খালি ডেটার ডাক্তারি: ক্রিকেট বিশ্লেষণ পাইপলাইনের নীরব ব্যর্থতা

একটা রিপোর্ট হাতে এলো যেখানে আটটি অধ্যায় আছে, প্রতিটি অধ্যায়ে টেবিল, সাব-হেডিং, কনফিডেন্স লেভেল, এবং ঝকঝকে বাক্যগঠন। কিন্তু প্রতিটি ঘরে লেখা আছে একটাই কথা — "N/A — insufficient information"। এটাই সেই মুহূর্ত যেখানে আমার কৌতূহল জাগে। ক্রিকেটে আমরা চেনি ফাঁকা স্কোরকার্ড। এখানে ফাঁকা স্কোরকার্ডটা ক্রিকেটের নয়, বিশ্লেষণের। এবং সেটাই এই লেখার বিষয়।

আমি স্পোর্টস ডেটা অ্যানালিস্ট হিসেবে কাজ করি, মুম্বইয়ে বসে ভারতীয় বাজারের জন্য ক্রিকেট কভার করি। ২০০৬ সালে ঢাকার একটি ডেস্কে ক্রিকেট রিপোর্টার হিসেবে শুরু করেছিলাম, তারপর ২০১৭ সালে যখন প্রথম ভারতীয় নিউ মিডিয়ায় xG-ভিত্তিক ম্যাচ অটোপ্সি করি, তখন থেকে একটা অভ্যাস তৈরি হয়ে গেছে — স্কোরলাইনের আড়ালে তাকানো। এবার স্কোরলাইন নেই। ম্যাচ নেই। খেলোয়াড় নেই। আছে শুধু একটা ইনজেশন পাইপলাইন যেটা ফাঁকা পেলোড পাঠিয়ে দিলো, আর ডাউনস্ট্রিমে কোনো এক জায়গায় কেউ সেটাকে থামিয়ে দিলো না।

এই স্টেজ-টু রিপোর্টের ইনপুট অডিট অংশটা পড়ুন। আটটি প্রয়োজনীয় ফিল্ডের মধ্যে ছয়টি "Missing" বা "Empty"। শিরোনাম নেই, সূত্র নেই, তথ্যবিন্দু নেই, মূল অবস্থান নেই, সত্তা নেই, সময়-সংবেদনশীলতা নেই, সূত্রের মান যাচাই হয়নি। শুধু একটা ক্ষেত্র আছে — ডোমেইন লেবেল, সেটাও cricket_world, যা নির্ধারিত "Cricket" লেবেলের সাথেও মেলে না।

এখানেই প্রথম কাঠামোগত সত্যিটা বেরিয়ে আসে। যে রিপোর্ট ফাঁকা, সেটা যদি ফাঁকা দেখতে না লাগে, তাহলে সেটা কোনো রিপোর্টের চেয়েও বিপজ্জনক। একটা ব্যর্থ ফেচ যদি স্পষ্ট এরর দিতো, কেউ ব্যবহার করতো না। কিন্তু স্কিমা ভ্যালিড থাকলো, ফরম্যাট ভ্যালিড থাকলো, আটটা অধ্যায় যথাস্থানে বসলো — শুধু ভেতরে কোনো মাংস নেই। ক্রিকেট ম্যাচে এটার নাম "স্কোর দিচ্ছে না অথচ স্কোরবোর্ড চলছে"।

এখন কাউসালিটি চেইনটা খোলা যাক। তথ্যবিন্দু খালি। সত্তা-নিষ্কাশন স্টেজ-ওয়ানে স্পষ্টভাবে নির্ভরশীল — "উপরের তথ্যবিন্দু থেকে চিহ্নিত করুন"। তথ্যবিন্দু নেই মানে সত্তা নেই। সত্তা নেই মানে কোনো দল নেই, কোনো খেলোয়াড় নেই, কোনো প্রতিযোগিতা নেই। এরপর সময়-সংবেদনশীলতা মূল্যায়িত হয়নি, আর সূত্রের মানও মূল্যায়িত হয়নি, কারণ সেই নির্দেশও তথ্যবিন্দুর সূত্র-ফিল্ডের উপর নির্ভরশীল। অর্থাৎ একটা ব্যর্থতা থেকে চারটা ব্যর্থতা — এবং এরা সবাই একই শিকড় থেকে এসেছে।

