শূন্য তথ্যের ফাঁদ: ক্রিকেট বিশ্লেষণে ডেটা পাইপলাইনের নীরব ব্যর্থতা

হুক: স্কোরকার্ডের বাইরে যে ম্যাচটি কেউ দেখেনি

গত সপ্তাহে রংপুরে বসে একটি আঞ্চলিক ক্রিকেট আউটলেটের প্রতিবেদন বিশ্লেষণের কাজে হাত দিলাম। কাগজে-কলমে সেটি ছিল একটি পূর্ণাঙ্গ ম্যাচ রিপোর্ট — শিরোনাম, প্রকাশক, এমনকি একটি আঞ্চলিক ট্যাগও ছিল। কিন্তু যখন তথ্য-পয়েন্টের তালিকা খুললাম, সেটি ছিল সম্পূর্ণ ফাঁকা। কোনো ইনিংস স্কোর, কোনো ওভার রেফারেন্স, কোনো খেলোয়াড়ের নাম নেই। শুধু একটি ট্যাগ ঝুলে আছে: cricket_asia। গত ২৫ বছরে মাঠের কাছ থেকে যে শিক্ষা পেয়েছি, তা হলো — স্কোরলাইন কখনো পুরো সত্য বলে না, কিন্তু শূন্য তথ্যও কখনো নিরীহ থাকে না। এটি একটি ম্যাচ রিপোর্ট নয়; এটি একটি ডেটা-পাইপলাইনের নীরব ব্যর্থতার নমুনা।

প্রেক্ষাপট: আট-স্তরের কাঠামো এবং একটি খালি কাঠামো

যে বিশ্লেষণ কাঠামোটি আমি ব্যবহার করি, সেটি আটটি স্তরে বিভক্ত — ফরম্যাট ও ম্যাচ বিশ্লেষণ, খেলোয়াড়ের কৌশল ও ডেটা, দলের ল্যান্ডস্কেপ ও র‍্যাঙ্কিং, লিগ ও বাণিজ্যিক ইকোসিস্টেম, নিয়ম ও গভর্নেন্স, ঝুঁকি বিশ্লেষণ, জন-আখ্যান ও প্রত্যাশা, এবং শিল্প-প্রসারণ। প্রতিটি স্তরের নিজস্ব ইনপুট দরকার। ফরম্যাট স্তরের জন্য দরকার টেস্ট/ওডিআই/টি-টোয়েন্টি চিহ্নিতকরণ; খেলোয়াড় স্তরের জন্য দরকার নাম ও ভূমিকা; দল স্তরের জন্য দরকার র‍্যাঙ্কিং ও স্কোয়াড।

এই প্রতিবেদনে কোনোটি নেই। তবুও আটটি স্তরই পূরণ করা হয়েছে — প্রতিটিতে লেখা "N/A – অপর্যাপ্ত তথ্য"। এখানেই আসল বিপদ। একটি সম্পূর্ণ ফরম্যাটে সাজানো রিপোর্ট, যার ভেতরে কোনো ফলাফল নেই, সেটি একটি স্পষ্ট ত্রুটির চেয়েও বেশি বিপজ্জনক — কারণ তার আকৃতি প্রমাণ করে যে সে rigor ধারণ করে, যা আসলে তার নেই।

আমি ২০১৭ সালে চেলসির ৩-৪-৩ ম্যাপিং শুরু করার সময় একটি নিয়ম তৈরি করেছিলাম: ১০ ম্যাচের ডেটা না পাওয়া পর্যন্ত কোনো সিদ্ধান্ত নয়, ৭২ ঘণ্টা যাচাই না হওয়া পর্যন্ত প্রকাশ নয়। সেই নিয়মের মূল ভিত্তি ছিল — তথ্যের অভাব মানে বিশ্লেষণের অভাব, এবং সেটি স্বীকার করা বিশ্লেষণেরই অংশ।

মূল বিশ্লেষণ: ব্যর্থতার স্বাক্ষর এবং এর প্রমাণ-শৃঙ্খল

ডেটা পাইপলাইনের ব্যর্থতার ধরনটি এখানে স্পষ্ট। ডোমেইন ক্লাসিফায়ার কাজ করেছে — cricket_asia ট্যাগ তৈরি হয়েছে। কিন্তু তথ্য-পয়েন্ট নিষ্কাশন ব্যর্থ হয়েছে। এই সমন্বয় — ট্যাগ আছে, শরীর নেই — একটি উচ্চ-নির্ভুলতার ডায়াগনস্টিক। এটি নির্দেশ করে যে শ্রেণীবিভাগকারী মেটাডেটা (শিরোনাম/প্রকাশক/ট্যাগ) দেখে কাজ করেছে, কিন্তু মূল পাঠ্য কখনো নিষ্কাশন স্তরে পৌঁছায়নি।

