খালি লেজারের পাঠ: যখন ক্রিকেট ডেটা পাইপলাইন নিজেই আউট হয়ে যায়

২০১৭ সালের শীতকালে লন্ডনের একটি ডরমিটরি রুমে আমি ৯,৮০০ শট স্ক্র্যাপ করেছিলাম। মডেল বানাতে সাত রাত লেগেছিল, কিন্তু ডেটা পরিষ্কার করতে লেগেছিল চৌদ্দ দিন। সেই থেকে আমার একটি অভ্যাস দাঁড়িয়ে গেছে: আমি কোনো ম্যাচ রিপোর্ট পড়ার আগে দেখি ডেটা ফাইলটি আদৌ খোলা যায় কি না। গত সপ্তাহে একটি বিশ্লেষণ পাইপলাইনে ঠিক সেই জায়গাতেই হোঁচট খেলাম, যেখানে সাধারণত কেউ তাকায় না।

ধরা যাক, একটি স্টেজ-ওয়ান ডিকনস্ট্রাকশন রিপোর্ট হাতে এল। শিরোনাম নেই। সোর্স নেই। আর্টিকেল টাইপ লেখা 'Unclassified'। ইনফরমেশন পয়েন্টের তালিকা খালি। কোর ভিউপয়েন্টের ঘর তিনটি, তিনটিই ফাঁকা। এনটিটিজ ইনভলভড ফিল্ডে নির্দেশনা লেখা আছে 'উপরের তথ্য পয়েন্ট থেকে চিহ্নিত করুন' — অথচ উপরে কোনো তথ্য পয়েন্টই নেই। ডোমেইন লেবেল লেখা 'cricket_world', অথচ স্পেসিফিকেশন চায় 'Cricket'।

এখানেই আসল ব্যাপারটা। যারা ক্রিকেট ডেটা নিয়ে কাজ করেন, তারা জানেন ফরম্যাট হলো সবকিছুর প্রথম গেট। টেস্ট, ওয়ানডে, টি-টোয়েন্টি, দ্য হান্ড্রেড — এই চারটি কাঠামোর প্রতিটির জন্য আলাদা বেঞ্চমার্ক। একজন ফিনিশারের স্ট্রাইক রেট বিচার হয় ১৮০-এর উপরে ধরে, একজন ওয়ানডে অ্যাঙ্করের বিচার হয় সম্পূর্ণ ভিন্ন মানদণ্ডে। ফরম্যাট না জানলে একই সংখ্যা দুই রকম অর্থ বহন করে।

ফরম্যাট-গেট পার না হলে তার নিচের প্রতিটি বিশ্লেষণ শুধু অনুমান, বিশ্লেষণ নয়।

আমি নিজে একবার এই ভুল করেছিলাম। ২০২০ সালে জার্মান বুন্দেসলিগা আর প্রিমিয়ার লিগের ৯১৮টি ম্যাচ নিয়ে কাজ করার সময় প্রথমে সব ডেটা একসাথে ফেলেছিলাম। তারপর দেখলাম ঘরের মাঠে জেতার হার ৪৩.৩ শতাংশ থেকে নেমে ৩৩.১ শতাংশে এসেছে, আর ঘরের দল প্রতি ম্যাচে ০.২৮টি কম পেনাল্টি পেয়েছে। সংখ্যাগুলো পরিষ্কার ছিল, কিন্তু প্রক্রিয়াটি নয়। পরে আলাদা করে দেখতে হয়েছিল কোন ভেরিয়েবল আসলে বদলেছে। ক্রিকেটে এই ঝুঁকি আরও বড়, কারণ এখানে ফরম্যাট নিজেই একটি ভেরিয়েবল।

এখন আসি প্লেয়ার ডেটার প্রশ্নে। একটি নাম না থাকলে রোল ক্লাসিফিকেশন অসম্ভব। ওপেনার, অ্যাঙ্কর, ফিনিশার, পেসার, স্পিনার, অলরাউন্ডার, উইকেটকিপার — প্রত্যেকের জন্য আলাদা প্রত্যাশার সীমা। ভুল রোল টেমপ্লেট বসালে একই ডেটা উল্টো রায় দেয়। এর সাথে যোগ হয় বয়স-কার্ভ আর ওয়ার্কলোড চেক, যেগুলো প্রায়ই 'স্টার ফর্মে ফিরেছেন' ধরনের মিডিয়া ফ্রেমিংকে ভেঙে দেয়। এই চেকগুলো বাদ পড়া মানে বিশ্লেষণের ক্ষতি, শুধু ফরমায়েশি ফাঁক নয়।