আমি এই ধরনের ক্যাসকেড আগে দেখেছি, কিন্তু অন্য তারে। ২০১৮ সালে রাশিয়া বিশ্বকাপ ডেটা ডেস্কে বসে জার্মানির কোরিয়া-বিরুদ্ধ ০-২ হার নিয়ে কাজ করার সময় দেখেছিলাম, ৭০ শতাংশ পজেশন, ২৬ শট, ২.৭ xG — অথচ PPDA ৬.৮, মানে উচ্চ প্রেসিং আর পেছনে খোলা জায়গা। একটা সংখ্যা সিস্টেমের ভেতরে ঢুকে গেলে সেটা আর ফিরে আসে না। পেছনে তাকিয়ে বোঝা যায়, ব্যর্থতা কখনো একা আসে না — আসে একজনের হাত ধরে আরেকজন।

এখানেও তাই। তথ্যবিন্দুর শূন্যতা একটা শূন্যতা নয়, এটা একটা ট্রিগার। সত্তা-নিষ্কাশক চলেনি। সময়-সংবেদনশীলতা হিসাব হয়নি। সূত্রের গুণমানের জন্য যে নির্দেশ দেওয়া আছে — "তথ্যবিন্দুর সূত্র-ফিল্ড থেকে বিচার করুন" — সেটা সার্কুলার। তথ্যবিন্দু না থাকলে সূত্রের মান কখনো গ্রেড করা যায় না। এই ডিজাইনটি ঠিক এই ব্যর্থতার ধরনেই অন্ধ হয়ে যাওয়ার নিশ্চয়তা দেয়। এটাই এই রিপোর্টের সবচেয়ে দামি পর্যবেক্ষণ, এবং এটি ক্রিকেট সম্পর্কে কিছুই বলে না — বলে আমাদের নিজস্ব মেশিন সম্পর্কে।

ভাবুন, এই ফাঁকা রিপোর্টটা যদি একটা নিউজরুমে যায়। সম্পাদক টেবিলগুলো দেখে ভাবেন, "বিশ্লেষণ হয়েছে"। একজন অ্যাঙ্কর ওই লাইনগুলো মঞ্চে পড়ে ফেলেন। দেখা যায়, সেই সব লাইনে কোনো ক্রিকেট নেই। কেউ যদি জিজ্ঞেস করে, "ভারতের মিডল-ওভার দুর্বলতা নিয়ে কী বলছে রিপোর্ট?" — উত্তর নেই, কারণ প্রশ্নটা যার উপর নির্ভর করছিল, সেই ইনপুটটাই কখনো পৌঁছায়নি।

এখন ক্লিনিক্যালি দেখি, যে ছয়টি ঝুঁকি-শ্রেণি এই রিপোর্টে পর্যালোচনা করা হয়েছে — স্পোর্টিং, কর্মী, বাণিজ্যিক, নিয়ম-সততা, জনমত, সিস্টেমিক — তার সবগুলোর ফলাফল N/A। এটা পড়ার সঠিক উপায় হলো: "মূল্যায়ন করা হয়নি"। ভুল উপায় হলো: "ঝুঁকি নেই"। এই দুটোর মধ্যে পার্থক্য করাটা আমার কাছে পেশাগত সততার মূল শর্ত। কারণ ক্রিকেট সাংবাদিকতায় এমন বহু উদাহরণ আছে যেখানে "কোনো অভিযোগ পাওয়া যায়নি" শিরোনাম হয়ে গেছে, অথচ আসলে কেউ কখনো খোঁজেনি।

আমি এখানে নিজের একটা অভ্যাস স্বীকার করি। ডেটা সাংবাদিকতায় ঢোকার পর আমার একটা ঝোঁক তৈরি হয়েছিল — প্রতিটি ঘটনায় মেট্রিক বসিয়ে দিই। xG অটোপ্সি প্রথমবার সফল হওয়ার পর মনে হয়েছিল, এই পদ্ধতি সর্বজনীন। পরে শিখেছি, মডেলের আউটপুটকে বল-ট্র্যাকিং, পিচ কন্ডিশন আর আবহাওয়ার সাথে মেলাতে হয় — নইলে সংখ্যা সত্য বলে চিৎকার করে, কিন্তু সত্যি বলে না। এই রিপোর্টে সেই ফাঁদে পড়ার সুযোগই নেই, কারণ সংখ্যাই নেই। আর ঠিক সেই কারণেই এটা একটা মূল্যবান নমুনা: এখানে আমরা দেখতে পাচ্ছি, একটা বিশ্লেষণ ব্যবস্থা যখন নিজের ব্যর্থতা সনাক্ত করতে পারে না, তখন কী ঘটে।

