শূন্য পেলোডের শব্দ: ক্রিকেট ডেটা পাইপলাইনে নীরব ব্যর্থতার অডিট

হুক: শূন্য পেলোডের শব্দ

গত সপ্তাহে আমার ডেস্কে একটা বিশ্লেষণ নথি এল। আটটি মাত্রা, প্রতিটির জন্য পূর্ণ টেমপ্লেট, প্রতিটির জন্য সুশৃঙ্খল ছক, প্রতিটির জন্য শিরোনাম। অথচ পুরো নথিতে একটিও সংখ্যা নেই। স্টেজ-১ ডিকনস্ট্রাকশনের আউটপুট শূন্য — শিরোনাম নেই, সূত্র নেই, তথ্যবিন্দু নেই, সত্তা নেই, সময়-সংবেদনশীলতা মূল্যায়ন করা হয়নি।

স্কোরকার্ডের কলাম ঠিক জায়গায় বসানো, শিরোনাম নিখুঁত, শুধু ঘরগুলো ফাঁকা।

রংপুরে বসে আমি প্রথম যে মডেলটা বানিয়েছিলাম, তার সবচেয়ে বড় শিক্ষা ছিল — ডেটার অভাব কখনো নিরপেক্ষ থাকে না। অভাব নিজে থেকে একটা গল্প বানিয়ে ফেলে, আর সেই গল্পটাই সবচেয়ে বিশ্বাসযোগ্য শোনায়। ভুল সংখ্যা প্রশ্ন ডাকে; ফাঁকা ঘর নীরবতা ডাকে — আর সেই নীরবতার জায়গায় পাঠক নিজের অনুমান বসিয়ে দেয়। ওই বসিয়ে দেওয়া অনুমানটাই আজকের বিষয়।

পরের কয়েকটা অনুচ্ছেদ একটা পাইপলাইনের পোস্টমর্টেম। আট-মাত্রার ফ্রেমওয়ার্কটা এখানে ক্রিকেট-পাঠের চেয়ে মডেল-অডিটের পাঠ বেশি শেখায়।

প্রসঙ্গ: ফাঁকা ঘর কেন দক্ষিণ এশিয়ার ক্রিকেটে চেনা দৃশ্য

দুই স্তরের বিশ্লেষণ-ব্যবস্থা। স্টেজ-১ সোর্স নিবন্ধ থেকে পরমাণু তথ্য তুলে আনে — তথ্যবিন্দু, মূল দৃষ্টিভঙ্গি, সত্তা, সময়-সংবেদনশীলতা। স্টেজ-২ সেই তথ্যের উপর দাঁড়িয়ে আটটি মাত্রায় সিদ্ধান্ত টানে: ফরম্যাট ও ম্যাচ, খেলোয়াড়ের কৌশল ও ডেটা, দলের ভূগোল ও র‍্যাঙ্কিং, লিগ ও বাণিজ্য, নিয়ম ও সুশাসন, ঝুঁকি, জন-আখ্যান, আর শিল্পের সংক্রমণ-মানচিত্র।

নিয়মটা স্পষ্ট — স্টেজ-২-এর প্রতিটি সিদ্ধান্ত স্টেজ-১-এর তথ্যবিন্দুতে প্রোথিত থাকতে হবে। তথ্যবিন্দু শূন্য হলে সিদ্ধান্তও শূন্য।

আমার অভিজ্ঞতায় এই শূন্যতা চেনা। দক্ষিণ এশিয়ার ক্রিকেট বিশ্লেষণ কাঠামোগতভাবে অভাবের মধ্যেই বেড়ে উঠেছে — পূর্ণ বোল-ট্র্যাকিং নেই, যুগ-সমন্বিত স্কোরকার্ড নেই, পিচ-ভেরিয়েবলের সুশৃঙ্খল সংরক্ষণ নেই। ইউরোপের ফুটবলে ডেটা কোম্পানিগুলো প্রতি পাস আলাদা করে ট্যাগ করে; আমাদের অনেক ম্যাচের বল-বাই-বল ডেটাই পুনরুদ্ধারযোগ্য নয়। ফলে আমাদের সবচেয়ে বড় দক্ষতা হয়ে দাঁড়িয়েছে ফাঁক চেনা — কোনটা সত্যিই তথ্যের অভাব, আর কোনটা তথ্য স্ক্র্যাপ করা যায়নি। দুটো এক জিনিস নয়, দুটোর চিকিৎসাও আলাদা।

