Khi dữ liệu chạm tường: Những khoảng trống không mô hình bóng đá nào chạm tới

Mùa thu năm 2026, tôi ngồi trong phòng họp báo ở Etihad Campus, đối diện một cậu bé vừa tròn mười bảy tuổi. Trên màn hình trước mặt, bảng dữ liệu của trận chung kết FA Youth Cup hiển thị đầy đủ: Phil Foden ghi một bàn, kiến tạo hai bàn, tỉ lệ chuyền bóng chính xác 88,5%, 71 lần chạm bóng, bốn đường chuyền mở ra cơ hội cho đồng đội. Những con số đẹp đến mức tòa soạn đã chuẩn bị sẵn dòng tít "ngôi sao tương lai của nước Anh" và một khung ảnh lớn cho trang nhất. Buổi phỏng vấn kéo dài ba mươi tư phút. Cậu ấy nói mười hai câu. Phần lớn những câu ấy là về chuyến xe buýt của đội trở về Manchester, về việc cậu ngồi cạnh ai, và về một chiếc bánh sandwich kẹp thịt gà mà cậu không nhớ tên. Khi tôi hỏi cậu cảm thấy thế nào trong bàn thắng thứ hai, cậu im lặng bảy giây, rồi nói: "Cháu không nhớ rõ lắm." Tòa soạn yêu cầu tôi viết lại toàn bộ bài theo hướng "ngôi sao trẻ triển vọng" và gạt bỏ mọi chi tiết về sự lúng túng của cậu. Tôi đã viết. Nhưng đêm ấy, về đến nhà, tôi mở một cuốn sổ mới và bắt đầu ghi lại những gì không thể đăng tải. Đó là khởi đầu của một thói quen mà mười chín năm sau, tôi vẫn giữ. Ở Manchester đêm ấy, tôi học được rằng bảng dữ liệu chỉ là dấu vết của những gì đã xảy ra, không phải bản đồ của những gì đang diễn ra trong đầu một con người. Ngành phân tích bóng đá đã thay đổi cuộc chơi trong vòng hai mươi năm qua. Kể từ khi mô hình xG (Expected Goals — bàn thắng kỳ vọng) được đưa vào sử dụng đại chúng khoảng năm 2026, qua các chỉ số như PPDA (số đường chuyền đối thủ thực hiện trước mỗi hành động phòng ngự của đội bóng), progressive passes, và pack values, mọi quyết định ở các câu lạc bộ hàng đầu nước Anh hiện nay đều dựa trên một tầng dữ liệu mà thế hệ trước không có. Premier League hiện tạo ra doanh thu bản quyền truyền hình khoảng ba tỉ bảng mỗi mùa. Một phần đáng kể trong số đó được tái đầu tư vào các phòng phân tích dữ liệu, nơi hàng chục chuyên gia — từ nhà khoa học dữ liệu đến nhà tâm lý học thể thao — làm việc mỗi ngày để biến bóng đá thành một bài toán có thể giải được. Tôi đã theo dõi tám kỳ World Cup, tám kỳ Olympic, và nhiều kỳ Giro d'Italia cùng Tour de France. Ở mỗi sự kiện, tôi thấy cùng một điều: dữ liệu trở nên dày đặc hơn, chính xác hơn, và — đây là điểm mấu chốt — càng trở nên tự tin hơn trong việc giải thích những thứ mà nó chưa từng chứng kiến. Năm 2026, tại Moscow, tôi đưa tin về trận bán kết World Cup giữa Anh và Croatia. Trước trận, tôi ngồi với một nhà phân tích dữ liệu của một đội tuyển châu Âu trong một quán cà phê gần quảng trường Đỏ. Anh ấy mở laptop, trình bày một mô hình dự đoán tỉ số dựa trên mười bốn nghìn trận đấu lịch sử. Mô hình cho ra kết quả: Anh thắng với xác suất 62%. Croatia ghi bàn thắng quyết định ở phút 109, sau một pha đánh đầu của Mario Mandžukić. Tôi về khách sạn và ở trong phòng sáu ngày, không viết gì, không trả lời tin nhắn, chỉ đi bộ dọc sông Moskva trong đêm. Khi biên tập viên gọi, tôi nộp một bài luận dài hai nghìn từ mang tên "Những ngày sau tiếng còi". Trong bài ấy, tôi viết một câu mà sau này trở thành câu tôi nhắc lại nhiều nhất: "Ở Moscow đêm ấy, tôi học được