खाली डेटासेट को सच मान लेने की आदत: क्रिकेट एनालिसिस की पाइपलाइन में एक चुपचाप फैलती खराबी

स्टेज-1 डीकंस्ट्रक्शन का जो पैकेज मेरे पास आया, उसमें केवल एक फ़ील्ड भरी थी — cricket_world। शीर्षक N/A, स्रोत N/A, सारांश खाली, स्टैंड N/A, सूचना-बिंदुओं की सूची खाली, और 'Entities Involved' के आगे लिखा था 'ऊपर दिए सूचना-बिंदुओं से पहचानें' — जबकि ऊपर कोई बिंदु ही नहीं था। यह वह क्षण है जब एक डेटा पाइपलाइन चुपचाप झूठ बोलना शुरू कर देती है।

मैंने 2026 में वानखेड़े की स्टैंड्स में बैठकर मुंबई बनाम तमिलनाडु रणजी मैच के 546 रन हाथ से कोड किए थे — उन्नीस घंटे, तीन रातें, डॉट-बॉल प्रेशर से लेकर फील्ड बदलाव तक। उस अभ्यास ने मुझे एक चीज़ सिखाई जो आज इस रिपोर्ट में सबसे ज़रूरी है: एक साफ़ दिखने वाली फ़ाइल अधिकारिक नहीं होती; वह केवल साफ़ होती है। जब स्कीमा पूरा भरा हो — हर सेक्शन मौजूद, हर हेडिंग जगह पर — तो पाठक और एडिटर दोनों यह मान लेते हैं कि सामग्री भी है। यहाँ सामग्री शून्य थी।

समस्या का स्वरूप समझिए। स्टेज-1 का आउटपुट 'schema-complete but content-empty' है। यानी टेम्पलेट के स्लॉट भरे हुए दिखते हैं, लेकिन उनमें असली मान नहीं, बल्कि टेम्पलेट के डिफ़ॉल्ट वाक्य हैं — 'identify from the information points above', 'judge from the source fields of the information points', 'not assessed in Stage 1'। यह भाषा किसी मॉडल के निर्णय की नहीं, बल्कि किसी भरे-बिना-छोड़े गए फ़ॉर्म की है। मेरे अनुभव में जब भी किसी डेटासेट में ऐसे प्लेसहोल्डर वाक्य दिखते हैं, तीन में से दो बार वजह लेख का शरीर ही मॉडल तक न पहुँचना होता है। [Confidence: Medium-High]

अब ज़रा उस नुकसान की कल्पना कीजिए जो इससे होता है। डाउनस्ट्रीम में एक विश्लेषक बैठा है जिसे लगता है कि उसके पास मान्य डीकंस्ट्रक्शन है। वह फ़ॉर्मेट तय करता है, खिलाड़ी चुनता है, रैंकिंग का दावा करता है, और अंत में एक ऐसी रिपोर्ट छाप देता है जिसका हर वाक्य मनगढ़ंत है — क्योंकि मूल में कुछ था ही नहीं। खाली इनपुट से निकला आत्मविश्वास भरा आउटपुट, क्रिकेट एनालिसिस में सबसे महँगी गलती है। मैंने अपने करियर में कई बार देखा है कि जब सैंपल साइज़ शून्य हो, तो सबसे खतरनाक प्रतिक्रिया 'अनुमान लगा लेना' होती है, 'मना कर देना' नहीं।

फिर भी, इस पूरी घटना में एक सकारात्मक पहलू है जिसे नज़रअंदाज़ नहीं करना चाहिए। यह विफलता निदान-योग्य है और सस्ते में ठीक हो सकती है। प्लेसहोल्डर स्ट्रिंग्स साफ़ बताती हैं कि यह मॉडलिंग की सीमा नहीं, बल्कि प्लंबिंग की खराबी है — लेख का बॉडी टेक्स्ट या तो एम्प्टी स्ट्रिंग के रूप में भेजा गया या भेजा ही नहीं गया। इसे ठीक करने के लिए नए मॉडल की ज़रूरत नहीं, बस एक गेट चाहिए जो उन आउटपुट्स को रोक दे जिनमें शीर्षक N/A हो या सूचना-बिंदुओं की संख्या शून्य हो। यह वही अनुशासन है जो मैं अपनी हर हैंड-कोडेड फ़ाइल पर लगाता हूँ: कच्चा लॉग सार्वजनिक रखो, स्कीमा लिखो, और जब स्रोत न मिले तो पन्ने पर साफ़ लिखो कि स्रोत नहीं मिला।

यहाँ एक उलटा कोण भी है जो पाइपलाइन-इंजीनियरिंग से आगे जाता है। हम क्रिकेट में 'डेटा-ड्रिवेन' शब्द का इस्तेमाल अक्सर ऐसे करते हैं जैसे डेटा का होना ही पर्याप्त हो। लेकिन इस मामले में डेटा था — बस खाली था। और खाली डेटा भी एक दावा है। जब कोई सिस्टम 'मुझे जानकारी नहीं है' कहने के बजाय टेम्पलेट भरकर चुप कर जाता है, तो वह उपयोगकर्ता को यह भरोसा देता है कि जानकारी मौजूद है। यह वही गलती है जो हम क्रिकेट के आँकड़ों में बरसों से करते आ रहे हैं — पुराने ज़माने के हाथ से लिखे स्कोरकार्ड, बिना-स्रोत वाले स्ट्राइक रेट, और आज के डेटा-प्रोवाइडर के ब्लैक बॉक्स, तीनों एक ही भ्रम पैदा करते हैं: सटीकता और शुद्धता एक चीज़ नहीं हैं। तीन दशमलव तक का आँकड़ा भी अगर कुछ सौ गेंदों के नमूने से आया है, तो वह सटीक दिख सकता है, शुद्ध नहीं हो सकता।

इसीलिए इस रिपोर्ट में मैंने कोई क्रिकेटिंग निष्कर्ष निकालने से इनकार किया। फ़ॉर्मेट तय नहीं, मैच का स्वरूप अज्ञात, कोई खिलाड़ी नामांकित नहीं, कोई टीम नहीं, कोई तारीख़ नहीं। ऐसे में अगर मैं 'पावरप्ले में गेंदबाज़ी इकॉनमी' या 'होम-ग्राउंड एडवांटेज' पर बात करता, तो वह विश्लेषण नहीं, सजावट होती। और मेरे पेशे की सबसे बड़ी गलती वही है जिसे मैं दूसरों में आलोचता हूँ — बिना विधि के आत्मविश्वास भरा फ़ैसला।

आगे क्या देखना चाहिए? इस घटना का असली सबक़ यह है कि क्रिकेट-डेटा पाइपलाइनों में अब 'कंटेंट-एम्प्टी बट स्कीमा-कम्प्लीट' आउटपुट के लिए एक अनिवार्य रिजेक्शन गेट होना चाहिए। जिस दिन यह गेट हर बैच पर लग जाएगा, उस दिन इस तरह की खाली रिपोर्टें प्रकाशन तक नहीं पहुँचेंगी। और जब तक वह गेट नहीं लगता, तब तक हर डाउनस्ट्रीम विश्लेषक को अपने इनपुट से एक ही सवाल पूछना चाहिए जो मैं अपनी हर फ़ाइल से पूछता हूँ: यह संख्या किसने बनाई, और अगर वह व्यक्ति नहीं मिलता, तो क्या मेरे पास इसे न छापने का साहस है?