खाली डेटासेट से क्रिकेट कहानी नहीं बनती: एक डेटा पाइपलाइन की पोस्टमॉर्टम रिपोर्ट

शुक्रवार की देर रात मैंने अपना स्टेज-वन पार्सर खोला। जिस सोर्स डॉक्यूमेंट से आठ डायमेंशन की गहन क्रिकेट एनालिसिस निकलनी थी, उसका टाइटल फील्ड खाली था। जानकारी के बिंदु — एक भी नहीं। इकलौता ज़िंदा सिग्नल एक कोआर्स टैग था: cricket_world। मैंने पिछले छह साल में सैकड़ों स्कोरकार्ड पार्स किए हैं। पहली बार ऐसा हुआ कि स्प्रेडशीट ने जवाब देने से इनकार कर दिया — इसलिए नहीं कि डेटा गंदा था, बल्कि इसलिए कि डेटा था ही नहीं। जब आपका पूरा काम नंबरों की जिरह पर टिका हो, तो खाली सेल सबसे तेज़ और सबसे ईमानदार जवाब होता है। मैंने उस रात तीन घंटे यह साबित करने में लगाए कि जो रिपोर्ट मेरे सामने थी, वह क्रिकेट के बारे में कुछ नहीं कहती — वह एनालिसिस पाइपलाइन के बारे में सब कुछ कहती है।

संदर्भ समझने के लिए यह ज़रूरी है कि ऐसी पाइपलाइन काम कैसे करती है। किसी भी मैच-रिपोर्ट या टूर्नामेंट-ऑटोप्सी का पहला चरण होता है सोर्स डीकंस्ट्रक्शन — यानी कच्चे आर्टिकल से टाइटल, सोर्स, फॉर्मेट (टेस्ट/वनडे/टी20), एंटिटीज़ (टीम, खिलाड़ी, वेन्यू) और सूचना-बिंदु निकालना। दूसरा चरण उन बिंदुओं पर आठ-आयामी विश्लेषण खड़ा करता है: फॉर्मेट-फेज़ पढ़ना, खिलाड़ी की तकनीक और सैंपल-साइज़, टीम की गहराई और रैंकिंग, लीग की व्यावसायिक संरचना, नियम-शासन, जोखिम-मैट्रिक्स, जन-नैरेटिव और उद्योग-ट्रांसमिशन। मेरे पास 2026 महामारी के बाद से हर डेथ-ओवर डिलीवरी का लॉग है, 2026 मेगा ऑक्शन के 300+ मूवमेंट्स का कोडेड लेजर है, और रणजी वर्कलोड का अधूरा रजिस्टर भी। इन सबका एक ही नियम है: हर निष्कर्ष को फॉर्मेट-टैग मिलना चाहिए, क्योंकि टेस्ट का इकॉनमी-रेट टी20 से तुलनीय नहीं होता। जब चरण-एक ही खाली लौटे, तो चरण-दो के पास खड़े होने की ज़मीन नहीं बचती।

कोर विश्लेषण यही है, और इसे सीधे कहना ज़रूरी है: इस इनपुट में कोई विश्लेषण-योग्य क्रिकेट सामग्री मौजूद नहीं थी, और जो रिपोर्ट सामने आई वह क्रिकेट-विश्लेषण नहीं, एक प्रोसेस-ऑडिट है। आठों आयामों में जो जानकारी भरनी थी, वह चार श्रेणियों में बंटी — मैच-फेज़ (स्कोरलाइन, पिच, DLS, टॉस), खिलाड़ी-डेटा (औसत, स्ट्राइक-रेट, सिचुएशनल स्प्लिट्स, फॉर्म-ट्रेंड), टीम-लैंडस्केप (ICC रैंकिंग, होम-अवे प्रोफ़ाइल, बैटिंग-बॉलिंग डेप्थ, बेंच), और वाणिज्यिक-शासन (ब्रॉडकास्ट राइट्स, फ्रैंचाइज़ी वैल्यूएशन, सैलरी, ऑक्शन डेटा, नियम-विवाद)। एक भी श्रेणी में एक भी अंक नहीं आया। फिर भी टेम्पलेट भरा हुआ दिख रहा था — हर बॉक्स में N/A, हर रेटिंग में एक स्टार, हर सिग्नल पर "cannot assess"। यह वही खतरा है जिससे मैं अपने काम में सबसे ज़्यादा डरता हूँ: पूर्णता का भ्रम। एक भरा हुआ फॉर्म पाठक को लगता है कि काम हुआ है, जबकि असल में कुछ भी नहीं हुआ। अगर उस रात मैंने एक भी खिलाड़ी का नाम या एक भी इकॉनमी-रेट अपने अनुमान से भर दिया होता, तो आज यह आर्टिकल एक काल्पनिक आँकड़े की चमकदार पैकेजिंग होती। डेटा-पत्रकारिता में सबसे महँगी गलती झूठ नहीं होती — वह खाली जगह को भरने की जल्दबाज़ी होती है। रिपोर्ट का सबसे ईमानदार हिस्सा उसका सबसे कम आकर्षक हिस्सा था: यह स्वीकार करना कि पाइपलाइन फेल हुई, न कि कहानी गढ़ना।

