শূন্য স্কোরকার্ডের পাঠ: ডেটা পাইপলাইন যখন খালি ফেরে, ক্রিকেট বিশ্লেষণ তখন কোথায় দাঁড়ায়

১১ ফেব্রুয়ারি, ২০২৬। মিরপুর শেরে-বাংলা স্টেডিয়ামের প্রেস বক্স, তৃতীয় সারি। ল্যাপটপে চলছিল ব্যাল-বাই-ব্যাল স্ক্র্যাপার, পাশে খোলা ছিল নিজের বানানো প্রেশার-ওভার শিট। সন্ধ্যার ম্যাচে ১৭তম ওভার শুরু হলো, পর্দায় নতুন সারি নামল ফাঁকা। ১৮তম ওভারেও ফাঁকা, ১৯তম ওভারেও। ফিড মরে গেছে, ম্যাচ নয়। ওই তিন ওভার আমি হাতে লিখলাম — স্ক্রিনের সেকেন্ড গুনে গুনে, তাসকিন আহমেদের স্পেলের প্রতিটি ডেলিভারি আলাদা করে। রাত শেষে হিসাব মিলিয়ে দেখলাম, ওই স্পেলের প্রেশার সূচক যন্ত্রে উঠেছিল ৩১ শতাংশ, হাতে গোনা সংখ্যায় ৪২ শতাংশ। পার্থক্য এগারো শতাংশ পয়েন্ট। স্কোরকার্ড ভুল বলেনি। ভুলটা বসেছিল শূন্য ঘরে — যেখানে সংখ্যা থাকার কথা, সেখানে কিছুই ছিল না, আর সিস্টেম সেটিকে শূন্য ধরে হিসাব এগিয়ে নিয়েছিল।

সেই রাতেই আরও বড় একটি পাইপলাইন খালি ফিরল। একটি স্বয়ংক্রিয় বিশ্লেষণধাপ লেখা পড়ে ছয়টি ঘর ফেরত দিল: শিরোনাম নেই, সূত্র নেই, ধরন "Unclassified", সারসংক্ষেপ ফাঁকা, তথ্যবিন্দুর তালিকা ফাঁকা, সংশ্লিষ্ট সংস্থার নামও ফাঁকা। ছয়টির মধ্যে একটিমাত্র ঘর ঠিক ছিল — ডোমেইন লেবেল: cricket_world।

দুটি ফাঁকা ঘর, একই রোগ। একটি মাঠে, একটি সার্ভারে।

ভিত্তি: ২০১৭, খুলনা। ঢাকার একটি সংবাদদাতা ডেস্ক ছেড়ে আমি তখন "এক্সপেক্টেড ট্রুথ" নামে একটি ডেটা নিউজলেটার চালু করেছি, নিজেকে ডাকি ডেটা মঙ্ক বলে। ওই বছর বাংলাদেশ প্রিমিয়ার লিগের জন্য একটি xG মডেল বানিয়ে আবাহনী লিমিটেড ঢাকার শিরোপা-অভিযান ট্র্যাক করেছিলাম: ২৬.৮ xG থেকে ৩৪ গোল, অর্থাৎ প্লাস ৭.২ ওভারপারফরম্যান্স। শেখ জামাল ধানমন্ডি ক্লাবের বিপক্ষে ২-০ জয়ের ম্যাচে লিখে রেখেছিলাম তাদের PPDA-ও। ফলাফল: চার হাজার সাবস্ক্রাইবার এবং একটি সিন্ডিকেশন চুক্তি।

