নাল এক্সট্রাকশন: ক্রিকেট ডেটা পাইপলাইনের নীরব সতর্কবার্তা

গত সপ্তাহে একটি স্টেজ-ওয়ান ডিকনস্ট্রাকশন রিপোর্ট খুলে বসেছিলাম। হাতে ছিল একটি ক্রিকেট বিশ্লেষণ পাইপলাইনের দ্বিতীয় ধাপ — যেখানে প্রতিটি সিদ্ধান্ত পিছনের তথ্যবিন্দু থেকে টেনে আনতে হয়। ফাইলটি খুলে স্ক্রল করলাম, আর দেখলাম প্রতিটি ঘর ফাঁকা। “Article Title” নেই, “Article Source” নেই, “Core Viewpoints” নেই, “Information Points” ঘরটিও শূন্য। বেঁচে আছে শুধু একটি লেবেল — “cricket_asia”। সেটিও এতটাই মোটা যে কোনো নির্দিষ্ট ম্যাচ, দল বা ফরম্যাট চিহ্নিত করা অসম্ভব।

সেই মুহূর্তে মনে পড়ল ২০১৭ সালের কথা। খুলনার তিনজন ইন্টার্নকে নিয়ে যখন বাংলাদেশ প্রিমিয়ার লিগের শট-লোকেশন আর প্রেস টেমপ্লেট বানাচ্ছিলাম, তখন প্রথম শিক্ষা ছিল একটাই — যে ডেটা আসে না, তার ব্যাখ্যাও আসে না। আজ যেটা হাতে এসেছে সেটি কোনো ম্যাচের গল্প নয়; এটি একটি পাইপলাইনের গল্প।

দুই স্তরের এই কাঠামোতে স্টেজ-ওয়ান হলো তথ্য-ভাঙার ধাপ। সেখানে একটি নিবন্ধ থেকে পরমাণু-সদৃশ তথ্যবিন্দু বের করা হয় — কে খেলছে, কোন ফরম্যাট, কোন ভেন্যু, কোন ঘটনা, কোন তারিখ। স্টেজ-টু সেই তথ্যবিন্দুগুলোর উপরে দাঁড়িয়ে গভীর বিশ্লেষণ গড়ে তোলে: ফরম্যাট বিশ্লেষণ, খেলোয়াড়ের কারিগরি ও তথ্য, দলের অবস্থান ও র‍্যাঙ্কিং, লিগ-বাণিজ্য, শাসনব্যবস্থা, ঝুঁকি, জনমত এবং শিল্প-প্রসারণ।

কেন এই দুই-স্তরের কাঠামো? কারণ একটি দাবি যত চটকদারই হোক, তার ভিত্তি যদি একটিও যাচাইযোগ্য তথ্যবিন্দু না হয়, তবে সেটি বিশ্লেষণ নয় — অনুমান। আমি ব্লকচেইনের লেজার-ধারণাটা এখানে রূপক হিসেবে ব্যবহার করি: প্রতিটি তথ্যবিন্দু একটি অ্যাপেন্ড-অনলি এন্ট্রি, যা পরে বদলানো যায় না, কেবল ট্রেস করা যায়। যদি কোনো সিদ্ধান্তের উৎস-সূত্র দেখানো না যায়, তবে সেটি লেজারে ওঠার যোগ্য নয়।

সমস্যাটা তখনই স্পষ্ট হয়ে ওঠে যখন স্টেজ-ওয়ান খালি ফেরে। তখন স্টেজ-টু-এর প্রতিটি ঘর বাধ্যতামূলকভাবে “N/A – insufficient information” হয়ে যায়। এখানে আটটি বিশ্লেষণ মডিউল আছে — ফরম্যাট, খেলোয়াড়, দল, লিগ, শাসন, ঝুঁকি, জনমত, শিল্প। প্রতিটির কাঠামো প্রস্তুত, প্রতিটির প্রশ্ন প্রস্তুত। কিন্তু একটি তথ্যবিন্দুও নেই যাকে ধরে টেনে আনা যায়।

