Khi dữ liệu cầu lông Trung Quốc không còn khớp với chính nó: Cuộc kiểm tra lại toàn bộ hệ thống đo lường từ góc nhìn xuyên biên giới

Trong một buổi tối tháng 4 vừa qua, tôi nhận được một bảng dữ liệu từ một giải đấu nội địa Trung Quốc. Ba cột quãng đường di chuyển, cùng một tay vợt, cùng một trận đấu, ba nguồn gốc khác nhau. Chênh lệch giữa cột cao nhất và cột thấp nhất là 18,7 phần trăm. Tôi đã ngồi im khoảng mười phút trước màn hình, không phải vì số liệu sai, mà vì không ai trong hệ thống có vẻ như thấy điều đó là một vấn đề.

Đó là điểm khởi đầu cho một cuộc kiểm tra mà tôi đã âm thầm triển khai suốt hai năm rưỡi, và hôm nay tôi công bố nó. Không phải để làm sáng tỏ một trận đấu cụ thể, mà để chỉ ra rằng nền tảng dữ liệu cầu lông ở thị trường mà tôi đang làm việc đã phát triển nhanh hơn khả năng tự kiểm tra của nó.

Tôi là Dương Linh, sinh ra ở Việt Nam, hiện đưa tin về cầu lông cho độc giả Trung Quốc. Tôi không có công thức trung lập nào, cũng không có thiện chí giả vờ rằng mình trung lập. Nhưng tôi có một nguyên tắc đã theo tôi suốt mười sáu năm quan sát ngành: con số không biết nói dối, nhưng người ghi chúng thì có.

Bối cảnh: ba bảng dữ liệu, một hệ sinh thái chưa được kiểm chứng

Cầu lông chuyên nghiệp ngày nay sản sinh ra một lượng dữ liệu mà chính những người vận hành hệ thống đo lường chưa chắc đã hình dung hết. Từ thiết bị tracking gắn trên lưng, đến hệ thống camera đa góc, đến các phần mềm phân tích chuyển động của nhà tài trợ thiết bị, đến các nền tảng thống kê của ban tổ chức giải, đến các bảng số liệu do kênh truyền hình tự sản xuất để kịp giờ lên sóng. Mỗi lớp dữ liệu ấy đều có thể trở thành nguồn trích dẫn cho một bài báo, một quyết định huấn luyện, một phiên định giá chuyển nhượng, hoặc một dự đoán trước trận.

Vấn đề nằm ở chỗ: các lớp ấy chưa bao giờ được buộc phải khớp với nhau.

Trong bóng đá, đã có những dự án tương đối trưởng thành để đối chiếu chéo các nhà cung cấp dữ liệu với nhau. Một thuật toán đánh giá cầu thủ nổi tiếng có thể bị phản biện bằng chính dữ liệu của nhà cung cấp khác. Các tổ chức nghiên cứu độc lập đã xây dựng được những bộ khung đối chiếu để phát hiện sai lệch mang tính hệ thống, không chỉ sai lệch ngẫu nhiên.

Cầu lông Trung Quốc thì không có cơ chế đó ở quy mô tương đương. Điều này không phải lỗi của một cá nhân, cũng không phải lỗi của một giải đấu cụ thể. Đó là hệ quả của một ngành phát triển theo nhịp độ của truyền thông và thương mại, chứ không phải nhịp độ của kiểm toán dữ liệu.

Và khi không ai kiểm toán, sai lệch không biến mất. Nó chỉ trở thành giả định mặc định.

Phần lõi: cấu trúc của sai lệch hệ thống

Điều tôi muốn trình bày trước hết là một phân loại. Trong hai năm rưỡi theo dõi, tôi nhận thấy sai lệch dữ liệu cầu lông không phải một hiện tượng đồng nhất, mà phân thành bốn tầng rõ rệt. Bốn tầng này có nguyên nhân khác nhau, có mức độ ảnh hưởng khác nhau, và đòi hỏi cách xử lý khác nhau. Gộp chúng lại thành một khái niệm chung là "số liệu không đáng tin" là một sai lầm phân tích nghiêm trọng, tương tự như việc gộp mọi ca chấn thương thành một loại chấn thương.