দ্বিতীয় ঝুঁকি আরও সূক্ষ্ম। সূত্রের মান কাঠামোগতভাবে গ্রেড করা অসম্ভব, কারণ স্টেজ-ওয়ানের নির্দেশ সার্কুলার। এর মানে হলো — ইনজেশন ব্যর্থ হলে প্রোভেনেন্সও হারায়। সংবাদমাধ্যমের ভাষায়, তুমি জানো না খবরটা কোথা থেকে এসেছে, কোন সংবাদপত্রে ছাপা হয়েছিল, কে লিখেছিল, কখন। অথচ একটি ক্রিকেট দাবির ক্ষেত্রে সবচেয়ে গুরুত্বপূর্ণ প্রশ্ন ঠিক এইটাই — কে বলছে, কোন সূত্রে, কোন তারিখে।

একটা সংবাদমূল্যের উদাহরণ নিই। ধরা যাক কোনো সূত্রে দাবি এলো, এক ফ্র্যাঞ্চাইজি নিলামে কোনো অলরাউন্ডারকে বড় অঙ্কে কিনেছে। এই দাবিটা যাচাই করতে গেলে তিনটে জিনিস লাগে — অফিসিয়াল নিলামের রেকর্ড, ক্রয়ের তারিখ, এবং সেই টুর্নামেন্টের নিয়মে রাইট টু ম্যাচ কার্ড প্রয়োগ হয়েছিল কিনা। এই তিনটের কোনোটাই যদি ইনজেশন স্তরে হারিয়ে যায়, তাহলে রিপোর্ট যত সুন্দর ফরম্যাটেই লেখা হোক, সেটা ক্রিকেট জ্ঞান নয় — সেটা টেমপ্লেট।

আমার দ্বিতীয় গল্পটা এখানে প্রাসঙ্গিক। ২০২১ সালে বাংলাদেশের নিউজিল্যান্ড সিরিজ জয়ে আমার টি-টোয়েন্টি ধারাভাষ্য অভিষেক। স্টেডিয়ামের ভেতরে বসে মনে হয়েছিল — সংখ্যাগুলো কাগজে ঠিকই আছে, কিন্তু যে মুহূর্তে সেগুলোকে বলা শুরু করলাম, দায়িত্ব বেড়ে গেল। প্রতিটি মেট্রিকের পেছনে একটা সূত্র, একটা সময়, একটা প্রেক্ষাপট। ভুল তথ্য মুখে বললে সেটা ফেরানো যায় না। লিখিত রিপোর্টে অন্তত ফেরানোর সুযোগ থাকে — যদি রিপোর্টটা আসলে কিছু লিখে থাকে।

এবার কন্ট্রারিয়ান অ্যাঙ্গেল। এই ফাঁকা রিপোর্টটাকে আমি সম্পূর্ণ ব্যর্থতা বলতে চাই না। বরং এর সবচেয়ে বুদ্ধিমান কাজটা হলো — সেটা নিজের অজ্ঞতা স্বীকার করেছে। প্রতিটি ঘরে N/A বসিয়েছে, অনুমান দিয়ে শূন্যতা ভরাট করেনি। ক্রিকেট বিশ্লেষণে এটাই বিরল। অনেক রিপোর্ট সত্তা বানিয়ে নেয়, সংখ্যা অনুমান করে, তারপর আত্মবিশ্বাসের সাথে উপসংহার টানে। এই রিপোর্ট সেটা করেনি।

কিন্তু এখানেই বৈপরীত্য। যে মেশিন নিজের অজ্ঞতা সনাক্ত করতে পারে, সে একই সাথে স্কিমা ভ্যালিডেশন পার হয়ে গেল, যখন তার হাতে কিছুই নেই। অর্থাৎ অজ্ঞতা স্বীকার করার নীতি আছে, কিন্তু সেটা জোর করে আটকে দেওয়ার গেট নেই। সততা আছে, ব্রেক নেই। এটা একটা ফাঁকা পাত্রকে "পাত্র" বলে মেনে নেওয়ার মতো। পাত্র সত্যিই পাত্র, কিন্তু ভেতরে পানি নেই — এবং পিপাসার্ত কেউ যদি সেটা মুখে তুলে নেয়, ক্ষতি তারই।