বছরের পর বছর ম্যাচ দেখে যে অভ্যাসটা গড়েছি, সেটা এখানে সরাসরি খাটে: পূর্বাভাস নয়, শুরু হোক পাইপলাইন থেকে। যে বিশ্লেষক ম্যাচ আইডি ছাড়া স্কোরকার্ড মেলাতে বসে, সে কেবল নিজের গল্প বানায়। ক্রিকেটে আমরা এটা প্রায়ই দেখি — একটি অসাধারণ ইনিংসের পর সবাই “ক্লাচ” খোঁজে, অথচ বাউন্ডারি-শতাংশ, ডট-বল-চাপ আর ফিল্ড-প্লেসমেন্টের লগ না দেখলে গল্পটা অসম্পূর্ণ থেকে যায়।

এখন আসল কাজ — কেন এই শূন্যতা নিজেই একটি তথ্য। আমি ফ্রেমওয়ার্কটি ঘুরিয়ে দেখলাম। রিপোর্টটি কিন্তু ফাঁকা হয়নি; রিপোর্টটি সম্পূর্ণ। প্রতিটি সারণি, প্রতিটি চেকলিস্ট, প্রতিটি ঝুঁকি-ম্যাট্রিক্স বসানো আছে — শুধু মানের জায়গায় “N/A”। এটাই সবচেয়ে বড় শিক্ষা: একটি সম্পূর্ণ-দেখতে রিপোর্ট তথ্যশূন্যতাকে ঢেকে রাখতে পারে। ফরম্যাট পূর্ণতা আর তথ্য পূর্ণতা এক জিনিস নয়।

স্টেজ-টু-এর প্রতিটি ধাপ ঘুরে দেখি। ফরম্যাট বিশ্লেষণে কোনো ফরম্যাট নেই — টেস্ট, ওয়ানডে, টি-টোয়েন্টি, দ্য হান্ড্রেড, কোনোটিই চিহ্নিত নয়। তাই ফেজ-ভিত্তিক পারফরম্যান্স, ভেন্যু, পিচ, ডিউ, ডিএলএস — সব অনুপস্থিত। খেলোয়াড় বিশ্লেষণে কোনো খেলোয়াড় নেই; গড়, স্ট্রাইক রেট, ইকোনমি রেট, সিচুয়েশনাল স্প্লিট, সাম্প্রতিক ধারা — কিছুই নেই। দল বিশ্লেষণে কোনো দল নেই; আইসিসি র‍্যাঙ্কিং, স্কোয়াড গভীরতা, বোলিং কম্বিনেশন, বেঞ্চ শক্তি, বয়স-গঠন — অজানা। লিগ-বাণিজ্যে ব্রডকাস্ট মূল্য, ফ্র্যাঞ্চাইজি ভ্যালুয়েশন, খেলোয়াড়ি বেতন — কিছুই নেই।

শাসনব্যবস্থায় ক্ষমতা-বণ্টন, খেলার নিয়ম-বিতর্ক, দুর্নীতিবিরোধ, নির্বাচন ও যোগ্যতা — শূন্য। ঝুঁকি ম্যাট্রিক্সে ছয়টি শ্রেণির — স্পোর্টিং, পার্সোনেল, বাণিজ্যিক, নিয়ম-সততা, জনমত, সিস্টেমিক — প্রতিটি ঘর ফাঁকা। জনমত বিশ্লেষণে কোনো আখ্যান নেই, উত্তেজনা-চক্র নেই, প্রত্যাশা-ফাঁক নেই।