Tầng thứ nhất là sai lệch do thiết bị. Đây là tầng dễ phát hiện nhất nhưng cũng ít được công khai nhất. Một thiết bị tracking gắn ở vị trí cơ thể khác nhau sẽ ghi nhận quãng đường khác nhau trong cùng một pha di chuyển. Thiết bị ở eo lưng cho kết quả khác với thiết bị ở vai, khác với thiết bị ở cổ tay áo. Trong cầu lông, nơi vận động viên liên tục thay đổi hướng, nhảy cao, xoay người, sự khác biệt này không nhỏ. Tôi đã đo được mức chênh lệch trung bình 6 đến 11 phần trăm giữa hai vị trí đeo thiết bị trong các trận đánh đơn nam có cùng thời gian thi đấu. Con số tuyệt đối có thể không quan trọng với người xem, nhưng với một huấn luyện viên đang quyết định có nên tăng cường độ tập thể lực cho một vận động viên hay không, nó hoàn toàn có thể là yếu tố quyết định.

Tầng thứ hai là sai lệch do ngưỡng phân loại. Đây là tầng tinh vi nhất và cũng khó phát hiện nhất. Mỗi nhà cung cấp dữ liệu có một bộ ngưỡng riêng để xác định thế nào là một "pha di chuyển" so với một "pha đổi hướng", thế nào là "tấn công" so với "đánh trả", thế nào là "lỗi tự đánh" so với "bị tấn công thắng điểm". Các ngưỡng này thường không được công bố. Khi hai nguồn dữ liệu dùng hai bộ ngưỡng khác nhau, cùng một pha cầu có thể được phân loại khác nhau hoàn toàn. Và vì phân loại khác nhau, các chỉ số tổng hợp được tính từ chúng cũng khác nhau.

Đây là lý do tại sao tôi nói con số không biết nói dối, nhưng người ghi chúng thì có. Một chỉ số "tỷ lệ tấn công thắng điểm" nghe có vẻ khách quan tuyệt đối, nhưng nó phụ thuộc vào một loạt quyết định chủ quan về định nghĩa đã được đưa ra từ trước, thường là từ rất lâu, và hiếm khi được đặt lại lên bàn thảo luận.

Tầng thứ ba là sai lệch do mẫu. Đây là tầng tôi đã từng phạm phải sai lầm, nên tôi nói về nó với mức độ tự phê bình cao nhất. Một trận đấu đơn lẻ có thể tạo ra một con số ấn tượng. Một chỉ số lấy từ ba trận đấu trong một giải đấu có thể khiến người ta tin rằng mình đã nắm được một xu hướng chiến thuật. Nhưng trong cầu lông, nơi thể thức thi đấu, đối thủ, mặt sân, điều kiện ánh sáng, và lịch trình đều thay đổi liên tục, ba trận đấu hiếm khi đủ để tách tín hiệu khỏi nhiễu.

Tôi nhớ một trường hợp cụ thể trong năm đầu làm nghề. Tôi phân tích một tay vợt có quãng đường di chuyển tăng đột biến qua ba trận, và kết luận rằng đó là dấu hiệu của việc áp dụng một hệ thống di chuyển mới. Sau đó tôi phát hiện ra rằng cả ba trận đều diễn ra trong một tuần, đều kéo dài ba hiệp, đều gặp đối thủ có lối đánh kéo dài pha cầu. Quãng đường tăng không phải vì hệ thống mới, mà vì ba điều kiện nhiễu trùng khớp. Bài viết đã xuất bản. Tôi vẫn nhớ cảm giác khi biết mình sai.

Tầng thứ tư là sai lệch do báo cáo chọn lọc. Đây là tầng tôi cho là nguy hiểm nhất và cũng khó chứng minh nhất. Khi một hệ thống dữ liệu phục vụ nhiều đối tượng có lợi ích khác nhau, áp lực lựa chọn những con số có lợi cho câu chuyện sẽ luôn tồn tại. Không cần ai phải chủ động sửa số. Chỉ cần chọn trình bày chỉ số nào, ở thời điểm nào, với khung so sánh nào, thì câu chuyện đã có thể thay đổi đáng kể.

