Khi đường ống dữ liệu bơi lội đứt gãy: bài học từ một bản phân tích trống

Bốn giờ sáng theo giờ Brisbane, tôi mở lại bản phân tích sâu về một giải bơi mà hệ thống của mình vừa chạy xong. Mọi ô đều trống: không tên vận động viên, không cự ly, không thời gian, không một dòng cảnh báo đỏ. Chín mục phân tích, chín câu giống hệt nhau — “không đủ thông tin để đánh giá”. Năm năm bám theo những đường đua dưới nước, tôi đã thấy dữ liệu sai, dữ liệu nhiễu, dữ liệu bị đọc lệch. Chưa bao giờ tôi thấy dữ liệu biến mất mà cỗ máy vẫn chạy trơn tru đến thế. Bản báo cáo vẫn đủ chín phần, vẫn đúng định dạng, vẫn có bảng biểu và tiêu đề in đậm, chỉ thiếu đúng một thứ: sự thật. Đó là khởi đầu của một tuần tôi không viết nổi bài nhận định nào, và cũng là lúc tôi buộc phải nói thẳng về một vấn đề mà giới phân tích thể thao ít khi chịu nhìn thẳng: hạ tầng dữ liệu của bơi lội mong manh hơn vẻ ngoài của nó. Bơi lội là môn thể thao sinh ra dữ liệu ngay từ trong nước. Mỗi lần bàn tay đập vào thành bể, đồng hồ điện tử ghi lại một phần trăm giây. Hệ thống chạm gắn dọc thành bể đếm từng lần lộn người, từng pha chạm tường, từng khoảng nghỉ giữa các đoạn. Ở những giải có đủ hạ tầng, một lần bơi 200m tự do có thể tách thành tám đoạn 25m; mỗi đoạn lại mang theo thời gian, tần suất quạt tay, quãng đường mỗi sải, và cả thời điểm kình ngư nhô đầu lên lấy hơi. Cộng những con số đó lại, ta có bức chân dung mà mắt thường không thấy: ai bung sức ở đoạn ba, ai hụt hơi ở 25 mét cuối, ai vào tường đúng nhịp lộn người, và ai mất tích trong hai mét cuối cùng trước khi chạm đích. Nhưng dữ liệu bơi lội khác dữ liệu bóng đá ở một điểm chí mạng. Trong bóng đá, những công ty như Opta hay Stats Perform có thể quét lại băng hình để tái tạo sự kiện; khi số liệu gốc mất, người ta vẫn ngồi trước màn hình mà đếm lại đường chuyền. Bơi lội thì không có cái phao cứu sinh đó. Phần lớn giá trị kỹ thuật của một lần bơi chỉ tồn tại trong khoảnh khắc nó diễn ra, hoặc trong bảng kết quả điện tử do ban tổ chức công bố. Nếu bảng đó không về tới tay người phân tích — vì lỗi đường truyền, vì nguồn bị chặn sau tường phí, vì trang gốc chỉ còn là khung video rỗng — thì tất cả những gì còn lại là một khoảng trắng. Không có băng hình để vá. Không có ký ức để bù. Khoảng trắng đó, trong ngành của tôi, là loại dữ liệu độc hại nhất: dữ liệu giả vờ rằng nó không tồn tại. Có một chi tiết kỹ thuật mà người ngoài ngành hay bỏ qua: thời gian ở bể 50m và bể 25m không thể so sánh trực tiếp với nhau. Một kình ngư bơi 100m tự do ở bể ngắn có thể nhanh hơn ở bể dài cả một giây, đơn giản vì số lần lộn người nhiều hơn. Nếu người phân tích không nắm rõ đường đua diễn ra ở loại bể nào, mọi so sánh phía sau đều vô nghĩa. Đây chính là kiểu thông tin mà một đường ống dữ liệu phải nắm được trước khi nói bất cứ điều gì về thành tích. Tôi gọi khoảng trắng đó là cái bẫy dữ liệu rỗng, và nó nguy hiểm hơn ta tưởng. Trong ngành của tôi, một đường ống phân tích thường chạy theo hai chặng. Chặng một bóc tách bài viết gốc thành những điểm thông tin rời rạc: tên người, tên giải, con số, thời điểm. Chặng hai lấy những mảnh đó mà dựng nên phân tích chuyên sâu, chia thành nhiều mục: kỹ thuật, thành tích, hệ thống thi đấu, cục diện thế