उपरी डेटा विफलता: क्रिकेट एशिया विश्लेषण का खोखलापन और डेटा पाइपलाइन का पोस्टमॉर्टम

मैंने पिछले कुछ वर्षों में क्रिकेट एनालिटिक्स के लिए जितनी स्क्रिप्ट्स लिखी हैं, उनमें एक चीज़ हमेशा पहले दिखती है: जब सारे फ़ील्ड एक साथ खाली हों, तो समस्या मैच में नहीं, पाइपलाइन में होती है।

पिछले हफ़्ते जो स्टेज-1 डिकंस्ट्रक्शन रिपोर्ट मेरे सामने आई, वह इसका सबसे साफ़ उदाहरण थी। लेख का शीर्षक N/A। स्रोत N/A। लेख का प्रकार अनवर्गीकृत। मुख्य दृष्टिकोण खाली। लेखक का रुख N/A। सूचना बिंदुओं की सूची पूरी तरह खाली। एंटिटीज़ के लिए लिखा था "ऊपर दिए गए सूचना बिंदुओं से पहचानें" — लेकिन ऊपर कोई सूचना बिंदु ही मौजूद नहीं था। समय-संवेदनशीलता का मूल्यांकन हुआ ही नहीं। स्रोत की गुणवत्ता का आकलन संभव नहीं।

एक ही ठोस संकेत बचा था: डोमेन लेबल cricket_asia। बस इतना ही।

यह वह क्षण है जब एक डेटा जर्नलिस्ट को सबसे ज़्यादा सावधान रहना चाहिए। क्योंकि जब डेटा खाली हो, तो ललचाई बात यह होती है कि कहानी को भर दिया जाए — अनुमान से, संभावना से, या सबसे ज़्यादा होने वाली घटना को मान लिया जाए। एशियाई क्रिकेट में सबसे ज़्यादा कवरेज भारत की द्विपक्षीय सीरीज़, एशिया कप, आईपीएल या फ्रैंचाइज़ी समाचार को मिलती है। यह आधार-दर है। लेकिन आधार-दर एक खोज नहीं होती। यह एक पूर्व-धारणा है, और पूर्व-धारणा को निष्कर्ष बनाना ठीक वही गलती है जिसके खिलाफ़ मैं लिखता हूँ।

इसलिए जो विश्लेषण मैं यहाँ प्रस्तुत कर रहा हूँ, वह क्रिकेट का विश्लेषण नहीं है। यह डेटा-विफलता का विश्लेषण है।

सैंपल साइज़ पहली पंक्ति में: शून्य सूचना बिंदु। शून्य एंटिटी। शून्य प्रारूप टैग। इससे क्रिकेट के बारे में कोई भी निष्कर्ष निकालना आत्म-वंचना होगी।

मैंने आठ-आयामी ढाँचे का इस्तेमाल किया, जो मैं आमतौर पर किसी भी टूर्नामेंट विश्लेषण के लिए बनाता हूँ — प्रारूप और मैच विश्लेषण, खिलाड़ी तकनीक और डेटा, टीम परिदृश्य और रैंकिंग, लीग और वाणिज्यिक पारिस्थितिकी, नियम और शासन, जोखिम पक्ष, सार्वजनिक आख्यान और अपेक्षा, और उद्योग संचरण। आठों आयामों में नतीजा एक ही निकला: अपर्याप्त सूचना — आकलन संभव नहीं।

यह असफलता अपने आप में एक संकेत है।

जब किसी टेक्स्ट-एक्सट्रैक्शन पाइपलाइन में हर मानक फ़ील्ड एक साथ शून्य हो जाए — शीर्षक, स्रोत, सारांश, सूचना बिंदु, एंटिटीज़, समय-संवेदनशीलता — तो इसका मतलब यह नहीं होता कि मूल लेख में कुछ नहीं था। इसका मतलब यह होता है कि पाइपलाइन टूटी है। यह एक शास्त्रीय अपस्ट्रीम-एक्सट्रैक्शन विफलता का हस्ताक्षर है। मेडिकल टर्म में कहूँ तो मरीज़ जीवित है, लेकिन मॉनिटर की तारें निकल गई हैं।

मैंने लॉ स्कूल के दिनों में एक बार एक ऐसा ही केस देखा था — 2026 चैंपियंस ट्रॉफी फाइनल। भारत पाकिस्तान से 180 रन से हारा, और हर कोई "बुरा दिन" कह रहा था। मैंने उस महीने बॉल-बाय-बॉल डेटा कोड करके निकाला तो पता चला कि भारत के टॉप-3 का पावरप्ले स्ट्राइक रेट पाकिस्तान के 95 के मुकाबले 78 था, और मिडल ओवर्स में डॉट-बॉल प्रतिशत 48 था। वह नंबर खुद बोल रहा था — यह बुरा दिन नहीं, पुराना टेम्पलेट था। डेटा जब मौजूद होता है, तो वह बहस नहीं करता, वह बस गवाही देता है।

लेकिन जब डेटा ही गायब हो? तब गवाही किसकी?