Trong khi kiểm tra hệ thống thống kê của một giải đấu vào năm 2026, tôi từng phát hiện một trường hợp chênh lệch 15 phần trăm giữa số liệu tracking công khai và số liệu câu lạc bộ công bố cho cùng một vận động viên trong cùng một trận đấu. Khi tôi đăng bài kèm đồ thị và phân tích chuỗi thời gian, phản hồi đầu tiên không phải là một cuộc tranh luận về phương pháp, mà là một câu hỏi về giới tính của người viết. Sau khi đối chất trực tiếp, đội bóng phải thừa nhận sai sót trong hệ thống thống kê của mình. Nhưng điều tôi học được từ trải nghiệm đó không phải là mình đã đúng, mà là hệ thống đó không có cơ chế tự phát hiện lỗi. Nếu tôi không tình cờ phát hiện, sai sót ấy sẽ tiếp tục được sử dụng như một sự thật.

Đây là bài học nền tảng của nghề phân tích dữ liệu thể thao: khi một sai sót chỉ được phát hiện nhờ một người tình cờ đủ kiên nhẫn, thì vấn đề không phải là sai sót đó, mà là kiến trúc của hệ thống không có bộ phận tự kiểm tra.

Cấu trúc đối chiếu ba lớp mà tôi đề xuất

Từ những quan sát trên, tôi đã xây dựng một quy trình đối chiếu ba lớp mà tôi áp dụng cho mọi bài viết phân tích cầu lông của mình trong hai năm gần đây. Tôi trình bày nó ở đây không phải để nói rằng đây là chuẩn mực duy nhất, mà để nói rằng một chuẩn mực như vậy là hoàn toàn khả thi về mặt kỹ thuật, và việc nó chưa được áp dụng phổ biến là một lựa chọn tổ chức chứ không phải một giới hạn về năng lực.

Lớp một: xác định nguồn gốc trước khi trích dẫn. Mỗi con số tôi sử dụng phải được gắn với ba thông tin: thiết bị hoặc hệ thống tạo ra nó, thời điểm tạo ra nó, và đơn vị chịu trách nhiệm xử lý nó. Nếu thiếu một trong ba thông tin ấy, con số đó không được phép trở thành trụ cột cho một luận điểm. Nó có thể xuất hiện như một ghi chú phụ, nhưng không được phép gánh trọng lượng của một kết luận.

Tôi biết điều này nghe có vẻ cực đoan với những người làm truyền thông thể thao. Nhưng hãy nhớ rằng trong một bài phân tích về cầu lông chuyên nghiệp, một con số sai có thể dẫn đến một quyết định huấn luyện sai, một đánh giá chuyển nhượng sai, hoặc một dự đoán sai được công bố rộng rãi. Khi hậu quả của một con số sai có thể lan rộng đến vậy, việc đòi hỏi nó phải có nguồn gốc rõ ràng không phải là cực đoan, mà là tối thiểu.

Lớp hai: kiểm tra tính nhất quán nội tại trước khi so sánh. Một chỉ số tổng hợp được tính từ nhiều chỉ số thành phần. Nếu tổng của các thành phần không khớp với giá trị tổng hợp được công bố, thì có một vấn đề. Đây là một phép kiểm tra rất đơn giản về mặt toán học, nhưng trong thực tế tôi đã tìm thấy nhiều trường hợp trong bảng dữ liệu cầu lông nội địa mà tổng các phần không khớp với tổng được công bố. Nguyên nhân thường không phải là gian lận, mà là các thành phần được tính từ các nguồn khác nhau, với các mốc thời gian khác nhau, và được ghép lại mà không có bước đối chiếu cuối cùng.

Lớp ba: kiểm tra tính nhất quán theo thời gian trước khi so sánh theo chiều ngang. Trước khi so sánh một tay vợt với một tay vợt khác, tôi luôn kiểm tra xem dữ liệu của từng người có nhất quán với chính họ qua thời gian hay không. Nếu một tay vợt có chỉ số thay đổi đột ngột giữa hai trận liên tiếp mà không có thay đổi tương ứng về điều kiện thi đấu, thì có khả năng cao đó là vấn đề của hệ thống đo lường, chứ không phải của cầu thủ.

Ba lớp này không đảm bảo phát hiện được mọi sai lệch. Nhưng chúng đảm bảo rằng những sai lệch rõ ràng nhất sẽ không đi vào bài viết mà không được ghi chú.

