খালি ঘরটিও একটি প্রমাণ: ক্রিকেট ডেটা পাইপলাইনের নাল-রেকর্ড অডিট

রাত ২টা ১৭ মিনিট। মুম্বাই। ল্যাপটপের স্ক্রিনে আটটি অধ্যায়ের একটি ফাইল খোলা। প্রতিটি অধ্যায়ে টেবিল আছে, প্রতিটি টেবিলে সারি আছে, প্রতিটি সারিতে ঘর আছে। অথচ আটটি অধ্যায়ের প্রায় প্রতিটি ঘরে একই বাক্য ঘুরেফিরে বসানো: "N/A - insufficient information"। একটি ঘরও ফাঁকা নেই, অথচ একটি ঘরেও তথ্য নেই।

যে ফাইলটি আমার কাছে এসেছে সেটি একটি Stage-2 বিশ্লেষণ প্রতিবেদন। Stage-1 ছিল মূল নিবন্ধের তথ্য-বিশ্লেষণ। Stage-1 যা ফিরিয়ে দিয়েছে, তার নাম দেওয়া যায় এক কথায়: শূন্য। শিরোনাম নেই, উৎস নেই, নিবন্ধের ধরন অনির্ণীত, মূল দৃষ্টিভঙ্গি ফাঁকা, তথ্য-বিন্দুর তালিকা সম্পূর্ণ খালি। শুধু একটি ট্যাগের অবশিষ্টাংশ পড়ে আছে — cricket_asia।

আমার প্রথম প্রবৃত্তি ছিল ঘরগুলো ভরে ফেলা। এটাই প্রশিক্ষিত প্রবৃত্তি। দশ বছরের বেশি সময় ধরে আমি স্প্রেডশিটের ফাঁকা ঘর দেখলে সেটিকে সমস্যা হিসেবে দেখতে শিখেছি, প্রমাণ হিসেবে নয়। দ্বিতীয় প্রবৃত্তি ছিল: থামো। কারণ আমি জানি, ফাঁকা ঘর ভরা যায় দুইভাবে — একটি তথ্য দিয়ে, আরেকটি অনুমান দিয়ে। দুটোর মধ্যে পার্থক্য বোঝার বয়স আমার ১৯ বছরেই হয়ে গিয়েছিল।

২০১৮ সালে আমি অর্থনীতির ছাত্র, মুম্বাই। রাশিয়া বিশ্বকাপের ৬৪টি ম্যাচের প্রতিটি শট আমি নিজের হাতে স্প্রেডশিটে তুলেছিলাম, দূরত্ব ও কোণভিত্তিক সরল মডেলে xG বের করেছিলাম। ৩৭টি রাত লেগেছিল শুধু ইভেন্ট ডেটা দুই সোর্সের সঙ্গে মিলিয়ে যাচাই করতে। যে রাতগুলোতে দুই সোর্স মেলেনি, সেই ম্যাচের চার্ট আমি প্রকাশ করিনি।

সেই অভ্যাসটাই আজ ফিরে এল। একটি খালি ঘর আমাকে আগে বলত "এখানে কিছু নেই"। আজ সেটি বলে "এখানে কিছু থাকার কথা ছিল, কিন্তু পাইপলাইন সেটি ধরতে পারেনি"। এই দুই বাক্যের মধ্যে বিশাল ফারাক। প্রথমটি একটি পর্যবেক্ষণ, দ্বিতীয়টি একটি ত্রুটির স্বীকারোক্তি।

পাইপলাইনের দুই ধাপ, এবং একটি ভাঙা সেতু

আধুনিক ক্রিকেট অ্যানালিটিক্সে কাজ হয় দুই স্তরে। Stage-1 হলো ডিকনস্ট্রাকশন — মূল লেখা বা সম্প্রচার থেকে তথ্য-বিন্দু, সত্তা, দৃষ্টিভঙ্গি, সময়-সংবেদনশীলতা টেনে বের করা। Stage-2 হলো সেই কাঁচামালের উপর গভীর পেশাগত বিশ্লেষণ — ফরম্যাট, খেলোয়াড়, দল, লিগ, শাসন, ঝুঁকি, ন্যারেটিভ, শিল্প-ট্রান্সমিশন।

