Dữ liệu trống trong golf: Ranh giới giữa phân tích và phỏng đoán

9 giờ 40 sáng, tôi mở gói dữ liệu từ đối tác gửi về. Không có tên cầu thủ. Không có tên sân. Không có một con số nào. Khung phân tích tám chiều vẫn nằm nguyên trên màn hình: đủ ô cho Strokes Gained, đủ ô cho tỷ lệ green trong chuẩn, đủ ô cho scrambling, đủ ô cho khoảng cách phát bóng trung bình. Không một ô nào được điền.

Ngoài kia, tòa soạn đang chạy. Kỳ hạn là 5 giờ chiều. Biên tập viên cần 1.500 từ về tuần lễ golf châu Á. Trong tay tôi có một bảng trống và hai lựa chọn: viết bằng dữ liệu, hoặc viết bằng trí tưởng tượng được trang điểm bằng thuật ngữ chuyên môn.

Trên trang giấy, hai lựa chọn ấy trông gần như giống nhau. Chúng chỉ khác nhau ở một điểm: một cái kiểm chứng được, một cái thì không. Trong mười một năm quan sát ngành này, tôi đã thấy rất nhiều bản báo cáo thuộc loại thứ hai, rồi được đối xử như thể chúng thuộc loại thứ nhất.

Dữ liệu không bao giờ gấp gáp; nó chỉ chờ người biết đọc.

Golf là môn thể thao cá nhân được lượng hóa sâu nhất trong nhóm các môn thi đấu đối kháng gián tiếp. Từ khi ShotLink — hệ thống thu thập dữ liệu từng cú đánh của PGA Tour — đi vào vận hành đại trà hơn hai thập kỷ trước, mỗi đường bóng không còn là một sự kiện để kể, mà là một điểm dữ liệu để ghi. Strokes Gained chia cú swing thành bốn phân khúc: phát bóng, tiếp cận green, khu vực gần green, và putting. Từ đó, câu hỏi "ai chơi hay" được thay bằng câu hỏi "hay ở phân khúc nào, so với chuẩn nào, trên mẫu bao nhiêu cú".

Ở Việt Nam, hạ tầng ấy chưa đồng bộ. Phần lớn giải trong nước công bố điểm gậy cuối ngày, đôi khi kèm vài chỉ số tổng hợp. Nhà báo viết về golf thường chỉ có ba thứ trong tay: bảng điểm, mô tả trực tiếp, và cảm nhận của người ngồi cạnh green. Không có sai số, không có phân khúc, không có đối chứng lịch sử.

Tôi không nói điều đó để chê. Tôi nói vì nó định hình loại câu hỏi tôi có thể trả lời và loại câu hỏi tôi buộc phải từ chối. Trong ba năm làm cố vấn dữ liệu và theo dõi golf trong nước, phần lớn thời gian của tôi không dành cho việc tính toán, mà dành cho việc xác định ranh giới: chỗ nào dữ liệu đủ dày để kết luận, chỗ nào chỉ đủ để đặt giả thuyết, và chỗ nào hoàn toàn trống.

Cái khó nằm ở chỗ thứ ba. Một bảng trống không tự nói rằng nó trống. Nó chỉ im lặng, và trong sự im lặng ấy, người viết có xu hướng lấp đầy bằng thứ mình đã tin sẵn.

Trong tài liệu nội bộ tôi dùng để thẩm định hồ sơ cầu thủ, có một quy tắc được in đậm: dữ liệu thiếu phải được đánh dấu là "không đủ thông tin để đánh giá", tuyệt đối không được thay bằng suy đoán. Quy tắc này nghe hiển nhiên, cho đến khi bạn phải áp dụng nó vào một bài cần 1.500 từ trước 5 giờ chiều.

Tôi dựng cho mình một giao thức ba lớp, và nó tỏ ra hữu dụng nhất đúng vào những lúc dữ liệu trống.

Lớp thứ nhất phân biệt "không có số" với "có số nhưng không có nghĩa". Trường hợp đầu dễ nhận ra. Một cầu thủ không có dữ liệu ShotLink vì giải anh ta đấu không dùng hệ thống đó. Bạn không thể nói gì về chỉ số tiếp cận green của anh ta. Hết. Không có chỗ cho diễn giải.