তবু একটা জিনিস এই নথিতে পরিষ্কার, আর সেটাই সবচেয়ে অস্বস্তিকর: ডোমেইন লেবেলে লেখা cricket_asia — অঞ্চল আছে, ফরম্যাট নেই। টেস্ট, ওডিআই, টি-টোয়েন্টি, না দ্য হান্ড্রেড — কিছুই নির্দিষ্ট নয়। ফরম্যাট ছাড়া ক্রিকেটে ডেটা-সিদ্ধান্ত টানা যায় না, কারণ টেস্টের নতুন-বলের অর্থনীতি আর টি-টোয়েন্টির পাওয়ারপ্লে অর্থনীতি এক ভাষায় লেখা যায় না। স্কিমায় বাধ্যতামূলক ফরম্যাট-ফিল্ড নেই — এই স্থাপত্য-ত্রুটি স্টেজ-১ ফেল করার অনেক আগেই তৈরি হয়ে গিয়েছিল।

সময়-সংবেদনশীলতা আর সোর্সের গুণমান — বিশ্লেষণের দুটো স্তম্ভ — দুটোই অমূল্যায়িত পড়ে আছে। সময়-সংবেদনশীলতা বলে দেয় খবরটা কত দ্রুত বাসি হয়; সোর্সের গুণমান বলে দেয় সংখ্যাটা কতটা বিশ্বাসযোগ্য। একটা ছাড়া অন্যটার অর্থ নেই। তারিখবিহীন ডেটা চিরকালীন সত্য বলে চালিয়ে দেওয়া যায় — অথচ ক্রিকেটে ফরম্যাট-চক্র আর পিচ-পরিবর্তনের সাথে প্রতিটি সংখ্যার অর্ধায়ু কমে।

মূল: প্রমাণের শৃঙ্খল

আমার পদ্ধতি আর্গুমেন্ট দিয়ে শুরু হয় না, অডিট ট্রেইল দিয়ে শুরু হয় — হাইপোথিসিস, ডেটাসেট, অ্যানোমালি, পুনঃক্রমাঙ্কন, রায়। রায়টা দেরিতে আসে, আর আসার সময় দ্বিধা ছাড়া আসে।

হাইপোথিসিস: স্টেজ-১ পেলোড শূন্য হওয়ার তিনটা সম্ভাব্য কারণ — সোর্স নিবন্ধ পেওয়ালের পেছনে ছিল, অথবা জাভাস্ক্রিপ্টে রেন্ডার হওয়া পেজ স্ক্র্যাপার ধরতে পারেনি, অথবা হ্যান্ডঅফের আগেই পাইপলাইনের ভেতরে আউটপুট হারিয়ে গেছে।

ডেটাসেট: ওই নথির ফিল্ড-টেবিল। শিরোনাম নেই, সূত্র নেই, নিবন্ধের ধরন অশ্রেণীবদ্ধ, তথ্যবিন্দু ফাঁকা, মূল দৃষ্টিভঙ্গি ফাঁকা প্লেসহোল্ডার, সত্তা চিহ্নিত নয়, সোর্সের গুণমান মূল্যায়ন করা হয়নি।

অ্যানোমালি: এখানেই আসল সমস্যা। নথিটা ভাঙা দেখায় না। টেমপ্লেট পূর্ণ, ছক পূর্ণ, ভাষা আত্মবিশ্বাসী। আটটি মাত্রার প্রতিটিতে লেখা পর্যাপ্ত তথ্য নেই, অথচ গঠনটা এমন যে একজন ভোক্তা এটাকে সম্পূর্ণ বিশ্লেষণ ভেবে ভুল করতে পারেন।

প্রমাণের শৃঙ্খল: প্রতিটি মাত্রা পরীক্ষা করলাম। খেলোয়াড়-বিভাগে একজন নামও নেই, তাই ভূমি নির্ধারণ — ওপেনার, অ্যাংকর, ফিনিশার — শুরুই করা যায় না। দল-বিভাগে কোনো দল নেই, তাই আইসিসি র‍্যাঙ্কিংয়ের বিপরীতে স্তর নির্ধারণ অসম্ভব। লিগ-বিভাগে কোনো লিগ নেই, তাই উচ্চ আইপিএল বেতন আর আন্তর্জাতিক শক্তি সমান নয় — এই বাধ্যতামূলক পরীক্ষাটাও চালানো যায় না। নিয়ম-সুশাসন বিভাগে কোনো সংস্থা নেই, কোনো বিতর্ক নেই, কোনো যোগ্যতা-ইস্যু নেই। ঝুঁকি-ছকের ছয়টি শ্রেণির প্রতিটিই ফাঁকা।

