खाली इनपुट को 'निर्दोष लेख' मत समझिए: क्रिकेट डेटा पाइपलाइन की वह खामी जो खिलाड़ियों का भविष्य तय करती है

एक छोटी सी तकनीकी घटना से शुरू करता हूँ, जो सुनने में क्रिकेट से दूर लगेगी — लेकिन जिसने मेरे काम करने का तरीका बदल दिया। कुछ साल पहले, एक डिजिटल स्पोर्ट्स डेस्क पर काम करते हुए, मैंने एक ऑटोमेटेड स्क्रैपिंग टूल बनाया था जो रोज़ सैकड़ों मैच रिपोर्ट्स और टीम एनाउंसमेंट्स खींचकर एक डेटाबेस में डालता था। एक सुबह मैंने देखा कि कुछ रिकॉर्ड्स ऐसे थे जिनमें शीर्षक 'N/A' था, स्रोत 'N/A' था, और सारांश भी खाली। मेरी पहली प्रतिक्रिया थी — 'ठीक है, ये छोटी खबरें होंगी, इनमें कुछ खास नहीं।' तीन हफ़्ते बाद जब मैंने उन रिकॉर्ड्स को फ़िल्टर करके देखा, तो पता चला कि उनमें से एक बड़ी तादाद उन घरेलू खिलाड़ियों की थी जो रणजी नॉकआउट में चमके थे — यानी ठीक वही डेटा जो मेरे काम की रीढ़ था, सिस्टम ने चुपचाप 'कोई जानकारी नहीं' में बदल दिया था। मैं इसे क्रिकेट के संदर्भ में इसलिए उठा रहा हूँ क्योंकि पिछले कुछ वर्षों में भारतीय क्रिकेट का चयन-तंत्र तेज़ी से डेटा-आधारित होता जा रहा है। फ्रेंचाइज़ियों के पास एनालिटिक्स टीमें हैं, बोर्ड के पास परफ़ॉर्मेंस ट्रैकिंग है, और मीडिया के पास ऑटोमेटेड फीड। जब कोई सिस्टम किसी लेख को पढ़ नहीं पाता और उसे खाली मान लेता है, तो वह 'तटस्थ' नहीं होता — वह एक चुपचाप फैसला लेता है कि उस लेख में कुछ नहीं है। और जब सैकड़ों ऐसे लेख खाली मान लिए जाएँ, तो जिस खिलाड़ी को सुर्खियों में आना चाहिए था, वह डेटा के नक्शे से गायब हो जाता है। मेरे पास इस बात का ठोस उदाहरण है। 2026 में, जब मैं दिल्ली की अंडर-16 टीम कोचिंग और फ्रीलांस एनालिटिक्स दोनों कर रहा था, मैंने आईपीएल के 60 मैचों से बल्लेबाज़-बनाम-गेंदबाज़ के 1,200 सेल का ग्रिड बनाया था। फाइनल से पहले मैंने लिखा कि मुंबई इंडियंस और राइजिंग पुणे सुपरजायंट के बीच हुसैनाबाद में 21 मई का मुकाबला इस बात पर पलटेगा कि पुणे को आखिरी चार ओवर में जसप्रीत बुमराह और मिशेल जॉनसन के खिलाफ़ 40 से ज़्यादा रन चाहिए या नहीं। पुणे को जॉनसन के आखिरी ओवर में 11 रन चाहिए थे, और मुंबई एक रन से जीत गई। उस दिन के बाद मैंने 'मोमेंटम' पर लिखना छोड़ दिया और 'मैचअप' पर लिखना शुरू किया। लेकिन यहाँ मुद्दा मेरे ग्रिड का नहीं है। मुद्दा यह है कि उस ग्रिड को बनाने के लिए जिन आँकड़ों की ज़रूरत थी, उनमें से एक हिस्सा उसी ऑटोमेटेड पाइपलाइन से आ रहा था जो कभी-कभी खाली आउटपुट दे रही थी। यानी मेरा मॉडल उतना ही भरोसेमंद था जितना उसे खिलाने वाला डेटा। यह वह सबक है जो मैंने बाद में हर जगह लागू किया — क्रिकेट टिप्पणी में भी, और डेटा सिस्टम के डिज़ाइन में भी। अब ज़रा उस तकनीकी निदान को देखिए जो इस तरह की विफलता के पीछे होता है। जब किसी लेख का शीर्षक और स्रोत दोनों 'N/A' आ रहे हों, तो सबसे पहली