जब डेटा खाली लौटता है: क्रिकेट विश्लेषण का वह जोखिम जो कोई डैशबोर्ड नहीं दिखाता

पाइपलाइन ने दो मिनट चालीस सेकंड में काम निपटाया। स्क्रीन पर पहले स्तर का आउटपुट खुला और उसमें कुछ नहीं था। शीर्षक — लागू नहीं। स्रोत — लागू नहीं। लेख का प्रकार — अनवर्गीकृत। एक-वाक्य सारांश — खाली। लेखक का रुख और लेख का उद्देश्य — दोनों लागू नहीं। और सूचना बिंदुओं की सूची — बिलकुल खाली। उस पूरे दस्तावेज़ से एक ही संकेत ज़िंदा बचा था, एक टैक्सोनॉमी टैग: cricket_asia।

बीस साल डेटा डेस्क पर बिताने के बाद एक बात साफ़ हो गई है — विश्लेषण का सबसे खतरनाक आउटपुट गलत आउटपुट नहीं होता। गलत नंबर पर बहस शुरू हो जाती है, टिप्पणीकार उसे चुनौती देते हैं, कोई न कोई उसे चीरकर दिखा ही देता है। खतरनाक आउटपुट वह होता है जो चुपचाप खाली लौटता है और भीतर जाते समय किसी को भरोसा दिला देता है कि काम हो गया। खाली सूची पर कोई बहस नहीं करता। जो बहस से बच जाता है, वह अगली रिपोर्ट में 'शून्य' बनकर बैठ जाता है — और शून्य कभी शून्य जैसा नहीं दिखता, वह निष्कर्ष जैसा दिखता है।

उस रात मैंने पहली बार अपनी नोटबुक में लिखा कि एनालिटिक्स पाइपलाइन की सबसे बड़ी कमज़ोरी उसका मॉडल नहीं, उसका सन्नाटा है। और सन्नाटे को नापने का कोई स्तंभ हमारे डैशबोर्ड पर मौजूद नहीं था। यही वह बिंदु है जहाँ एक तकनीकी खामी, अगर वक्त पर न पकड़ी जाए, प्रकाशन-स्तर के दावे में बदल जाती है — और तब विश्लेषक को यह पता भी नहीं चलता कि उसने किसका नाम किस बात के लिए इस्तेमाल कर लिया।

अब थोड़ा सिस्टम समझ लेना ज़रूरी है, क्योंकि इस पूरी रिपोर्ट की कीमत उसी सिस्टम में छिपी है। हमारा विश्लेषण दो-स्तरीय पाइपलाइन पर चलता है। पहला स्तर स्रोत दस्तावेज़ को तोड़कर उसमें से 'सूचना बिंदु' निकालता है — छोटे, पूरे, उद्धरण-योग्य तथ्य, जिनमें इकाई, घटना और संदर्भ तीनों मौजूद हों। दूसरा स्तर उन्हीं बिंदुओं पर आठ आयामों में विश्लेषण करता है: प्रारूप और मैच, खिलाड़ी तकनीक, टीम परिदृश्य, लीग और वाणिज्य, नियम-शासन, जोखिम, जन-कथानक, और उद्योग-संचरण।

इस पाइपलाइन का अनुबंध सीधा है। दूसरे स्तर का हर निष्कर्ष पहले स्तर के किसी क्रमांकित बिंदु तक वापस जाना चाहिए। बिंदु नहीं, तो निष्कर्ष नहीं। यह नौकरशाही नहीं है; यह वह अनुशासन है जिसकी कीमत मैंने बहुत पहले चुकाई थी।

2026 में कोलकाता के एक डिजिटल स्पोर्ट्स स्टार्टअप में मैंने आईपीएल के लिए गेंद-दर-गेंद दबाव सूचकांक बनाया। केकेआर की पावरप्ले रन रेट 9.1 दिख रही थी, लेकिन सूचकांक दावा कर रहा था कि उसमें से 41 प्रतिशत चौके किनारे या गलत टाइमिंग से निकले थे, और सुनील नारायण की शुरुआती पारियाँ एक 7.3 के चरण-समायोजित दर को छिपा रही थीं। डेस्क ने जल्दी एक प्रीव्यू माँगा था। मैंने उसे टाला, तीन रातें कोड लिखीं, और मॉडल ने मुंबई इंडियंस के खिलाफ प्लेऑफ़ में केकेआर के मध्य-ओवर ठहराव को सही ढंग से चिह्नित किया। एडिटर ने उसे साइडबार में छापा।