আটটা মাত্রা, একটাই প্রমাণসম্মত সিদ্ধান্ত: নথিটির একমাত্র সত্যিকারের ফাইন্ডিং ক্রিকেট-ঝুঁকি নয়, ডেটা-পাইপলাইনের অখণ্ডতা-ঝুঁকি।

এখানে একটা ম্যাপিং স্পষ্ট করা দরকার, কারণ আমার প্রথম হাতিয়ার ফুটবল থেকে ধার করা, আর ক্রিকেটে সোজাসুজি বসিয়ে দেওয়া অলসতা। ফুটবলের xG মানে প্রতি শটে গোল হওয়ার সম্ভাবনা। ক্রিকেটে তার নিকটতম সমতুল্য প্রত্যাশিত রান ও উইন-প্রোব্যাবিলিটি মডেল। ম্যাপিং এখানেই ভাঙে: ফুটবল একটা প্রবাহ, ক্রিকেট বিচ্ছিন্ন বল-ঘটনার ক্রম। এক বলের ফল আগের বলের সাথে অটোকোরিলেটেড নয়, অথচ ইনিংস-অবস্থা গভীরভাবে নির্ভরশীল — উইকেট পড়লে রান-রেটের অর্থনীতি বদলে যায়। ফুটবলে শটের মান মূলত অবস্থান আর শরীরের অঙ্গ ঠিক করে; ক্রিকেটে একই অবস্থান — লাইন ও লেংথ — বলের ধরন, ফিল্ড-সেটিং আর ফরম্যাটের সাথে বদলে যায়। ফুটবলের মডেল তুলনামূলকভাবে পরিস্থিতি-নিরপেক্ষ, ক্রিকেটের প্রতিটি সংখ্যা ফরম্যাট-শর্তাধীন। তাই ফরম্যাট-ট্যাগ ছাড়া ক্রিকেটের যেকোনো এক্সজি-সমতুল্য সংখ্যা অর্থহীন।

সংক্রমণ-মানচিত্রটা এখানে একটা ফাঁকা কাঠামো — উপরের ধাপে যুব-বিকাশ ও প্রতিভা-সরবরাহ, মাঝে জাতীয় দল ও লিগ, নিচে সম্প্রচার ও বাণিজ্য। তিনটে ঘরই শূন্য। অথচ এই মানচিত্রটাই বলে দিত একটা প্রশাসনিক সিদ্ধান্ত কত দ্রুত সম্প্রচার-মূল্যে গিয়ে পৌঁছায়। ঘর ফাঁকা মানে প্রক্রিয়াটা অজানা, আর অজানা প্রক্রিয়ায় বিনিয়োগ মানে জুয়া।

শিক্ষাটা স্পষ্ট: একটি মডেল হলো মঠের মতো — তুমি কোলাহল নিয়ে ঢোকো, আর শৃঙ্খলা নিয়ে বেরোও। কোলাহল ছিল কিছু একটা হয়েছে, খবর নিশ্চয়ই আছে। শৃঙ্খলা হলো — তথ্যবিন্দু শূন্য মানে সিদ্ধান্ত শূন্য, আর সেই শূন্যতা লুকানো যাবে না।

বিপরীতমুখী: দোষ স্ক্র্যাপারের, না স্থাপত্যের?

সহজ পাঠটা হলো স্ক্র্যাপারটা ঠিকমতো কাজ করেনি, আবার চালাও। এটা আরামদায়ক, আর সম্ভবত ভুল।

রংপুরের এক শোবার ঘরে আমি প্রথম xG মডেল বানিয়েছি, আর সেটা আমাকে চোখকে অবিশ্বাস করতে শিখিয়েছে। কিন্তু এখানে চোখই আসল সাক্ষী, আর তাকে সীমিত ভূমি দিতে হবে: চোখ অনুমান তৈরি করতে পারে, রায় দিতে পারে না। চোখ বলছে নিবন্ধটা নিশ্চয়ই নন-ম্যাচ — প্রশাসনিক বা নিলাম-সংক্রান্ত — তাই ম্যাচ-ডেটা নেই। এটা একটা হাইপোথিসিস, প্রমাণ নয়। প্রমাণ হলো না-থাকার প্যাটার্ন।

আর প্যাটার্নটাই বেশি জরুরি। আটটি ফিল্ডের প্রতিটিতে আংশিক নয়, সম্পূর্ণ শূন্য। আংশিক এক্সট্রাকশনে শিরোনাম থাকত, তথ্যবিন্দু আধা-পূর্ণ থাকত। সম্পূর্ণ শূন্য মানে নিবন্ধে বিষয়বস্তু না থাকা নয় — মানে পাইপলাইনে হার্ড ফেইলিউর।