संभावना यह नहीं है कि लेख में जानकारी नहीं थी। सबसे पहली संभावना यह है कि सिस्टम उस लेख को पढ़ ही नहीं पाया। शीर्षक और स्रोत आम तौर पर पेज के मेटाडेटा से सीधे मिल जाते हैं — HTML का टाइटल टैग, ओपन-ग्राफ़ टैग, कैनोनिकल लिंक। इन दोनों का एक साथ खाली होना लगभग हमेशा इस बात का संकेत है कि जो सामग्री सिस्टम तक पहुँची, वह या तो खाली थी या मूल पाठ नहीं थी। दूसरा संकेत यह है कि जब वर्गीकरण (classification) हो गया हो — यानी सिस्टम जानता हो कि यह क्रिकेट-एशिया डोमेन का लेख है — लेकिन मूल पाठ निकालने वाला हिस्सा विफल रहा हो। इसका मतलब यह है कि क्लासिफायर किसी और चीज़ पर चल रहा था: आर्टिकल आईडी, यूआरएल, या डोमेन मेटाडेटा पर। मूल पाठ निकालने वाला चरण (body extractor) अलग से फेल हुआ। तीसरा, और सबसे चालाक संकेत, यह है कि सारांश खाली है लेकिन लेखक का रुख 'N/A' है। खाली और 'N/A' दो अलग-अलग विफलता मोड हैं। इसका मतलब है कि पाइपलाइन के अलग-अलग चरणों को अलग-अलग स्थिति में इनपुट मिला — कोई चरण खाली स्ट्रिंग देख रहा था, कोई चरण डिफ़ॉल्ट मान देख रहा था। यह 'लेख बहुत छोटा था इसलिए रुख नहीं निकला' की कहानी नहीं है। यह 'कुछ चरणों को सामग्री ही नहीं मिली' की कहानी है। इसका सबसे संभावित कारण है: जावास्क्रिप्ट से रेंडर होने वाला पेज, पेवॉल या लॉगिन दीवार, आर्टिकल सेलेक्टर का मेल न खाना, या एन्कोडिंग की गड़बड़ी। और इन सबसे ऊपर एक और संभावना है जो मुझे सबसे ज़्यादा डराती है — टास्क राउटिंग में गलत रिकॉर्ड स्टेज-1 तक पहुँच जाना। यह सब सुनकर आप पूछ सकते हैं कि इसका क्रिकेट से क्या लेना-देना। सीधा लेना-देना है। आज भारतीय क्रिकेट में घरेलू प्रदर्शन का बहुत बड़ा हिस्सा डिजिटल फीड से दर्ज होता है। रणजी ट्रॉफी के नॉकआउट मैचों की मीडिया कवरेज पतली होती है — यह मैंने खुद अनुभव किया है। जब कवरेज पतली हो और उस पतली कवरेज को पढ़ने वाला सिस्टम भी कभी-कभी खाली आउटपुट दे, तो उस खिलाड़ी का नाम कहीं दर्ज ही नहीं होता जिसने नॉकआउट में शतक ठोका। और चयन समिति, फ्रेंचाइज़ी स्काउट, और एनालिटिक्स टीम — तीनों उसी अधूरे डेटा से फैसला लेते हैं। मेरा यह दावा नहीं है कि हर चयन डेटा से होता है। मेरा दावा यह है कि जब डेटा गायब होता है, तो वह गायब होना किसी और के पक्ष में काम करता है। जो खिलाड़ी पहले से सुर्खियों में है, उसका डेटा कई स्रोतों से आता है — टीवी, अखबार, सोशल मीडिया, फ्रेंचाइज़ी की अपनी टीम। जो खिलाड़ी सुर्खियों से बाहर है, उसका डेटा सिर्फ़ एक-दो पतली फीड से आता है। अगर वही फीड विफल हो जाए, तो उसका अस्तित्व ही मिट जाता है। यह पूर्वाग्रह नहीं है — यह इंफ्रास्ट्रक्चर का पूर्वाग्रह है। यहाँ मैं एक कदम पीछे हटकर अपने ही तर्क की सबसे मज़बूत काउंटर-दलील लिखना चाहता हूँ। कोई कहेगा: 'यह सब बढ़ा-चढ़ाकर कहना है। असली चयन अभी भी आँखों के देखे प्रदर्शन, कोच की राय