Trường hợp thứ hai mới là cái bẫy. Một cầu thủ thắng hai giải liên tiếp nhờ putting. Con số tồn tại: anh ta dẫn đầu về số putt trung bình mỗi vòng. Nhưng số putt trung bình là chỉ số bị chi phối bởi chất lượng tiếp cận green — đánh bóng vào green gần cờ hơn thì cần ít putt hơn, bất kể tay putt tốt đến đâu. Cái được gọi là "putting thăng hoa" thường là hệ quả của approach tốt hơn. Tôi đã kiểm tra chuỗi này nhiều lần trên dữ liệu các mùa cũ, và tỷ lệ đảo ngược khá cao: khi approach trở lại mức trung bình, con số putting cũng về trung bình theo, dù kỹ thuật putt không đổi một chút nào.

Đây là điểm mà phần lớn bản tin golf bỏ qua: sự tồn tại của một con số không đồng nghĩa với sự tồn tại của một kết luận. Một chuỗi bốn giải là mẫu nhỏ. Bốn giải, mỗi giải khoảng 250 cú putt, vẫn có thể tạo ra một xu hướng trông rất chắc chắn chỉ nhờ may mắn. Nhà phân tích phải tự hỏi: nếu tôi xáo trộn ngẫu nhiên tập dữ liệu này, bao nhiêu phần trăm lần tôi thu được một xu hướng mạnh tương đương? Nếu câu trả lời lớn hơn một phần ba, đó là nhiễu, không phải tín hiệu.

Lớp thứ hai kiểm tra xem dữ liệu có bị chặn giữa đường hay không. Có những chỉ số tồn tại ở tầng thu thập nhưng không bao giờ tới được tầng công bố. Nhịp độ chơi là ví dụ rõ nhất. Các giải chuyên nghiệp có dữ liệu thời gian từng cú đánh — thời lượng từ lúc cầu thủ đứng sau bóng tới lúc tiếp xúc. Con số ấy nằm trong tay ban tổ chức. Nhưng khi công chúng bàn về chơi chậm, họ không nhận được đồ thị phân bố; họ nhận được vài cảnh quay được chọn lọc và một câu chuyện về văn hóa thi đấu.

Một gói dữ liệu trống không nhất thiết có nghĩa bài viết không có nội dung. Nó có thể có nghĩa khâu trích xuất đã hỏng: bị tường phí chặn, bị tệp robots từ chối, hoặc đường dẫn không trỏ tới một bài viết. Khi toàn bộ các trường cùng trống một lúc, xác suất cao là lỗi hệ thống, chứ không phải một bài viết rỗng ruột. Người phân tích tỉnh táo phân biệt hai khả năng đó trước khi kết luận bất cứ điều gì.

Trong golf, dạng hỏng giữa đường này phổ biến hơn người ta tưởng. Dữ liệu gió trên sân links, dữ liệu nhiệt độ và độ ẩm ảnh hưởng tới độ nảy của bóng, tốc độ green theo từng lỗ — tất cả đều tồn tại dưới dạng đo lường thô hoặc quan sát của trọng tài, nhưng hiếm khi được công bố kèm bài bình luận. Kết quả là người đọc nhận được câu chuyện "anh ấy thích nghi tốt với gió biển", trong khi dữ liệu thật có thể chỉ cho thấy đường bóng cong phải của anh ấy hợp với hướng gió chéo trong đúng ngày hôm đó.

Lớp thứ ba tách "không có rủi ro" khỏi "không đánh giá được rủi ro". Đây là lỗi tốn kém nhất, và cũng là lỗi mà các bảng phân tích tự động mắc nhiều nhất. Khi một trường trong hồ sơ rủi ro bị để trống, hệ thống ở hạ nguồn có xu hướng đọc nó thành "không có rủi ro". Một cầu thủ không có ghi chú chấn thương được mặc định là khỏe. Một sân không có dữ liệu gió được mặc định là lặng. Một thị trường không có tỷ lệ cược được mặc định là không có tín hiệu gì.

Trong nghề của tôi, đó là lỗi thiết kế, không phải lỗi đọc hiểu. Và trong golf, nơi một chấn thương cổ tay có thể đổi toàn bộ hồ sơ của một mùa giải, cái lỗi ấy đắt hơn nhiều so với một dòng chữ thừa trong báo cáo.

