Khi dữ liệu bóng bàn không có gì để phán xét: một sự cố đường ống, không phải một bản án chiến thuật

Trong năm năm lặn sục đại dương con số của bóng bàn, tôi đã quen với việc mở một bảng dữ liệu và tìm thấy ít nhất một cột biết nói: tỷ lệ thắng trên quả giao bóng thứ ba, hệ số xoáy của cú trả giao, quãng đường di chuyển trong set quyết định. Nhưng có những ngày, bảng dữ liệu mở ra trống rỗng. Không phải trống vì trận đấu không có gì đáng nói, mà trống vì dữ liệu chưa bao giờ đến được bàn mổ. Đó là khoảnh khắc mà một nhà phân tích phải học cách phân biệt giữa "không có phát hiện" và "không có dữ liệu". Hai thứ này nghe giống nhau, nhưng hậu quả trái ngược hoàn toàn. Bối cảnh ở đây là một quy trình phân tích hai giai đoạn. Giai đoạn một có nhiệm vụ bóc tách bài viết gốc thành các trường cấu trúc: tiêu đề, nguồn, loại bài, các điểm thông tin, thực thể được nhắc đến, độ nhạy thời gian, chất lượng nguồn. Giai đoạn hai nhận đầu ra đó và đào sâu thành chín chiều phân tích chuyên môn: kỹ thuật và chiến thuật, dữ liệu vận động viên và đối đầu, hệ thống giải đấu và điểm số, cục diện cạnh tranh, luật lệ và quản trị, ban huấn luyện và đường ống đào tạo, bề mặt rủi ro, câu chuyện công chúng, và truyền dẫn của ngành. Kiến trúc này đúng về mặt phương pháp. Vấn đề là nó phụ thuộc hoàn toàn vào một điều kiện tiên quyết: giai đoạn một phải thực sự giao nộp nội dung. Trong trường hợp này, nó không giao nộp gì cả. Tiêu đề không có. Nguồn không có. Loại bài không được phân loại. Danh sách điểm thông tin trống rỗng, không một mục nào. Trường thực thể thay vì chứa tên người, tên giải, tên hiệp hội, lại chứa một câu hướng dẫn: hãy xác định từ các điểm thông tin ở trên. Nhưng ở trên không có điểm thông tin nào để xác định. Độ nhạy thời gian không được đánh giá. Chất lượng nguồn không được đánh giá, vì không có nguồn nào để đánh giá. Đây là một đầu ra có hình dạng hoàn chỉnh nhưng rỗng ruột, giống như một tờ phiếu khám bệnh đã in sẵn mọi ô nhưng bệnh nhân chưa từng bước vào phòng. Điều đáng chú ý là nhãn lĩnh vực vẫn được điền đúng: bóng bàn. Chi tiết nhỏ này có giá trị chẩn đoán lớn. Nó cho thấy hệ thống đã định tuyến thành công bài viết vào đúng chuyên mục, nghĩa là khâu nhận diện chủ đề hoạt động bình thường. Lỗi xảy ra ở khâu sau đó, khâu trích xuất nội dung. Nếu lỗi nằm ở khâu định tuyến, nhãn lĩnh vực cũng sẽ trống hoặc sai. Việc nó đúng mà mọi thứ khác trống thu hẹp vùng nghi vấn xuống còn một mô-đun duy nhất thay vì toàn bộ đường ống. Với một người làm dữ liệu, đây là loại tín hiệu đáng giá nhất trong cả báo cáo: không phải một kết luận về bóng bàn, mà một tọa độ để sửa lỗi. Thử thách thực sự bắt đầu từ đây. Khi đầu vào rỗng, có một cám dỗ rất lớn là lấp đầy báo cáo bằng những nhận định bóng bàn nghe hợp lý. Người ta có thể viết về áp lực bảo vệ điểm số theo cơ chế trượt 52 tuần của hệ thống WTT, về khoảng cách giữa tuyến chủ lực và tuyến trẻ, về nguy cơ bị đối thủ bắt bài sau một đợt đại tu kỹ thuật. Tất cả đều là những mệnh đề đúng trong bóng bàn nói chung. Và chính vì chúng đúng một cách phổ quát, chúng nguy hiểm. Một báo cáo chín chiều được trình bày gọn gàng với đầy đủ bảng biểu sẽ tạo ra cảm giác rằng phân tích đã diễn ra, rằng dữ liệu đã được cân nhắc, rằng phán quyết đã được đưa ra. Nhưng không có phán quyết nào cả, chỉ có hình thức của phán quyết. Con số không bao giờ nói dối, chỉ có cách đọc là sai. Ở đây, cách đọc sai là đọc sự vắng mặt thành sự an toàn. Mọi chiều rủi ro trong lĩnh vực, từ chấn thương, đại tu kỹ thuật, thích nghi thiết bị, đến khủng hoảng niềm tin ở các trận đấu quốc tế, đều không thể đánh giá vì không có thông tin. Nhưng không thể đánh giá không đồng nghĩa với không có rủi ro. Đây là điểm mà nguyên tắc xử lý giá trị rỗng phải được áp dụng một cách nghiêm ngặt: ghi rõ "thiếu thông tin, không thể đánh giá" thay vì mặc định gán mức thấp. Bởi vì thiếu cơ sở dữ liệu không phải là bằng chứng của việc không có vấn đề. Rủi ro duy nhất có thể đánh giá được trong toàn bộ tình huống này là rủi ro quy trình. Và nó không hề nhỏ. Một đầu ra rỗng lọt vào giai đoạn hai sẽ tạo