क्रिकेट एनालिटिक्स का खाली डेटा संकट: जब 'N/A' को 'सुरक्षित' समझ लिया जाता है

क्रिकेट कवरेज का बड़ा हिस्सा अब डेटा-संचालित हो चुका है। एडिटोरियल डेस्क, ब्रॉडकास्ट ग्राफिक्स टीमें, फैंटेसी प्लेटफॉर्म और टीम-विश्लेषण विभाग — सब एक ही आपूर्ति-श्रृंखला पर निर्भर हैं, जिसकी पहली कड़ी है: लेख से तथ्य निकालना। इसी कड़ी में एक गंभीर विफलता सामने आई है, जिसे क्रिकेट जगत ने अभी तक उतनी गंभीरता से नहीं लिया है जितनी उसे लेनी चाहिए। मामला यह है कि जब किसी लेख का टेक्स्ट-डीकंपोज़िशन (Stage-1) चलाया गया, तो आउटपुट पूरी तरह खाली निकला। शीर्षक: उपलब्ध नहीं। स्रोत: उपलब्ध नहीं। लेख का प्रकार: अपरिभाषित। और सबसे अहम — 'इन्फॉर्मेशन पॉइंट्स' की सूची, जो पूरे आठ-आयामी विश्लेषण का एकमात्र साक्ष्य-आधार होती है, उसमें शून्य प्रविष्टियाँ थीं। यानी विश्लेषक के पास वह कच्चा माल ही नहीं पहुँचा जिससे निष्कर्ष निकाले जाते हैं। इस स्थिति में पेशेवर प्रतिक्रिया दो में से एक हो सकती है। पहली — टेम्पलेट भरने के लिए क्रिकेट की सामान्य बातें लिख देना: आईपीएल की अर्थव्यवस्था, डकवर्थ-लुईस पर शिकायतें, 'बूढ़ा होता कोर' वाली बहस। दूसरी — ईमानदारी से यह घोषित करना कि इनपुट ही नहीं आया। पहला रास्ता सस्ता है और सबसे खतरनाक भी। क्योंकि जब कोई विश्लेषक खाली टेम्पलेट को भरने के लिए तथ्य गढ़ता है, तो वह विश्लेषण नहीं, डिसइन्फॉर्मेशन पैदा कर रहा होता है। यहाँ सबसे बड़ी बारीकी यह है कि 'N/A' का मतलब 'जाँचा गया और ठीक पाया गया' नहीं होता। यह केवल इतना कहता है कि जाँच हो ही नहीं सकी। उदाहरण के लिए, गवर्नेंस और जोखिम वाले खंडों में जो 'उपलब्ध नहीं' लिखा आया, उसे कोई भी पाठक यह समझ सकता है कि 'कोई भ्रष्टाचार या नियम-उल्लंघन नहीं मिला, यानी जोखिम कम है'। जबकि सच्चाई यह है कि लेख में कोई गवर्नेंस घटना थी ही नहीं — क्योंकि लेख ही नहीं था। यह अंतर केवल शब्दों का खेल नहीं है; यह पूरे न्यूज़रूम के फैसलों को गलत दिशा दे सकता है। खतरा दो स्तरों पर है। पहला, डाउनस्ट्रीम उपभोक्ता — एडिटोरियल डेस्क, ट्रेडिंग डेस्क, टीम एनालिस्ट — बिना चेतावनी के यह 'व्यापक आकलन' प्राप्त कर सकता है और टेम्पलेट आउटपुट को विश्लेषित आउटपुट मान सकता है। दूसरा, कोई भी ऐसा रिकॉर्ड जो बिना रोक-टोक किसी एग्रीगेटेड फ़ीड, सेंटिमेंट इंडेक्स या डैशबोर्ड में चला जाए, वहाँ मौजूदगी को सामग्री मान लिया जाएगा और डेटा दूषित हो जाएगा। सेंटिमेंट मॉडल ऐसे खाली रिकॉर्ड को 'न्यूट्रल' या 'कोई खबर नहीं' के रूप में पढ़ लेते हैं, जबकि वास्तव में वहाँ कोई सिग्नल ही नहीं था। अब सवाल यह उठता है कि ऐसा हुआ क्यों। एक अहम संकेत यह है कि विफलता आंशिक नहीं, पूर्ण थी। अगर कुछ फ़ील्ड भरे होते और कुछ खाली, तो इसका मतलब होता कि लेख में सामग्री थी पर उसका वर्गीकरण अधूरा रह गया। लेकिन जब हर एक फ़ील्ड खाली हो — शीर्षक से लेकर समय-संवेदनशीलता तक — तो सबसे संभावित कारण तकनीकी है, न कि संपादकीय। यानी स्रोत से पेज लाने में विफलता, टेक्स्ट एक्सट्रैक्शन में त्रुटि, पेवॉल या जावास्क्रिप्ट-आधारित पेज से खाली बॉडी लौटना, या Stage-1 का रन बीच में कट जाना। इसी से जुड़ा दूसरा संकेत यह है कि अगर कारण पेवॉल, बॉट-ब्लॉकिंग या रेंडरिंग समस्या है, तो उसी स्रोत के खिलाफ हर भावी रन बिल्कुल इसी तरह विफल होगा। यह एक बार की गड़बड़ी नहीं, स्थायी अंधा धब्बा बन