खाली डेटा, बड़ा सवाल: जब क्रिकेट एनालिसिस की पाइपलाइन ही फेल हो जाए

बेंगलुरु में अपने डेस्क पर बैठे हुए, मैंने पिछले ग्यारह सालों में क्रिकेट के जो भी मॉडल अपने हाथों से बनाए हैं, वो सब एक ही शर्त पर टिके हैं — कि जिस मैच का मैं विश्लेषण कर रहा हूँ, उसका डेटा मौजूद हो और साफ़ हो। बुधवार की दोपहर एक स्क्रैपिंग स्क्रिप्ट चलाई, टर्मिनल पर 'एक्सट्रैक्शन कम्प्लीट' की हरी पंक्ति चमकी, और ठीक उसके नीचे जो टेबल खुली, उसमें हर कॉलम खाली था। न टीम का नाम, न फ़ॉर्मेट, न कोई स्कोरकार्ड। मैंने तीन बार पाइपलाइन दोबारा चलाई, तीनों बार वही रिज़ल्ट। उस पल मुझे समझ आया कि इस बार मेरा विषय कोई मैच नहीं, बल्कि वो मशीनरी है जिस पर मेरा पूरा काम खड़ा है।

यह एनालिसिस उस Stage-1 डीकंस्ट्रक्शन आउटपुट पर आधारित है जिसे मुझे जांच के लिए दिया गया। फॉर्मेट एन/ए, मैच की प्रकृति एन/ए, खिलाड़ी एन/ए, टीम एन/ए — हर प्राथमिक फ़ील्ड खाली। 'कोर व्यूअरपॉइंट्स', 'इन्फॉर्मेशन पॉइंट्स', 'एंटिटीज़ इन्वॉल्व्ड' — सब ब्लैंक। एक्सट्रैक्शन कॉन्फ़िडेंस-चेक में भी कोई ठोस इकाई जमा नहीं हुई। मानक प्रक्रिया यह होती है कि जब भी डेटा खाली आए, एनालिस्ट उसे 'अपर्याप्त सूचना' मानकर आगे बढ़ता है। मैंने भी यही किया — लेकिन सवाल यह है कि अगर सिस्टम एक फेल्योर के बजाय शून्यता को ही सफल मानकर आगे बढ़ता है, तो उस सिस्टम पर पूरी तरह भरोसा कैसे किया जाए? यही इस पूरे घटनाक्रम का केंद्रीय तनाव है, और यही वो बिंदु जहाँ से मैं अपनी जांच शुरू करना चाहता हूँ।

डेटा-गवर्नेंस की दृष्टि से सबसे पहला सबक साफ़ है: सिस्टम का आउटपुट तभी भरोसेमंद है जब वह अपनी विफलता को स्पष्ट रूप से घोषित करे। एक एक्सट्रैक्शन पाइपलाइन जो खाली आउटपुट लौटाती है, उसे अपनी एक्सीक्यूशन रिपोर्ट में 'कंटेंट नहीं मिला' और 'फेल हुआ' के बीच फ़र्क साफ़ करना चाहिए — क्योंकि दोनों का डाउनस्ट्रीम असर पूरी तरह अलग होता है। वहीं, मेरे अपने अनुभव से एक और बात सामने आई: जब भी मैंने मैच-आधारित एनालिसिस किसी खाली या आधे-अधूरे इनपुट पर किया, हर बार कुछ स्पष्ट पैटर्न दिखे — जैसे किसी सीरीज़ का पहला मैच या किसी अपरिचित ग्राउंड का डेटा अक्सर अधूरा आता है, या कम सैंपल वाले फ़ॉर्मेट (जैसे टी20 ब्लास्ट या विमेंस टी20 चैलेंज) में स्थितिजन्य डेटा की कमी बनी रहती है। लेकिन इस बार, पहले से ही कोई भी स्पष्ट पैटर्न उपलब्ध नहीं था, इसलिए मुझे उन अटकलों को छोड़ना पड़ा और केवल इस तथ्य पर टिकना पड़ा कि इनपुट में कोई गेम-आधारित जानकारी नहीं है।

असली गड़बड़ी की जांच करने के लिए मैंने एक सरल-से सवाल से शुरुआत की — क्या मूल लेख का मूलपाठ मौजूद था या पूरी तरह खो गया था? मैंने एक तरफ़ सोर्स-स्क्रैपिंग और पार्सिंग का लॉग खंगाला, तो दूसरी तरफ़ पुराने प्रयोगों को याद किया, जहाँ पहली लाइन से अगली लाइन तक डेटा सही आ रहा था। तुलना करने पर एक बात साफ़ हो गई: यह हर-बार होने वाली लॉजिकल एरर नहीं है, बल्कि 'रो लेवल' की विफलता है — यानी जहाँ हर प्वाइंट का एक्सट्रैक्शन हुआ, वहाँ आउटपुट खाली आया। यह एक तथ्यात्मक अंतर है जिसे अनदेखा नहीं किया जा सकता।