rằng tiếng còi mãn cuộc chỉ là một dấu lặng." Bài viết được chia sẻ hơn bốn mươi nghìn lần. Một nhà sản xuất phim tài liệu ở London liên hệ với tôi và nói: "Anh viết về thứ mà các mô hình không đo được." Đó là khoảnh khắc tôi nhận ra mình đang ở giữa một nghề nghiệp có một khoảng trống kỳ lạ: ngành công nghiệp bóng đá đang đầu tư hàng trăm triệu bảng vào việc đo lường, nhưng lại thừa nhận rất ít về những gì không thể đo. Hãy bắt đầu từ một sự thật kỹ thuật đơn giản. Mọi mô hình dữ liệu bóng đá đều có một điểm chết. Điểm chết ấy xuất hiện khi dữ liệu đầu vào trống rỗng, khi các trường thông tin phụ thuộc vòng tròn vào nhau, hoặc khi mô hình tự tin điền vào chỗ trống bằng suy luận thay vì bằng bằng chứng. Lấy ví dụ về xG. Mô hình xG tính xác suất một cú sút trở thành bàn thắng dựa trên vị trí, góc sút, loại cú sút, và tình huống kiến tạo. Nó là một công cụ tuyệt vời để đo chất lượng cơ hội độc lập với kết quả. Nhưng xG không biết rằng một cầu thủ đang đau đầu vì con anh ấy ốm. Nó không biết rằng một hậu vệ đối phương vừa cãi nhau với huấn luyện viên trong phòng thay đồ. Nó không biết rằng trọng tài đã bỏ qua một lỗi trước đó khiến cầu thủ mất bình tĩnh. Mùa giải 2026-2026, tôi theo dõi một đội bóng ở Premier League có xG trung bình 1,9 mỗi trận nhưng chỉ ghi được 0,8 bàn mỗi trận trong giai đoạn mười vòng. Mô hình nói rằng đội này đang "underperform" — ghi ít hơn đáng kể so với chất lượng cơ hội tạo ra. Các nhà phân tích kết luận: đây là vấn đề may mắn, và đội sẽ "regress to mean" — nghĩa là kết quả sẽ trở về trung bình trong các vòng tiếp theo. Nhưng khi tôi đến sân và ngồi trong khu vực kỹ thuật, tôi thấy một thứ khác. Tiền đạo chính của đội đang trải qua một giai đoạn tâm lý mà không mô hình nào gọi tên. Cậu ấy di chuyển đúng vị trí, chạy đúng thời điểm, nhưng khi bóng đến chân, động tác đầu tiên của cậu ấy luôn chậm hơn khoảng 0,2 giây so với bình thường. Đó là khoảng thời gian đủ để một hậu vệ Premier League kịp bọc lót. Trên bảng thống kê, cú sút ấy vẫn được tính là một cơ hội chất lượng cao. Trên thực tế, nó không còn là cơ hội nữa. Các mô hình dữ liệu giỏi đo lường năng lực, nhưng chúng dở trong việc đo lường trạng thái. Đây là điểm mù đầu tiên, và nó là điểm mù phổ biến nhất. Điểm mù thứ hai tinh tế hơn. Tôi gọi nó là "phụ thuộc vòng tròn" trong các mô hình đánh giá. Ví dụ, mô hình đánh giá tài năng trẻ thường dựa vào dữ liệu từ các trận đấu trẻ. Nhưng dữ liệu từ các trận đấu trẻ được tạo ra bởi chính các hệ thống đào tạo trẻ. Nếu một học viện có xu hướng chơi bóng kiểm soát, dữ liệu của nó sẽ cho thấy các cầu thủ trẻ có tỉ lệ chuyền cao. Mô hình kết luận: cầu thủ này giỏi chuyền bóng. Nhưng nếu cùng cầu thủ ấy được đặt vào một hệ thống chơi phản công, dữ liệu sẽ khác hoàn toàn, và kết luận cũng sẽ khác. Nói cách khác: mô hình không đo cầu thủ. Nó đo sự tương thích giữa cầu thủ và hệ thống đã tạo ra dữ liệu. Khi hệ thống thay đổi, kết luận thay đổi, nhưng cầu thủ vẫn là cầu thủ ấy. Marc Cucurella là một trường hợp tôi đã theo dõi kỹ. Khi anh chuyển từ Brighton sang Chelsea vào tháng 8 năm 2026 với mức phí được báo cáo khoảng 62 triệu bảng, các mô hình dữ liệu đánh giá anh là một trong những