बीस साल से ज़्यादा का मेरा नियम यही है: मैं इंडेक्स तीन बार बनाता हूँ, तब जाकर वह मुझसे झूठ बोलना बंद करता है। हर बार जब वह झूठ बोलता है, मैं उसे अपनी गलती नहीं, अपनी जल्दबाज़ी की गवाही मानता हूँ।

फिर 2026 का रूस विश्व कप आया। एक साइड प्रोजेक्ट में मैंने xG और PPDA का डैशबोर्ड बनाया। स्पेन ने रूस के खिलाफ 1,029 पास और 74 प्रतिशत कब्ज़ा बनाया, और उस पूरे कब्ज़े से सिर्फ़ 0.8 xG निकला। मेरा व्याख्या-लेख दो भारतीय आउटलेट्स ने सिंडिकेट किया। डेस्क ने दूरी-आधारित दबाव प्रॉक्सी वाला हिस्सा काट दिया — जो तकनीकी रूप से सबसे मज़ेदार हिस्सा था। सबक़ साफ़ था: कब्ज़ा बिना भेदन के शोर है। उसी साल मैंने क्रिकेट के लिए अपना अपेक्षित-रन और विकेट-प्रायिकता मॉडल बनाना शुरू किया, और वही मॉडल बाद में मेरे आईपीएल चरण-विश्लेषण का आधार बना।

xG क्रिकेट के तर्क में उधार आया और लहज़े के साथ वापस गया। क्रिकेट असतत है, विकेट-निर्भर है, चरणों में बँटा है — और 2026 के बाद इम्पैक्ट प्लेयर नियम ने टीम-संरचना की गणित को और मोड़ दिया है। जो मॉडल इस निर्भरता-संरचना को दोबारा नहीं बनाता, वह औज़ार नहीं, अनुवाद-त्रुटि है। यही वजह थी कि जब मेरे सामने cricket_asia टैग वाला एक पैकेट आया, जिसमें खेल, खिलाड़ी, तारीख़, प्रारूप — कुछ नहीं था — तो मैंने उसे भरने की कोशिश नहीं की। मैंने उसे नापना शुरू किया।

खाली सूची कभी खाली नहीं दिखती

अगर इस पैकेट को बिना चिह्न लगाए नीचे भेज दिया जाए, तो होता क्या है? तीन महीने बाद किसी तिमाही ट्रेंड रिपोर्ट में यह मामला 'कोई विवाद नहीं मिला' की श्रेणी में गिना जाएगा। गिना जाएगा — यानी शून्य नहीं, बल्कि शून्य के रूप में एक गिनती। यहीं सबसे बड़ी धोखाधड़ी होती है।

सांख्यिकी की भाषा में यह असंतुलन है। जब 'नकारात्मक पाया गया' और 'नहीं नापा गया' दोनों एक ही खाते में जमा होने लगें, तो आपका समुच्चय बेकार हो जाता है — भले हर अलग कार्ड अपने आप में सही हो। क्रिकेट पत्रकारिता में यह रोग पुराना है। जितनी बार किसी क्षेत्र में कोई रिपोर्टर नहीं भेजा जाता, उतनी बार वह क्षेत्र 'साफ़' गिना जाता है। स्कैंडल-मुक्त और स्कैंडल-अनदेखा के बीच फ़र्क़ करना हमारी रिपोर्टिंग का सबसे बुनियादी कर्तव्य है, और डेटा-पाइपलाइन में यह कर्तव्य सबसे पहले टूटता है।

ऐसे मामलों के लिए ज़रूरी है कि सिस्टम ख़ुद बोले — इस दस्तावेज़ पर STAGE1_EMPTY चिह्न लगाओ, और इसे किसी समुच्चय में शामिल मत करो। यह एक पंक्ति कोड का काम है, और इसकी कीमत किसी भी बड़े मॉडल से ज़्यादा है।