এই স্থাপত্যের একটি অনিবার্য দুর্বলতা আছে: Stage-2 সম্পূর্ণভাবে Stage-1-এর উপর নির্ভরশীল। Stage-1 যদি শূন্য ফেরায়, Stage-2-এর হাতে দুটো পথ থাকে। এক, স্বীকার করা যে কিছু বলার নেই। দুই, শূন্যতার উপর একটি বিশ্বাসযোগ্য গল্প দাঁড় করিয়ে দেওয়া।

দ্বিতীয় পথটি বেশি লোভনীয়, কারণ সেটি পাঠকের কাছে পেশাদার দেখায়। কিন্তু সেটি একটি মিথ্যা। আর মিথ্যা ডেটার সবচেয়ে বিপজ্জনক রূপ হলো সেই মিথ্যা, যেটি সত্যের কাঠামো নকল করে — একই টেবিল, একই শিরোনাম, একই কনফিডেন্স লেবেল, শুধু ভেতরে বাতাস।

আমি এই প্রতিবেদনটিকে তাই বিশ্লেষণ হিসেবে পড়িনি। পড়েছি ত্রুটি-প্রতিবেদন হিসেবে। এবং একটি ত্রুটি-প্রতিবেদন নিজের অধিকারে একটি নথি।

নাল-এর শারীরস্থান: অনুপস্থিতি চার রকম

পরিসংখ্যানে অনুপস্থিত তথ্যের চারটি পরিচিত শ্রেণি আছে, এবং ক্রিকেটে এদের প্রত্যেকের আলাদা স্বাদ আছে।

সম্পূর্ণ এলোমেলো অনুপস্থিতি — অর্থাৎ খালি ঘরের সঙ্গে বিষয়বস্তুর কোনো সম্পর্ক নেই। একটি স্কোরকার্ডের একটি কলাম যদি কোনো কারণে সিস্টেম থেকে ঝরে যায়, সেটি এই শ্রেণিতে পড়ে। এখানে ক্ষতি সবচেয়ে কম, কারণ বাকি কলাম দিয়ে কাজ চালানো যায়।

শর্তসাপেক্ষ অনুপস্থিতি — খালি ঘরটি অন্য একটি পরিবর্তনশীলের উপর নির্ভর করে। যেমন, বৃষ্টি হলে ওভার-বাই-ওভার বল-বাই-বল ডেটা কখনো কখনো অসম্পূর্ণ থাকে। এখানে অনুপস্থিতির নিজেরই একটি প্যাটার্ন আছে, এবং সেই প্যাটার্ন জানা থাকলে সংশোধন সম্ভব।

বিষয়বস্তু-নির্ভর অনুপস্থিতি — সবচেয়ে বিপজ্জনক শ্রেণি। এখানে তথ্য অনুপস্থিত কারণ সেটি তথ্য হওয়ারই কথা ছিল না, অথবা কারণ সেটি থাকলে গল্পটি ভেঙে যেত। ক্রিকেটে এই শ্রেণির সহজ উদাহরণ হলো সেই সব ম্যাচের বল-বাই-বল লগ, যেখানে একটি দল ৩৫০ রান তাড়া করে জিতেছে অথচ লগে পাওয়ারপ্লের পরের দশ ওভারের কোনো এন্ট্রি নেই। লগ খালি নয়, লগ নির্বাচনী।

পাইপলাইন-জনিত অনুপস্থিতি — এবং এখানেই আজকের ফাইলটি বসে আছে। এখানে তথ্য হয়তো মূল উৎসে ছিল, কিন্তু ইনজেশন বা এক্সট্রাকশন ধাপে সেটি হারিয়ে গেছে। এটি খেলার সমস্যা নয়, সিস্টেমের সমস্যা।

আমার ফাইলটি চতুর্থ শ্রেণির। কিন্তু এই শ্রেণিবিন্যাসটা আমি লিখছি শুধু একটি কারণে — পাঠক যেন বুঝতে পারেন, "তথ্য নেই" বলাটা একটি অলস উত্তর নয়। এটি একটি নির্দিষ্ট রোগনির্ণয়। আর রোগনির্ণয় ছাড়া চিকিৎসা হয় না।

cricket_asia: একটি ট্যাগ যতটা বিপজ্জনক

পুরো ফাইলে অবশিষ্ট একমাত্র সূত্র হলো cricket_asia। এশিয়ান অঞ্চলের ক্রিকেট — এই সংকেতটি সত্যি। কিন্তু সত্য হওয়া আর যথেষ্ট হওয়া এক জিনিস নয়।