Một ví dụ cụ thể: khi mẫu nhỏ trông giống như xu hướng

Tôi muốn trình bày một tình huống mà tôi đã quan sát trong mùa giải đầu tiên sau khi dịch bệnh tạm lắng, giai đoạn mà tôi đang dành phần lớn thời gian cho các dự án theo dõi thể lực vận động viên cầu lông châu Á.

Trong một chuỗi giải đấu nội địa Trung Quốc diễn ra trong bốn tháng, nhiều tay vợt hàng đầu có chỉ số quãng đường di chuyển trung bình giảm so với trước dịch. Một số nhà bình luận nhanh chóng kết luận rằng đây là dấu hiệu của sự sa sút thể lực. Tôi đã dành bốn tuần để đối chiếu dữ liệu và nhận thấy ba yếu tố phải được loại trừ trước khi bất kỳ kết luận nào về thể lực được đưa ra.

Thứ nhất, lịch trình sau dịch có mật độ trận đấu khác với trước dịch. Số trận trong một tuần giảm, khoảng cách giữa các trận tăng. Với cùng một mức thể lực, một vận động viên có ít trận hơn trong cùng khoảng thời gian sẽ có tổng quãng đường thấp hơn, nhưng quãng đường bình quân mỗi trận có thể không đổi hoặc thậm chí tăng. Việc so sánh tổng quãng đường giữa hai giai đoạn có mật độ trận khác nhau là một lỗi so sánh cơ bản.

Thứ hai, đối thủ thay đổi. Một tay vợt gặp những đối thủ có lối đánh kéo dài pha cầu sẽ có quãng đường cao hơn hẳn so với khi gặp đối thủ kết thúc pha cầu sớm. Nếu trong giai đoạn được khảo sát, một tay vợt tình cờ gặp nhiều đối thủ có lối đánh nhanh, quãng đường sẽ giảm mà thể lực không hề suy giảm.

Thứ ba, và đây là yếu tố tôi cho là bị bỏ qua nhiều nhất: giai đoạn đầu sau khi các giải đấu trở lại có những thay đổi về cách thức luân chuyển vận động viên. Một số đội chọn cách sử dụng vận động viên ít hơn, tập trung vào các trận quan trọng hơn, nhằm bảo toàn thể lực cho các giai đoạn sau. Khi một vận động viên được sử dụng có chọn lọc, chỉ số trung bình của họ sẽ phản ánh một tập hợp trận đấu không đại diện cho toàn bộ mùa giải. Đây là một dạng sai lệch mẫu do chính chiến lược của đội tạo ra.

Khi loại trừ ba yếu tố này, phần lớn sự sụt giảm mà các nhà bình luận gọi là "sa sút thể lực" thực chất là sản phẩm của phương pháp so sánh, chứ không phải của sinh lý học. Không phải không có vấn đề thể lực nào tồn tại. Nhưng vấn đề thể lực thật, nếu có, cần được tách ra khỏi nhiễu bằng phân tích chuỗi thời gian có tính đến lịch trình, đối thủ và chiến lược sử dụng vận động viên.

Đây là lý do tại sao tôi luôn nhắc lại với các biên tập viên trẻ: sai lệch không nằm ở bảng tỷ số, mà nằm ở nơi không ai buồn kiểm tra.

Góc nhìn ngược dòng: có thể sự phức tạp hóa là một phần của vấn đề

Bây giờ tôi phải nói điều mà tôi biết sẽ khiến một số đồng nghiệp trong cộng đồng phân tích dữ liệu không hài lòng.

Trong hai năm qua, tôi đã chứng kiến một xu hướng đáng chú ý: khi nhận thức về tầm quan trọng của dữ liệu tăng lên, số lượng chỉ số được đưa vào phân tích cũng tăng theo. Mỗi tháng lại có thêm một chỉ số mới, một mô hình mới, một cách diễn giải mới. Điều này về lý thuyết là tốt. Nhưng trong thực tế, tôi thấy nó đang tạo ra một hiện tượng mà tôi gọi là "lạm phát chỉ số".

Khi quá nhiều chỉ số được trình bày cùng lúc, người đọc không còn khả năng phân biệt đâu là chỉ số cốt lõi, đâu là chỉ số phụ trợ, đâu là chỉ số chỉ có giá trị minh họa. Mọi con số trông có vẻ bình đẳng. Và khi mọi con số bình đẳng, thì con số nào cũng có thể bị chọn ra để hỗ trợ bất kỳ luận điểm nào. Sự phức tạp hóa, khi không đi kèm với kỷ luật lựa chọn, không làm phân tích trở nên chính xác hơn. Nó chỉ làm cho sai lệch khó bị phát hiện hơn, vì nó tạo ra quá nhiều bề mặt để tranh cãi.