ra ảo giác về độ phủ phân tích. Nếu báo cáo đó được chuyển tiếp cho người ra quyết định, người đó sẽ thấy chín chiều đã được xử lý và có thể tin rằng mọi thứ đã được kiểm tra. Trong khi thực tế, không một khẳng định nào có thể kiểm chứng. Đây chính là loại lỗi mà dữ liệu phải phanh phui trước khi nó kịp leo lên bậc thang quyết định, bởi vì ở bậc càng cao, chi phí sửa sai càng lớn và khả năng truy ngược nguồn càng thấp. Các giả thuyết khả dĩ về nguyên nhân, xếp theo xác suất giảm dần, gồm: lỗi truy xuất nguồn, không tương thích định dạng trình phân tích, tường phí hoặc tường đăng nhập, nguồn là phương tiện phi văn bản như ảnh hoặc video, hoặc đầu vào vốn dĩ là mẫu giữ chỗ rỗng. Tất cả đều có thể khắc phục ở thượng nguồn. Điều này dẫn tới một suy luận quan trọng hơn: nếu sự cố này đến từ một đường ống thu thập tự động, các bài viết khác trong cùng lô có khả năng mắc cùng khiếm khuyết. Vậy nên hành động đúng không phải là chạy lại một mục, mà là kiểm toán toàn bộ lô. Một lỗi đơn lẻ là sự cố, một lỗi hệ thống là lỗi thiết kế. Đặc tả khắc phục cho lần chạy lại giai đoạn một có thể tóm gọn trong sáu yêu cầu. Thứ nhất, tiêu đề và nguồn, kèm tên ấn phẩm và định danh, để phân tầng chất lượng nguồn. Thứ hai, tối thiểu năm đến mười điểm thông tin rời rạc, có ngày tháng khi có thể, làm nền bằng chứng cho ba chiều đầu. Thứ ba, các thực thể có tên: vận động viên, huấn luyện viên, hiệp hội, giải đấu. Thứ tư, một mốc thời gian tường minh, bắt buộc cho mọi suy luận về điểm số và chu kỳ Olympic. Thứ năm, lập trường tác giả và mục đích bài viết, phục vụ phân tích câu chuyện công chúng. Thứ sáu, đánh giá chất lượng nguồn, quy định trần độ tin cậy cho mọi kết luận phía sau. Một cách sửa rẻ hơn nhiều cũng tồn tại: biến trường "loại bài chưa phân loại" thành một cổng chặn cứng. Nếu loại bài chưa được phân loại, hệ thống từ chối chạy giai đoạn hai và trả mục về hàng đợi. Chi phí gần như bằng không, và nó ngăn được phần lớn các trường hợp đầu ra rỗng lọt qua. Đây là kiểu cải tiến mà tôi luôn ưu tiên: không cần mô hình phức tạp hơn, chỉ cần một điều kiện tiên quyết được thực thi nghiêm túc. Trong bóng đá nói riêng và thể thao nói chung, thứ mắt thường gọi là phép màu thường là một dữ liệu bị bỏ quên. Nhưng chiều ngược lại cũng đúng, và ít được nói tới hơn: thứ mắt thường gọi là phân tích thường chỉ là một bảng biểu được định dạng đẹp. Ranh giới giữa hai thứ này không nằm ở số lượng bảng, mà ở việc mỗi khẳng định có thể truy ngược về một điểm thông tin cụ thể hay không. Bỏ ranh giới đó, chúng ta không còn làm phân tích thể thao nữa; chúng ta đang sản xuất văn bản có hình dạng của phân tích. Đại dương dữ liệu không dành cho người sợ ướt. Nhưng cũng cần nói thêm một vế mà ít người chịu nói: đại dương dữ liệu không nuôi sống kẻ dám nhảy xuống mà không biết bơi. Dám kết luận là phẩm chất. Dám nói "tôi không có dữ liệu để kết luận" cũng là phẩm chất, và trong nhiều thời điểm, nó khó hơn. Một thẩm phán không thể tuyên án khi hồ sơ chưa được chuyển đến tòa. Việc đúng phải làm không phải là tuyên bố bị cáo vô tội, mà là trả hồ sơ về cho bộ phận chuyển phát và yêu cầu gửi lại. Vòng tiếp theo, tín hiệu cần theo dõi không phải là kết quả của một bài viết cụ thể, mà là tỷ lệ đầu ra không rỗng của giai đoạn một trên toàn bộ lô. Nếu tỷ lệ đó tụt xuống dưới đường cơ sở trượt, đó là dấu hiệu suy thoái ở khâu truy xuất hoặc phân tích. Nếu tần suất nhãn "chưa phân loại" tăng, đó là chỉ báo sớm trước khi mất nội dung trở nên nhìn thấy được. Nếu một mục có nhãn lĩnh vực đúng nhưng không trích xuất được thực thể nào, đó là xác nhận lỗi nằm ở khâu trích xuất chứ không phải khâu định tuyến. Ba chỉ số này rẻ, dễ đo, và chúng bảo vệ toàn bộ chuỗi phân tích phía sau khỏi việc tuyên án trên hồ sơ rỗng. Câu hỏi để lại cho người đọc, và cũng là câu hỏi tôi tự đặt cho quy trình của chính mình: lần gần nhất bạn thấy một báo cáo đầy đủ chín phần, bạn đã kiểm tra xem nó có ít nhất một điểm thông tin thật sự đứng sau mỗi khẳng định chưa? Nếu chưa, thì thứ bạn vừa đọc chưa phải là phân tích. Nó chỉ là một bảng biểu đang chờ dữ liệu đến.