मुख्य एनालिटिकल रणनीति यही रही: शून्य मान को भरने से इनकार करना। मैंने अपनी तरफ़ से एक स्पष्ट नियम लिया — कोई भी ऐसा क्रिकेट तथ्य मत जोड़ो जो स्रोत में मौजूद न हो। क्योंकि एक बार मैंने किसी भी अनुमानित आंकड़े को 'यही होना चाहिए' कहकर लिख दिया, तो उसके बाद पूरे एनालिसिस की क्रेडिबिलिटी पर तीन तरह से असर पड़ता है: एक, पाठक उस अनुमान को तथ्य मान लेगा; दो, अगली बार पाइपलाइन फेल होने पर भी आप उसे भरने की कोशिश करेंगे; और तीन, आपकी रिपोर्टिंग की आदत बन जाएगी — लेकिन आपके तथ्य सच्चे नहीं होंगे। इसी कारण से मुझे यह मानना पड़ा कि प्रक्रिया की विफलता को 'विषय की कमी' नहीं कहा जा सकता; यह दो अलग-अलग चीज़ें हैं और इन्हें अलग-अलग ही रखना चाहिए।

यह जानने के लिए कि इस खालीपन का क्या अर्थ है, मैंने आठ अलग-अलग आयामों को एक ही कैनवास पर रखकर देखा — फ़ॉर्मेट और मैच की प्रकृति, खिलाड़ी की तकनीक और आंकड़े, टीम का परिदृश्य, लीग और व्यापारिक पारिस्थितिकी, नियम और शासन, जोखिम, जन-नैरेटिव और उद्योग-प्रसारण। इस पूरे अभ्यास का मकसद विश्लेषण बनाना नहीं, बल्कि एक ऐसी 'सीलिंग' तैयार करना था जिससे भविष्य में जब भी असली डेटा आए, तुरंत मान्य विश्लेषण किया जा सके। मुझे सबसे बड़ी रुकावट यहीं मिली। आप खाली डेटा पर खड़े होकर कोई भी ठोस निष्कर्ष नहीं निकाल सकते, क्योंकि खेल-विश्लेषण में फ़ॉर्मेट की पहचान ही सबसे बुनियादी स्तंभ है — उसके बिना न तो टेस्ट-क्रिकेट का संयम, न वनडे का मध्य-ओवर संतुलन, और न ही टी20 की पावरप्ले-डेथ गणित समझा जा सकता है — तीनों के आंकड़े अलग-अलग दुनिया में चलते हैं। यहाँ एक स्पष्ट डेटा-इंटीग्रिटी गैप था: टीम और खिलाड़ी की पहचान नहीं थी, उपलब्ध सूचना-सूची खाली थी, और टाइम सेंसिटिविटी भी अनिर्धारित रही। इसका मतलब यह भी था कि मैं 'टीम का स्तर तय करने' से लेकर 'खिलाड़ी के करियर की उम्र-वक्र' तक — कोई भी फैसला नहीं ले सकता।

तकनीकी स्तर पर, सबसे पहला काम था यह पहचानना कि यह खालीपन किस तरह के फेल्योर का प्रतिबिंब है। एक तरफ़ इसे 'स्क्रैपर का फेल होना' कहा जा सकता है, तो दूसरी तरफ़ 'आर्टिकल का वास्तविक रूप से बिना क्रिकेट-कंटेंट होना' भी। दोनों के बीच का फ़र्क़ तभी तय हो सकता है जब हम असली सोर्स दोबारा देख सकें। मैंने यह जांच नहीं की कि सोर्स किस भाषा में था, न ही उसकी लंबाई या उसके आंकड़ों की तादाद देखी — क्योंकि इस स्तर पर किसी भी अतिरिक्त जानकारी की पुष्टि नहीं हो सकती थी। यहीं एक और बड़ा सवाल खड़ा हुआ: क्या सिस्टम की विफलता की स्थिति में भी 'एन/ए' जैसे मार्कर पर्याप्त हैं? मेरे हिसाब से केवल मार्कर पर्याप्त नहीं है — हर खाली फ़ील्ड के साथ यह भी जुड़ा होना चाहिए कि 'यह दोबारा जांचा जाना चाहिए' और 'यह फ़ेल्योर है या सचमुच कंटेंट ही नहीं है।' यही फ़र्क़ एक सिस्टम-गड़बड़ी और एक सही-मायने में खाली लेख के बीच का फ़र्क़ है।

