trong bóng rổ hiện đại: hai bên cùng đọc những con số không đo được thứ họ đang tranh cãi, rồi dùng uy tín cá nhân để bù vào khoảng trống. Kết quả đúng hay sai không chứng minh được gì, vì quy trình đã hỏng ngay từ dòng đầu tiên.

Jokic và những gì nằm ngoài tờ giấy

Tờ box score là tập dữ liệu lâu đời nhất của bóng rổ, và cũng là tập dữ liệu rỗng nhất. Nó ghi lại kết quả của hành động, không ghi lại quá trình tạo ra hành động đó.

Nikola Jokic là ví dụ rõ nhất cho giới hạn ấy. Trong mùa giải vô địch 2026-23 của Denver Nuggets, Jokic dẫn đầu giải ở hạng mục screen assists — số điểm được tạo ra từ những màn chắn do anh đặt. Anh cũng nằm trong nhóm dẫn đầu về số đường chuyền dẫn đến đường chuyền thành bàn, thứ mà hệ thống theo dõi gọi là hockey assist. Cả hai chỉ số này đều không tồn tại trong tờ box score truyền thống.

Nếu bạn chỉ đọc box score, bạn thấy một trung phong ghi nhiều điểm và bắt nhiều bóng. Nếu bạn đọc dữ liệu chuyển động, bạn thấy một cầu thủ đang điều hành toàn bộ cấu trúc tấn công bằng những hành động mà bảng thống kê không có ô để ghi.

Đây là điểm tôi luôn nhấn mạnh khi phân tích bất kỳ cầu thủ nào: giá trị thật của một cầu thủ nằm ở phần dữ liệu mà tờ giấy không nắm được. Và nghịch lý là phần đó thường lại lớn hơn phần được ghi lại.

Cái bẫy tự tin

Có một mẫu số đáng sợ hơn mọi sai số trong phân tích bóng rổ.

Khi một mô hình báo cáo độ chính xác 94%, câu hỏi đúng không phải là sai 6% nằm ở đâu. Câu hỏi đúng là: mẫu số của 94% đó gồm những gì, và phần nào đã bị loại ra khỏi mẫu số ấy.

Trong quá trình làm báo cáo Workload Risk Index, tôi từng thử nghiệm một quy tắc đơn giản: mọi báo cáo mô hình phải công bố tỷ lệ bao phủ dữ liệu trước khi công bố độ chính xác. Kết quả khiến tôi bất ngờ. Rất nhiều mô hình mà tôi từng tin tưởng có tỷ lệ bao phủ thấp hơn nhiều so với những gì tôi hình dung, đặc biệt ở nhóm cầu thủ ít phút thi đấu, nhóm cầu thủ vừa trở lại sau chấn thương, và nhóm cầu thủ thi đấu trong các trận rác.

Ba nhóm đó lại chính là những nhóm mà câu hỏi phân tích quan trọng nhất thường hướng tới.

Mọi hệ thống đều nứt nếu bạn nhìn đủ lâu. Rồi bạn thấy trật tự nằm ngay trong đống vỡ vụn.

Góc phản trực giác: tương quan không phải nhân quả, và độ phủ không phải độ đúng

Có một niềm tin ngầm trong ngành phân tích bóng rổ mà tôi cho là nguy hiểm hơn cả việc dùng mắt để phán đoán: niềm tin rằng một mô hình càng nhiều dữ liệu thì càng đáng tin.

Điều này không đúng, và nó sai theo một cách rất cụ thể.

Một mô hình có tỷ lệ bao phủ 99% vẫn có thể sai hoàn toàn nếu 1% bị thiếu tập trung đúng vào nhóm quyết định kết quả. Trong bóng rổ, 1% đó thường nằm ở nhóm cầu thủ chấn thương, nhóm đội hình xoay tua sâu, và những phút cuối trận — tức là toàn bộ những nơi mà ban huấn luyện cần dữ liệu nhất.

Ngược lại, một mô hình có tỷ lệ bao phủ 80% nhưng biết rõ 20% còn lại là gì và tại sao thiếu có thể hữu ích hơn nhiều.

Đức tin của tôi không nằm ở may rủi, mà nằm ở mẫu số lớn. Nhưng mẫu số lớn chỉ có ý nghĩa khi ta biết nó được đong bằng gì.

Bên cạnh đó, hệ sinh thái truyền thông thể thao đang thưởng cho sự tự tin, không thưởng cho sự thừa nhận khoảng trống. Một bài viết nói tôi không biết vì dữ liệu thiếu sẽ không có lượt đọc. Một bài viết nói tôi biết chắc sẽ có. Cấu trúc khuyến khích đó đẩy toàn bộ ngành về phía những kết luận chắc nịch, và đẩy những lỗ hổng dữ liệu vào chỗ tối.

Tín hiệu cho vòng tiếp theo

Mùa 2026-24, NBA chuyển sang hệ thống theo dõi quang học của Hawk-Eye Innovations, thay thế Second Spectrum sau sáu năm. Đây là lần thay đổi hạ tầng dữ liệu lớn nhất kể từ năm 2026.

Với dữ liệu bóng rổ, mỗi lần đổi hạ tầng là một lần toàn bộ chuỗi số liệu lịch sử bị đặt dấu hỏi về tính liên tục. Không phải vì hệ thống mới kém hơn. Mà vì bất kỳ thay đổi nào ở tầng thu thập cũng làm thay đổi định nghĩa của những con số mà ta tưởng đã hiểu.

Đó là tín hiệu tôi sẽ theo dõi trong mùa tới: tỷ lệ bao phủ của các chỉ số tracking mới, và cách các phòng phân tích xử lý khoảng trống giữa hai thời đại dữ liệu.

Con số im lặng, nhưng câu chuyện thì không bao giờ im lặng. Và câu chuyện đáng chú ý nhất trong hai mươi ba năm qua của tôi chưa từng là câu chuyện về một mô hình hoàn hảo. Nó luôn là câu chuyện về một khoảng trắng mà ai đó đã dám chỉ ra.