अब उलटा कोण, क्योंकि सहसंबंध को कारण बताना यहाँ सबसे आसान जाल है। एक पाठक कहेगा — पाइपलाइन खाली लौटी, इसलिए सोर्स डॉक्यूमेंट ही खराब था। यह निष्कर्ष आकर्षक है, पर सही साबित करने के लिए पर्याप्त सबूत नहीं। खाली आउटपुट तीन अलग-अलग चीज़ों से आ सकता है: (क) सोर्स डॉक्यूमेंट गायब या अपठनीय था, (ख) एक्सट्रैक्टर ने उसे पढ़ा पर एंटिटी-टैगिंग में हार गया, या (ग) सोर्स तो ठीक था पर उसमें क्रिकेट-विशिष्ट जानकारी ही नहीं थी। तीनों में से किसी एक को चुनने का डेटा मेरे पास नहीं। जो एक चीज़ पक्की है — पाइपलाइन-विफलता की संभावना ऊँची है, क्योंकि टाइटल, सोर्स और टाइप तीनों अनसुलझे रहे। याद रखिए, cricket_world जैसा चौड़ा टैग बचा रहना यह नहीं बताता कि आर्टिकल IPL का था, कोई टेस्ट सीरीज़ का, या किसी खिलाड़ी के अनुबंध का। मैंने इसी तरह के एक मामले में पहले भी गलती की थी — एक आधे-पार्स हुए स्कोरकार्ड से मैंने निष्कर्ष निकाल लिया था कि गेंदबाज़ी-यूनिट कमज़ोर है, जबकि असल में आधे ओवर ही लोड हुए थे। सबक साफ़ है: छोटा सैंपल शोर है, खाली सैंपल सन्नाटा — दोनों से कहानी मत बनाइए। आठ आयामों में से किसी में भी BCCI की चयन-प्रक्रिया, WPL की डेटा-इंफ्रास्ट्रक्चर की कमी, या आईपीएल ऑक्शन की अनकैप्ड-सीमर प्रीमियम जैसी कोई बात तब तक नहीं लिखी जा सकती जब तक उसका ठोस सूचना-बिंदु सामने न हो। और यही मेरी असली चिंता है — क्रिकेट-पत्रकारिता में ओपेकिटी सिर्फ़ बोर्ड की समस्या नहीं, हमारी भी है। जब हमारी अपनी पाइपलाइन खाली लौटती है और हम फिर भी "विश्लेषण" छाप देते हैं, तो हम उसी पारदर्शिता की माँग कमज़ोर कर देते हैं जो हम बोर्ड से करते हैं।

आगे का सिग्नल यही है: खाली डेटासेट पर खड़ा कोई भी क्रिकेट-निष्कर्ष प्रकाशन-योग्य नहीं है। मेरे लिए अगला कदम साफ़ है — सोर्स डॉक्यूमेंट फिर से मँगवाना, स्टेज-वन एक्सट्रैक्टर की ऑडिट करना, और तभी आठ-आयामी विश्लेषण दोबारा चलाना। जब आपकी अगली मैच-रिपोर्ट पढ़ें, तो एक सवाल ज़रूर पूछें: जो नंबर आपके सामने हैं, वे मैदान से आए हैं या किसी खाली टेम्पलेट से? क्योंकि खाली सेल से कहानी नहीं बनती — वह सिर्फ़ एक ईमानदार चेतावनी बनती है।