এখানেই আমি একটি নিয়ম মেনে চললাম, যেটা আমার কাছে পবিত্র: যা অডিট করা যায় না, তাকে বিশ্বাস করা যায় না। কেউ চাইলে “cricket_asia” লেবেল ধরে কল্পনা করে ফেলতে পারত যে এটি এশিয়ার কোনো লিগ, ধরুন আইপিএল বা বিপিএল, বা কোনো এশিয়ান দলের সিরিজ। কিন্তু লেবেলটি এতটাই মোটা যে এটি দিয়ে কোনো দল, ফরম্যাট বা ভেন্যু দাঁড় করানো যায় না। কল্পনা করলে সেটা বিশ্লেষণ নয়, বানানো গল্প হয়ে যেত।

আমার ২০২০ সালের “খালি স্টেডিয়াম সূচক” অভিজ্ঞতাও এখানে মিলে যায়। সেবার ৩১২টি দর্শকশূন্য ম্যাচ ঘেঁটে দেখেছিলাম, হোম-অ্যাডভান্টেজ ০.৩৮ থেকে ০.২১ গোলে নেমে এসেছিল। তখন বুঝেছিলাম, দর্শকশূন্য স্টেডিয়াম ছিল এমন একটি কন্ট্রোল গ্রুপ, যা আমরা কেউ চাইনি। আজকের শূন্য রিপোর্টটিও একই ধরনের কন্ট্রোল — যা দেখায়, উৎস ডেটা ছাড়া একটি মডেল কতটা অন্ধ।

একটি পাইপলাইনে এর অর্থ কী? সমস্যাটি নিচের দিকে নয় — উপরের দিকে। স্টেজ-ওয়ানে তথ্য আহরণ ব্যর্থ হয়েছে। সম্ভাব্য কারণ তিনটি: মূল নিবন্ধটি পেউয়ালের পিছনে ছিল; অথবা টেক্সট নয় এমন কোনো উৎস ছিল, যেমন ছবি বা স্ক্যান করা পাতা; অথবা পার্সিং বা এনকোডিং ত্রুটি ঘটেছে। নিবন্ধটি সত্যিই ক্রিকেট-শূন্য ছিল — এই সম্ভাবনা কম, কারণ সেটি হলে ডোমেইন লেবেল “cricket_asia” আসত না।

রিপোর্টের ঝুঁকি-তালিকায় তিনটি সতর্কবার্তা আছে, গুরুত্ব অনুসারে সাজানো। সর্বোচ্চ স্তরের ঝুঁকি: নাল স্টেজ-ওয়ান পুরো ডাউনস্ট্রিম বিশ্লেষণ আটকে দেয় — সমাধান, পুনরায় আহরণ চালানো। মধ্যম স্তরের ঝুঁকি: ফাঁকা জায়গা অনুমানে ভরে ফেলার প্রবণতা — অর্থাৎ বানানো সত্তা বা তথ্য জুড়ে দেওয়া। সর্বনিম্ন স্তরের ঝুঁকি: একটিমাত্র “cricket_asia” লেবেল ভুয়া প্রেক্ষাপটের জন্ম দিতে পারে।

এখানে সবচেয়ে অস্বস্তিকর সত্যটি হলো — অনেকেই এই শূন্য রিপোর্টকে “বিশ্লেষকের ব্যর্থতা” বলে ভাববেন। আমি দ্বিমত করি। খালি রিপোর্ট কোনো বিশ্লেষণী ব্যর্থতা নয়; এটি পাইপলাইনের একটি সফল সতর্কবার্তা। সিস্টেমটি যদি জোর করে কিছু বানাত, তাহলে সেটাই হতো আসল বিপর্যয়।

কিন্তু এখানেই আরেকটি ফাঁদ লুকিয়ে আছে, যেটি আমার মতো নিয়ম-প্রেমী বিশ্লেষকদের জন্য সবচেয়ে বিপজ্জনক। আমি এটাকে বলি “প্রক্রিয়া-পূজা”। রিপোর্টটি আটটি বিভাগ, অসংখ্য সারণি আর চেকলিস্ট নিয়ে দীর্ঘ। কেউ দ্রুত চোখ বুলিয়ে ভাবতে পারেন, “বাহ, কত পূর্ণাঙ্গ বিশ্লেষণ!” অথচ ভেতরে একটিও তথ্যবিন্দু নেই। একঘেয়ে কলামগুলোর ভেতরে সুবিধা লুকিয়ে থাকে — আর ফাঁকা কলামগুলোর ভেতরে লুকিয়ে থাকে বিপদ।