Tôi đã từng sai lầm trong hướng này. Trong một bài viết năm 2026, tôi trình bày mười hai chỉ số cho một trận đấu đơn nữ, và tin rằng mình đang mang lại một bức tranh toàn diện. Khi một huấn luyện viên đọc bài và hỏi tôi "vậy nếu phải chọn ba chỉ số để nói với vận động viên của tôi rằng cô ấy cần thay đổi điều gì, anh chọn cái nào?", tôi không thể trả lời trong vòng ba mươi giây. Đó là một dấu hiệu rõ ràng rằng bài viết của tôi chưa đạt đến mức độ mà tôi tuyên bố nó đạt đến.

Từ đó, tôi áp dụng một quy tắc: mỗi bài phân tích chỉ được xoay quanh một chỉ số cốt lõi, tối đa hai chỉ số phụ trợ, và phần còn lại chỉ được xuất hiện như bối cảnh, không được đóng vai trò kết luận. Quy tắc này không làm bài viết nghèo đi. Nó làm bài viết trung thực hơn về mức độ chắc chắn của từng luận điểm.

Có một hàm ý khó chịu hơn mà tôi muốn đặt lên bàn. Khi ngành phân tích dữ liệu thể thao phức tạp hóa ngôn ngữ của mình, nó vô tình tạo ra một rào cản mà chính nó không nhận ra. Những người không có nền tảng dữ liệu không còn khả năng kiểm tra các kết luận được đưa ra, không phải vì họ không thông minh, mà vì ngôn ngữ đã trở nên quá dày đặc. Và một lĩnh vực mà người ngoài không thể kiểm tra là một lĩnh vực dễ bị thao túng. Điều này đặc biệt nguy hiểm trong môi trường mà tôi làm việc, nơi những người ra quyết định lớn đôi khi không có thời gian đọc hết một báo cáo phức tạp, và chỉ dựa vào phần tóm tắt. Nếu phần tóm tắt bị chọn lọc, toàn bộ quyết định bị lái bởi lựa chọn đó.

Tôi không đề xuất quay lại với thống kê đơn giản. Tôi đề xuất rằng mỗi phân tích phức tạp phải đi kèm một bản tóm tắt ở cấp độ mà một người không chuyên có thể kiểm tra được. Nếu một luận điểm không thể diễn đạt lại bằng một câu đơn giản, thì luận điểm đó chưa đủ chín để công bố.

Một lớp khác: bối cảnh không nằm trong con số

Trong phần mô tả quy trình của mình, tôi đã nhiều lần nhắc đến việc thêm một lớp "bối cảnh đằng sau con số" cho mỗi phân tích. Tôi muốn làm rõ điều đó, vì nó thường bị hiểu nhầm là một lời kêu gọi giảm bớt tính khách quan.

Một con số trong cầu lông không bao giờ được sinh ra trong chân không. Quãng đường chạy của một tay vợt trong một trận đấu phụ thuộc vào mặt sân, nhiệt độ, độ ẩm, độ căng của cầu, và cả cách tổ trọng tài quản lý thời gian giữa các pha. Lực đánh của một cú smash phụ thuộc vào căng thẳng của vợt, độ cao của điểm tiếp xúc, và tốc độ xoay người của cầu thủ. Những yếu tố này hoàn toàn có thể đo được ở một mức độ nào đó, nhưng hiếm khi chúng được đưa vào cùng một bảng. Và khi không được đưa vào, các chỉ số tổng hợp có thể so sánh những thứ không thực sự so sánh được.

Tôi đã thấy những so sánh giữa hai tay vợt dựa trên chỉ số được đo ở hai mặt sân khác nhau, trong hai điều kiện thời tiết khác nhau, với hai loại cầu khác nhau. Về mặt kỹ thuật, phép so sánh này là hợp lệ trong một giới hạn sai số nhất định. Nhưng khi sai số này bị bỏ qua, kết luận có thể bị đảo ngược hoàn toàn.