आठ आयाम और आठ खाली जगहें

प्रारूप और मैच-विश्लेषण सबसे पहले ठप हुआ। प्रारूप ही तय नहीं था। टेस्ट, एकदिवसीय और टी-20 — तीनों का दबाव-अर्थशास्त्र बिलकुल अलग है। टेस्ट के पहले दिन की निर्दोषता और टी-20 के तीसरे ओवर की तात्कालिकता को एक ही तराज़ू पर तोलना वही भूल है जिसे हम क्रॉस-फ़ॉर्मेट संदूषण कहते हैं। प्रारूप नहीं, तो कोई रणनीतिक व्याख्या मान्य नहीं; पिच, मौसम, ओस, डीएलएस — सब अज्ञात।

खिलाड़ी तकनीक के लिए तीन चीज़ें अनिवार्य हैं — भूमिका, प्रारूप और नमूने का आकार। ओपनर का स्ट्राइक रेट और फ़िनिशर का स्ट्राइक रेट एक ही शब्द है, पर एक ही चीज़ नहीं। यहाँ इकाई ही नहीं दी गई थी, इसलिए किसी भी नाम का ज़िक्र आविष्कार होता, अनुमान नहीं। साफ़ कह रहा हूँ: इस स्थिति में दूसरे स्तर के किसी आउटपुट में दिखने वाला कोई भी खिलाड़ी-नाम कल्पना होगा, निष्कर्ष नहीं।

टीम परिदृश्य में आईसीसी क्रम-सूची का स्थान, गृह-मैदान का लाभ, गेंदबाज़ी-संयोजन, बेंच की गहराई और उम्र-संरचना — सब के लिए नाम चाहिए। एशियाई ब्लॉक भारत जैसी शीर्ष शक्ति से लेकर सहयोगी देशों तक फैला है, इसलिए cricket_asia टैग अकेला किसी स्तर को तय नहीं करता। यह एक रूटिंग-संकेत है, विषय नहीं।

लीग और वाणिज्य आयाम का मूल अनुशासन है — वाणिज्यिक मूल्य को खेल-मूल्य से अलग करना। यह लगभग असंभव है जब तक एक लेन-देन की कीमत और एक प्रदर्शन-रिकॉर्ड, दोनों साथ न हों। नीलामी की भाषा में कहूँ तो: किसी बोली का प्रीमियम तभी साबित होता है जब आप उसे प्रतिस्थापन-मूल्य से घटाकर दिखा सकें। कीमत नहीं, खिलाड़ी नहीं — तो प्रीमियम का कोई दावा नहीं।

नियम और शासन वह आयाम है जहाँ मैंने ख़ुद को रोका। अनुपालन-जोखिम को 'कम' आँकना झूठा आश्वासन देता है कि जाँच साफ़ निकली; 'उच्च' आँकना बिना नाम वाले पक्षों पर आरोप लगाता है। दोनों ग़लत हैं। इसलिए यहाँ रेटिंग दी नहीं गई — रोक ली गई। खाली जगह को भरना नहीं, उसे घोषित करना विश्लेषक की ईमानदारी है। जोखिम-मैट्रिक्स के छह परिवारों में एक भी नहीं भरा जा सका, और जन-कथानक का कोई लेबल नहीं बना, इसलिए 'अगले महान खिलाड़ी' वाला ओवरहाइप फ़िल्टर लागू ही नहीं होता। उद्योग-संचरण का विश्लेषण घटना-आधारित होता है; घटना नहीं, तो संचार भी नहीं।

मिलावट का जोखिम

यह इस पूरे पैकेट का सबसे गंभीर जोखिम है, और इसे खेल-जोखिम की श्रेणी में नहीं, सूचना-सत्यनिष्ठा की श्रेणी में रखा जाना चाहिए। अगर खाली पहला स्तर बिना चिह्न के नीचे चला जाए और उसके इर्द-गिर्द कोई विश्वसनीय लगने वाली कथा बुन दी जाए, तो बनी रिपोर्ट का 'साक्ष्य' असली साक्ष्य से अलग दिखना बंद कर देता है। यह सिर्फ़ अधूरी रिपोर्ट से बुरा है — क्योंकि अधूरी रिपोर्ट को कोई दोबारा जाँच सकता है, मगर मिलावटी रिपोर्ट को बाद के सारांश में कोई अलग नहीं कर पाता।

इसके ठीक बगल में प्रकाशन-जोखिम बैठता है। बिना किसी नाम, बोर्ड, लीग या मैच की पहचान के, कोई भी सार्वजनिक दावा किसी असली खिलाड़ी या संस्था से जोड़ दिए जाने का खतरा पैदा करता है — ऐसा जुड़ाव जिसे वे कभी कहा ही नहीं। सत्यनिष्ठा से जुड़ा अनुमान तो और भी सख्त मना है: बिना अधिकृत स्रोत के फ़िक्सिंग या स्पॉट-फ़िक्सिंग की छाया भी नहीं दिखाई जा सकती। यह एक-एक शब्द की सीमा है, और मैं इसे तोड़ने से बेहतर इसे लिखकर छोड़ देना चुनता हूँ।

पाइपलाइन की खामी, या दस्तावेज़ का सन्नाटा?