দ্বিতীয় সম্ভাবনাটা আরও অস্বস্তিকর: বিষয়বস্তু সত্যিই ছিল না, কারণ সোর্সটা টেক্সটই ছিল না — লাইভ-স্কোর উইজেট, ভিডিও, বা স্থিরচিত্র। এই সম্ভাবনা দূর করার উপায় মিডিয়া-টাইপ ডিটেকশন, যা এখন নেই।

এখানে ২০২০-এর অভিজ্ঞতা কাজে লাগে, তবে সাবধানে। ২০২০-এর ভূতুড়ে ম্যাচগুলো কেবল স্টেডিয়াম খালি করেনি — একটা অনুমানের স্তরও খালি করেছিল: দর্শকহীন পরিবেশে হোম-অ্যাডভান্টেজ নিছক ভ্রমণ-ক্লান্তি নয়, আংশিকভাবে ভিড়-চালিত। সেই ফাইল শেখায়, পরিবেশ-ভেরিয়েবলকে কৌশল-মেট্রিক থেকে আলাদা রাখতে হয়, আর প্রতি ডেটাসেটে প্রসঙ্গ-অখণ্ডতার টান লাগাতে হয়। এই নথিতে প্রসঙ্গটাই অনুপস্থিত — তারিখ নেই, সূত্র নেই, ফরম্যাট নেই। তাই এখানে ২০২০-নির্দিষ্ট কোনো ব্যাখ্যা চাপানো মানে নতুন করে অনুমান বানানো।

বাজার যখন একটা ট্রান্সফার গুজবে অতিরিক্ত প্রতিক্রিয়া দেখায়, আমি আন্ডারলাইং সংখ্যায় ফিরে যাই। এই পাইপলাইনের ক্ষেত্রেও সেই নিয়ম: স্ক্র্যাপারের প্রতি অতিরিক্ত প্রতিক্রিয়া নয়, আন্ডারলাইং স্থাপত্যে ফেরা — স্টেজ-১ আর স্টেজ-২-এর মাঝে যেখানে কোনো ভ্যালিডেশন-গেট নেই। কাঠামো ভেঙেছে ঠিক সেই জায়গাতেই, যেখানে গেট বসানোর কথা ছিল।

প্রাক-নিবন্ধিত ব্যর্থতার শর্ত: সোর্স URL সংরক্ষিত থাকলে এবং আবার ইনজেস্ট করে অন্তত তিনটি পরমাণ তথ্য বেরিয়ে এলে হার্ড-ফেইলিউর হাইপোথিসিস টিকে যায়। পুনঃইনজেস্ট করার পরেও পেলোড শূন্য থাকলে নন-টেক্সট-সোর্স হাইপোথিসিস এগিয়ে আসে। এই দুটো ফলাফল আগেই লিখে রাখা — অ্যানোমালি-চেজিং থেকে বাঁচার এটাই একমাত্র উপায়।

সংকেত: পরের রাউন্ডে কী দেখব

যে সংখ্যাগুলো নেই, সেগুলো নিয়ে গল্প লেখা যায় না। লেখা যায় শুধু একটা সংকেত, আর সংকেতটা প্রক্রিয়াগত।

হ্যান্ডঅফে একটা ইনপুট-ভ্যালিডেশন গেট বসানো ছাড়া উপায় নেই, যা তথ্যবিন্দু শূন্য দেখলেই পাইপলাইন থামিয়ে দেবে। স্কিমায় বাধ্যতামূলক ফরম্যাট-ফিল্ড যোগ করা জরুরি — টেস্ট, ওডিআই, টি-টোয়েন্টি — কারণ ফরম্যাট ছাড়া ক্রিকেট-ডেটা অসম্পূর্ণ থাকে না, অর্থহীন হয়ে যায়। আর উপরের দিকে দরকার মিডিয়া-টাইপ ডিটেকশন, যাতে টেক্সট-বিহীন সোর্স আগেই ধরা পড়ে।

আমি যে সংকেত দেখব: পুনঃচালানো স্টেজ-১ অন্তত তিনটি আলাদা তথ্যবিন্দু ফেরত দেয় কি না। দিলে আট-মাত্রার পূর্ণ বিশ্লেষণ সম্ভব। না দিলে প্রশ্নটা বদলে যায় — সমস্যা বিশ্লেষণে নয়, সোর্সেই।

প্রশ্নটা রেখে দিলাম: আপনি শেষ যে বিশ্লেষণ-নথিটা পড়েছেন, তার ঘরগুলো পূর্ণ ছিল — নাকি শুধু কলামগুলো?