एक और पहलू से बात चलती है। मेरे पास उपलब्ध डेटा के आधार पर कुछ चीज़ें जिन्हें मैं 'एन/ए — अपर्याप्त सूचना' ही मानता हूँ, पर एक बार उन्हें लेकर सोचना ज़रूरी है। उदाहरण के लिए, अगर यह सचमुच एक किसी मैच की रिपोर्ट होती और उसमें सिर्फ़ 'टॉस के बाद टीम ने 320 का स्कोर बनाया' जैसा अधूरा ब्योरा होता, तो भी क्या हम उससे 'बड़ा स्कोर' जैसे कोई निष्कर्ष निकाल सकते थे? नहीं — क्योंकि सामने वाली टीम, ग्राउंड का आकार, और बल्लेबाज़ी-औसत सब गायब होते। इसी तरह, अगर खाली आउटपुट को 'असामान्य' मानकर आगे बढ़ते, तो 'यह मैच शायद बेनतीजा रहा' या 'मौसम ने खेल बिगाड़ा' जैसी बातें भी लिखी जा सकती थीं। लेकिन मैंने ऐसा करने से इनकार किया — क्योंकि एक बेनतीजा मैच, एक रद्द मैच और एक ऐसा मैच जिसका डेटा ही नहीं था, तीनों की स्टोरी में ज़मीन-आसमान का फ़र्क़ होता है, और इन्हें एक ही बाल्टी में डालना रिपोर्टिंग की गहरी गलती है।

यहीं मुझे उन आंकड़ों पर उल्टा सोचना पड़ा जिन्हें हम आमतौर पर 'मज़बूत सबूत' मान लेते हैं। पिछले कुछ वर्षों में, क्रिकेट एनालिसिस में '600 मैचों का डेटा' या '1.1 मिलियन डिलीवरीज़' जैसे आंकड़ों का महिमामंडन देखा गया है। लेकिन जब आप उस बड़ी संख्या के पीछे जाकर देखते हैं, तो सवाल यह उठता है कि उनमें से कितने डेटा पॉइंट्स वास्तविक रूप से ट्रेस करने योग्य हैं — और कितने सिर्फ़ 'कॉलम में डाले गए' हैं। एक मॉडल की सबसे बड़ी ताकत उसके सैंपल साइज़ में नहीं, बल्कि उसकी ट्रेसेबिलिटी में है। यदि आप उस बिंदु तक नहीं पहुँच सकते जहाँ से वह संख्या आई है, तो वह संख्या खोखली है। मेरे अनुभव में, डेटा पाइपलाइनों की सबसे बड़ी कमज़ोरी 'बड़ी संख्या का भ्रम' है — और यही भ्रम एक खाली आउटपुट को भी 'मज़बूत आधार' जैसा दिखा सकता है।

इसीलिए, मैं अब उस सवाल पर आता हूँ जो अब तक अनदेखा रहा — क्या इस खालीपन को एक तरह की 'रिपोर्टिंग क्राइसिस' कहा जा सकता है, जिसमें गलती किसी खिलाड़ी, टीम या फ़ॉर्मेट में नहीं, बल्कि खुद सिस्टम में है? और यहीं एक दिलचस्प तनाव पैदा होता है। एक ओर तो मैंने हमेशा यह माना है कि क्रिकेट-विश्लेषण का काम 'साफ़-सुथरे नतीजे' देने में नहीं, बल्कि 'साफ़-सुथरे तरीके' में होना चाहिए। दूसरी ओर, सिस्टम के अंदर एक और तरह का दबाव भी होता है — 'आपको हर हाल में कुछ न कुछ लिखना है, आपको पाठक को खाली हाथ नहीं लौटाना है।' इस दबाव में आकर ही लोग 'अगर डेटा एन/ए है तो शायद ऐसा ही हुआ होगा' वाली सोच में फँसते हैं। मेरे हिसाब से सही रवैया यही है कि जब डेटा न हो, तो सबसे ईमानदार चीज़ है 'डेटा नहीं है' — और पाठक को यह साफ़-साफ़ बता देना चाहिए कि सिस्टम कहाँ फेल हुआ। यह अपने आप में एक खोज है — एक ऐसी खोज जो हमें 'डेटा के बिना भी सच कहने' की हिम्मत देती है।

अब आगे की तरफ़ देखते हैं। इस पूरी घटना का सबसे बड़ा सबक यह है कि क्रिकेट एनालिसिस का भविष्य सिर्फ़ आंकड़ों के जमावड़े में नहीं, बल्कि उस 'गुणवत्ता-नियंत्रण' में है जो हर आंकड़े के पीछे खड़ा हो। अगली बार जब कोई डेटा पाइपलाइन चले, तो उसका पहला आउटपुट सिर्फ़ 'एक्सट्रैक्शन कम्प्लीट' नहीं, बल्कि 'यह जाँच लो कि सभी ज़रूरी फ़ील्ड भरे हैं' होना चाहिए। मेरे लिए, यह एक 'पाइपलाइन डिज़ाइन' की समस्या है — और यही समस्या आगे चलकर हमारे पूरे क्रिकेट-विश्लेषण तंत्र की विश्वसनीयता तय करेगी। क्या हम एक ऐसा तंत्र बना सकते हैं जो 'डेटा नहीं है' और 'डेटा की जाँच नहीं हुई' के बीच का फ़र्क़ साफ़-साफ़ बता सके? यही सवाल आने वाले समय में हमारे सामने सबसे बड़ी चुनौती के रूप में खड़ा रहेगा।