hậu vệ cánh trái tốt nhất Premier League về khả năng chuyền bóng dưới áp lực. Nhưng mùa đầu tiên ở Chelsea, anh gặp khó khăn lớn. Số liệu cho thấy tỉ lệ chuyền chính xác của anh giảm từ khoảng 84% xuống 76%. Các nhà phân tích gọi đó là sự sa sút phong độ. Nhưng thực tế, anh chỉ đang chơi trong một hệ thống khác — nơi áp lực đến từ những hướng khác, nơi các đồng đội di chuyển theo nhịp khác, và nơi vai trò của anh trong việc phòng ngự chuyển tiếp không được hiểu rõ. Cùng một cầu thủ, cùng một đôi chân, cùng một bộ não. Chỉ có bối cảnh thay đổi. Điểm mù thứ ba liên quan đến thời gian. Mọi mô hình dữ liệu bóng đá đều hoạt động trên dữ liệu quá khứ. Chúng giỏi mô tả những gì đã xảy ra, nhưng chúng không thể mô hình hóa bối cảnh mà một con người sẽ gặp trong tương lai. Một mô hình có thể nói rằng một cầu thủ hai mươi tư tuổi đang ở đỉnh cao sự nghiệp. Nó không thể nói rằng cầu thủ ấy sẽ gặp một chấn thương tâm lý sau khi cha mình qua đời vào tháng sau. Trong điền kinh, nơi tôi cũng dành nhiều năm đưa tin, câu chuyện này còn rõ ràng hơn. Một vận động viên chạy một trăm mét trong 9,85 giây. Đó là một con số có thể đo bằng phần trăm giây. Nhưng con số ấy không nói gì về việc vận động viên ấy đã thức dậy lúc bốn giờ sáng vì lo lắng, hay về việc anh ấy đã gọi cho mẹ mình ba lần trong tuần trước khi thi đấu. Trên đường chạy, kỷ lục tính bằng phần trăm giây; ngoài kia, cuộc đời tính bằng nhịp thở. Hai thước đo ấy không cùng đơn vị. Tôi đã dành bốn mươi ngày vào năm 2026 để phỏng vấn những người lao động thầm lặng quanh các sân vận động bỏ trống. Đó là dự án phim ngắn mang tên "Những chiếc ghế trống". Một trong những nhân vật của tôi là Paul, 58 tuổi, nhân viên vệ sinh tại Old Trafford suốt hai mươi năm. Ông kể rằng ban đêm, khi không có trận đấu, ông vẫn nghe thấy tiếng hò hét vọng lại từ những hàng ghế trống. Câu chuyện của Paul khiến tôi ám ảnh suốt nhiều tháng. Nó dạy tôi một điều về bóng đá: phần lớn những gì quan trọng nhất trong trò chơi này không nằm trên bảng thống kê. Nó nằm trong tiếng vọng của một sân vận động trống. Nó nằm trong bàn tay của một người đàn ông lau ghế mà không ai biết tên. Nó nằm trong khoảnh khắc trước khi một cầu thủ bước lên chấm phạt đền — khoảnh khắc mà mọi camera đều ghi lại hình ảnh, nhưng không có thiết bị nào đo được nhịp tim đang đập trong lồng ngực. Tôi muốn đề xuất một cách đọc khác về bóng đá hiện đại. Khi một đội bóng thua, chúng ta thường được cung cấp một bảng phân tích: kiểm soát bóng, số cú sút, xG, số lần pressing thành công. Những con số ấy đúng về mặt kỹ thuật. Nhưng chúng bỏ sót câu hỏi quan trọng nhất: điều gì đã xảy ra trong mười lăm phút nghỉ giữa hai hiệp? Trong hơn mười chín năm quan sát ngành, tôi đã thấy những đội bóng thua vì lý do chiến thuật, và những đội bóng thua vì lý do con người. Sự khác biệt không nằm ở chất lượng của mô hình dữ liệu mà hai bên sử dụng. Nó nằm ở chất lượng của cuộc trò chuyện trong phòng thay đồ. Có một ví dụ tôi vẫn nhớ. Năm 2026, tôi theo dõi một đội bóng ở Championship. Đội này dẫn trước 2-0 sau hiệp một, và trên bảng thống kê, mọi thứ đều ổn: kiểm soát bóng 58%, xG 1,7, mười hai lần pressing thành công. Hiệp hai, đội thua ngược 