और टीम संतुलन से होता है। डेटा सिर्फ़ सहायक है।' और ईमानदारी से कहूँ तो यह दलील काफी हद तक सही है। भारतीय घरेलू क्रिकेट में अभी भी क्षेत्रीय स्काउट्स, पुराने कोच और मैदान पर मौजूद लोगों की राय निर्णायक होती है। मैं खुद उस दुनिया से आया हूँ। लेकिन यह दलील एक शर्त पर सही है — कि जो लोग फैसला ले रहे हैं, उनकी पहुँच उस खिलाड़ी तक है। जब चयन समिति के पास 40 खिलाड़ियों की सूची आती है और उसमें से 8 नाम सिर्फ़ इसलिए गायब हैं क्योंकि उनका डेटा पाइपलाइन में खाली आ गया, तो आँखों का देखा प्रदर्शन भी उन 8 तक नहीं पहुँचता। मैं उस स्थिति को स्पष्ट कर दूँ जिसमें मैं अपनी इस बात से पीछे हटूँगा। अगर किसी बोर्ड या फ्रेंचाइज़ी के पास एक स्वतंत्र, मैन्युअल ऑडिट प्रक्रिया हो जो हर सीज़न यह जाँचती हो कि डिजिटल फीड में कितने प्रदर्शन दर्ज होने से रह गए, और वह ऑडिट सार्वजनिक हो — तो मैं मान लूँगा कि यह समस्या नियंत्रण में है। मुझे अब तक ऐसा कोई सार्वजनिक ऑडिट नहीं मिला। अब वह हिस्सा जो मुझे सबसे ज़्यादा परेशान करता है। इस तरह की विफलता शोर नहीं मचाती। सिस्टम क्रैश नहीं होता, कोई एरर पॉपअप नहीं आता। बस एक खाली स्ट्रिंग को डिफ़ॉल्ट मान 'N/A' में बदल दिया जाता है, और वह रिकॉर्ड आगे बढ़ जाता है। डाउनस्ट्रीम में जो भी विश्लेषण होता है, वह उस रिकॉर्ड को 'कोई जानकारी नहीं' वाला लेख मानकर उसे छोड़ देता है। किसी को पता नहीं चलता कि एक खिलाड़ी का नाम कभी उस सिस्टम में था ही नहीं। यह ठीक वैसा ही है जैसे 2026 में खाली स्टेडियमों ने कप्तानी की आवाज़ बदल दी थी। उस सीज़न मैंने यूएई के तीन वेन्यूज़ पर बिना दर्शकों के आईपीएल देखा और लिखा कि सन्नाटे ने कप्तानी का स्वरूप बदल दिया — गेंदबाज़ फील्ड बदलते हुए सुन सकते थे, और शारजाह की छोटी स्क्वायर बाउंड्री ने छक्कों की संख्या को डिज़ाइन से बढ़ा दिया। फिर 19 दिसंबर आया: एडिलेड में भारत 21.2 ओवर में 36 रन पर ढेर, हेज़लवुड 5/8, कमिंस 4/21। मेरे संपादक को खिलाड़ियों के मनोबल पर 800 शब्द चाहिए थे। मुझे एक वर्गीकरण चाहिए था। मैंने तीन हफ़्ते लिए, हर गेंद दोबारा देखी, और चार श्रेणियों का मॉडल बनाया — सीम मूवमेंट, अनिर्णय, स्कोरबोर्ड का दबाव, तकनीकी गड़बड़ी — और तय किया कि उसके बाद कोई भी पतन-रिपोर्ट बिना हर विकेट को श्रेणी दिए नहीं लिखूँगा। उसी अनुशासन का उल्टा भी सच है। जब डेटा खाली आता है, तो पतन को श्रेणी देने का मेरा पूरा ढाँचा भी काम नहीं करता — क्योंकि श्रेणी देने के लिए जो सबूत चाहिए, वह किसी सिस्टम ने चुपचाप हटा दिया। यानी मेरी टैक्सोनॉमी उतनी ही मज़बूत है जितना उसका इनपुट। यहाँ मुझे एक और काउंटर-इंट्यूएटिव बात कहनी है जो मुझे लंबे समय से परेशान करती है। हम आम तौर पर मानते हैं कि ज़्यादा डेटा बेहतर चयन देता है। मेरा अनुभव कहता है कि ज़्यादा डेटा तभी बेहतर है जब उसकी विफलता दिखाई दे। अगर डेटा की