শিল্প-সাহিত্যের ভাষায় বলতে গেলে, এখানে আমরা একটা অটোপ্সি দেখছি যেখানে লাশই নেই। কিন্তু অটোপ্সি রিপোর্ট ফরম্যাটে লেখা হয়েছে। এই জায়গায় আমার INTJ মন প্রশ্ন করে — ফরম্যাটের ব্রত যদি কনটেন্টের অভাব ঢেকে দেয়, তাহলে ফরম্যাট কার সেবা করছে? যে রিপোর্টটা সিদ্ধান্ত নিতে ব্যবহার করা হবে না, সেটা তৈরি করলাম কেন?

এখানেই আমার সবচেয়ে বড় কাঠামোগত পর্যবেক্ষণ। ফাঁকা ইনপুট একটা ব্যর্থতা নয়, এটা একটা সিগন্যাল — এবং এই সিগন্যালটা ধরার জায়গা ইনজেশন স্তরে, নিচের সব অধ্যায়ে নয়। তথ্যবিন্দু শূন্য হলে পুরো রিপোর্ট VOID ঘোষণা করা উচিত এবং সেটা স্পষ্টভাবে লিখে দেওয়া উচিত। এই রিপোর্ট সেটা করেছে — তাতে বাহবা তার প্রাপ্য। কিন্তু কী হবে সেই সব রিপোর্টের যেগুলো এই স্বীকৃতিটা করে না?

এখন একটু ভেতরে দেখি। স্টেজ-ওয়ানের রুট-কজ অনুমান চারটে। প্রথম দুটো — খালি বা ব্লকড সোর্স, আর আপস্ট্রিম ইনজেশন ত্রুটি — দুটোরই কনফিডেন্স মিডিয়াম। তৃতীয় — স্কিমা মিসম্যাচ — কনফিডেন্স লো। চতুর্থ — সত্যিই বিশ্লেষণযোগ্য নয় এমন ইনপুট, যেমন ছবির ক্যাপশন বা শুধু শিরোনামের পুশ নোটিফিকেশন — কনফিডেন্স লো। এই চারটা অনুমানের মধ্যে পার্থক্য করা যায় একটা তথ্য দিয়ে — সোর্সের HTTP স্ট্যাটাস এবং রেসপন্স বডির দৈর্ঘ্য। ৪০১, ৪০৩, ৪৫১ মানে পেওয়াল বা জিও-ব্লক। প্রায় শূন্য বডি দৈর্ঘ্য মানে জাভাস্ক্রিপ্ট রেন্ডারিং নির্ভর পৃষ্ঠা। এটা না লিখে রাখলে পরের রি-রানেও একই ফল আসবে।

এখানেই আমার আগের এক অভিজ্ঞতা মনে পড়ে। জার্মানিতে কাটানো বছরগুলোতে শিখেছি, সিস্টেমের ব্যর্থতা কখনো বিস্ফোরণ নয় — প্রায় সবসময় নীরব ছড়িয়ে পড়া। একটা সিস্টেম যদি থেমে যায়, শব্দ হয়, কেউ ছুটে আসে। কিন্তু যদি সিস্টেম চলতে থাকে ভুল ইনপুট নিয়ে, কেউ টের পায় না। এই রিপোর্টে সেই নীরবতার নমুনা সংরক্ষিত আছে। মেটা-ঝুঁকিতে সেটাই হাই লেভেলে চিহ্নিত — এবং সঠিকভাবে।

এবার একটা প্রায়োগিক দিক। এই মেশিনের ডিজাইনে তিনটি আলাদা সমস্যা আছে, যেগুলো আলাদা আলাদা ফিক্স চায়। প্রথমত, অ-খালি থাকার নিশ্চয়তা — তথ্যবিন্দু শূন্য হলে স্টেজ-ওয়ান পেলোড রিজেক্ট হবে এবং রি-কিউ হবে। দ্বিতীয়ত, সত্তা-নিষ্কাশন তথ্যবিন্দুর উপর নির্ভর করা উচিত নয়; কাঁচা টেক্সটের উপর সরাসরি NER চালানো উচিত এবং ফলাফল মার্জ করা উচিত। তৃতীয়ত, সোর্স মেটাডেটা — ডোমেইন, লেখক, প্রকাশের তারিখ, ফেচ স্ট্যাটাস — তথ্যবিন্দু থেকে স্বাধীন প্রথম-শ্রেণির ক্ষেত্র হিসেবে সংরক্ষণ করা উচিত, যাতে ইনজেশন ব্যর্থ হলেও প্রোভেনেন্স বেঁচে থাকে।

