খালি লেজার: ক্রিকেট অ্যানালিটিক্সের পাইপলাইন যখন উত্তর দিতে অস্বীকার করে

রাত ২টা ১৪ মিনিট। বেঙ্গালুরুর ফ্ল্যাটে ল্যাপটপের স্ক্রিনে একটা রেকর্ড খোলা, আর আমি তিরিশ মিনিট ধরে সেটার দিকে তাকিয়ে আছি। শিরোনামের ঘরে লেখা N/A। সোর্সের ঘরে N/A। প্রকাশের তারিখ নেই, ফরম্যাট নেই, একটাও নাম নেই। আটটা বিশ্লেষণ-স্তম্ভের প্রতিটির ঘরে একই বাক্য বসানো: যথেষ্ট তথ্য নেই। তবু সিস্টেমটা আমার কাছে রায় চাইল।

The dataset does not shout; it waits for me to count the silence.

এই লাইনটা আমি প্রথম লিখেছিলাম অন্য এক রাতে, যখন খালি স্টেডিয়ামের প্রভাব মাপছিলাম। সেবার ডেটা ছিল, শুধু চিৎকার করছিল না। ২০১৯-২০ বুন্দেসলিগার ২২৩টা প্রাক-বিরতি ম্যাচ আর ৮৩টা দর্শকশূন্য ম্যাচ পাশাপাশি বসিয়ে দেখেছিলাম, হোম-উইন হার ৪৩.৫ থেকে ৩৩.৭ শতাংশে নেমেছে, অ্যাওয়ে-উইন উঠেছে ২৯.১ থেকে ৩৮.৬-তে। এলো রেটিং দিয়ে দলের শক্তি নিয়ন্ত্রণ করেছিলাম, লাল কার্ডের ম্যাচ বাদ দিয়েছিলাম, রিপোর্টে কনফিডেন্স ইন্টারভ্যাল দিয়েছিলাম — কারণ ওই ৯.৮ পয়েন্টের ফলটা একটা নির্দিষ্ট নমুনার ভেতরে জন্মানো, বাইরে নয়।

আজকের ঘটনাটা উল্টো। এখানে ডেটা নেই, কিন্তু সিদ্ধান্ত চাওয়া হয়েছে। আর এই ফাঁকটাই আজকের আলোচনার বিষয়।

প্রেক্ষাপট

আমাদের সময়ে ক্রিকেট-কনটেন্ট তিন স্তরে তৈরি হয়। প্রথম স্তরে এক্সট্রাকশন — একজন সংবাদকর্মী যা লিখেছেন, সেখান থেকে নাম, সংখ্যা, তারিখ, দাবি তুলে আনা। দ্বিতীয় স্তরে বিশ্লেষণ — ফরম্যাট নির্ধারণ, নমুনার আকার যাচাই, মেট্রিক অনুবাদ, তুলনা। তৃতীয় স্তরে সরবরাহ — পাঠকের কাছে পৌঁছানো। প্রথম স্তরটা ফাঁকা হয়ে ফিরে এলে দ্বিতীয় স্তরের একমাত্র সৎ উত্তর হওয়া উচিত থেমে যাওয়া।

এখানে থামা হয়নি। এক্সট্রাকশনের ঘরে শিরোনাম ছিল N/A, ধরন ছিল Unclassified, তথ্য-বিন্দুর তালিকা শূন্য — তার পরও বিশ্লেষণ শুরু হয়েছে। পাইপলাইন-ইঞ্জিনিয়ারিংয়ের ভাষায় এটা fail-open। বিপরীতটা fail-closed — প্রয়োজনীয় ইনপুট না পেলে প্রক্রিয়া থামিয়ে এরর তোলে। আমার কাছে ব্যাপারটা তত্ত্ব নয়, পেশাগত অভ্যস্ততা। Before I trust a trend, I trace every missing value back to its source.

