खाली रिकॉर्ड, भरा हुआ सबक़: क्रिकेट डेटा पाइपलाइन में एक शून्य निष्कर्षण का ऑडिट

सुबह के बैच में चालीस रिकॉर्ड आए थे। उनतालीस में नाम थे, तारीख़ें थीं, स्कोर थे, और बहस करने लायक़ कुछ था। चालीसवें में सिर्फ़ एक डोमेन टैग बचा था — cricket_asia — और बाक़ी हर ख़ाना खाली।

शीर्षक: N/A। स्रोत: N/A। सूचना बिंदु: खाली सूची। मूल दृष्टिकोण: खाली। इसमें शामिल संस्थाएँ: "ऊपर दिए गए सूचना बिंदुओं से पहचानें" — जबकि ऊपर कोई सूचना बिंदु था ही नहीं। समय-संवेदनशीलता: आँकी नहीं गई। स्रोत-गुणवत्ता: आँकी नहीं गई।

इक्कीस साल से मेरा काम मैच के शोर को उसकी सबसे छोटी सत्यापन-योग्य इकाई तक तोड़ना रहा है। बहीखाता, स्कोरकार्ड, रणजी की घरेलू स्कोरबुक — यही मेरे प्राथमिक दस्तावेज़ हैं। इस बार प्राथमिक दस्तावेज़ ख़ुद खाली था। और खाली दस्तावेज़ पर लिखने का एक ही ईमानदार तरीक़ा है: यह लिखना कि वह खाली है, और फिर यह पूछना कि वह खाली क्यों है।

विसंगति इतनी छोटी थी कि उसे नज़रअंदाज़ किया जा सकता था — एक ख़राब स्क्रैप, एक फेल हुआ फ़ेच, अगले बैच में अपने आप ठीक हो जाएगा। इसीलिए मैंने नहीं किया।

संदर्भ: सूचना बिंदु क्या होता है, और उसका खो जाना कितना महँगा है

क्रिकेट की डेटा-पाइपलाइन में पाँच परतें होती हैं। फ़ेच पेज को लाता है। पार्स उसका शरीर-पाठ निकालता है। निष्कर्षण उस पाठ को तथ्यात्मक इकाइयों में तोड़ता है। वर्गीकरण उन इकाइयों को टैग करता है। सारांश उन्हें पठनीय बनाता है। चालीसवें रिकॉर्ड में पाँच में से चार परतों का कोई निशान नहीं था, और पाँचवीं — वर्गीकरण — का सिर्फ़ एक टैग बचा था। यह संयोजन संयोग नहीं है। यह एक हस्ताक्षर है।

सूचना बिंदु वह परमाणु तथ्यात्मक इकाई है जिस पर हर आगे का निष्कर्ष टिकता है। मैच का प्रारूप, पारी की स्थिति, मैदान, बल्लेबाज़ी का क्रम, गेंदबाज़ी का चरण, रैंकिंग की तालिका, अनुबंध की रक़म, बोर्ड का फ़ैसला — इनमें से कोई भी चीज़ अपने आप मौजूद नहीं होती। वह एक-एक करके निकाली जाती है, एक-एक करके दर्ज होती है, और उसके बाद ही उस पर कोई दावा खड़ा किया जा सकता है।

जब उस सूची में शून्य बिंदु हों, तो विश्लेषक के पास दो ही रास्ते बचते हैं। पहला: कुछ न लिखना। दूसरा: कुछ लिखना — और उस कुछ का हर शब्द आविष्कार होगा, अनुमान नहीं। मुझे पता है कि दूसरा रास्ता कितना चिकना है, क्योंकि क्रिकेट में बिना डेटा के क्रिकेट लिखने की परंपरा बहुत पुरानी है और बहुत लोकप्रिय है। विशेषण मुफ़्त हैं। आँकड़े महँगे पड़ते हैं।

इस रिकॉर्ड में जो एक चीज़ बची थी, वह भी ग़लत जगह से आई थी। स्कीमा Cricket माँगता है; रिकॉर्ड में cricket_asia आया। यह क्षेत्रीय टैग है, प्रारूप-टैग नहीं। इसे प्रतियोगिता की पहचान मान लेना वही ग़लती होगी जो क्रिकेट-विश्लेषण में सबसे आम है: टेस्ट, वनडे और टी20 को एक ही तराज़ू पर तौल लेना। टी20 का फ़िनिशर जिस स्ट्राइक रेट पर सफल माना जाता है, टेस्ट का सलामी बल्लेबाज़ उस आँकड़े से कभी नहीं आँका जाता। दोनों का "स्ट्राइक रेट" एक ही नाम है, एक ही इकाई नहीं। जब प्रारूप ही तय न हो, तो बेंचमार्क का चुनाव असंभव है, और बेंचमार्क के बिना हर तुलना निरर्थक है।