इस मामले में एक ही सुरक्षित निष्कर्ष निकलता है: कोई भी क्रिकेट-विशिष्ट दावा करना, चाहे वह खिलाड़ी के फॉर्म का हो, टीम की गहराई का हो, नीलामी की कीमत का हो या रैंकिंग का, वह मनगढ़ंत होगा। और क्रिकेट में मनगढ़ंत डेटा सिर्फ़ गलत नहीं होता, वह नीचे के फैसले लेने वालों को गुमराह करता है। एक झूठा स्ट्राइक रेट, एक झूठी नीलामी कीमत — ये आगे की स्काउटिंग रिपोर्ट में घुस जाते हैं और फिर फ्रैंचाइज़ी उसी नंबर पर बोली लगा देती है।

मैंने कोई खिलाड़ी नहीं चुना। कोई टीम नहीं चुनी। कोई मैच नहीं चुना। यह जान-बूझकर किया गया है।

क्योंकि इसमें एक बड़ा जाल है। जब सूचना खाली हो, तो इंसान का दिमाग़ सबसे परिचित ढाँचे को भर देता है। मुझे भी यह लुभावना लगा — क्यों न मान लिया जाए कि यह भारत की किसी सीरीज़ का मामला है? लेकिन cricket_asia में भारत, पाकिस्तान, श्रीलंका, बांग्लादेश, अफ़ग़ानिस्तान, नेपाल — सब आते हैं। यह लेबल दिशा बताता है, पता नहीं।

यह वही गलती है जो आज क्रिकेट मीडिया में आम है: एनेक्डोट को सबूत बना देना। ड्रेसिंग-रूम की कोई बात, "सूत्रों के मुताबिक़" की कोई लाइन, और उससे करियर-लंबा दावा। यह ऐसा है जैसे 24 गेंदों के डेथ-ओवर सैंपल से किसी यॉर्कर-स्पेशलिस्ट का पूरा करियर तय कर देना। सैंपल छोटा, निष्कर्ष ज़ोरदार, और ब्रॉडकास्ट हाइलाइट रील उस दावे की गवाह बन जाती है।

इस रिपोर्ट में जो एकमात्र ठोस जोखिम दर्ज है, वह स्पोर्टिंग नहीं, सांख्यिक है: ऊपरी डेटा-विफलता। इसकी संभावना भी उच्च, प्रभाव भी उच्च, और शमन का एक ही रास्ता है — स्टेज-1 का एक्सट्रैक्शन दोबारा चलाना और यह पक्का करना कि सूचना बिंदु, एंटिटीज़, समय-संवेदनशीलता और स्रोत-गुणवत्ता — चारों भरे जाएँ।

इसके अलावा दो और जोखिम दर्ज हुए, जो दोबारा-निष्कर्षण के समय ही काम आएँगे। पहला — क्रॉस-फ़ॉर्मेट संदूषण। टेस्ट, वनडे और टी20 के मेट्रिक्स आपस में तुलनीय नहीं हैं। एक बल्लेबाज़ का टेस्ट औसत और टी20 स्ट्राइक रेट दो अलग दुनिया हैं। अगर दोबारा निष्कर्षण में स्पष्ट प्रारूप टैग नहीं आया, तो कोई भी खिलाड़ी-विश्लेषण असुरक्षित होगा। दूसरा — स्रोत-गुणवत्ता का अंधापन। स्रोत यूआरएल और आउटलेट दर्ज न होने पर यह बताना असंभव है कि स्रोत आधिकारिक बोर्ड है, पत्रकार है, या ट्रैफ़िक अकाउंट। क्रिकेट में यह अंतर बहुत मायने रखता है।

मेरा अनुभव कहता है कि यह विफलता टिकाऊ नहीं है। जिस तरह की एकरूपता से सब कुछ शून्य हुआ है, वह पाइपलाइन की गड़बड़ है, मूल सामग्री की कमी नहीं। मूल स्रोत शायद सुरक्षित है और दोबारा निकाला जा सकता है।

एक और बात जो मैं इस मौक़े पर दर्ज करना चाहता हूँ। मैं महीनों से महिला क्रिकेट और घरेलू क्रिकेट के डेटा डैशबोर्ड बनाने पर काम कर रहा हूँ, और एक पैटर्न साफ़ दिखता है — जहाँ डेटा संरचना मज़बूत होती है, वहाँ विश्लेषण टिकता है; जहाँ सिर्फ़ ब्रॉडकास्ट वादे होते हैं, वहाँ डेटा का ढाँचा गिर जाता है। बीसीसीआई और राज्य संघों द्वारा रणजी कार्यभार, चोट निगरानी और चयन-इनपुट जैसे रिकॉर्ड न छापना कोई जनसंपर्क असुविधा नहीं, बल्कि भारतीय क्रिकेट के लिए प्रतिस्पर्धी नुकसान है। यही बात इस स्टेज-1 विफलता पर भी लागू होती है। पारदर्शिता की कमी सिर्फ़ एक रिपोर्ट नहीं गिराती, वह पूरे फ़ैसले की शृंखला को अंधा कर देती है।

मैं यह नहीं कह रहा कि यहाँ कुछ निकल ही नहीं सकता। मैं यह कह रहा हूँ कि जो निकलेगा, वह तभी भरोसेमंद होगा जब पाइपलाइन ठीक होगी। फ़िलहाल तो स्कोरकार्ड पर एक ही लाइन छपी है — अपर्याप्त सूचना — और वह लाइन किसी भी झूठे निष्कर्ष से बेहतर है।

जब अगली बार कोई डेटा-रिपोर्ट इतनी साफ़-सुथरी दिखे कि उसमें कहीं कोई अंतराल न हो, तो पूछना चाहिए कि गायब हिस्सा कहाँ छिपाया गया है। सच अक्सर खाली फ़ील्ड में नहीं, उस फ़ील्ड के भरने के तरीक़े में मिलता है।