Một hồ sơ quần vợt không có một dòng nào về quần vợt

Bản ghi đến từ Lahore, mang nhãn miền "quần vợt". Tôi đọc hết mười bốn điểm thông tin trong đó, đối chiếu từng dòng, rồi ghi lại kết quả kiểm tra: không một tay vợt nào được nêu tên. Không một giải đấu, không một mặt sân, không một bảng xếp hạng, không một chỉ số giao bóng hay điểm break. Thứ duy nhất được gọi là "công nghệ" trong văn bản là khả năng sạc nhanh của xe máy điện. Chín trên chín chiều nội dung mà khung phân tích quần vợt yêu cầu đều trả về giá trị rỗng.

Người ta nhớ kết quả. Tôi nhớ các điều kiện hình thành kết quả. Lần này, điều kiện hình thành kết quả là một lỗi dán nhãn ở khâu đầu vào.

Câu chuyện thật trong văn bản thuộc về một lĩnh vực khác hẳn: Yadea Technology Global Group, nhà sản xuất xe hai bánh chạy điện của Trung Quốc, đề xuất dựng nhà máy tại Punjab, Pakistan. Buổi làm việc diễn ra với ông Chaudhry Shafay Hussain, Bộ trưởng Công nghiệp và Thương mại cấp tỉnh. Doanh nghiệp đã vận hành năm nhà máy, nhà máy thứ sáu đang trong diện đề xuất. Địa điểm tiềm năng nằm trong đặc khu kinh tế của Punjab, kèm đề nghị hợp tác với trường cao đẳng công nghệ tại Quaid-e-Azam Business Park, Sheikhupura. Chủ tịch Qiu Xin Yang và một quan chức công ty, Alex Zhao Zhi, cùng có mặt tại buổi làm việc.

Đó là một bản tin đầu tư. Nó được xử lý như một bản tin quần vợt.

Trong nghề của tôi, khâu phân loại đầu vào là khâu ít ai nhìn và gây thiệt hại nhiều nhất. Một phóng viên viết sai thì bài sai một lần. Một hệ thống dán nhãn sai thì bài sai được nhân bản, tổng hợp, rồi đếm lại thành xu hướng. Hai mươi lăm năm theo dõi các trận đấu và các nguồn dữ liệu quần vợt dạy tôi một điều: sai số ở tầng nhập liệu không tự biến mất ở tầng báo cáo, nó chỉ khoác thêm áo.

Tôi dựng lại bài kiểm tra theo đúng quy trình: chín chiều nội dung quần vợt, mỗi chiều một câu hỏi có hoặc không. Có thực thể ATP, WTA hay ITF nào được nêu? Không. Có tay vợt, huấn luyện viên, giải đấu hay dữ liệu xếp hạng? Không. Có mặt sân, lịch thi đấu, nhánh đấu hay điểm số? Không. Có cơ quan quản lý quyền của quần vợt? Không. Có mắt xích thương mại nào — thiết bị, đại lý, bản quyền truyền hình? Không. Chín câu trả lời, chín số không.

Ở chiều dữ liệu và phong độ, kết quả lặp lại. Không có tỷ lệ giao bóng một, không có điểm trả giao bóng, không có tỷ lệ chuyển hóa điểm break, không có tỷ lệ winner trên unforced error. Không có đường cong phong độ, không có mẫu thắng thua, không có Elo, không có dữ liệu tách theo mặt sân. Hai dữ kiện định lượng duy nhất trong toàn bộ văn bản là số nhà máy — năm hiện có, một đề xuất — và một câu "hàng triệu đô-la" mà các doanh nghiệp Trung Quốc đã đầu tư vào lĩnh vực xe điện của Punjab, không kèm con số cụ thể. Cả hai đều là chỉ số năng lực công nghiệp, không có tương đương nào trên sân đấu.

Chiều giải đấu và lịch thi đấu cũng vậy. Không có giải, không có hạng, không có nhánh đấu, không có vị trí trên lịch. "Địa điểm" duy nhất trong văn bản là một đặc khu kinh tế và một trường cao đẳng — chỗ sản xuất và chỗ đào tạo, không phải chỗ thi đấu. Văn bản cũng không nêu mốc thời gian nào: không ngày khởi công, không mục tiêu sản xuất.