जाएगा। और यहाँ एक और बात जुड़ती है — प्रोवेनेंस का नुकसान। चूँकि रिकॉर्ड में स्रोत का फ़ील्ड ही नहीं है, इस बात का कोई सबूत नहीं बचता कि मूल सामग्री कहाँ से आनी थी। केवल पाइपलाइन लॉग्स से ही इसे दोबारा बनाया जा सकता है — बशर्ते वे लॉग्स सुरक्षित रखे गए हों। समाधान तकनीकी रूप से सस्ता है। सबसे पहले एक कठोर वैलिडेशन गेट लगाना होगा, जो Stage-2 शुरू होने से पहले ही जाँच ले कि इन्फॉर्मेशन पॉइंट्स की संख्या कम से कम एक है, शीर्षक रिक्त नहीं है और एंटिटीज़ की सूची खाली नहीं है। जो रिकॉर्ड इस शर्त पर खरा न उतरे, उसे क्वारंटीन में डाल दिया जाए। दूसरे, स्रोत URL और फ़ेच टाइमस्टैम्प Stage-0 पर ही सुरक्षित किए जाएँ, ताकि भविष्य में विफलता की जाँच हो सके। तीसरे, यदि Stage-1 दोबारा भी शून्य इन्फॉर्मेशन पॉइंट्स लौटाए, तो आगे कोई विश्लेषण-खर्च करने से पहले स्रोत-पहुँच की जाँच हो। क्रिकेट के संदर्भ में इस विफलता का एक और पहलू है जो अक्सर नज़रअंदाज़ होता है — फॉर्मेट का सवाल। टेस्ट, वनडे और टी20 के आँकड़े आपस में तुलनीय नहीं हैं। स्ट्राइक रेट का मानक, इकॉनमी रेट की सीमा, औसत बनाम सहनशीलता का संतुलन — सब फॉर्मेट बदलते ही बदल जाते हैं। अगर पेलोड में केवल 'क्रिकेट वर्ल्ड' जैसा व्यापक टैग है और कोई फॉर्मेट संकेत नहीं, तो कोई भी सांख्यिकीय निष्कर्ष सुरक्षित रूप से नहीं निकाला जा सकता। यही कारण है कि इस मामले में फॉर्मेट, मैच की प्रकृति, वेन्यू, पिच, मौसम और डकवर्थ-लुईस हस्तक्षेप — सब 'उपलब्ध नहीं' रहे। इसी तरह खिलाड़ी-स्तर का विश्लेषण भी सिद्धांत रूप से असंभव था, क्योंकि पेलोड में एक भी क्रिकेटर, कोच या सहयोगी स्टाफ का नाम नहीं था। भूमिका-वर्गीकरण — सलामी बल्लेबाज, एंकर, फिनिशर, तेज़ गेंदबाज़, स्पिनर, ऑलराउंडर — तय नहीं हो सकता, इसलिए मानक भी चुने नहीं जा सकते। टीम-स्तर पर रैंकिंग, गृह/विदेश प्रोफ़ाइल, बल्लेबाज़ी की गहराई, गेंदबाज़ी संयोजन, बेंच डेप्थ और आयु-संरचना — इनमें से कुछ भी मापा नहीं जा सका, क्योंकि कोई टीम ही नहीं थी। व्यावसायिक पक्ष भी इसी तरह खाली रहा। न ब्रॉडकास्ट राइट्स का कोई आँकड़ा, न फ्रैंचाइज़ी वैल्यूएशन, न खिलाड़ी वेतन, न नीलामी का नतीजा। ऐसे में यह बुनियादी अनुशासन लागू ही नहीं हो सका कि आईपीएल में मिली ऊँची कीमत अंतरराष्ट्रीय क्रिकेट की मज़बूती का प्रमाण नहीं होती। सार्वजनिक धारणा और वास्तविक क्षमता के बीच का अंतर नापने वाली पूरी कसौटी — जो लेख के रुख और बाज़ार की अपेक्षा दोनों पर निर्भर है — भी अनुपयोगी रह गई, क्योंकि लेख का रुख ही दर्ज नहीं था। लेकिन असली सबक यहाँ क्रिकेट के बारे में नहीं, प्रक्रिया के बारे में है। इस पूरे प्रकरण में सबसे बड़ा जोखिम कोई खेल-संबंधी जोखिम नहीं था; वह था विश्लेषण-पाइपलाइन की इंटीग्रिटी का जोखिम। और अच्छी खबर यह है कि यह विफलता पहचानने में आसान और ठीक करने में सस्ती है, क्योंकि यह पूर्ण थी — इसलिए गड़बड़ी कुछ ही चरणों तक सीमित है। Stage-1 को दोबारा चलाना ज़्यादातर मामलों में इसे हल कर देगा। एक पुरानी कहावत विश्लेषण जगत में याद रखनी चाहिए: 'रिकॉर्ड नहीं मिला' और 'जोखिम नहीं मिला' एक ही बात नहीं हैं। जब तक डेटा पाइपलाइन इस अंतर को मशीन-स्तर पर लागू नहीं कर देती, तब तक हर खाली रिपोर्ट एक छिपी हुई गलती बनी रहेगी — जो किसी दिन किसी डेस्क के फैसले में चुपचाप घुस जाएगी और सच की तरह पेश होगी।