টিম ল্যান্ডস্কেপের দিকটাও একইভাবে আটকে যায়। কোন দল, কোন টায়ার, আইসিসি র্যাঙ্কিংয়ের কোন টেবিল — কিছুই নির্ধারণ করা যায় না। ক্রিকেটে ঘরের মাঠ আর বাইরের মাঠের ব্যবধান অন্য যেকোনো খেলার চেয়ে বড়। ভেন্যু না জানলে সব উপসংহার স্বাভাবিকভাবেই ঘরের দলের পক্ষে ঝুঁকে পড়ে। এটা দ্বিতীয় স্তরের ফাঁক নয়, প্রথম স্তরের।

লিগ আর কমার্শিয়াল ইকোসিস্টেমের প্রশ্নে আরেকটি সম্ভাবনা তৈরি হয়। আর্টিকেল টাইপ 'Unclassified' মানে এটা হতে পারে সোর্সটি আদৌ ক্রিকেট প্রতিবেদন ছিল না — হতে পারে একটি বিজনেস ওয়্যার স্টোরি, হতে পারে একটি ফিক্সচার লিস্টিং পেজ। সেক্ষেত্রে প্রথম তিনটি ডাইমেনশন প্রযোজ্যই নয়, আর চতুর্থটি একা পুরো ভার বহন করে।

আমার ডরমিটরি লেজারের একটি নিয়ম আছে: কোনো সংখ্যা লিখে ফেলার আগে জিজ্ঞেস করো, এই সংখ্যাটি কোন ফরম্যাটের, কোন ভেন্যুর, কোন স্যাম্পলের। উত্তর না থাকলে সংখ্যাটি লেজারে ওঠে না।

এখানেই কাউন্টার-ইনটুইটিভ অংশটি আসে। বেশিরভাগ মানুষ ভাবেন একটি খালি রিপোর্ট মানে 'কোনো ঝুঁকি নেই'। আসলে ঠিক উল্টো। খালি রিপোর্টের একমাত্র ঝুঁকি জ্ঞানগত — যে কেউ এই ফাঁকা ফ্রেমওয়ার্কটিকে পরিষ্কার বিশ্লেষণ ভেবে ভুল করতে পারে। সঠিক পাঠ হলো 'অজানা', 'ঝুঁকিমুক্ত' নয়।

আমি মরক্কোর লো-ব্লক নিয়ে কাজ করার সময় এই শিক্ষাটাই পেয়েছিলাম। ২০২২ সালের কাতার বিশ্বকাপে আমার প্রি-টুর্নামেন্ট মডেল মরক্কোকে র‍্যাঙ্ক করেছিল ২২ নম্বরে। কিন্তু তাদের পিপিডিএ ৮.৯ আর ছয় ম্যাচে পাঁচটি ক্লিন শিট দেখিয়ে দিল আমার মডেল লো-ব্লক এফিশিয়েন্সিকে কম ওজন দিয়েছে। আমি রাতারাতি মডেল রিবিল্ড করলাম, তারপর পর্তুগালের বিপক্ষে ১-০ predicted। হয়েছিলও তাই।

কিন্তু এখানে মনে রাখতে হবে, মডেল রিবিল্ড সম্ভব হয়েছিল কারণ ডেটা ছিল। খালি ফিল্ড থেকে মডেল রিবিল্ড করা যায় না।

গভর্ন্যান্স আর রুলস ডাইমেনশনের দিকে তাকালে দেখি কোনো বোর্ড অ্যাকশন, কোনো শুনানি, কোনো ইন্টিগ্রিটি রেফারেন্স নেই। ক্রিকেটে গভর্ন্যান্স ঝুঁকি সাধারণত কম-ফ্রিকোয়েন্সি কিন্তু উচ্চ-প্রভাবের — সদস্যপদ স্থগিতাদেশ, ইন্টিগ্রিটি কেলেঙ্কারি। এখানে কোনো সংকেত না থাকা মানে সংকেতের অনুপস্থিতির প্রমাণ নয়। এটাকে 'ক্লিন বিল অফ হেলথ' হিসেবে রিপোর্ট করা যাবে না।

পাবলিক ন্যারেটিভের দিকটাও একই অবস্থায়। কোন ন্যারেটিভ — প্রতিদ্বন্দ্বিতার মহারণ, রাজবংশের ধারাবাহিকতা, নতুন তারার অভিষেক, প্রবীণের বিদায় — কিছুই বসানো যায় না। হিট-সাইকেলের অবস্থান নির্ধারণ করা যায় না, তাই স্বাভাবিক ওভারহাইপ ডিসকাউন্ট প্রয়োগ করা অসম্ভব।

ইন্ডাস্ট্রি ট্রান্সমিশন ম্যাপটি এই ফ্রেমওয়ার্কের সবচেয়ে অনুমান-নির্ভর ডাইমেনশন। আপস্ট্রিম ইভেন্ট চিহ্নিত না হলে কোনো চ্যানেল ট্রেস করা যায় না। এই ডাইমেনশনটি খালি ইনপুটের প্রতি সবচেয়ে কম সহনশীল।

এখন আসল প্রশ্নটি করি। যদি একটি পাইপলাইন খালি স্টেজ-ওয়ান থেকে স্টেজ-টু ডেলিভারেবল তৈরি করে, তাহলে সমস্যাটি কোথায়?