यहाँ एक और संभावना है जिसे दर्ज करना ज़रूरी है। 'अनवर्गीकृत प्रकार' + भरा हुआ डोमेन टैग + खाली सूचना बिंदु — यह तीन का जोड़ अक्सर ऊपरी पाइपलाइन में आंशिक विफलता का हस्ताक्षर होता है। पार्सर की ग़लती, इनपुट का कट जाना, या ऐसा स्रोत जो पाठ के बजाय छवि के रूप में रेंडर हुआ हो और जिसका टेक्स्ट-लेयर कभी निकला ही न हो। अगर स्रोत छवि के रूप में लोड हुआ, तो वर्गीकर्ता मेटाडेटा से विषय-लेबल उठा लेगा, जबकि मुख्य सामग्री कभी पाठ बनी ही नहीं — और उत्पाद ठीक यही प्रोफ़ाइल देगा।

इसे परखा जा सकता है: उस दस्तावेज़ की इनजेशन-प्रविष्टि देखिए, प्राप्त अक्षरों की गिनती मिलाइए, और मूल स्रोत में टेक्स्ट-लेयर की मौजूदगी जाँचिए। तीन में से दो जाँचें भी अगर हामी भरें, तो सवाल 'लेख में क्या था' से बदलकर 'हमें लेख मिला क्यों नहीं' हो जाता है। और यह दूसरा सवाल ज़्यादा उपयोगी है, क्योंकि यह दोबारा ग़लती की जड़ पर चोट करता है।

ऑडिट ट्रेल ख़ुद एक उत्पाद है

सूचना-मूल्य की चारों श्रेणियाँ — खेल, उद्योग, समय-सापेक्षता और संदर्भ — ज़मीन पर टिकी दिखती हैं। मगर यहाँ एक बारीक फ़र्क़ दर्ज कर लेना ज़रूरी है: यह तल एक नल रिजल्ट है, नकारात्मक निष्कर्ष नहीं। भाषा में यह फ़र्क़ छोटा लगता है; डेटा श्रृंखला में यह बहुत बड़ा है। 'कुछ नहीं मिला' और 'नापा ही नहीं गया' को एक ही बकेट में डालने की आदत वही असंतुलन पैदा करती है जिससे हम पहले ही जूझ रहे हैं।

इस पूरे पैकेट में संदर्भ-योग्य चीज़ एक ही निकलती है — और वह है यह ऑडिट ट्रेल ख़ुद। यह एक चुपचाप हुई विफलता को दिखने वाली, पीछा किए जा सकने वाली खामी में बदल देती है। कवरेज-गैप की छिपी समस्या भी यहीं सामने आती है: अगर मूल दस्तावेज़ असल में सत्यनिष्ठा या शासन से जुड़ा था, तो खाली निष्कर्ष जोखिम के नक़्शे को कम आँकते हुए दिखाएगा। इसलिए 'कोई जोखिम नहीं' का नतीजा निकालने से पहले सत्यनिष्ठा-संबंधी शब्दावली के साथ दोबारा निष्कर्षण चलाना बेहतर है।

सबसे बड़ी जल्दबाज़ी: खाली जगह भर देना

किसी भी डेटा डेस्क पर सबसे बड़ा दबाव यह होता है कि फ़नल भरा दिखे। शून्य आउटपुट देने वाला डेस्क टूटा हुआ दिखता है, और इसलिए किसी न किसी को डिफ़ॉल्ट मान भर देने की जल्दी होती है। यही सबसे खतरनाक सुधार है। एक मॉडल जो खाली लौटना जानता है, उस मॉडल से कहीं ज़्यादा भरोसेमंद है जो हमेशा कुछ न कुछ भरकर लौटता है।

