खाली डेटा, खाली विश्लेषण: क्रिकेट एनालिटिक्स पाइपलाइन की उस खामोशी का ऑडिट जिसे कोई नहीं देखता

हर बार जब कोई डिजिटल डेस्क किसी मैच की 'डीप एनालिसिस' पेश करता है, मेरी पहली नज़र स्कोरकार्ड पर नहीं, बल्कि उस स्प्रेडशीट पर जाती है जिससे वह विश्लेषण बना है। पिछले हफ्ते एक ऐसी ही स्प्रेडशीट मेरे सामने आई — और उसमें जिस चीज़ की कमी थी, वह कोई आंकड़ा नहीं था। वह खुद आंकड़े थे। Stage-1 का पूरा आउटपुट खाली था: शीर्षक N/A, स्रोत N/A, आर्टिकल टाइप 'अवर्गीकृत', मुख्य दृष्टिकोण की वन-सेंटेंस समरी खाली, लेखक का रुख N/A, और Information Points की सूची — बस एक खाली ब्रैकेट। सिर्फ़ एक फ़ील्ड में कुछ था: Domain Label: cricket_asia। यह वही पल है जब एक ऑडिटर को सबसे ज़्यादा सतर्क होना चाहिए। क्योंकि खाली डेटा कभी 'कोई समस्या नहीं' का मतलब नहीं रखता। खाली डेटा का मतलब है कि कहीं ऊपर की किसी चेन में कोई कड़ी चुपचाप टूट गई — और नीचे बैठा हर आदमी उस टूटी कड़ी को 'निष्कर्ष' समझकर आगे बढ़ा रहा है।

मेरी ट्रेनिंग ब्रॉडकास्ट स्कोरिंग से हुई है, जहाँ अगर बॉल-बाय-बॉल लॉग में एक ओवर गायब हो, तो टेलीकास्ट की पूरी ग्राफिक्स चेन रोक दी जाती है। 2026 IPL फाइनल में मैंने यही सबक दोबारा सीखा, जब 129/8 का बचाव करते हुए मुंबई इंडियंस ने राइजिंग पुणे सुपरजायंट को 1 रन से हराया था। उस मैच में मैंने आखिरी पाँच ओवरों की 14 डॉट बॉल्स को गिनकर एक 'प्रेशर इंडेक्स' बनाया था — रिक्वायर्ड रेट, विकेट प्रोबेबिलिटी और गेंदबाज़ मैचअप को मिलाकर। लेकिन मैंने तब तक एक भी विन-प्रोबेबिलिटी नंबर पब्लिश नहीं किया जब तक सभी 60 मैचों के डेटा से उसे क्रॉस-चेक नहीं कर लिया। यही मेरा 'प्रोवेनेंस फर्स्ट' नियम है — और यही नियम अब इस खाली Stage-1 आउटपुट पर चीख-चीखकर लागू हो रहा है।

इस पाइपलाइन की असली समस्या यह नहीं कि इसने गलत विश्लेषण किया। असली समस्या यह है कि इसने एक ऐसा आउटपुट सौंप दिया जो 'विश्लेषण' जैसा दिखता है, पर उसमें विश्लेषण का कच्चा माल ही नहीं है। Stage-2 — यानी डीप एनालिसिस का चरण — पूरी तरह से Information Points पर निर्भर है। अगर वे खाली हैं, तो एंटिटी आइडेंटिफिकेशन असंभव है (कोई नाम, टीम, टूर्नामेंट, संस्था नहीं), लेखक का रुख और उद्देश्य का अनुमान लगाना शुद्ध कल्पना होगा, और टाइम सेंसिटिविटी व सोर्स क्वालिटी का मूल्यांकन तो Stage-1 में ही नहीं हुआ। ऐसे में अगर कोई डेस्क 'मजबूत निष्कर्ष' निकालता है, तो वह डेटा नहीं, अनुमान बेच रहा है — दशमलव बिंदु लगी एक अफ़वाह।