সেই সাফল্যের দাম দিয়েছি অন্য জায়গায়। প্রতিটি লেখার সঙ্গে মেথডোলজি নোট ছাপতে শুরু করলাম, আর সেই ন perfeksনিস্ট ঝোঁকেই লেখা ৪৮ ঘণ্টা দেরিতে প্রকাশ পেতে লাগল। ২০১৮ রাশিয়া বিশ্বকাপে ক্রোয়েশিয়ার সাত ম্যাচ ট্র্যাক করলাম — ৯.৬ xG থেকে ১৪ গোল, প্লাস ৪.৪ ওভারপারফরম্যান্স, লুকা মোদরিচ ৭২.৩ কিলোমিটার দৌড়েছেন। ১৫ জুলাই ২০১৮-র ফাইনালে ফ্রান্স ৪-২ গোলে জিতল, আর আমার প্রাক-ম্যাচ মডেল ফ্রান্সকে দিয়েছিল ৫৮ শতাংশ জয়ের সম্ভাবনা। ওই গবেষণা ESPN ও দ্য গার্ডিয়ান সাইট করেছে। তারপর থেকেই টুর্নামেন্ট শুরুর আগে অনুমান লিখে ফেলার নিয়মটা নিজের ওপর চাপিয়ে নিয়েছি — হাইপোথিসিস, স্যাম্পল উইন্ডো আর রিভিশন রুল আগেই ঘোষণা করা।

ভিত্তি: ২০২০, বিশ্বব্যাপী বিরতি ও ফাঁকা গ্যালারি। রাশিয়া থেকে পাওয়া ট্র্যাকিং ডেটা ব্যবহার করে বুন্ডেসলিগার বন্ধ-দরজার ম্যাচগুলো করলাম। ৮৩টি ফাঁকা স্টেডিয়াম ম্যাচে হোম দলের প্রতি ম্যাচে পয়েন্ট ১.৫৪ থেকে নেমে ১.২১-এ দাঁড়ায়, গড় গোল ৩.১ থেকে ২.৭-তে। PPDA আর দূরত্ব ব্যবহার করে বানালাম "এম্পটি স্টেডিয়াম ইনডেক্স"; বায়ার্ন মিউনিখের PPDA ৭.২ থেকে শক্ত হয়ে ৬.৪-তে নামে। ইনডেক্সটি পাঁচটি অ্যাকাডেমিক প্রিপ্রিন্টে উদ্ধৃত হলো, আর আমি দুটি প্রকাশনার সময়সীমা হাতছাড়া করলাম — কারণ ইনডেক্স perfected করতে গিয়ে দেরি করেছি।

এই ইতিহাসটা বললাম কারণ ১১ ফেব্রুয়ারির ফাঁকা আউটপুটকে আমি ব্যর্থতা বলি না। ছয়টি ঘরের মধ্যে পাঁচটি ফাঁকা থাকা নিজেই একটি ডেটা পয়েন্ট — শর্ত থাকে, আপনি আগে থেকে ঠিক করে রাখুন খালি ফলকে কী করবেন। ক্রিকেটে সময়সংবেদনশীলতা আরও নির্দিষ্ট: আইসিসি র‍্যাঙ্কিংয়ের রোলিং উইন্ডো প্রতি ম্যাচেই সরে যায়, ফ্র্যাঞ্চাইজি রিটেনশন-উইন্ডো বছরে একবার বন্ধ হয়, ইনজুরি তালিকা দিনে বদলায়, বোর্ড নির্বাচনের চক্রে সিদ্ধান্তের গতি পাল্টায়। ৭২ ঘণ্টা দেরি মানে সংখ্যাটি তখন অন্য প্রশ্নের উত্তর দিচ্ছে।

তাই ১২ ফেব্রুয়ারির সকালে আমি ফাঁকা আউটপুটটিকে তিন ভাগে ভাঙলাম, আর দেখলাম ক্রিকেট ডেটার সঙ্গে এর গঠনগত মিল কোথায়।

প্রথমত, শূন্য আর অনুপস্থিত এক নয়, অথচ স্কোরকার্ড দুটোকে একইভাবে লেখে। একজন বোলারের ফিগার ০/৩২ লেখা থাকতে পারে, আবার তার ফিগার কোথাও লগই হয়নি — উভয় ক্ষেত্রেই ঘরটি ফাঁকা দেখায়। সরল পার্সার ফাঁকাকে শূন্য পড়ে। মিরপুরের ওই তিন ওভারে আমার সিস্টেম ঠিক এই কাজটাই করেছিল। অথচ ঘটনাটি উল্টো: ওখানে ডেলিভারি ছিল, রেকর্ড ছিল না। অনুপস্থিতি যোগ হচ্ছে, বিয়োগ হচ্ছে না — এই পার্থক্যটা না ধরলে প্রতিটি কম্পোজিট ইনডেক্স নিঃশব্দে বিকৃত হয়।