यही वजह है कि मैं इस रिकॉर्ड को एक ख़बर की तरह नहीं, एक डेटा-अखंडता की घटना की तरह पढ़ रहा हूँ। स्प्रेडशीट कहानी नहीं है, लेकिन वह कहानी को ईमानदार रखती है। इस बार कहानी नहीं थी — सिर्फ़ स्प्रेडशीट थी, और वह भी ख़ाली।

कोर: जो बचा, वही सुराग़ है

पहला सुराग़ टैग का ज़िंदा रहना है। कोई वर्गीकरण-मॉडल खाली पन्ने पर cricket_asia नहीं लौटाता। वह कुछ पाठ देखता है — शीर्षक, मेटा-विवरण, या पन्ने के पहले कुछ अक्षर — और फिर टैग तय करता है। टैग बचा है, इसका मतलब है कि वर्गीकरण परत ने कुछ देखा, पर निष्कर्षण परत ने उसी सामग्री को आगे नहीं भेजा। दूसरा शक़ फ़ील्ड-मैपिंग की ग़लती है, जिसमें निकाला गया माल ग़लत ख़ानों में लिख दिया गया और स्कीमा के सामने सब null दिखने लगा। दोनों व्याख्याएँ एक ही हस्ताक्षर से मेल खाती हैं। मैं इन दोनों में से किसी एक को अंतिम नहीं मानता; इतना ही कहता हूँ कि दोनों में मरम्मत की जगह एक ही है — फ़ेच/पार्स की सीमा पर।

दूसरा सुराग़ शीर्षक का ग़ायब होना है। कोई भी सारांश-मॉडल, चाहे कितना ही कमज़ोर हो, अगर उसे शीर्षक मिल जाए तो कम से कम उसका पैराफ़्रेज़ तो लौटा देगा। शीर्षक का पूरी तरह अनुपस्थित होना यह बताता है कि विफलता सारांश परत से ऊपर है, फ़ेच या पार्स परत पर। इसका समर्थन एक और चीज़ करती है: समय-संवेदनशीलता और स्रोत-गुणवत्ता दोनों "आँकी नहीं गई" दर्ज हैं। अगर रिकॉर्ड उन परतों तक पहुँचा ही नहीं, तो उनका आँका जाना कैसे संभव था।

तीसरा सुराग़ विफलता का पूर्ण होना है। यह आंशिक विफलता नहीं है। आंशिक विफलता में कुछ बचता है — टीम का नाम, गेंदबाज़ की क़िस्म, कोई एक तारीख़। यहाँ कुछ नहीं बचा। और जब विफलता पूर्ण हो, तो कारण की श्रेणी भी एक जैसी होती है।

मेरे पाँच संभावित कारण, टैग-प्रमाण की कमज़ोर मदद के साथ: एक, लाइव स्कोरकार्ड पन्ना, जिसका शरीर जावास्क्रिप्ट से बनी तालिका होती है और स्क्रैपर को कोई गद्य नहीं मिलता। दो, वीडियो या हाइलाइट्स पन्ना, जहाँ शरीर में सिर्फ़ एक एम्बेड रहता है। तीन, पेवॉल के पीछे का शरीर, जहाँ पाठ का बजाय सदस्यता का निमंत्रण मिलता है। चार, जावास्क्रिप्ट-रेंडर किया गया सिंगल-पेज ऐप, जहाँ स्क्रैपर को खोल मिलता है और सामग्री ब्राउज़र में बाद में भरती है। पाँच, एग्रीगेटर या रीडायरेक्ट श्रृंखला, जहाँ फ़ेच मूल पन्ने तक पहुँचता ही नहीं।

इन पाँचों में एक बात समान है, और यही रिपोर्ट की सबसे काम की खोज है: ये पाँचों अकारण नहीं, संरचनात्मक हैं। यही स्रोत अगले बैच में भी वही खाली शरीर लौटाता रहेगा। अगर समस्या अस्थायी नेटवर्क गड़बड़ी होती, तो दोबारा मँगाने पर कुछ न कुछ निकल आता। संरचनात्मक कारण में दोबारा मँगाना भी वही शून्य लौटाता है, सिर्फ़ अगली बार आप उसकी अपेक्षा नहीं करते।

अब वह हिस्सा, जो सबसे कम रोचक और सबसे ज़रूरी है: जो विश्लेषण नहीं हो सका, उसकी सूची।