Điều tôi học được từ những tình huống như vậy là không có phân tích dữ liệu nào thay thế được việc đặt dữ liệu vào bối cảnh. Một con số không có bối cảnh không phải là một sự thật khách quan. Nó là một mảnh ghép bị cắt ra khỏi bức tranh, được trình bày như thể bức tranh không tồn tại.

Và đây là điều tôi muốn các biên tập viên trẻ trong ngành ghi nhớ: khi ai đó đưa cho bạn một con số mà không kèm bối cảnh, câu hỏi đầu tiên không phải là con số đó đúng hay sai, mà là con số đó được đo trong điều kiện nào.

Từ phân tích cá nhân đến hệ thống: điều gì cần thay đổi

Tôi cho rằng vấn đề cốt lõi không nằm ở việc thiếu dữ liệu, mà ở việc thiếu cơ chế tự kiểm tra. Và cơ chế tự kiểm tra không thể đến từ những người làm phân tích độc lập như tôi, vì chúng tôi không có quyền truy cập vào dữ liệu gốc, không có quyền kiểm tra thiết bị, và không có quyền yêu cầu hệ thống giải thích cách tính các chỉ số tổng hợp. Chúng tôi chỉ có thể suy luận từ bên ngoài, và suy luận từ bên ngoài luôn có giới hạn.

Điều tôi đề xuất là một cơ chế kiểm toán dữ liệu độc lập, ở cấp độ hệ thống, không phụ thuộc vào thiện chí của từng đội hay từng giải đấu. Cơ chế này cần ba thành phần.

Thành phần thứ nhất là công khai định nghĩa. Mỗi nhà cung cấp dữ liệu phải công bố rõ ràng các định nghĩa cơ bản mà họ sử dụng: thế nào là một pha di chuyển, thế nào là một pha tấn công, thế nào là một lỗi tự đánh. Đây là một yêu cầu tối thiểu, không đòi hỏi phải công khai công thức tính toán độc quyền. Chỉ cần công khai định nghĩa phân loại, người phân tích bên ngoài đã có thể kiểm tra được phần lớn sai lệch.

Thành phần thứ hai là công khai phép kiểm tra nội tại. Mỗi bảng dữ liệu công bố ra ngoài nên đi kèm một phép kiểm tra nội tại cơ bản, cho thấy tổng các thành phần có khớp với tổng hợp hay không, và các chỉ số được tính từ những mốc thời gian nào. Đây là một yêu cầu gần như không tốn kém về mặt vận hành, nhưng sẽ loại bỏ được một lượng lớn sai lệch ở tầng ba và tầng bốn mà tôi đã mô tả.

Thành phần thứ ba là một kênh phản hồi và hiệu chỉnh. Khi một sai lệch được phát hiện, nó phải được ghi nhận, phải được xem xét, và phải dẫn đến một sự điều chỉnh có thể truy vết được. Không chỉ là một lời xin lỗi, mà là một bản ghi về việc sai lệch đã được sửa như thế nào và dữ liệu lịch sử đã được cập nhật ra sao. Đây là phần khó nhất, vì nó chạm đến vấn đề danh dự và quyền lực. Nhưng đây là phần không thể bỏ qua nếu muốn hệ thống thực sự lành mạnh.

Tôi biết những đề xuất này nghe có vẻ lý thuyết. Nhưng tôi tin rằng một hệ thống dữ liệu tốt không sinh ra từ công nghệ, mà từ nỗi đau của những người thiếu nó. Trong trường hợp này, nỗi đau đó đã có. Chúng ta đã chứng kiến những huấn luyện viên ra quyết định dựa trên những bảng số liệu không phản ánh thực tế, những vận động viên bị đánh giá chưa công bằng vì dữ liệu của họ bị đo trong điều kiện bất lợi, và những độc giả bị dẫn dắt bởi những phân tích được xây trên nền tảng không vững chắc. Nỗi đau đó chưa được ai đếm đầy đủ, nhưng nó có thật.

Về tiêu chuẩn bằng chứng và giới hạn của người viết

Trong công việc của mình, tôi tuân thủ một tiêu chuẩn bằng chứng mà tôi nghĩ nên được phổ biến rộng hơn trong ngành phân tích thể thao. Mỗi khẳng định tôi đưa ra phải thuộc một trong bốn mức độ.