দ্বিতীয়ত, ব্যর্থতার তিনটি আলাদা ू আছে, আর তিনটির ডায়াগনস্টিক স্বাক্ষরও আলাদা। একটি: ইনপুটের দৈর্ঘ্য শূন্য — জাভাস্ক্রিপ্ট রেন্ডার না হওয়া, পেওয়াল, অ্যান্টি-স্ক্র্যাপিং প্রতিরোধ। এর টেলিগ্রাফিক চিহ্ন হলো "Unclassified" ধরন আর ফাঁকা সারসংক্ষেপের একসঙ্গে হাজির হওয়া; বাস্তব লেখা দেখলে কোনো ক্লাসিফায়ার প্রায় কখনোই দুটো একসঙ্গে দেয় না। দুই: স্কিম ভ্যালিডেশন গোটা রেকর্ডটাই গিলে ফেলা — যেমন একটি ফিড বোলারের ধরন লেখে "offbreak", অথচ এনাম হোয়াইটলিস্টে জায়গা পায় শুধু "off-spin"; তখন শুধু ওই একটি ভুল ঘর নয়, পুরো ডেলিভারি সারিটাই হারায়, ভালো ঘরগুলোসহ। তিন: ফেচার ২০০ স্ট্যাটাস ফেরত দিয়ে ফাঁকা বডি পাঠানো — এখানে বিচার করতে হয় লগের বাইট কাউন্ট দেখে, কোড দেখে নয়।

এই তিনটি আলাদা করার লাভ আছে। কারণ প্রথমটি সাংবাদিকতার প্রশ্ন, দ্বিতীয়টি ইঞ্জিনিয়ারিংয়ের, তৃতীয়টি ব্যবসায়িক মডেলের। তিনটিকে একই ঝুড়িতে ফেলে "ডেটা পাওয়া যায়নি" লেখা মানে রোগনির্ণয় না করেই চিকিৎসা শুরু করা।

তৃতীয়ত, এবং এটাই সবচেয়ে অস্বস্তিকর — গায়েবি ডেটা বিশ্লেষণে শব্দ তৈরি করে না, পক্ষপাত তৈরি করে, আর সেই পক্ষপাতের দিকটি প্রায় সবসময়ই "অধিক পারফরম্যান্স"-এর দিকে। ২০১৭ সালের আবাহনীর হিসাবটা মনে করুন: ২৬.৮ xG থেকে ৩৪ গোল। ধরা যাক শট-লোকেশন ডেটার এক-পঞ্চমাংশ নিঃশব্দে হারিয়েছে — ফিড সাধারণত বক্সের বাইরের দূরপাল্লার শটগুলোই সবচেয়ে অবহেলায় লগ করে, যেগুলোর xG মান খুব কম। সেই কম-xG শটগুলো বাদ পড়লে মোট xG আরও নেমে যাবে; তখন একই ৩৪ গোল দেখাবে প্লাস ১০-এর মতো। সংখ্যাটা বেশি চটকদার হবে, প্রমাণ হবে কম। এই ফাঁদটাই সবচেয়ে বিপজ্জনক: যে গল্পটি বেশি উত্তেজক, তার পেছনের ডেটাতেই ফাঁক বেশি।

ক্রোয়েশিয়ার উদাহরণে স্কেলটা আরও নির্মম। সাত ম্যাচের স্যাম্পলে একটি ম্যাচ হারানো মানে স্যাম্পলের ১৪ শতাংশ হারানো। ৯.৬ xG-এর ভেতরে যদি সবচেয়ে কম-সম্ভাব্য দুটি গোল রেকর্ড না হয়, ওভারপারফরম্যান্সের চেহারা বদলে যায়, অথচ গোলসংখ্যা একই থাকে। ২০২০ সালের এম্পটি স্টেডিয়াম ইনডেক্সেও একই যুক্তি: ৮৩টি ম্যাচের মধ্যে পাঁচটি চুপচাপ ঝরে গেলে হোম-পয়েন্টের পতন ১.৫৪ থেকে ১.২১ — এই ব্যবধানটি দিক বদলাবে না, কিন্তু আত্মবিশ্বাসের পরিসর এত চওড়া হবে যে সিদ্ধান্তে পৌঁছানোর আগে দুবার ভাবতে হবে। ফাঁকা সারি কখনো ঘোষণা দিয়ে হারায় না।