এখানেই আমি আমার পেশার সবচেয়ে সাধারণ ভুলটি দেখি। একটি ক্ষীণ সংকেত হাতে পেলে বিশ্লেষক সেটিকে অ্যাঙ্কর বানিয়ে ফেলেন, তারপর তার চারপাশে একটি কাঠামো নির্মাণ করেন। এশিয়া বলতে বোঝায় ভারত, পাকিস্তান, শ্রীলঙ্কা, বাংলাদেশ, আফগানিস্তান — পাঁচটি সম্পূর্ণ ভিন্ন পিচ-সংস্কৃতি, ভিন্ন গভর্ন্যান্স কাঠামো, ভিন্ন সম্প্রচার-অর্থনীতি, ভিন্ন ট্যালেন্ট-সাপ্লাই চেইন।

এই পাঁচটির যেকোনো একটিকে বেছে নেওয়া মানে বাকি চারটিকে বাতিল করা। আর বাতিল করার কোনো প্রমাণ ফাইলে নেই।

আমি ২০২২ সালে কাতার বিশ্বকাপে মরক্কোর ডিফেন্স নিয়ে কাজ করার সময় এই শিক্ষাটা পেয়েছিলাম। সোফিয়ান আমরাবাত স্পেনের বিপক্ষে ১২.৭ কিলোমিটার এবং পর্তুগালের বিপক্ষে ১১.২ কিলোমিটার দৌড়েছিলেন। কোয়ার্টার ফাইনাল পর্যন্ত মরক্কো প্রতি ম্যাচে মাত্র ০.৭৯ xG সুযোগ দিয়েছিল, এবং তাদের PPDA দেয়ালটি কোনো অলৌকিক ঘটনা ছিল না — সেটি ছিল একটি পুনরাবৃত্ত প্রতিরক্ষা প্যাটার্ন। কিন্তু এই বাক্যটি লেখার আগে আমার হাতে তিনটি জিনিস থাকতে হয়েছিল: বল-বাই-বল ডেটা, দুই সোর্সের ক্রস-চেক, এবং প্রতিপক্ষের শক্তিমানের সমন্বয়।

আজকের ফাইলে এই তিনটির একটি বিন্দুও নেই। তাই cricket_asia থেকে কোনো দল, কোনো খেলোয়াড়, কোনো সিরিজ টেনে আনা হবে বিশ্লেষণ নয় — হবে অনুমান, যা নিজেকে বিশ্লেষণ বলে চালাবে।

একটি নাল রেকর্ড কীভাবে অডিট করতে হয়

যদি এই ফাইলটি সত্যিই একটি নথি হয়, তবে এর অডিট কীভাবে হবে? আমার পদ্ধতি চার ধাপে।

প্রথম ধাপ: শূন্যতার প্রমাণ সংরক্ষণ। যে রেকর্ডে কিছু নেই, সেই রেকর্ডের হ্যাশ সংরক্ষণ করা যায়। পরে যদি কেউ দাবি করে তথ্য সেখানে ছিল, তখন প্রমাণ করা যায় কখন কী অবস্থায় ছিল।

দ্বিতীয় ধাপ: প্রতিটি N/A-এর পেছনে সময়-স্ট্যাম্প বসানো। কোন ধাপে, কখন, কোন ইনজেশন লগে ফিল্ডটি শূন্য হয়েছে — সেই চেইনটি পুনর্গঠন করা। Stage-1-এর শিরোনাম N/A হলো, উৎস N/A হলো, ধরন অনির্ণীত হলো — এই তিনটি একসঙ্গে ঘটার অর্থ সাধারণত ইনজেশন ব্যর্থতা, মূল লেখার তথ্যহীনতা নয়।

তৃতীয় ধাপ: শূন্যতার প্যাটার্ন দেখা। যদি একটি ফিল্ড শূন্য হয়, সেটি দুর্ঘটনা। যদি আটটি অধ্যায়ের সব ফিল্ড শূন্য হয়, সেটি দুর্ঘটনা নয় — সেটি সিস্টেম-স্তরের ব্যর্থতা।

চতুর্থ ধাপ: নিচের প্রবাহে সতর্কবার্তা পাঠানো। এই ফাইলটি যে-ই ব্যবহার করবে, তার প্রথম লাইনে লেখা থাকা উচিত: "এটি কোনো বিশ্লেষণ নয়"।