Một ví dụ khác nằm ở tầng quản trị. Khi hai hệ thống giải đấu song song tồn tại và một bên không được tính điểm xếp hạng thế giới, dữ liệu về sức mạnh thực của các cầu thủ ở bên đó trở nên mù một phần. Bạn vẫn có điểm số, nhưng bạn mất thước đo để so sánh với phần còn lại. Sự mù ấy không tạo ra kết luận "bên đó yếu hơn". Nó tạo ra kết luận "hiện chưa có thước đo tương thích". Rất nhiều bài phân tích đã đi thẳng từ cái mù thứ nhất sang cái kết luận thứ hai mà không dừng lại ở bước giữa.

Tôi viết báo cáo, đóng hồ sơ, rồi thị trường tự mở lại.

Có một giả định ngầm trong cách ngành thể thao vận hành: rằng một tuyên bố không kèm số liệu vẫn có giá trị nếu người nói có đủ uy tín. Một huấn luyện viên với hai mươi năm kinh nghiệm, một bình luận viên với giọng đọc đi vào lòng người, một nhà tài trợ với ngân sách đủ lớn để mua thời lượng phát sóng — tất cả đều được đối xử như thể kinh nghiệm và quy mô tự động chuyển hóa thành độ chính xác.

Vấn đề kỹ thuật ở đây cụ thể hơn vẻ ngoài của nó. Kinh nghiệm dày tạo ra trực giác tốt trong những môi trường ổn định, nơi quan hệ nhân quả lặp lại đủ nhiều lần. Golf chuyên nghiệp không còn là môi trường như vậy. Điều kiện sân, thiết bị, lịch thi đấu, và cả cách ban tổ chức cắt cờ đều đã thay đổi trong hai thập kỷ qua. Hồi ức về một sân mà ai đó chơi cách đây mười lăm năm có thể vẫn đúng về mặt cảm giác, nhưng sai về mặt thông số.

Chưa kể một hiện tượng nhỏ hơn nhưng đáng chú ý: khả năng nhớ lại có chọn lọc. Người ta nhớ những cú putt được truyền hình. Không ai nhớ mười bảy cú putt tầm hai mét đã đổ trong im lặng trước đó. Ký ức về golf, mặc định, là một bản dựng phim, chứ không phải một bảng dữ liệu.

Người ta xem cú putt quyết định, tôi xem đường bóng trước cú putt quyết định.

Điều này dẫn tới một kết luận mà tôi biết là không được lòng phòng họp: trong nhiều trường hợp, câu "tôi có hai mươi năm trong nghề" không cung cấp thêm thông tin nào cho quyết định đang bàn. Nó cung cấp thẩm quyền, không cung cấp bằng chứng. Hai thứ đó có giá trị khác nhau, và giá trị của chúng không thể quy đổi cho nhau.

Cách phản hồi duy nhất mà tôi cho là hợp lý: đối chiếu số liệu, chỉ rõ ranh giới của tập dữ liệu được dùng, và để cái bảng tự lên tiếng. Không tranh luận bằng khẩu khí. Nếu một tuyên bố đúng trong một giải, tôi ghi nhận nó đúng trong giải ấy. Nếu nó được trình bày như một quy luật chung, tôi kiểm tra nó trên ba mùa gần nhất, và chỉ trả lời sau khi có kết quả.

Quay lại buổi sáng với bảng dữ liệu trống. Tôi đã không viết bài 1.500 từ ấy. Thay vào đó, tôi gửi lại đối tác một bản ghi ngắn: xác nhận gói dữ liệu rỗng, liệt kê bốn nguyên nhân khả dĩ theo thứ tự xác suất, và đề nghị chạy lại khâu trích xuất trước khi kỳ hạn tiếp theo bắt đầu.

Khán giả vỗ tay theo cảm xúc, nhưng dữ liệu nghe được nhịp khác.

Trong mười hai tháng tới, tôi cho rằng giá trị của người làm dữ liệu thể thao sẽ được đo bằng đúng thứ mà ít ai muốn đo: số lần họ từ chối kết luận. Một hồ sơ có mười dòng "không đủ thông tin để đánh giá" vẫn hữu ích hơn một hồ sơ đầy ắp câu khẳng định không truy được nguồn gốc. Cái trống có thể được lấp; cái sai thì phải bị gỡ bỏ.

Tôi không cần được công nhận ở phòng báo chí; các con số tự biết đường kể chuyện.