বাংলাদেশের ঘরোয়া ক্রিকেটে এই ঝুঁকির একটি নির্দিষ্ট জ্যোতির্বিজ্ঞান আছে। যেসব ম্যাচে টেলিভিশন ক্যামেরা যায় না, সেখানে বল-বাই-ব্যাল ফিডও কম নির্ভরযোগ্য; ওই ম্যাচগুলোর স্কোরকার্ড প্রায়ই একক সূত্রে দাঁড়ায়। মুশফিকুর রহিমের মতো উইকেটকিপারের ক্ষেত্রে বাই-এর পেছনে ডাইভ, স্টাম্পিংয়ের সময়, রিভিউ নেওয়ার আগের দ্বিধা — এসব কিছু কোনো ফিডে থাকে না, কোথাও থাকে। ফলে উইকেটকিপিংয়ের একটি সূচক বানালে যন্ত্রটি মূলত গ্লাভসবন্দি ক্যাচ গোনে, আর ক্রিকেটারকে বিচার করে তার বাদবাকি কাজ বাদ দিয়ে। পরিসংখ্যান মিথ্যা বলে না; সে শুধু সেই অংশটুকু বলে, যেটুকু কেউ লিখে রেখেছে।

চতুর্থত, ফাঁকা ইনপুটের জবাবে আমার প্রি-রেজিস্টার্ড প্রোটোকল এখন চারটি নিয়মে দাঁড়ায়। এক: কোনো ফেজের ১৫ শতাংশের বেশি ডেলিভারি অনুপস্থিত থাকলে সেই ফেজ বাতিল, ইম্পিউট নয় — অনুমান দিয়ে ভরাট করা মানে মডেলকে নিজের গল্প নিজেই লিখতে দেওয়া। দুই: তুলনাগোষ্ঠী সিরিজ শুরুর আগেই স্থির, ফল দেখে বদলানো যাবে না। তিন: রিভিশন রুল আগেই প্রকাশ — কোন নতুন প্রমাণ এলে আমার পূর্বানুমান বদলাবে, সেটি লিখে রাখা। চার: প্রকাশনার সময়সীমা — খালি ফল প্রাপ্তির ২৪ ঘণ্টার মধ্যে একটি "নাল রিপোর্ট" ছাপা হবে, অডিট ট্রেইলসহ, নিখুঁত হওয়ার অপেক্ষায় বসে না থেকে। শেষ নিয়মটি আমার নিজের ক্ষত থেকে শেখা, ২০২০ সালে দুটি উইন্ডো হারানোর পর।

এর সঙ্গে যোগ হয়েছে ডেটা-প্রোভেন্যান্স লেবেলিং: তিন স্তরে ভাগ করি — দ্বৈত-যাচাইকৃত (স্কোরকার্ড প্লাস বল-বাই-ব্যাল), একক-সূত্র, এবং অযাচাইকৃত। সংবাদমাধ্যমের ভাষায় এটিকে অতি-সতর্কতা মনে হতে পারে; বিশ্লেষণের ভাষায় এটি মূলধন সুরক্ষা।

সংখ্যাগুলো মডেল ভাঙেনি; তারা দেখিয়েছে মডেল কোথায় অন্ধ। ১১ ফেব্রুয়ারির ফাঁকা আউটপুট মডেলের দুর্বলতা প্রমাণ করেনি, বরং দেখিয়েছে মডেলটি অনুমান করতে পারেনি বলে থেমে গেছে — যন্ত্রের পক্ষে যা সম্ভব, মানুষের পক্ষে যা প্রায়ই হয় না।