प्रारूप-विश्लेषण इसलिए नहीं हो सका कि टेस्ट, वनडे और टी20 की सामरिक तर्कशक्ति एक-दूसरे से असंगत है; प्रारूप तय किए बिना मैच पर कोई राय देना ही नहीं बनता। पारी-विश्लेषण इसलिए नहीं हो सका कि कोई स्कोरलाइन, कोई ओवर-संदर्भ, कोई पारी-अवस्था नहीं दी गई — यह भी पता नहीं चलता कि वर्णित स्थिति चल रहा मैच है, पूरा हो चुका परिणाम है, पूर्वावलोकन है, या रेट्रोस्पेक्टिव टिप्पणी है। मैदान-विश्लेषण इसलिए नहीं हो सका कि मैदान का नाम ही नहीं है, और मैदान क्रिकेट का सबसे ताक़तवर व्याख्यात्मक चर है — घरेलू परिस्थिति। खिलाड़ी-विश्लेषण इसलिए नहीं हो सका कि कोई खिलाड़ी नामित नहीं है, तो भूमिका-वर्गीकरण असंभव है। टीम-विश्लेषण इसलिए नहीं हो सका कि कोई टीम नहीं है, तो ICC की तीन तालिकाओं में से कौन-सी उठानी है, यह भी तय नहीं होता। लीग-विश्लेषण इसलिए नहीं हो सका कि यह भी स्थापित नहीं कि वाणिज्यिक परत प्रश्न में है या नहीं — IPL, PSL, ILT20, LPL, BPL, SA20 में से कोई भी और कोई नहीं, दोनों बराबर संभव हैं। शासन-विश्लेषण इसलिए नहीं हो सका कि कोई शासन-प्रश्न पूछा ही नहीं गया, और बिना प्रश्न के अनुपालन-जोखिम का दर्जा देना किसी बोर्ड या ICC पर आधारहीन आरोप लगाना होगा। कथा-विश्लेषण इसलिए नहीं हो सका कि कोई कथा ही नहीं है, तो अतिप्रचार को उसके चरम पर पकड़ने वाला तंत्र बेकार पड़ा रह गया। संचरण-विश्लेषण इसलिए नहीं हो सका कि संचरण के लिए एक नामित झटका चाहिए — अधिकार-सौदा, सितारे का उदय, बोर्ड का फ़ैसला, लीग का विस्तार — जो मूल्य-शृंखला में फैले; यहाँ कोई झटका नहीं है।

आठ आयाम, आठ खाली ख़ाने, और एक ही कारण। यह अपनी जगह पर एक पूरा निष्कर्ष है, पर वह क्रिकेट के बारे में नहीं है।

कॉन्ट्रारियन: असली ख़तरा खाली रिकॉर्ड नहीं, खाली रिकॉर्ड का पास हो जाना है

इस पूरे दस्तावेज़ में जो एक जोखिम पूरे विश्वास के साथ दर्ज किया जा सकता है, वह क्रिकेट का जोखिम नहीं है। वह सूचना का जोखिम है, और उसकी प्रायिकता एक है, क्योंकि वह घट चुका है।

ध्यान दीजिए कि रिकॉर्ड की स्थिति "विफल" नहीं, "अवर्गीकृत" दर्ज थी। यह अंतर छोटा दिखता है और महँगा है। एक ऐसा रिकॉर्ड जो शून्य प्रतिशत भरा है, पर जिसका टैग मान्य है और जिसकी स्थिति तकनीकी विफलता नहीं बल्कि एक वर्ग है, वह स्वचालित गुणवत्ता-जाँच से पार निकल सकता है। और जब वह पार निकलता है, तो नीचे बैठा पाठक क्या देखता है? वह देखता है कि किसी टीम, किसी खिलाड़ी, किसी बोर्ड, किसी लीग के ख़िलाफ़ कोई जोखिम चिह्नित नहीं हुआ।

सबूत का अभाव और अभाव का सबूत — यही अंतर इस पूरे मामले का केंद्र है। इस ढाँचे का जो सबसे ज़रूरी नियम है, "जोखिम पहले" वाला नियम, वह यहाँ चल ही नहीं पाया, क्योंकि जोखिम टाँगने के लिए कोई विषय ही नहीं था। और यह ठप्पा किसी को भी क्लीन चिट की तरह पढ़ने का पूरा ख़तरा है। यह किसी की सफ़ाई नहीं है। यह किसी का न होना है।

मुझे यह भ्रम कहाँ से आता है, यह भी पता है। 2026 में मैंने 14.5 करोड़ का बहीखाता दोबारा खड़ा किया, और जो चुप्पी बची थी वही डेटा बन गई। मेरा ऑक्शन वैल्यू इंडेक्स बेन स्टोक्स के लिए 0.78 निकाल रहा था जबकि लीग का औसत 1.0 था, और मैंने 15 प्रतिशत अंडरपरफ़ॉर्मेंस की भविष्यवाणी लिख दी। सत्र के अंत में स्टोक्स के 316 रन 142.86 की स्ट्राइक रेट पर थे और गेंदबाज़ी की इकॉनमी 8.5 थी। मॉडल आधा सही था। लेकिन उस लेख में मैंने नमूने का आकार साफ़ लिखा था, क्योंकि नियम यही है: पतले नमूने वाला मॉडल अपनी त्रुटि-सीमा दिखाए; शून्य नमूने वाला मॉडल कुछ भी न दिखाए।