मेरी पद्धति साफ़ है: कोई भी क्रिकेट मीट्रिक तब तक मान्य नहीं है जब तक उसे बॉल-बाय-बॉल रिकॉर्ड से दोबारा न बनाया जा सके। अगर कोई संख्या गेंद तक ट्रेस नहीं होती, तो वह सिर्फ़ सजावट है। इसी तर्क से मैं इस खाली आउटपुट को एक 'मॉडल फेलियर' नहीं, बल्कि 'प्रोटोकॉल फेलियर' मानता हूँ। मॉडल ने तो ठीक काम किया — उसने बताया कि उसके पास कुछ नहीं है। लेकिन प्रोटोकॉल में यह अनिवार्यता ही नहीं थी कि Information Points खाली होने पर पाइपलाइन ज़ोर से चिल्लाए। Stage-1 ने चुपचाप खाली नतीजा आगे भेज दिया, जैसे कोई स्कोरर 40वें ओवर का कॉलम खाली छोड़कर स्कोरबुक बंद कर दे और किसी को पता न चले।

इंजीनियरिंग की भाषा में कहें तो यहाँ चार संभावित जगहों पर चोट लगी है। पहला, क्रॉलिंग स्टेज में खाली बॉडी या 403 पेज मिला, पर कोई एरर नहीं उठा। दूसरा, HTML बॉडी एक्सट्रैक्शन का सिलेक्टर उस साइट से मेल नहीं खाया और खाली स्ट्रिंग लौटा दी। तीसरा, Information Points एक्सट्रैक्शन का parsing या JSON डीसीरियलाइजेशन फेल हुआ और उसे fallback में खाली ऐरे बना दिया गया। चौथा, प्रॉम्प्ट में आउटपुट फ़ॉर्मेट की मज़बूती कम थी, इसलिए मॉडल ने Information Points वाला स्ट्रक्चर ही नहीं लौटाया। चारों में से कोई भी कारण हो, समाधान एक ही है — Stage-1 के आउटपुट पॉइंट पर एक स्पष्ट assertion: अगर len(information_points) < N है, तो पाइपलाइन को EmptyDeconstructionError उठाना चाहिए या status: "failed" लौटाना चाहिए, न कि खाली नतीजा Stage-2 को सौंप देना चाहिए।

यहाँ एक बड़ा सबक़ छिपा है जो क्रिकेट एनालिटिक्स की दुनिया में लगातार दोहराया जाता है और लगातार भुला दिया जाता है — गलती अक्सर मॉडल में नहीं, वैलिडेशन डिज़ाइन में होती है। 2026 रूस विश्व कप में मुझे यह बात बहुत महँगी पड़ी थी। एक पुणे प्रोडक्शन हाउस ने मुझे 64 मैचों का xG मॉडल फिर से बनाने को कहा। मॉडल बना भी, पर उसमें दो साफ़ झुकाव दिखे: लंबी दूरी के शॉट्स को वह ज़्यादा रेट कर रहा था और सेट-पीस प्रेशर को कम आँक रहा था। फ्रांस बनाम क्रोएशिया का 4-2 फाइनल एक स्वच्छ टेस्ट केस बन गया — मॉडल की शॉट-क्वालिटी उस ओन-गोल और पेनल्टी सीक्वेंस को समझा ही नहीं पाई। मैंने तब माना था कि डेटा कभी झूठ नहीं बोलता; उस दिन समझ आया कि मॉडल झूठ बोल सकता है। तब से मेरा नियम है: कोई भी नया मीट्रिक मेरी कलम में तब तक नहीं आता जब तक वह 50 मैचों का बैकटेस्ट और मैनुअल वीडियो चेक पास न कर ले। इसी नियम को अगर इस पाइपलाइन पर लगाएँ, तो Stage-1 का खाली आउटपुट तुरंत पकड़ा जाता — क्योंकि खाली आउटपुट किसी भी बैकटेस्ट के पहले ही फेल हो जाता है।

2026 IPL में जब खाली स्टेडियमों में मैच हुए, तब मैंने वही वैलिडेशन प्रोटोकॉल लगाया। 2026 और 2026 के वेन्यू स्प्लिट, टॉस इफेक्ट और ड्यू को 60 मैचों पर तुलना करके मैंने पाया कि भीड़ का दबाव हटने से टॉस एडवांटेज खत्म नहीं हुआ — बस स्कोरिंग का समय बदल गया। वहाँ मैंने तब तक टूर्नामेंट को 'न्यूट्रल' नहीं कहा जब तक वेन्यू, शेड्यूल और टीम स्ट्रेंथ को अलग-अलग कंट्रोल वेरिएबल की तरह अलग न कर लिया। यह सब इसलिए कह रहा हूँ क्योंकि कंट्रोल चर के बिना कोई भी निष्कर्ष — चाहे वह स्टेडियम का हो या आपके डेटा पाइपलाइन का — सिर्फ़ एक अनुमान है।