Phần đáng chú ý hơn nằm ở cấu trúc nguồn. Tám trong mười bốn điểm thông tin là lời trích dẫn của vị bộ trưởng. Bốn điểm còn lại là tuyên bố của doanh nghiệp được thuật lại mà không kiểm chứng. Không có tiếng nói độc lập, không có đối thủ, không có chuyên gia phản biện. Văn bản còn một lỗi chính tả nội bộ ở đoạn cuối, tên doanh nghiệp bị viết sai — dấu hiệu của một bản tin ghép từ ghi chú hoặc thông cáo, chưa qua khâu đối chiếu.

Giá trị phân tích quần vợt của hồ sơ này bằng không, và phát hiện duy nhất có thật là bản ghi đã bị dán nhãn sai — một kết luận về tính toàn vẹn dữ liệu, không thuộc về thể thao.

Tôi từ chối lấp chỗ trống bằng suy đoán. Có một đường liên tưởng hấp dẫn: vốn Trung Quốc đổ ra nước ngoài, và vốn Trung Quốc cũng là lực đẩy phía sau chuỗi giải đấu châu Á của quần vợt. Nhưng chuỗi đó có ba mắt xích chưa được chứng minh và không một dòng nào trong văn bản chống lưng. Yadea không xuất hiện với tư cách nhà tài trợ, nhà cung cấp thiết bị hay đối tác giải đấu ở bất kỳ đoạn nào. Viết rằng họ có thể bước vào quần vợt là bịa đặt, và tôi không làm việc đó.

Phản ứng dễ chịu nhất là bỏ qua hồ sơ lỗi. Một bản ghi sai trong hàng triệu bản ghi thì đáng gì.

Nhưng tôi đã xem cách các tổng hợp được dựng nên. Đếm xu hướng, đồ thị thực thể, theo dõi dòng chuyện — cả ba đều ăn thẳng vào kho dữ liệu thô. Một bản ghi quần vợt không có quần vợt sẽ được đếm như một tin quần vợt. Nó làm phồng tần suất chủ đề, nó nối một nhà sản xuất xe điện với mạng lưới thực thể quần vợt, và nó khiến một mô hình tưởng rằng tháng này có thêm một câu chuyện trên sân. Rủi ro thấp nhất trong danh mục lại là rủi ro hệ thống: một điểm dữ liệu sai không tự cô lập. Nó lây.

Nếu bản ghi này ra đời từ xử lý hàng loạt, các bản ghi anh em cùng lô mang rủi ro sai nhãn cao hơn mức nền. Kiểu lỗi này — đúng loại bài, đúng tóm tắt, sai miền — thường là nhãn thừa hưởng từ lô hoặc từ mẫu, chứ không xuất phát từ bộ phân loại tính theo từng văn bản. Sửa một bài không sửa được nguồn.

Tôi không có kết luận nào về quần vợt để đưa ra từ hồ sơ này, và đó là câu trả lời đúng. Dữ liệu không bao giờ vội. Người vội mới là người sai.

Việc cần làm thuộc về khâu vận hành: coi trường siêu dữ liệu bỏ trống là lỗi cứng thay vì một cảnh báo mềm. Ba trường bắt buộc — thực thể liên quan, độ nhạy thời gian, chất lượng nguồn — đều bị bỏ ngỏ ngay từ đầu vào, và chính chỗ trống đó là cửa mà lỗi đi qua. Đặc khu kinh tế, vốn đầu tư trực tiếp nước ngoài, thỏa thuận hợp tác: đó là một chủ đề đầu tư hợp pháp, đáng có khung phân tích riêng. Nó chỉ không thuộc về sân quần vợt.

Mọi cú sút đều là một giả thuyết. xG là cách chúng ta kiểm chứng. Nhưng trước khi kiểm chứng cú sút, phải chắc rằng mình đang đứng trên sân.