এখানেই একটি ধারণা কাজে আসে, যা সাধারণত ক্রিকেট অ্যানালিটিক্সে দেখা যায় না — প্রমাণের শৃঙ্খল বা হ্যাশ-চেইনড অডিট লগ। প্রতিটি ডেটা এন্ট্রি তার আগের এন্ট্রির ক্রিপ্টোগ্রাফিক হ্যাশ বহন করে। ফলে কেউ যদি পরে গিয়ে একটি বল-বাই-বল এন্ট্রি সম্পাদনা করে, শৃঙ্খল ভেঙে যায় এবং ধরা পড়ে যায়। ক্রিকেটে এই প্রয়োজনীয়তা কল্পনার নয়। ডিএলএস লক্ষ্য সংশোধন, ডিআরএস আউটকাম পুনর্মূল্যায়ন, পিচের বয়স নিয়ে বিতর্কিত রিপোর্ট — সব জায়গায় ডেটা পরে সম্পাদিত হতে পারে, এবং সেই সম্পাদনার কোনো দৃশ্যমান চিহ্ন থাকে না।

আমি ট্রান্সফার ঝুঁকিকে অডিটের মতো দেখি: প্রতিটি হাইলাইটের জন্য একটি পাল্টা এন্ট্রি দরকার। ২০২৩ সালের জানুয়ারিতে চেলসির ৭০ মিলিয়ন ইউরোর মিখাইলো মুদ্রিক স্বাক্ষর নিয়ে কাজ করার সময় ঠিক এই কাজটাই করেছিলাম। ইউক্রেনীয় প্রিমিয়ার লিগে তার ০.৪৮ xG+xA প্রতি ৯০ মিনিট দেখে প্রথমে চমক লাগার কথা। কিন্তু লিগ-শক্তি গুণক ০.৭২ বসানোর পর সংখ্যাটি তার স্বাভাবিক আকারে ফিরে আসে। হাইলাইট এবং এন্ট্রি একসঙ্গে না পড়লে অডিট ব্যালান্স মেলে না।

দ্বিতীয় মত: শূন্য ঘর পূরণ করার চাপ

এখন আমি নিজের অবস্থানের বিপক্ষে দাঁড়াব, কারণ একটি প্রতিকূল যুক্তি ছাড়া নিজের সিদ্ধান্ত যাচাই হয় না।

শক্তিশালী যুক্তিটি হলো এই: একজন বিশ্লেষকের কাজ হলো উত্তর দেওয়া। ক্রীড়া সাংবাদিকতার বাজার তথ্য নয়, ব্যাখ্যা কেনে। যদি প্রতিবার শূন্য হাতে ফিরে আসা যায়, তবে বিশ্লেষকের কোনো প্রয়োজন নেই — স্কোরকার্ড নিজেই যথেষ্ট। এই যুক্তিতে সত্য আছে। ক্রিকেটের পাঠক সকালে উঠে টেবিল দেখতে চান না, তিনি চান কেন টেবিলটা এমন হলো।

আমি এই যুক্তিটিকে সম্মান করি, কারণ আমি নিজেই এই বাজারের ভেতরে আছি। ২০১৭ সালে দৈনিক স্টার-এর ক্রীড়া ডেস্কে ঢোকার সময় আমাকে শেখানো হয়েছিল, পৃষ্ঠা ভরতে হয়। ফাঁকা জায়গা মানে ব্যর্থতা।

কিন্তু পাল্টা এন্ট্রিটি হলো এই: পৃষ্ঠা ভরার জন্য যে তথ্য বানানো হয়, সেটি একবার ছাপা হলে আর ফেরানো যায় না। আর ক্রিকেটে সেই ভুলের দাম সবচেয়ে বেশি পড়ে খেলোয়াড়ের ঘাড়ে। একটি ভুল ট্রান্সফার ভ্যালুয়েশন একটি ক্লাবকে তিন বছরের জন্য আটকে দিতে পারে। একটি ভুল ওয়ার্কলোড রেটিং একটি পেসারের ক্যারিয়ার শেষ করে দিতে পারে।