giới, luật và chống doping, sự nghiệp vận động viên, rủi ro, dư luận, và ảnh hưởng ngành. Vấn đề nằm ở chỗ: khi chặng một trả về một danh sách rỗng, chặng hai hiếm khi chịu dừng. Nó vẫn chạy. Nó vẫn tạo ra một khung phân tích chín phần đầy đủ, vẫn điền vào từng ô, và trong mỗi ô, thay vì nói “tôi không biết”, nó có thể bị ép phải nói điều gì đó. Đây là điểm tôi muốn bất cứ ai đọc bơi lội hiểu cho rõ. Một hệ thống phân tích trưởng thành được đo bằng việc nó dám im lặng khi không có gì để nói, chứ không phải bằng việc nó luôn có gì đó để nói. Bản phân tích trống mà tôi nhận được tuần này, xét cho cùng, lại là một bản phân tích trung thực hiếm hoi: nó từ chối bịa ra một vận động viên, từ chối gán một cự ly, từ chối dựng lên một đường đua không tồn tại. Chín mục, chín lần nó chọn câu “không đủ thông tin”. Với một thợ săn dị thường dữ liệu như tôi, đó vừa là thất vọng, vừa là một dấu hiệu lành mạnh. Ở tầm vô địch quốc gia và thế giới, suất dự giải còn phụ thuộc vào chuẩn tuyển chọn. Một số quốc gia trao suất theo nguyên tắc hai người nhanh nhất trong ngày thi tuyển, bất kể thành tích lịch sử. Số khác đánh giá tổng thể cả mùa. Không biết giải đấu thuộc hệ thống nào, người phân tích không thể nói vì sao một kình ngư có mặt hay vắng mặt. Bản phân tích trống tuần này không có cả tên giải, nên mọi câu hỏi về tuyển chọn đều phải gác lại. Nhưng hãy tưởng tượng đường ống không có cái van an toàn đó. Hãy tưởng tượng một bản phân tích được sinh ra từ hư không: một kình ngư chưa từng thi đấu, một thành tích chưa từng tồn tại, một kỷ lục được ghép từ những con số trôi nổi trong không gian mạng. Người đọc không có cách nào kiểm chứng, vì đến cái nguồn gốc cũng rỗng. Khi bản phân tích bịa đặt đó được chia sẻ, nó không chỉ sai — nó tạo ra một ký ức sai cho cả một cộng đồng. Đó là kiểu sai lầm đắt nhất trong nghề của tôi, bởi nó không thể sửa bằng một dòng đính chính. Nó đã ngấm vào niềm tin của người đọc, và niềm tin thì không có nút hoàn tác. Tôi đã nhìn thấy cái giá của việc dữ liệu bị đọc sai. Ngày Đức sụp đổ ở Kazan, tôi học được rằng xác suất 99% vẫn có thể chết trên bàn cược. Nhưng bài học ở Kazan là về một con số đúng bị diễn giải lệch. Còn bài học tuần này là về một loại rủi ro khác, lạnh lùng hơn: con số đúng chưa từng xuất hiện. Trong cả hai trường hợp, kẻ thua cuộc đều là người đọc tin vào một thứ chưa được kiểm chứng. Có một sự thật về hạ tầng dữ liệu bơi lội mà ít người để ý. Ở cấp độ giải đấu lớn, dữ liệu chính thức thường do ban tổ chức hoặc liên đoàn công bố, và luôn có độ trễ. Một trận chung kết diễn ra buổi tối có thể đến tay người phân tích dưới dạng bảng đầy đủ vào sáng hôm sau. Trong khoảng trễ đó, các trang tin tự do buộc phải sống bằng những gì mắt thấy: ai chạm tường trước, ai nhô lên thở, ai gồng người trong hai mét cuối. Đó là dữ liệu cảm quan — không sai, nhưng không thể kiểm chứng. Khi đường ống tự động cố biến dữ liệu cảm quan thành dữ liệu cứng, nó thường thất bại. Và cách nó thất bại nguy hiểm nhất là thất bại trong im lặng, rồi tự lấp đầy khoảng trống bằng suy diễn. Số liệu không có giới tính, nhưng người đọc chúng thì có. Người xây đường ống cũng có. Mỗi khi một hệ thống tự động lấp đầy khoảng trống thay vì thừa nhận