সম্ভাব্য মূল কারণ তিনটি, অবরোহী সম্ভাবনার ক্রমে: প্রথমত, মূল পাঠ্য নিষ্কাশন ব্যর্থতা (পেওয়াল বা জাভাস্ক্রিপ্ট-রেন্ডার্ড পৃষ্ঠা)। দ্বিতীয়ত, অ-ল্যাটিন লিপি বা অসমর্থিত ভাষা — বাংলা, উর্দু, হিন্দি বা সিংহলি হওয়ার সম্ভাবনা প্রবল, কারণ cricket_asia ট্যাগটি ভৌগোলিক। তৃতীয়ত, ইনপুটটি একটি শিরোনাম বা মেটাডেটা রেকর্ড ছিল, সম্পূর্ণ নিবন্ধ নয়।

এই ব্যর্থতার প্রভাব শুধু একটি নিবন্ধে সীমাবদ্ধ নয়। যদি এই উৎসের একটি আইটেমে নিষ্কাশক ব্যর্থ হয়, তবে সম্ভবত সব আইটেমেই ব্যর্থ হবে। এটি একটি পারস্পরিক সম্পর্কযুক্ত শূন্য-হার, বিচ্ছিন্ন ব্যর্থতা নয়। ফলে প্রশ্নটি দাঁড়ায় — এই আঞ্চলিক-ভাষার উৎস থেকে পদ্ধতিগতভাবে কম নিষ্কাশন হলে, ডাউনস্টream বিশ্লেষণ ইংরেজি-ভাষা, ভারত-কেন্দ্রিক কভারেজের দিকে ঝুঁকে পড়বে। ক্রিকেট বিশ্লেষণে এটি একটি পরিচিত কাঠামোগত বিকৃতি।

এখানে একটি দ্বিতীয় সমস্যা আছে — শ্রেণীবিন্যাসের অসঙ্গতি। Stage-1 ফেরত দিয়েছে cricket_asia, অথচ Stage-2 স্পেসিফিকেশন দাবি করে Cricket। এই অসঙ্গতি নিম্নমুখী সংযোগ ভেঙে দেবে এবং আইটেমটিকে আঞ্চলিক মডেলে ভুল পথে পাঠাবে। একটি ভুল ট্যাগ একটি সঠিক বিশ্লেষণের চেয়ে বেশি ক্ষতি করতে পারে, কারণ এটি নীরবে ভুল জায়গায় পৌঁছে দেয়।

আমার ২৫ বছরের অভিজ্ঞতা বলে, ক্রিকেটে ডেটার অর্থ ফরম্যাট-নির্ভর। একই মেট্রিক বিভিন্ন ফরম্যাটে বিপরীত অর্থ বহন করে — ১৪৫ স্ট্রাইক রেট ওডিআইতে অভিজাত, টি-টোয়েন্টি ফিনিশারের জন্য কেবল গ্রহণযোগ্য। ৭.৫ ইকোনমি ওডিআইতে স্বাভাবিক, টি-টোয়েন্টিতে দুর্বল। ফরম্যাট চিহ্নিত না করে কোনো সিদ্ধান্তই কাঠামোগতভাবে অসমর্থিত। এখানে ফরম্যাট নেই, খেলোয়াড় নেই, ম্যাচ-অবস্থা নেই। একটি বাক্যও যথেষ্ট হতো — "১৭ ওভারে ১৪৭/৪, লক্ষ্য ১৮৯" — যা ফেজ বিশ্লেষণ, পার-স্কোর বেঞ্চমার্কিং এবং চাপ মডেলিং উন্মুক্ত করত।

বিপরীত দৃষ্টিকোণ: কাঠামোর সম্পূর্ণতা যখন প্রতারণা করে

এখানে সবচেয়ে বিপরীতমুখী পর্যবেক্ষণটি হলো — এই প্রতিবেদনের সবচেয়ে বড় ঝুঁকি ক্রিকেট-সংক্রান্ত নয়, জ্ঞানতাত্ত্বিক। আটটি স্তর, প্রতিটি টেবিল, প্রতিটি চেকলিস্ট পূরণ করা হয়েছে। কোনো স্বয়ংক্রিয় স্কোরিং সিস্টেম "রিপোর্ট সম্পূর্ণতা" বিচার করলে এটিকে উচ্চ নম্বর দেবে — এবং ভুল করবে।