2-3. Sau trận, huấn luyện viên nói với báo chí rằng đó là "vấn đề thể lực". Nhưng người trợ lý của ông ấy nói riêng với tôi một điều khác: "Chúng tôi có một cầu thủ đội trưởng vừa trải qua ly hôn. Cả đội biết. Không ai nói. Hiệp hai, cậu ấy im lặng. Và cả đội im lặng theo." Đó là khoảng trống mà không bảng dữ liệu nào điền được. Một ví dụ khác đến từ một đội tuyển quốc gia. Trước một giải đấu lớn, tôi có dịp quan sát một buổi họp phân tích. Trên màn hình là bốn mươi bảy trang dữ liệu về đối thủ tiếp theo. Mỗi trang đều chi tiết: đội hình dự kiến, xu hướng pressing, điểm yếu trong các tình huống cố định, thói quen của từng cầu thủ khi nhận bóng ở cánh trái. Buổi họp kéo dài chín mươi phút. Không có trang nào nói về việc các cầu thủ của đội tuyển ấy đã xa nhà hai mươi ngày, hoặc về việc một trong những trụ cột của họ vừa mất một người thân. Đội ấy thua trận ấy 0-2. Bảng dữ liệu sau trận nói rằng họ kiểm soát bóng 61% và có xG cao hơn đối thủ. Bảng dữ liệu đúng. Và bảng dữ liệu vô dụng. Đến đây, tôi cần nói điều ít ai dám nói trong ngành phân tích bóng đá: sự phụ thuộc quá mức vào dữ liệu đang tạo ra một thế hệ huấn luyện viên và nhà phân tích có khả năng tuyệt vời trong việc mô tả những gì đã xảy ra, nhưng lại có xu hướng tự tin quá mức về những gì họ chưa từng chứng kiến. Tôi gọi hiện tượng này là "khoảng trống tự tin". Nó xuất hiện khi một mô hình dữ liệu gặp một tình huống không có dữ liệu đầu vào, và thay vì thừa nhận "không đủ thông tin để đánh giá", nó lại tự động điền vào bằng suy luận. Trong ngành công nghệ, người ta gọi đây là "ảo giác" — hiện tượng mô hình tạo ra thông tin không có thật. Trong bóng đá, hiện tượng này diễn ra hàng ngày, nhưng không ai dùng từ ấy. Hãy nhìn vào cách ngành công nghiệp chuyển nhượng vận hành. Một câu lạc bộ nhận được một báo cáo tuyển trạch về một cầu thủ mười chín tuổi ở Brazil. Báo cáo có bốn mươi bảy chỉ số: tốc độ tối đa, số lần đoạt bóng, tỉ lệ chuyền dài, số lần rê bóng thành công, khả năng tranh chấp trên không. Nhưng báo cáo không có mục nào về "khả năng thích nghi với khí hậu Manchester trong tháng Một". Nó không có mục nào về "khả năng sống xa gia đình trong hai năm đầu". Nó không có mục nào về "khả năng chịu áp lực của một bản hợp đồng bốn mươi triệu bảng". Trong mười chín năm theo dõi chuyển nhượng, tôi đã thấy vô số bản hợp đồng thất bại vì những lý do không xuất hiện trong báo cáo tuyển trạch. Trong đó, nhóm nguyên nhân lớn nhất là các yếu tố văn hóa và tâm lý. Một cầu thủ có thể có chỉ số bàn thắng kỳ vọng trên chín mươi phút tốt nhất giải đấu, nhưng nếu anh ta không nói được ngôn ngữ của huấn luyện viên, giá trị của anh ta giảm đi đáng kể. Điều này không phải là một phát hiện mới — các giám đốc thể thao giỏi đều biết. Nhưng nó không nằm trong mô hình, và vì thế nó thường nằm ngoài cuộc thảo luận. Đây là góc nhìn phản trực giác: ngành phân tích bóng đá không thất bại vì thiếu dữ liệu. Nó thất bại vì không biết mình thiếu dữ liệu gì. Vấn đề nằm ở chỗ các mô hình hiện tại được thiết kế để đo những gì có thể đo, chứ không phải những gì quan trọng. Khi các trường dữ liệu đầu vào trống rỗng, mô hình có hai lựa chọn: hoặc là tuyên bố "không đủ thông