nó, hệ thống đó đang mang định kiến của người viết ra nó vào tận đáy dữ liệu. Một thuật toán được lập trình để “luôn có kết luận” sẽ luôn có kết luận — kể cả khi sự thật là không có gì để kết luận. Trong một môn thể thao mà khoảng cách giữa hai kình ngư đôi khi chỉ là một phần trăm giây, một kết luận bịa ra có thể khiến người ta đặt niềm tin vào một vận động viên không tồn tại, hoặc bỏ qua một vận động viên có thật. Tôi đã thấy điều đó ở tầm vĩ mô. Khi dữ liệu trống, thị trường không đứng yên — nó tự lấp chỗ trống bằng tin đồn. Một vận động viên vắng mặt ở một giải bị suy diễn thành chấn thương, thành bất mãn, thành án phạt. Không ai kiểm chứng, vì chẳng có bảng số nào để kiểm chứng. Những câu chuyện như thế sống lâu hơn sự thật, bởi sự thật, khi nó đến, chỉ là một dòng dữ liệu khô khan, còn tin đồn là một câu chuyện có cảm xúc. Và cảm xúc luôn thắng trong cuộc đua giành sự chú ý. Góc phản biện của tôi hôm nay phải quay lại chính tôi, vì đó là kỷ luật tôi tự đặt ra sau Kazan. Có một cách đọc ngược lại tình huống này: biết đâu bài viết gốc vốn dĩ không có nội dung kỹ thuật, và bản phân tích trống mới là kết quả đúng. Không phải mọi bài bơi lội đều là bài kỹ thuật. Có bài chỉ là bình luận cảm xúc, có bài là tin thị trường, có bài là một trang quảng cáo trá hình đội lốt tin tức. Một bản phân tích kỹ thuật trống rỗng, trong trường hợp đó, lại là một lời xác nhận: nguồn này không thuộc về sân chơi kỹ thuật. Cái trống ở đây không phải là lỗi, mà là một phép phân loại. Và một phép phân loại đúng thì đáng giá hơn một phân tích sai. Tôi không tin cảm xúc. Tôi tin chuỗi số liệu dài hơn cảm xúc của bạn. Nhưng tôi cũng đã học được rằng có những vùng mà số liệu không vươn tới, và cách duy nhất để trung thực với vùng đó là vẽ ranh giới quanh nó thay vì lấp nó bằng phỏng đoán. Bản đồ giới hạn của tôi có ba vùng: vùng dữ liệu khẳng định được, vùng dữ liệu mơ hồ, và vùng phải dựa vào cảm quan. Tuần này, toàn bộ tấm bản đồ nằm ở vùng thứ ba. Không phải vì tôi lười phân tích, mà vì không có một mảnh dữ liệu nào để đặt chân vào hai vùng đầu. Điều đáng sợ hơn cả một bản phân tích trống là một bản phân tích trống bị ngụy trang thành đầy đủ. Nếu tôi không đọc kỹ, tôi đã có thể lấy chín ô “không đủ thông tin” kia mà thổi thành một câu chuyện: “Giải bơi này chưa từng được phân tích kỹ, các kình ngư chưa từng được định giá đúng.” Nghe rất kêu. Và hoàn toàn bịa. Trong nghề cá cược, kiểu bịa đó có giá bằng cả một tài khoản bị cháy. Định giá một kình ngư không phải phép tính, mà là cuộc chiến giữa niềm tin và bảng số — và khi bảng số trống, cuộc chiến đó chỉ còn lại niềm tin, tức là không còn gì để bấu víu. Bơi lội đang bước vào giai đoạn mà dữ liệu nhiều đến mức người ta quên mất rằng dữ liệu vẫn có thể vắng mặt. Các giải đấu ngày càng gắn cảm biến, ngày càng xuất ra nhiều chỉ số, ngày càng có nhiều bảng biểu để trích dẫn. Nhưng càng nhiều dữ liệu, càng cần một cái van biết đóng. Câu hỏi tôi mang theo vào mùa giải tới không phải là làm sao đo được nhiều hơn, mà là làm sao biết dừng lại đúng lúc. Một đường ống phân tích tốt không phải là đường ống không bao giờ trống. Nó là đường ống biết nói “tôi không biết” — và để yên cho người đọc tự quyết định tin ai.