কেন ক্রিকেটে এই নিয়মটা কড়া হওয়া দরকার, সেটা বোঝার জন্য ফরম্যাটের কথায় আসি। টেস্টের ব্যাটিং অ্যাভারেজ, ওয়ানডের ইকোনমি রেট আর টি-টোয়েন্টির স্ট্রাইক রেট — তিনটাই সংখ্যা, তিনটাই একই খেলার অংশ, কিন্তু একটাকে অন্যটার প্রমাণ হিসেবে ব্যবহার করা যায় না। ওপেনার আর ফিনিশারের মূল্যায়ন-কাঠামো আলাদা। পাওয়ারপ্লের বাধ্যবাধকতা আর মৃত্যু ওভারের চাপ আলাদা। একটি ফরম্যাট-টোকেন না থাকলে বিশ্লেষণের প্রথম ধাপেই পা রাখা যায় না।

তার ওপর আছে সময়। আইসিসি র‍্যাঙ্কিং সপ্তাহে নড়ে, ফর্ম মাসে বদলায়, ফ্র্যাঞ্চাইজি অকশনের দাম কয়েকদিনে উড়ে যায়। তারিখ ছাড়া একটা দলকে দ্বিতীয় সারিতে ফেলা মানে পুরোনো টেবিল ধার করে সিদ্ধান্ত দেওয়া। রিপোর্টে টাইম-সেনসিটিভিটি ঘরে সৎভাবেই লেখা হয়েছে not assessed — অর্থাৎ দস্তাবেজ নিজেই স্বীকার করছে তার বয়স অজানা।

এই সততাটাই বিরল। প্রতিদিন ভারতীয় বাজারে শত শত ক্রিকেট-পোস্ট যায়, যেখানে নাম আছে, সংখ্যা আছে, দ্বিতীয় দশমিক পর্যন্ত নির্ভুলতা আছে — কিন্তু সোর্স নেই। আমার কাছে ওগুলো লেজার নয়, গুজব।

মূল বিশ্লেষণ

আটটি স্তম্ভ ভেঙে পড়ার ধরনটা দেখলে বোঝা যায় সমস্যাটা কোথায় গভীর। ফরম্যাট চেনা যায়নি, তাই ম্যাচ-ব্যাখ্যা শুরু হয়নি। কোন খেলোয়াড়, কোন ভূমিকা, কোন সংস্করণ — কিছুই নেই, তাই টেকনিক-বিশ্লেষণ দাঁড়ায়নি। দল চেনা যায়নি, তাই র‍্যাঙ্কিং কিংবা স্কোয়াড-ডেপথ কিছুই মাপা যায়নি। লিগ নেই, তাই সম্প্রচার-স্বত্ব, ফ্র্যাঞ্চাইজি-মূল্য, বেতন-কাঠামো সব ফাঁকা। নিয়ম-গভর্ন্যান্সে কোনো ঘটনা নেই, তাই কোনো চেকলিস্ট স্কোর হয়নি। রিস্ক ম্যাট্রিক্সের ছয়টা সারির প্রতিটিতে একই উত্তর। ন্যারেটিভের হিট-সাইকেল নির্ধারণ হয়নি। আর ট্রান্সমিশন ম্যাপের তিনটা ধাপ — যুব-বিকাশ, জাতীয় দল ও লিগ, সম্প্রচার-বাজার — সব একই অবস্থায়।

কিন্তু সবচেয়ে বড় ক্ষতিটা সংখ্যার নয়, নীরবতার। ধরুন মূল লেখায় দুর্নীতি, যোগ্যতা-বিতর্ক বা এনওসি-সংঘাতের কিছু ছিল। এক্সট্রাকশনে সেটা পুরো হারিয়ে গেলে দ্বিতীয় স্তর যা রিপোর্ট করবে, তা ভুল নয় — তার চেয়ে খারাপ। সেটা হবে ভুলভাবে নির্দোষ। এই কারণেই রিপোর্টে স্পষ্ট লেখা হয়েছে: এখানে অভিযোগের অনুপস্থিতি মানে অভিযোগের অভাবে প্রমাণ নয়। ইন্টিগ্রিটি-সংক্রান্ত কনটেন্টে ফেইল-ওপেন পাইপলাইন সবচেয়ে বিপজ্জনক, কারণ ক্ষতিটা ধরা পড়ে না, আর ক্ষতিটা আপাত-নিরাপদ দেখায়।