tin", hoặc là điền vào bằng suy luận. Ngành bóng đá hiện nay thường chọn lựa chọn thứ hai — và đó là lúc khoảng trống trở thành lời nói dối. Tôi đã chứng kiến điều này ở cấp độ đội tuyển quốc gia. Trước một giải đấu lớn, các nhà phân tích dữ liệu cung cấp cho ban huấn luyện hàng trăm trang báo cáo. Họ phân tích từng đối thủ, từng cầu thủ, từng tình huống cố định. Nhưng họ không phân tích điều quan trọng nhất: làm thế nào để một đội tuyển giữ được sự tập trung trong bảy trận đấu liên tiếp, cách nhau ba ngày, trong khi các cầu thủ nhớ nhà. Đó không phải là một bài toán dữ liệu. Đó là một bài toán con người. Ở Moscow đêm ấy năm 2026, khi Mandžukić ghi bàn ở phút 109, tôi không phải là người duy nhất đông cứng. Cả khu vực kỹ thuật của đội tuyển Anh cũng đông cứng. Và trong khoảnh khắc ấy, tôi nhận ra rằng không có mô hình nào — dù có bao nhiêu dữ liệu đi nữa — có thể chuẩn bị cho một con người đối diện với khoảnh khắc ấy. Điều đáng chú ý là trong nhiều năm sau đó, các mô hình vẫn tiếp tục dự đoán. Và các mô hình vẫn tiếp tục sai, ở những khoảnh khắc quan trọng nhất. Không phải vì chúng kém. Mà vì những khoảnh khắc ấy nằm ngoài phạm vi của mọi mô hình. Bóng đá không phải là một bài toán. Nó là một trò chơi mà con người chơi với nhau, và vì thế, nó luôn chứa những khoảng trống mà dữ liệu không thể lấp đầy. Điều đó không có nghĩa là chúng ta nên từ bỏ dữ liệu. Ngược lại, tôi tin rằng phân tích dữ liệu là một trong những tiến bộ lớn nhất của bóng đá trong hai thập kỷ qua. Nó đã giúp các câu lạc bộ nhỏ cạnh tranh công bằng hơn với các ông lớn. Nó đã giúp các cầu thủ hiểu rõ hơn về chính mình. Nó đã tạo ra một ngôn ngữ chung để các nền bóng đá khác nhau có thể nói chuyện với nhau. Nhưng có một kỹ năng mà mọi nhà phân tích giỏi mà tôi từng gặp đều có, và kỹ năng ấy không xuất hiện trong bất kỳ khóa học nào: khả năng nói "tôi không biết". Trong một ngành công nghiệp mà sự tự tin được thưởng bằng hợp đồng và sự nghiệp, việc nói "không đủ thông tin để đánh giá" là một hành động can đảm. Nó đòi hỏi bạn phải chấp nhận rằng mô hình của mình có giới hạn. Nó đòi hỏi bạn phải nhìn vào khoảng trống và không lấp đầy nó bằng suy luận. Nó đòi hỏi bạn phải trung thực với những gì bạn thực sự biết, và trung thực không kém với những gì bạn không biết. Trước khi trở thành một cái tên, ai cũng chỉ là một dáng chạy. Và sau khi trở thành một cái tên, họ vẫn là một dáng chạy — một dáng chạy mà không mô hình nào có thể nắm bắt đầy đủ. Tôi viết những dòng này từ Manchester, sau khi vừa xem một trận đấu mà đội bóng tôi theo dõi thua 1-2 dù có xG cao gần gấp đôi đối thủ. Trên bảng dữ liệu, họ xứng đáng giành ít nhất một điểm. Nhưng bảng dữ liệu không ngồi trong phòng thay đồ sau trận. Bảng dữ liệu không nghe thấy tiếng im lặng của một cầu thủ vừa trải qua chấn thương. Bảng dữ liệu không nhìn thấy ánh mắt của huấn luyện viên khi ông ấy biết rằng đây có thể là trận đấu cuối cùng của mình trên cương vị này. Một chiếc ghế trống vẫn ngồi một người — ta chỉ không còn nghe thấy tiếng vỗ tay của họ. Và trong bóng đá hiện đại, mỗi khoảng trống dữ liệu là một chiếc ghế trống như thế: nó ở đó, nó có nghĩa, và nó đang chờ ai đó đủ im lặng để nghe.