दूसरी बात उधार के औज़ारों की है। हम जो निष्कर्षण पाइपलाइनें आयात करते हैं, वे मूल रूप से अंग्रेज़ी फ़ुटबॉल ट्रांसफ़र समाचार के लिए बनी होती हैं। जब उन्हें हिंदी या एशियाई क्रिकेट सामग्री पर चलाया जाता है, तो वे ग़लत चीज़ें पकड़ती हैं और सही चीज़ें छोड़ देती हैं। हर मीट्रिक एक अनुवाद है, और हर अनुवाद एक बोली खो देता है। डेटा डेस्क की सबसे बड़ी भूल उधार लिया हुआ नतीजा नहीं होती — वह उधार लिया हुआ औज़ार होती है जिसे हम कभी दोबारा नहीं बनाते।

तीसरी बात मेरे लिए सबसे असुविधाजनक है। अपने वर्षों के मैच देखने के अनुभव के आधार पर मैं साफ़ कह सकता हूँ कि आँख की गवाही भी एक डेटा स्रोत है — बशर्ते वह परिकल्पना बनकर आए, निष्कर्ष बनकर नहीं। 'देखकर लगता है वह संघर्ष कर रहा है' एक परिकल्पना है; उसके साथ एक चरण-विभाजन, एक नमूना और एक परीक्षण जोड़ना हमारा काम है। मैं इस ओर बहुत झुका हूँ — मुझे उन टिप्पणीकारों को हल्के में लेने की आदत है जो नंबर के बिना बोलते हैं, जबकि उनमें से कई मैदान पर सबसे पहले पैटर्न पकड़ते हैं। मैं किसी मीट्रिक पर तब भरोसा करता हूँ जब वह एक बार मुझे शर्मिंदा कर चुकी हो।

और यहाँ एक उलटा तर्क भी है, जो सुनने में अजीब लगेगा। एक खाली पैकेट उस पैकेट से ज़्यादा मूल्यवान है जो भरोसेमंद दिखते हुए भी ग़लत हो। क्योंकि खाली पैकेट झूठा साबित किया जा सकता है — उसमें छिपाने को कुछ नहीं है। जो खाली नहीं दिखता मगर खोखला है, उसे साबित करने के लिए आपको पहले यह पता लगाना पड़ेगा कि सवाल कहाँ पूछना है। और उस पूरे समय में वह संख्या प्रचलन में रहेगी, उद्धृत होती रहेगी, और उसी तरह निर्णयों में बैठती रहेगी जैसे कोई असली निष्कर्ष।

सत्र के दौरान लाइव प्रायिकता वाले काम में मैंने यही अनुशासन अपनाया था: पहले से तय कर लो कि अपडेट कब होगा — विकेट पर, ओवर-ब्लॉक के अंत पर, या ज़रूरी रन-रेट की सीमा पार करने पर। बाकी समय पट्टी स्थिर रहने दो, भले दर्शक बेचैन हों। ठीक वैसा ही अनुशासन पाइपलाइन पर लागू होना चाहिए: अपडेट का ट्रिगर पहले से तय हो, और जब कोई ढाँचागत चीज़ नहीं बदली हो, तो संख्या को हिलने ही न दिया जाए।

आगे क्या देखना है

अगली बार जब यह पैकेट लौटे, मैं चार चीज़ें देखूँगा: उस दस्तावेज़ की इनजेशन-प्रविष्टि, प्राप्त अक्षरों की गिनती, मूल स्रोत में टेक्स्ट-लेयर की मौजूदगी, और सत्यनिष्ठा-शब्दावली की एक स्कैन — ACU, फ़िक्सिंग, एनओसी, राजस्व-हिस्सेदारी, डीआरएस। अगर इनमें से तीन भी हिट हों, तो प्राथमिकता पाँचवें आयाम पर जाएगी, पहले या दूसरे पर नहीं। और अगर कम से कम तीन सूचना बिंदु, नामों के साथ, वापस आ जाएँ, तब पहला दरवाज़ा खुलेगा — तब तक नहीं।

जिस डेस्क पर सबसे भरोसेमंद आउटपुट वह होता है जो कुछ नहीं कहता, वह डेस्क अपनी विनम्रता कहाँ छिपाता है? शायद उसी जगह जहाँ हमारे डैशबोर्ड हर शून्य को हरे रंग में रंगकर निष्कर्ष जैसा दिखा देते हैं।