Mức thứ nhất là có thể tái lập hoàn toàn: một chỉ số có thể được tính lại từ dữ liệu công khai, với phương pháp được mô tả đầy đủ. Đây là mức độ mạnh nhất và tôi chỉ sử dụng nó cho những kết luận có tầm quan trọng cao.

Mức thứ hai là có cơ sở nhưng chưa được xác nhận độc lập: một kết luận phù hợp với dữ liệu hiện có nhưng chưa được kiểm tra bằng một nguồn khác. Tôi thường ghi chú rõ khi một khẳng định ở mức này.

Mức thứ ba là bị phủ định bởi bằng chứng: một khẳng định đã được kiểm tra và kết quả cho thấy nó không đúng. Những khẳng định loại này phải được báo cáo rõ ràng, không được phép im lặng bỏ qua, vì việc bỏ qua một khẳng định sai có thể gây hậu quả tương tự như việc công bố một khẳng định sai.

Mức thứ tư là không thể xác minh trong điều kiện hiện tại: một khẳng định cần quyền truy cập mà tôi không có, hoặc cần một thí nghiệm mà tôi không thể thực hiện. Trong trường hợp này, tôi nói rõ giới hạn thay vì đoán.

Tôi đặt ra bốn mức độ này không phải để tự khen về sự thận trọng. Tôi đặt ra chúng vì tôi đã từng phạm sai lầm nghiêm trọng khi trình bày một kết luận ở mức thứ ba như thể nó ở mức thứ nhất. Trong một bài viết năm 2026, tôi đã khẳng định một tay vợt đang trong giai đoạn chuyển đổi kỹ thuật, dựa trên một số liệu duy nhất về phân bố điểm số. Khi độc giả phản biện với một bộ dữ liệu khác, tôi nhận ra mình đã không kiểm tra đủ. Tôi đã viết lại một bài đính chính, nhưng tôi biết rằng một số độc giả đã đọc bài đầu tiên và không đọc đính chính. Đó là cái giá mà tôi phải chấp nhận, và đó cũng là lý do tại sao tôi xây dựng tiêu chuẩn này cho bản thân mình sau đó.

Ngành công nghiệp phía sau con số

Có một khía cạnh mà tôi cho là bị bỏ qua nhiều nhất khi nói về dữ liệu thể thao: tác động của nó đến ngành công nghiệp xung quanh.

Khi một chỉ số được phổ biến và trở thành tiêu chuẩn ngầm trong cộng đồng phân tích, nó bắt đầu tác động đến các quyết định đầu tư. Các thương hiệu thiết bị tài trợ những vận động viên có chỉ số tốt theo tiêu chuẩn đó. Các giải đấu mời những vận động viên có chỉ số ấn tượng. Các học viện sử dụng tiêu chuẩn đó để tuyển chọn. Các nền tảng truyền thông xây dựng thuật toán đề xuất dựa trên mức độ hấp dẫn truyền thông của vận động viên, và mức độ hấp dẫn truyền thông thường tương quan với chỉ số.

Khi chỉ số ấy sai, hoặc bị hiểu sai, tác động không dừng lại ở một bài báo. Nó lan sang các quyết định kinh tế. Một vận động viên có thể mất một hợp đồng tài trợ vì một chỉ số được đo trong điều kiện bất lợi. Một học viện có thể tuyển chọn sai lệch vì dựa trên một tiêu chuẩn chưa được kiểm chứng. Một giải đấu có thể định hình thể thức thi đấu để tối ưu hóa cho một chỉ số không phản ánh chất lượng thực sự.

Tôi đã chứng kiến một trường hợp trong đó một tay vợt trẻ có thành tích thi đấu tốt nhưng chỉ số phân tích kém hơn dự kiến, và điều này đã ảnh hưởng đến việc cậu ấy không được chọn vào một đội hình quan trọng. Liệu chỉ số ấy có sai không? Tôi không thể khẳng định. Nhưng tôi biết rằng nó không được kiểm tra đầy đủ trước khi trở thành yếu tố trong một quyết định quan trọng. Đó là điều không thể chấp nhận được với một ngành đã phát triển đến mức này.

Trong bóng đá, người ta gọi đó là may rủi. Trong dữ liệu, tôi gọi đó là biến số chưa được kiểm soát. Và khi biến số chưa được kiểm soát ảnh hưởng đến sinh kế của một con người, thì việc kiểm soát nó không còn là một sở thích học thuật. Nó là một trách nhiệm.