আমার ২০১৮ সালের রাশিয়া বিশ্বকাপের অভিজ্ঞতা এখানে প্রাসঙ্গিক। সেবার ইংল্যান্ড-ক্রোয়েশিয়া সেমিফাইনালের আগে বাজার যে ১১.২ পাস পার ডিফেন্সিভ অ্যাকশন ধরেছিল, আমার মডেল দেখিয়েছিল ক্রোয়েশিয়ার মিডফিল্ড মাত্র ৮.৪ অনুমোদন করছে। পার্থক্যটা এসেছিল নমুনা-জানালা, ভেন্যু-সমন্বয় আর পরিচ্ছন্ন ম্যাচ আইডি থেকে। চতুর মডেলের চেয়ে পরিচ্ছন্ন ম্যাচ আইডি অনেক বেশি মূল্যবান। এবার সেই পরিচ্ছন্ন আইডিই অনুপস্থিত।

ভারত-বাংলাদেশ তুলনায় এই পাইপলাইন-শৃঙ্খলার গুরুত্ব আরও স্পষ্ট। বিপিএল বা ঢাকার ঘরোয়া ক্রিকেটে শট-লোকেশন ডেটা প্রায়ই অসঙ্গত, কারণ ভেন্যু-ভেদে লগিং-মান বদলায়। আইপিএলে সেন্সর-ঘনত্ব বেশি, তাই একটি ভুল ম্যাচ আইডি ধরতে কম সময় লাগে। একই মেট্রিক দুই দেশে দুই অর্থ বহন করে — কারণ পরিবেশ বদলালে মেট্রিকের সংজ্ঞাও বদলাতে হয়।

আরেকটি কৌতূহলজনক দিক — রিপোর্টে একটি “Hidden Information” ঘর আছে, যেখানে অনুমানভিত্তিক তথ্য লেখার সুযোগ। প্রতিটি ক্ষেত্রেই লেখা “None”, আর আত্মবিশ্বাসের মাত্রা “Low”। এটি দেখায় যে বিশ্লেষক নিজের কল্পনাকে লাগাম দিয়েছেন। প্রতিটি আউটলায়ার হলো ডেটার করা একটি প্রশ্ন — আর এই শূন্যতা সেই প্রশ্নটি করছে: উৎসটি কি আদৌ পৌঁছেছিল?

সামনের ধাপে যা দরকার তা কোনো নতুন মডেল নয়। দরকার স্টেজ-ওয়ান আবার চালানো — মূল নিবন্ধের অ্যাক্সেসযোগ্যতা যাচাই, পেউয়াল, ফরম্যাট আর এনকোডিং পরীক্ষা। যতক্ষণ তথ্যবিন্দু আর নামযুক্ত সত্তা ফিরে না আসছে, ততক্ষণ এই বিশ্লেষণ কেবল অপেক্ষা করবে।

ডেটা নিয়ে কাজ করা আমার ৩২ বছরের অভিজ্ঞতা বলছে, সবচেয়ে বিপজ্জনক ব্যর্থতা কখনো জোরে চিৎকার করে না। পাইপলাইন যখন নীরব হয়, তখনই আমাদের সবচেয়ে মনোযোগী হওয়া উচিত। প্রশ্নটা এখন ক্রিকেট নিয়ে নয় — প্রশ্নটা হলো, আমাদের তথ্য-সংশ্লেষণ পদ্ধতি নিজের ফাঁক ধরতে পারে কি না। যদি পারে, তবে এই শূন্য রিপোর্টটিই হয়ে উঠবে সবচেয়ে দরকারি নথি।