আমি ২০১৮ সালে ফ্রান্সের ৪-২-৩-১ নিয়ে লেখার সময় ২৭০ মিনিটের নিয়ম তৈরি করেছিলাম: তিনটি পূর্ণ ম্যাচের ডেটা না আসা পর্যন্ত কোনো রায় নয়। সেই নিয়মের সারমর্ম ছিল সতর্কতা, দ্রুততার প্রতিযোগিতা নয়। কিন্তু সতর্কতার একটি সীমা আছে — যখন তথ্যই নেই, তখন সতর্কতা মানে স্বীকার করা যে বিশ্লেষণ সম্ভব নয়। এই প্রতিবেদনটি সেটি করেছে, যা সঠিক। কিন্তু বিপদ হলো, কেউ যদি এটিকে "বিশ্লেষণ সম্পন্ন" ভেবে এগিয়ে যায়, তবে সে শূন্যের ওপর ভিত্তি করে সিদ্ধান্ত নেবে।

দ্বিতীয় বিপরীত দিকটি হলো সততা-সংক্রান্ত। একটি খালি পেলোড কোনো ম্যাচ ফিক্সিং, দুর্নীতি বা অসদাচরণের কোনো ভিত্তি দেয় না। তবুও "ঝুঁকি খুঁজে বের করার" চাপে বিশ্লেষকরা কখনো কখনো এমন ঝুঁকি তৈরি করেন যা তথ্যে নেই। সততা-মার্গটি এখানে আনুষ্ঠানিকভাবে বন্ধ ঘোষণা করা উচিত — কারণ অনুমান-ভিত্তিক অভিযোগ একটি খালি নিবন্ধের চেয়েও বেশি ক্ষতিকর।

তৃতীয় বিপরীত দিক — বাণিজ্যিক স্তর। cricket_asia ট্যাগযুক্ত আঞ্চলিক ক্রিকেট কভারেজ সাধারণত মাঠ বা বোর্ড-স্তরের বিষয় নিয়ে কাজ করে; লিগ বাণিজ্য একটি পৃথক বিট। এই স্তরটি সম্ভবত সম্পূর্ণ অপ্রাসঙ্গিক। বিশ্লেষকদের একটি সাধারণ এবং বিশ্বাসযোগ্যতা-ক্ষতিকর ব্যর্থতা হলো — অ-বাণিজ্যিক উৎসের ওপর জোর করে বাণিজ্যিক বিশ্লেষণ চাপিয়ে দেওয়া।

টেকঅ্যাওয়ে: পরবর্তী ম্যাচের জন্য যাচাইযোগ্য প্রশ্ন

আমি এই আইটেমটিকে PENDING_REEXTRACTION অবস্থায় রাখার পক্ষে। মূল পেলোড (HTML/PDF/API প্রতিক্রিয়া) থেকে Stage-1 পুনরায় চালানো হোক — প্রক্রিয়াজাত রেকর্ড থেকে নয়। যেকোনো অ-খালি তথ্য-পয়েন্ট তালিকা সঙ্গে সঙ্গে ১-৩ স্তর উন্মুক্ত করবে।

আগামী সপ্তাহে যখন এই উৎসের পরবর্তী নিবন্ধটি আসবে, আমি তিনটি জিনিস দেখব। প্রথমত, শূন্য-হার কি পুনরাবৃত্ত হয়? যদি হয়, সমস্যাটি সম্পাদকীয় নয়, অবকাঠামোগত। দ্বিতীয়ত, মূল পেলোডে অ-ল্যাটিন লিপি আছে কি? থাকলে ভাষা-হ্যান্ডলিং মূল কারণ। তৃতীয়ত, শ্রেণীবিন্যাস মানচিত্র কি cricket_asia-কে Cricket-এর বৈধ সন্তান-নোড হিসেবে স্বীকার করে? না করলে একটি সম্পূর্ণ আঞ্চলিক কোহোর্ট ভুল পথে যাবে।

ক্রিকেটে যেমন ফরম্যাট না জানলে কোনো স্ট্রাইক রেট অর্থহীন, তেমনি তথ্য না থাকলে কোনো বিশ্লেষণ কাঠামো অর্থহীন। প্রশ্নটি হলো — আমরা কি সেই শূন্যতাকে স্বীকার করার সাহস রাখি, নাকি কাঠামোর সম্পূর্ণতাকে প্রমাণ ভেবে বিভ্রান্ত হই?