विफलता छिपी रहे — 'N/A' बनकर — तो ज़्यादा डेटा का मतलब है ज़्यादा छिपी हुई विफलता, और उससे बना मॉडल पहले से कम भरोसेमंद है। यह ठीक वैसी ही गलती है जैसे 2026 विश्व कप में स्पेन की हार को सिर्फ़ 'गेंदबाज़ी अच्छी नहीं थी' कहकर समझाना। उस 1 जुलाई को लुझ्निकी में स्पेन ने 1,029 पास पूरे किए और रूस से पेनल्टी पर 1-1 के बाद हार गया। मैंने 2,400 शब्द लिखे कि विफलता रणनीति की नहीं, ज्यामिति की थी — स्पेन का पजेशन रूस के पाँच-आदमी वाले लो ब्लॉक के चारों ओर U के आकार में घूमता रहा, और हाफ़-स्पेस 120 मिनट तक खाली पड़े रहे। मेरे उस लेख का असली सबक यह नहीं था कि स्पेन ने गलत खेला। असली सबक यह था कि जो आँकड़ा एक खाली जगह को नहीं दिखाता, वह आपको जीत की कहानी सुना देता है। क्रिकेट में यही बात लागू होती है। अगर आपका डेटा यह नहीं बताता कि कौन सा प्रदर्शन दर्ज होने से रह गया, तो आपका डेटा आपको सबसे भरोसेमंद चयन की कहानी सुनाएगा — जबकि असल में वह सबसे सुविधाजनक चयन की कहानी सुना रहा होगा। अब ज़रा उस समाधान की ओर। यह जटिल नहीं है। पाइपलाइन के हर चरण पर एक सख़्त जाँच चाहिए: अगर शीर्षक खाली है या सूचना-बिंदुओं की सूची खाली है, तो उस रिकॉर्ड को 'extraction_failed' का लेबल दो और उसे अगले चरण में मत भेजो। इसे 'कोई जानकारी नहीं' मत कहो। इसे 'जानकारी नहीं मिली' कहो। यह फ़र्क़ छोटा लगता है लेकिन इससे पूरा सिस्टम बदल जाता है। 'कोई जानकारी नहीं' कहने पर सिस्टम आगे बढ़ जाता है और खिलाड़ी गायब हो जाता है। 'जानकारी नहीं मिली' कहने पर सिस्टम रुकता है, अलर्ट भेजता है, और कोई इंसान देखता है कि क्या छूटा। दूसरी ज़रूरत डाउनस्ट्रीम में है। हर सीज़न के अंत में यह मापना चाहिए कि घरेलू टूर्नामेंट के जिन दर्जनों मैचों की रिपोर्ट मीडिया में आई, उनमें से कितनी डिजिटल फीड में दर्ज हुई। अगर कवरेज और डेटा के बीच का अंतर 20 फ़ीसदी से ज़्यादा है, तो चयन प्रक्रिया में एक संरचनात्मक अंधा धब्बा है, चाहे कोई भी उसे स्वीकार करे या न करे। अगले घरेलू सीज़न की पहली बड़ी नॉकआउट सीरीज़ पर मेरी नज़र इस बात पर होगी कि किसी भी टीम ने अपने स्क्वाड की घोषणा के साथ यह बताया या नहीं कि उसने किन खिलाड़ियों को डेटा के आधार पर चुना और किन को आँखों के देखे प्रदर्शन के आधार पर। जिस दिन कोई फ्रेंचाइज़ी यह सार्वजनिक करेगी कि उसके स्काउटिंग डेटाबेस में सीज़न के दौरान कितने रिकॉर्ड खाली आए, उस दिन हमें पता चलेगा कि यह सिर्फ़ एक तकनीकी खामी नहीं थी। अगर यह नहीं हुआ, तो एक साल बाद इसी शीर्षक के साथ एक और लेख लिखा जाएगा — और उसमें भी कोई यह नहीं जान पाएगा कि कौन सा शतक किसी खाली स्ट्रिंग के नीचे दब गया। मुझे इस बात का अफ़सोस है कि मेरा अपना पहला सिस्टम भी कुछ ऐसा ही करता था, और उसे पकड़ने में मुझे तीन हफ़्ते लगे — जबकि सिर्फ़ एक चेतावनी संदेश काफ़ी होता। यही सबक क्रिकेट से बड़ा है।