এই তিনটি ফিক্সের একটা সাধারণ সুতো আছে। প্রত্যেকটি বিশ্বাস করে — সিস্টেমের নিজের অবস্থা সম্পর্কে সত্য বলা দরকার। ক্রিকেটেও এটা সত্য। একটা দল যদি ব্যাটিং অর্ডারে ভেঙে পড়ে, সেটা যদি কেউ রেকর্ড না করে, পরের ম্যাচে একই ভুল হবে। ডেটার জগতে রেকর্ডহীন ব্যর্থতা মানে পুনরাবৃত্তি।

এখন কন্ট্রোলড ভোকাবুলারি ড্রিফটের দিকে তাকাই। নির্ধারিত লেবেল ছিল "Cricket", ফেরত এলো cricket_world। এটা ছোট ব্যাপার মনে হয়, কিন্তু বাস্তবে বড় সংকেত। কারণ স্টেজ-ওয়ান যখন নিজের স্কিমা মানছে না, তখন সে অ-খালি থাকার নিয়মও মানছে না — একই শিকড়, দুটো উপসর্গ। এবং েবেলটির প্রশস্ততা এত বেশি যে একটা ম্যাচ রিপোর্ট আর একটা আইসিসি রেভিনিউ-মডেল বিতর্ক একই লেবেল পাবে। অর্থাৎ লেবেল থেকে বোঝার উপায় নেই কোন অধ্যায়ে যাবে। একটা সাব-টপিক ক্ষেত্র — ম্যাচ / খেলোয়াড় / দল / লিগ / গভর্নেন্স — এই সমস্যাটা সহজেই সমাধান করতো।

ভাবলে অবাক লাগে, এত সূক্ষ্ম বিশ্লেষণ কাঠামো তৈরি করা হলো — আটটি অধ্যায়, ছয়টি ঝুঁকি-শ্রেণি, তিনটি সিনারিও, সাতটি তথ্য-মূল্য রেটিং — অথচ একটিমাত্র শর্ত "তথ্যবিন্দু শূন্য হতে পারবে না" পুরো সিস্টেমটাকে বাঁচিয়ে দিতো। ভালো স্থাপত্যের বৈশিষ্ট্য এটাই, ত্রুটিপূর্ণ স্থাপত্যের বিপরীতটা — ভালো স্থাপত্য প্রতিরক্ষার স্তর তৈরি করে, খারাপ স্থাপত্য জটিলতার স্তর তৈরি করে।

এখানেই আমার ম scoffing শেষ। কারণ এই রিপোর্টে একটা জিনিস আমি সত্যিই পছন্দ করি, এবং সেটা সহজে করা যায় না। প্রতিটি অধ্যায়ে "Evidence" সেকশন আছে। প্রতিটি সিদ্ধান্তের সাথে লেখা আছে, কী দেখে এই সিদ্ধান্তে পৌঁছানো হয়েছে। এবং যেখানে কিছু নেই, সেখানে স্পষ্টভাবে লেখা — "empty Information Points"। অনেক রিপোর্ট এই ধরনের আত্ম-সাক্ষ্য এড়িয়ে যায়। এটা এড়ায়নি। ক্রিকেট সাংবাদিকতায় এটা আমার চেনা অভাব — "কেন তুমি এটা বললে" প্রশ্নের উত্তর দিতে না পারা।

এখন ফরোয়ার্ড লুকিং প্রশ্নটা রাখি। এই রিপোর্ট VOID। স্বীকার করা হয়েছে। ডাউনস্ট্রিম কনজিউমারের কাছে পৌঁছানোর আগে কি সিস্টেমটা নিজেই থামবে? নাকি ভবিষ্যতেও ফর্ম্যাটে পূর্ণ কিন্তু বিষয়ে খালি এক রিপোর্ট আবার যাবে — এবং এবার কেউ সেটা পড়ে একটা ট্রান্সফার কৌশল বা একটা নির্বাচন সিদ্ধান্ত নেবে? ম্যাচে পরাজয়ের হিসাব রাখা যায়; ম্যাচ না থাকলে জেতার হিসাব রাখা যায় না।