Điều tôi chưa thể nói

Tôi muốn kết thúc phần phân tích này bằng một lời thú nhận về giới hạn của chính mình, vì tôi tin rằng một phân tích trung thực phải bao gồm cả những gì nó không thể làm được.

Có nhiều câu hỏi mà tôi không thể trả lời trong điều kiện hiện tại. Tôi không có quyền truy cập vào dữ liệu gốc của các hệ thống tracking. Tôi không có quyền kiểm tra thiết bị. Tôi không có quyền yêu cầu các nhà cung cấp giải thích công thức tính toán của họ. Với những câu hỏi vượt quá giới hạn này, tôi chỉ có thể nói rằng chúng chưa thể được xác minh, và tôi ghi chú chúng lại.

Tôi cũng biết rằng một số kết luận của tôi có thể bị phủ định trong tương lai, khi có thêm dữ liệu hoặc khi có thêm người kiểm tra độc lập. Điều này không làm tôi lo lắng. Một kết luận được điều chỉnh khi có bằng chứng mới không phải là một kết luận thất bại. Đó là một kết luận đang hoạt động đúng như nó nên hoạt động.

Điều làm tôi lo lắng là một môi trường trong đó các kết luận không bao giờ bị điều chỉnh, vì không ai có đủ thẩm quyền hoặc đủ dữ liệu để điều chỉnh chúng. Đó là một môi trường tĩnh, và trong một môi trường tĩnh, sai lệch chỉ có thể tích tụ.

Nhìn về phía trước

Tôi không tin vào trực giác. Tôi tin vào trực giác đã được kiểm chứng bằng mười nghìn dòng dữ liệu.

Nhưng tôi cũng tin rằng mười nghìn dòng dữ liệu chỉ có giá trị khi chúng được đặt vào một hệ thống có khả năng tự kiểm tra. Nếu không, chúng chỉ là mười nghìn dòng dữ liệu, và số lượng không tự tạo ra chân lý.

Mùa giải sắp tới sẽ có thêm dữ liệu. Sẽ có thêm chỉ số. Sẽ có thêm mô hình. Và sẽ có thêm những phân tích hấp dẫn được xây trên những nền tảng chưa được kiểm chứng. Câu hỏi mà tôi muốn đặt ra cho những người đang làm việc trong ngành, không phải là làm thế nào để có thêm dữ liệu, mà là làm thế nào để dữ liệu chúng ta có thể được kiểm tra bởi nhiều người hơn, ở nhiều tầng hơn, với nhiều tiêu chuẩn rõ ràng hơn.

Tôi đã bị cười nhạo vì một con số. Ba năm sau, lịch sử lên tiếng thay tôi. Nhưng tôi không muốn mình trở thành ngoại lệ. Tôi muốn một hệ thống trong đó một con số sai không cần chờ một người tình cờ phát hiện. Tôi muốn một hệ thống trong đó mỗi con số đều có nguồn gốc, mỗi định nghĩa đều được công khai, và mỗi sai lệch đều có kênh để được sửa chữa.

Đó là một tiêu chuẩn cao. Nhưng tiêu chuẩn cao không sinh ra từ sự thoải mái. Nó sinh ra từ việc chấp nhận rằng những gì chúng ta đang làm chưa đủ tốt, và rằng việc thừa nhận điều đó không phải là một sự yếu đuối, mà là điều kiện đầu tiên để trở nên tốt hơn.

Tôi không viết bài này để tấn công bất kỳ cá nhân hay tổ chức nào. Tôi viết nó vì tôi tin rằng cầu lông, với tư cách là một môn thể thao có lượng người hâm mộ khổng lồ và một hệ thống đào tạo phức tạp, xứng đáng có một nền tảng dữ liệu ở đẳng cấp tương ứng. Và nền tảng đó chỉ có thể được xây dựng khi những người vận hành nó chấp nhận để cho nó bị kiểm tra.

Câu hỏi tôi để lại cho độc giả không phải là con số nào đúng. Mà là: nếu một con số trong cầu lông không thể được kiểm tra bởi chính những người đang ra quyết định dựa vào nó, thì đó có còn là một con số, hay chỉ là một nghi thức?