২০২০ সালে বুন্দেসলিগার ৮৩টি ম্যাচ নিয়ে কাজ করার সময় আমি এই দায়টা প্রথমবার বুঝি। দর্শক উপস্থিতিতে হোম টিমের গড় ১.৬১ পয়েন্ট, দর্শকশূন্য স্টেডিয়ামে ১.২৮। দলীয় শক্তি নিয়ন্ত্রণ করে রিগ্রেশনে হোম অ্যাডভান্টেজ কমেছিল প্রতি ম্যাচে ০.৩৩ গোল। সংখ্যাটি পরিষ্কার, কিন্তু আমি ১৪ দিন দুই সহপাঠীর সঙ্গে পিয়ার-রিভিউ না করে সেটি প্রকাশ করিনি। কারণ আমি জানতাম, ভুল হলে লোকে শুধু সংখ্যাটা মনে রাখবে, সীমাবদ্ধতার নোটটা মনে রাখবে না।

হোম অ্যাডভান্টেজ কোনো আওয়াজ নয়, এটি একটি ভেরিয়েবল যার সঙ্গে একটি জনতা যুক্ত। কিন্তু জনতা ছাড়া যে ম্যাচ, সেটিও একটি ভেরিয়েবল — আর সেই ভেরিয়েবলটি মাপতে হলে প্রথমে স্বীকার করতে হয় কোনটি মাপা যায়নি।

যে সিগন্যালটি আসলে দেখার

এই ফাইলটি যদি সত্যিই একটি ত্রুটি হয়, তবে পরের রাউন্ডে আমার দেখার বিষয় পাঁচটি।

Stage-1 পুনরায় চালানো হলে তথ্য-বিন্দুর তালিকা অখালি হয় কি না। শিরোনাম ও উৎস ফিল্ড নির্দিষ্ট মানে পৌঁছায় কি না। সত্তা-নিষ্কাশন ধাপে নামযুক্ত দল, খেলোয়াড় বা লিগ উঠে আসে কি না। ইনজেশন লগে কোনো ব্যর্থতার চিহ্ন আছে কি না। এবং সবচেয়ে গুরুত্বপূর্ণ — পাইপলাইন নিজের শূন্যতা লগ করছে কি না।

শেষটি নিয়ে আমার আগ্রহ সবচেয়ে বেশি। কারণ যে সিস্টেম নিজের ব্যর্থতা লগ করে, সেটি ধীরে চলে কিন্তু মিথ্যা বলে না। আর যে সিস্টেম প্রতিটি ঘর ভরে দেয়, সেটি দ্রুত চলে কিন্তু একদিন বিশাল ঋণ নিয়ে ফেলে।

আমি ২০১৮ সালের ফাইনাল হাতে হাতে রিবিল্ড করেছিলাম মোড্রিচের ১২.৩ কিলোমিটার দৌড়ের হিসাব মেলাতে গিয়ে, এবং সেখানে দেখেছিলাম ফ্রান্স নকআউট পর্বে প্রতি ম্যাচে মাত্র ০.৮৬ xG সুযোগ দিয়েছিল। সেই সংখ্যাটি আমি লিখেছিলাম কারণ তিনটি স্বাধীন সোর্স মিলেছিল, কারণ চার্টে সীমাবদ্ধতার নোট ছিল।

আজকের ফাইলে সেই তিনটি সোর্সের একটি বিন্দুও নেই। তাই আজকের সবচেয়ে সৎ বিশ্লেষণটি হলো একটি অসম্পূর্ণ বাক্য: এই নিবন্ধ সম্পর্কে আমরা কিছু জানি না।

পরের রাউন্ডে যে প্রশ্নটি আমি করব, সেটি কোনো দল, কোনো খেলোয়াড় বা কোনো সিরিজ নিয়ে নয়। প্রশ্নটি হলো — আমাদের সিস্টেমগুলো কখনো কি নিজেদের বিরুদ্ধে সাক্ষ্য দিতে শেখে?

মডেল আমার মন বদলায়নি; হাতে গোনা xG বদলেছে। আর এই ফাইলটি আমার মন বদলেছে শুধু একটি কারণে: এটি আমাকে মনে করিয়ে দিয়েছে, আমি বিরক্তিকর রানগুলো লগ করি, কারণ ম্যাচ আসলে সেখানেই বাস করে। আর একটি খালি ঘর হলো সেই বিরক্তিকর রানের সবচেয়ে সৎ সংস্করণ।