मॉस्को ने मुझे सिखाया कि मॉडल को शोर के सामने परखना पड़ता है। स्पेन के पास 79 प्रतिशत क़ब्ज़ा था, 25 शॉट थे, और xG सिर्फ़ 1.0 निकल रहा था; रूस के पास सात शॉट और 0.5 xG था। स्पेन पेनल्टी पर हार गया। xG ने स्पेन की बाँझपन को ठीक पढ़ा और शूटआउट का दबाव पूरी तरह छोड़ दिया। सालों बाद मुझे यह मानना पड़ा कि मार्टिनेज़ के बचाव क़रीब 1.5 गोल के बराबर थे, और यह आँकड़ा मॉडल ने नहीं, मॉडल के बाहर की क्वालिटेटिव जानकारी ने दिया।

इन दोनों क़िस्सों का साझा सबक़ यह है कि एक काम करता हुआ मॉडल भी अपने पीछे एक अवशेष छोड़ता है; एक बंद मॉडल सिर्फ़ अवशेष छोड़ता है। मॉस्को में मेरे पास सवाल का जवाब नहीं था, पर सवाल था। यहाँ सवाल भी नहीं है।

2026 में बंद दरवाज़ों के पीछे खेले गए 120 मैचों की परियोजना में मेरे पास एक ऐसा चर था जिसे मॉडल में कोई जगह नहीं मिली थी — भीड़। IPL 2026 में घरेलू टीमों की जीत दर 48 प्रतिशत रही जबकि 2026 में 62 प्रतिशत थी; टेस्ट में यह 62 से 50 पर आई। उस आँकड़े ने मॉडल का ढाँचा बदलवा दिया। वह इसलिए हुआ कि आँकड़ा मौजूद था। चालीसवें रिकॉर्ड में मौजूद कुछ भी नहीं था, इसलिए बदलने के लिए कोई ढाँचा ही नहीं था।

यहीं यह बहस अपने असली मोड़ पर आती है। क्रिकेट-पत्रकारिता की सबसे बड़ी चूक आज भी झूठे आँकड़े नहीं हैं; सबसे बड़ी चूक झूठी निश्चितता है, जो आधे-अधूरे आँकड़ों पर चुपचाप बैठ जाती है। कभी-कभी वह चूक एक अच्छे ख़ाली रिकॉर्ड की तरह दिखती है, जिसे किसी ने मौक़ा समझकर भरने की कोशिश कर दी। मैं कथा का पीछा नहीं करता; मैं उसका मिलान करता हूँ। जिस रिकॉर्ड में मिलान के लिए कुछ न हो, उसका मिलान करने का एकमात्र तरीक़ा यह स्वीकार करना है कि मिलान असंभव है।

टेकअवे: अगली बार चुप्पी आए तो उसे किसने पास किया

इस ऑडिट से चार ठोस बदलाव निकलते हैं, और चारों की क़ीमत लगभग शून्य है।

पहला, कठोर सत्यापन-द्वार। शून्य सूचना बिंदु या शून्य शीर्षक वाले रिकॉर्ड को सफल पेलोड मानकर आगे न भेजा जाए; उसे विफल स्थिति के साथ लौटाया जाए, ताकि ग़लती पाइपलाइन पर दिखे, विश्लेषक की मेज़ पर नहीं। दूसरा, शीर्षक-आधारित वैकल्पिक रास्ता — जब शरीर-पाठ न मिले, तो सुर्ख़ी और उप-सुर्ख़ी से ही सीमित विश्लेषण हो सके; कम से कम एक आयाम तो बचेगा। तीसरा, स्रोत-प्रकार का वर्गीकरण ठीक प्रवेश-बिंदु पर — समाचार, लाइव स्कोरकार्ड, वीडियो, पेवॉल, सोशल, एग्रीगेटर — ताकि पता चले कि किन स्रोतों को रेंडरर चाहिए और किन्हें छोड़ देना चाहिए। चौथा, टैक्सोनॉमी का सामान्यीकरण सीमा पर, और URL, आउटलेट, प्रकाशन-समय तथा HTTP/पार्स स्थिति का दर्ज होना — पाठ मिले या न मिले, स्वतंत्र रूप से।

जब आँकड़े असहमत हों, तो मैं तब तक रुकता हूँ जब तक वे कारण न बता दें। इस बार आँकड़े थे ही नहीं, इसलिए रुकना ही कारण था। अगली बार जब कोई रिकॉर्ड चुप रहे, तो सवाल यह नहीं होगा कि उसमें क्या लिखा था। सवाल यह होगा कि उसे शांति से पास किसने किया।