আমার নিজের কাজে এই নীতিটা বারবার ফিরে আসে। ২০১৮ রাশিয়া বিশ্বকাপে ১৭ বছর বয়সে ফ্রান্সের সাতটা ম্যাচের প্রতিটি শট হাতে লগ করেছিলাম, বিনামূল্যের ডেটা দিয়ে নিজের xG মডেল দাঁড় করিয়েছিলাম। ফ্রান্স ১০.১ xG থেকে ১৪ গোল করেছিল — টুর্নামেন্টের সবচেয়ে বড় ওভারপারফরম্যান্স। গ্রিজম্যান ২.৮ xG থেকে ৪, এমবাপে ২.১ থেকে ৪। সাতটা ম্যাচ আবার দেখে শট-লোকেশন যাচাই করেছিলাম, তারপর থ্রেড লিখেছিলাম: এই দক্ষতা টেকসই নয়। আমি ভুল ছিলাম কি? ফ্রান্স ফাইনাল জিতেছিল ৪-২। কিন্তু যে প্রশ্নটা আমি তুলেছিলাম — এই স্কোরিং পুনরাবৃত্তিযোগ্য কাঠামো থেকে এসেছে, নাকি একবারের ফিনিশিং ভ্যারিয়েন্স থেকে — সেটা ভুল হয়নি। পরের কয়েকটা টুর্নামেন্টে সেই পার্থক্যটাই আমাকে ভুল পূর্বাভাস থেকে বাঁচিয়েছে।

একই যুক্তি ট্রান্সফার মার্কেটে। The transfer market is a spreadsheet with gossip, and I audit the formulas. জানুয়ারি ২০২৩-এ এনসো ফার্নান্দেসের ফাইল খুলেছিলাম। কাতার বিশ্বকাপে সাত ম্যাচে প্রতি ৯০ মিনিটে ২.৭ ট্যাকল, ৬.২ প্রগ্রেসিভ পাস। ২১-২৩ বছর বয়সী পনেরো মিডফিল্ডারের সঙ্গে তুলনা করে ব্রিফ লিখেছিলাম: বয়স-গোষ্ঠীর তুলনায় প্রগ্রেসিভ পাসিং অভিজাত, কিন্তু এক টুর্নামেন্ট মানে ছোট নমুনা। চেলসি দিয়েছিল ১০৬.৮ মিলিয়ন পাউন্ড, ডেডলাইন ডে-তে। সিদ্ধান্তটা আমার নয়, দামটাও আমার নয় — আমার কাজ ছিল একটি ডেটা কনফিডেন্স গ্রেড লেখা। তিন মৌসুমের ক্লাব-ডেটা না দেখে কোনো ট্রান্সফার অনুমোদন করি না।

এই মানদণ্ডে ফিরে আসি। শূন্য তথ্য-বিন্দুর রিপোর্টে যা সবচেয়ে বেশি চোখে পড়ে, তা হলো প্রশ্নের উত্তর দেওয়ার আগে প্রশ্নটা ঠিকঠাক গঠিত হয়েছে কি না। ফরম্যাট কে ঠিক করবে? কে বলবে এটা টেস্ট নাকি টি-টোয়েন্টি? কে বলবে তারিখটা আজকের কত দিন পুরোনো? কে বলবে সংখ্যাটা কার উদ্ধৃতি, কোন সূত্রে?