এখানেই উল্টো প্রশ্নটি আসে। একটি যন্ত্র যখন "Unclassified" বলে চুপ করে যায়, তখন সে সাংবাদিকতার সবচেয়ে কঠিন শৃঙ্খলাটি পালন করে: না জেনে না বলার শৃঙ্খলা। একজন মানুষ এই জায়গায় সাধারণত অন্য পথ নেয় — ফাঁকা ঘরটি adjective দিয়ে ভরে দেয়। "দুর্দান্ত স্পেল", "ম্যাচের মোড় ঘুরিয়ে দেওয়া ওভার" — এসব বাক্যের বিরুদ্ধে কোনো স্কিম ভ্যালিডেশন নেই, তাই এগুলো কখনো ব্যর্থ হয় না, কেবল জমা হয়।

তবে এখানেই আমার সবচেয়ে বড় সংশয়। পাইপলাইনের ব্যর্থতাকে আমি সহজে "আপস্ট্রিম সমস্যা" বলে চালিয়ে দিতে চাই না — কারণ সেটাও একটি হাইপোথিসিস, যার প্রমাণ লাগে লগে, বাইট কাউন্টে, র Responsesponse কোডে। যেটা প্রথমে দরকার তা হলো কাঁচা HTML আর এক্সট্র্যাকশন লগ; সেগুলো ছাড়া পুরো আলোচনাটাই ुा। আর দ্বিতীয় সংশয়টি পেশাগত: কখনো কখনো খালি বডিটাই গল্প — ম্যাচ আছে ফিক্সচারে, কভারেজ নেই কোথাও। সেটি তখন প্রযুক্তির বাগ নয়, ক্রিকেট-সংবাদমাধ্যমের অর্থনীতির ফলাফল। যে ম্যাচে ক্যামেরা যায় না, সে ম্যাচে ডেটাও যায় না; আর যে ম্যাচে ডেটা যায় না, সে ম্যাচের ক্রিকেটাররা র‍্যাঙ্কিং সূচকে পিছিয়ে পড়েন — এ পিছিয়ে পড়া পারফরম্যান্সের নয়, দৃশ্যমানতার।

তাই ডেটা মঙ্কের অভ্যাসটা এখানে সীমা মানতে শেখে: আউটলায়ারের পেছনে ছুটব, কিন্তু সে স্বীকারোক্তি দেওয়া পর্যন্ত; আর স্বীকারোক্তি না এলে লিখে দেব যে সে এখনো দেয়নি। মাঠের রিপোর্ট, স্কোরারের নোট, কোচের সাক্ষাৎকার — এই ত্রিভুজ ছাড়া সূচক শুধু নিজের ছায়া মাপে।

আগামী দুই আইসিসি র‍্যাঙ্কিং চক্রে ক্রিকেট-ডেটার বাজারে একটি নতুন লেবেল দেখতে পাওয়ার সম্ভাবনা আমি প্রি-রেজিস্টার করে রাখছি: প্রতিটি প্রকাশিত সূচকের পাশে তার নমুনার অনুপস্থিতি-হার। যদি বারো মাসের মধ্যে বড় কোনো ক্রিকেট ডেটা প্ল্যাটফর্ম এই লেবেল চালু না করে, তবে ধরে নেব আমার মডেলটি ভুল জায়গায় বাজি ধরেছিল — প্রক্রিয়া অডিট আলাদা, ফলাফল আলাদা।

আর আমার নিজের জন্য ঘোষণাটি সহজ: পরের বার Stage-1 খালি ফিরলে ফাঁকা ঘরগুলো মুছে দেওয়া হবে না, বরং ওই ফাঁকা ঘরগুলোই হবে প্রতিবেদনের প্রথম অনুচ্ছেদ — কারণ অনুপস্থিতি একটি তথ্য, আর তথ্য চাপা দেওয়ার সবচেয়ে সাধারণ রূপটি অনুমান দিয়ে ভরাট করা।

প্রত্যাশিত সত্য কোনো রায় নয়; সেটি একটি অনুমান — যার একটি বৈধতা-শর্ত, একটি সময়সীমা, আর একটি প্রত্যাহারের নিয়ম থাকতে হয়। খালি ঘরের সামনে দাঁড়িয়ে ক্রিকেট সাংবাদিকতা এখন কোনটি বেছে নেবে: শূন্য লিখবে, নাকি জানে না বলে দেবে?