यहाँ एक उलटा सवाल भी उठता है, और मैं इसे क्रिकेट पत्रकारिता के एक बड़े पैटर्न से जोड़कर देखता हूँ। क्या हम 'डीप एनालिसिस' कहकर असल में ऐसे आउटपुट नहीं बेच रहे हैं जो कभी कच्चे माल तक नहीं पहुँचे? क्रिकेट कवरेज में यह ट्रैप बहुत आम है — कोई ब्रॉडकास्टर ऑन-स्क्रीन ग्राफ़िक दिखाता है, और अगली सुबह वही आंकड़ा दस आर्टिकल्स में बिना स्रोत के घूमने लगता है। मैं ऐसे ग्राफ़िक को कभी साइट नहीं करता; मैं उस रिकॉर्ड को साइट करता हूँ जिससे वह ग्राफ़िक बना। इसी तरह, जब चर्चा 'मोमेंटम' की आती है तो मेरा पहला सवाल होता है — कौन-सा वेरिएबल, किस मापन विंडो में, किस थ्रेशोल्ड पर? बिना इनके 'गेम पलट गया' या 'दबाव ने काम किया' जैसे वाक्य डेटा-पत्रकारिता नहीं, मंत्रोच्चार हैं।

यहाँ जो बात सबसे ज़्यादा चौंकाती है, वह यह है कि एक खाली Stage-1 आउटपुट भी अपने आप में एक 'डेटा पॉइंट' है — बस हमने उसे पढ़ना नहीं सीखा। अगर डेटा खाली है, तो सही निष्कर्ष यह नहीं कि 'जानकारी उपलब्ध नहीं'; सही निष्कर्ष यह है कि ి్్ के भीतर कोई मापने वाला हिस्सा चुपचाप विफल हुआ है, और उसे दर्ज करना ज़रूरी है। एक क्रिकेट स्कोरर के लिए खाली कॉलम कभी 'शून्य' नहीं होता; वह एक 'आर्टिफैक्ट' होता है जिसे जाँचना पड़ता है।

मेरे 49 साल के अनुभव में इस तरह के साइलेंट फेलियर सबसे खतरनाक होते हैं क्योंकि वे शोर नहीं करते। बल्लेबाज़ का शून्य आउट होना तो स्कोरकार्ड में दिख जाता है, पर मैच का वह ओवर जो किसी स्क्रिप्ट ने गलती से छोड़ दिया, सिर्फ़ उसी को दिखता है जो उसे देखने के लिए प्रशिक्षित है। क्रिकेट एनालिटिक्स की दुनिया में हम लगातार स्कोरकार्ड के साफ़-सुथरे आंकड़ों पर गर्व करते हैं, पर उस स्कोरकार्ड तक डेटा पहुँचाने वाली पाइपलाइन की सेहत पर कोई ऑडिट नहीं करता। यह ठीक वैसे ही है जैसे रणजी ट्रॉफी के कवरेज पर बात करते समय उसके मीडिया कवरेज को बढ़ा-चढ़ाकर बताना — मेरा शुरुआती बीट रणजी था, और इसीलिए मैं उस पर कोई भावुक दावा नहीं करता; जो मापा जा सकता है, वही कहता हूँ।

अब आगे का सिग्नल साफ़ है: अगला कदम यह है कि हर डेटा-डेस्क Stage-1 और Stage-2 के बीच एक 'गार्डरेल' लगाए — Information Points की न्यूनतम संख्या पर assertion, और खाली आउटपुट पर स्पष्ट एरर हैंडलिंग। जब तक यह नहीं होगा, तब तक 'डीप एनालिसिस' का हर दावा एक खुले प्रश्न के साथ खड़ा रहेगा — क्या हमने जो सोचा, वह डेटा से आया था या डेटा की कमी से? अगली बार जब कोई विश्लेषण 'निष्कर्ष' के साथ आए, तो पूछिए: उसका Information Points कहाँ है, और वह किस गेंद तक ट्रेस होता है?