একটা উদাহরণ দিই। এমবাপের একটা পরিসংখ্যান যদি বলি — টুর্নামেন্টে ২.১ xG থেকে ৪ গোল — তাহলে তার মানে তিনি বিশ্বসেরা ফিনিশার নন। তার মানে ওই সাত ম্যাচের নমুনায় ওভারপারফরম্যান্স ঘটেছে। পার্থক্যটা বিশাল, কারণ প্রথমটা বিশ্বাস, দ্বিতীয়টা হিসাব। একইভাবে ইতালির ইউরো ২০২০ অভিযানে প্রতি ম্যাচে ১০.৮ পিপিডিএ আর ০.৭ xGA দেখে কেউ যদি লেখেন ইতালি উচ্চ-প্রেসিং দল, তাহলে জর্জিনিয়োর প্রেশার-এস্কেপ আর ভেরাট্টির লাইন-ব্রেকিং পাসের ম্যাপিং না দিলে কথাটা অসম্পূর্ণ। আমি দশ ম্যাচের রোলিং অ্যাভারেজ দিয়ে প্রতিপক্ষের মান মসৃণ করেছি, তারপর দেখেছি প্রেসিংটা গঠিত, বিশৃঙ্খল নয়। এখানে ভুল করার সুযোগটা কোথায় ছিল? সুযোগটা ছিল যেকোনো একটা ম্যাচ দেখে সিদ্ধান্তে পৌঁছে যাওয়ায়।

এই যে গঠিত বনাম বিশৃঙ্খল প্রশ্নটা — সেটা ফাঁকা লেজারে জিজ্ঞেস করা যায় না। কারণ গঠন মাপার জন্য দরকার নাম, তারিখ, ফরম্যাট, আর ন্যূনতম নমুনা।

আরও একটা স্তর আছে যেটা শূন্য পেলোডে সবচেয়ে দ্রুত হারায় — বাণিজ্যিক স্তর। লিগ চেনা না গেলে সম্প্রচার-স্বত্বের প্রবণতা, ফ্র্যাঞ্চাইজি মূল্যায়ন, নিলামের দাম-বনাম-ক্রীড়া-মূল্যের ব্যবধান — কিছুই আলাদা করা যায় না। অথচ এই ব্যবধানটাই ভারতীয় বাজারে সবচেয়ে বেশি পাঠক টানে, আর সবচেয়ে বেশি এজেন্ট-সোর্সড ফাঁসে ভরে থাকে। ফাঁকা পেলোডে এই আলোচনা শুরু করলে যা বে তা বিশ্লেষণ নয়, অনুমান।

ন্যারেটিভের দিকটাও একই ফাঁদে পড়ে। হাইপ, ওভারহাইপ, ব্যাকল্যাশ, প্রত্যাশার ফাঁক — এই শব্দভান্ডারটা সোর্স ছাড়াই বানানো যায়, আর বানালে ধরা পড়ে না। তাই এই স্তরটা ফাঁকাই রাখা ছাড়া উপায় নেই। কারণ এখানে একটা বাক্য যোগ করলেই সেটা অখণ্ডনীয় হয়ে যায়।

শিল্প-ট্রান্সমিশনের দিক থেকে সবচেয়ে মূল্যবান সংকেতটা হলো বহু-ফরম্যাট খেলোয়াড়দের ওয়ার্কলোড ও ক্যালেন্ডার-চাপ। সেটা মাপতে একটা নাম আর একটা তারিখ-যুক্ত সূচি দরকার। দুটোই অনুপস্থিত।

বিপরীত কোণ

এখানে একটা অস্বস্তিকর কথা বলি। এই ব্যর্থ রানটাকে আমরা সাধারণত অপচয় বলতে চাই। আমার হিসাবে এটা এই চক্রের সবচেয়ে সৎ দস্তাবেজ।

কারণটা সরল। একটা ফাঁকা রেকর্ড মিথ্যা বলতে পারে না। যে সিস্টেমটা শূন্য ঘরে সম্ভাব্য সংখ্যা ভরে দেয় — ধরুন একটা খেলোয়াড়ের টি-টোয়েন্টি স্ট্রাইক রেট বসিয়ে দেয় যেখানে সেটা কখনো দেওয়া হয়নি — সেটা ফাঁকা রেকর্ডের চেয়ে অনেক বেশি ক্ষতিকর, কারণ ভুলটা অদৃশ্য হয়ে যায়। ক্রিকেট-বিশ্লেষণে সবচেয়ে বড় বিপর্যয় আসে চেরি-পিকিং থেকে নয়, ইম্পিউটেশন থেকে — যেখানে অনুপস্থিত মান বুদ্ধিমানের মতো ভরে দেওয়া হয়।

দ্বিতীয় অস্বস্তিকর কথা: এই পাইপলাইনটা আসলে একটা নিয়ন্ত্রণ-ডিজাইন ত্রুটি প্রকাশ করেছে, যা ক্রিকেটের সঙ্গে সম্পর্কহীন। শূন্য তথ্য-বিন্দুর পেলোড দ্বিতীয় স্তরে পৌঁছেছে। একটা মাত্র ভ্যালিডেশন নিয়ম — তথ্য-বিন্দুর তালিকা খালি হলে, অথবা শিরোনাম N/A হলে, অথবা সোর্স-মান নির্ধারিত না হলে প্রক্রিয়া থামাও — এই পুরো অপচয়ের একশো শতাংশ আটকে দিত। এই নিয়মটা কোনো উন্নত মডেলিং জ্ঞান চায় না, চায় শুধু থামার অনুমতি।

তৃতীয় কথা, যেটা কেউ বলতে চায় না: যথেষ্ট তথ্য নেই লেখা রিপোর্ট পড়ে অনেকে ভাববেন বিষয়টা নিরাপদ। রিপোর্টটি নিজেই সতর্ক করছে — এটা নিরাপদ নয়, এটা অজানা। অজানা আর নিরাপদ এক জিনিস নয়। ক্রিকেটে দুর্নীতি, যোগ্যতা ও চুক্তি-সংক্রান্ত খবরে এই পার্থক্যটা নির্ণায়ক, কারণ সেখানে ভুলভাবে নির্দোষ দেখানোর খরচ সবচেয়ে বেশি।

চতুর্থ কথা: ডোমেইন-লেবেলটাও অবিশ্বাস্য। ক্রিকেট-বিশ্ব বলে একটা ট্যাগ এসেছে, অথচ টেক্সটে একটাও ক্রিকেট-তথ্য নেই। এটা সম্ভবত শ্রেণিবিন ডিফল্ট আউটপুট, কনটেন্ট থেকে পাওয়া লেবেল নয়। অর্থাৎ যে ধারণাটার ওপর ভর করে পুরো বিশ্লেষণ দাঁড়াতে পারত, সেটাও যাচাইহীন।

এই চারটা মিলিয়ে যা দাঁড়ায়: সমস্যাটা ক্রিকেটের সংকট নয়, তথ্য-সরবরাহের সংকট। আর সেই সংকটের সবচেয়ে বিপজ্জনক রূপ হলো এমন একটি রিপোর্ট, যা পড়তে সুন্দর, দেখতে কর্তৃত্বপূর্ণ, অথচ ভেতরে শুধু ফাঁকা ঘর।

শেষ কথা

এই লেখার শেষে আমার দরকার একটা সহজ নিয়ম, বড় কোনো সিদ্ধান্ত নয়। পাঠক হিসেবে আপনি তিনটা প্রশ্ন করতে পারেন — কোন ফরম্যাট, কোন তারিখ, কোন নাম। তিনটার উত্তর না মিললে সংখ্যাটা যত সুন্দরই হোক, সেটা লেজার নয়।

আর পাইপলাইনের জন্য একটা কথা: ক্রিকেট-অ্যানালিটিক্সে ফেইল-ক্লোজড ডিজাইন শুধু ভালো অভ্যাস নয়, সেটা সততার শর্ত। যেখানে বাজার প্রতিদিন নতুন রায় দাবি করে, সেখানে আমি জানি না বলার ক্ষমতাটাই আসল দক্ষতা। পরের চক্রে যে রিপোর্টটা আসবে, তার শিরোনামে যদি আবার N/A থাকে, আমার প্রথম কাজ হবে সেটা পড়া নয় — সেটা ফেরত পাঠানো।