আমার অভিজ্ঞতায় তিনটি সম্ভাবনা। প্রথমত, আপস্ট্রিম এক্সট্রাকশন ফেইলিওর — পেজটি পেওয়ালের পিছনে, জাভাস্ক্রিপ্ট-রেন্ডারড, অথবা অ-ইংরেজি ভাষার। দ্বিতীয়ত, ট্যাক্সোনমি ড্রিফট — 'cricket_world' বনাম 'Cricket' — যা প্রম্পট ভার্সন মিসম্যাচের ইঙ্গিত দেয়। তৃতীয়ত, পার্সার স্কিমা ড্রিফট, যা একই সোর্সে বারবার খালি আউটপুট দেয়।

একটি ভালো ক্রিকেট ডেটা পাইপলাইনের নিয়ম হওয়া উচিত ফেইল-ফাস্ট। যদি এক্সট্রাকশন ধাপ অন্তত তিনটি ইনফরমেশন পয়েন্ট আর একটি নির্দিষ্ট ফরম্যাট ফেরত দিতে না পারে, তাহলে থেমে যাওয়া উচিত — একটি 'Unclassified' রেকর্ড ছেড়ে দেওয়া নয়।

আমি লন্ডনে একটি স্পোর্টস স্টার্টআপে জুনিয়র অ্যানালিস্ট হিসেবে কাজ শুরু করার পর প্রথম সপ্তাহেই এই শিক্ষা পেয়েছিলাম। সোমবার সকালে ডেটা-লেড স্টোরি পিচ করতে হতো। একদিন আমার এক্সট্রাকশন স্ক্রিপ্ট খালি ফাইল ফেরত দিল, আর আমি প্রায় সেটা নিয়ে স্টোরি লিখতে বসে গিয়েছিলাম। সিনিয়র অ্যানালিস্ট থামিয়ে দিলেন। বললেন, 'খালি ফাইল একটি ফলাফল, একটি স্টোরি নয়।'

ক্রিকেট মিডিয়ার একটি নির্দিষ্ট ঝুঁকি আছে যা এখানে প্রযোজ্য। খেলোয়াড়ের ডেটা প্রায়ই মিশ্র-ফরম্যাট ফিগার হিসেবে উদ্ধৃত হয়। একটি টি-টোয়েন্টি স্ট্রাইক রেট আর একটি ওয়ানডে স্ট্রাইক রেট একসাথে মিশিয়ে দেওয়া হয়, তারপর সেটাকে 'ফর্ম' বলা হয়। ফরম্যাট না জানলে এই মিশ্রণ আলাদা করা অসম্ভব।

আমার মডেল র্যাঙ্কিংয়ের একটি নিয়ম আছে: একটি ইনিংসের রান কখনোই ফরম্যাট-নিরপেক্ষ সত্য নয়। ৪৫ বলে ৬০ রান টি-টোয়েন্টিতে দুর্দান্ত, ওয়ানডেতে ধীর, টেস্টে প্রায় অপ্রাসঙ্গিক।

তাহলে এই খালি রিপোর্ট থেকে কী শেখা যায়?

প্রথম পাঠ: খালি ফিল্ড নিজেই একটি ডেটা পয়েন্ট। প্রতিটি ফিল্ড ডিফল্ট মানে বসে যাওয়া, আংশিক পূরণ না হওয়া — এই প্যাটার্নটি সিস্টেমেটিক এক্সট্রাকশন ডিফেক্টের ইঙ্গিত দেয়, বিচ্ছিন্ন একটি খারাপ আইটেমের নয়।

দ্বিতীয় পাঠ: একটি বিশ্লেষণ পাইপলাইনে সবচেয়ে বিপজ্জনক আউটপুট হলো ভুল আউটপুট নয়, বরং আত্মবিশ্বাসী খালি আউটপুট। যে রিপোর্ট দেখতে পূর্ণ কিন্তু ভেতরে ফাঁকা, সেটি পাঠকের কাছে 'কোনো সমস্যা নেই' বার্তা পাঠায়।

তৃতীয় পাঠ: ফরম্যাট হলো ক্রিকেট বিশ্লেষণের প্রথম গেট। এই গেট পার না হলে তার নিচের প্রতিটি সংখ্যা শুধু অলংকার।

আমি যখন ২০১৮ সালে রাশিয়া বিশ্বকাপে ফ্রান্স বনাম আর্জেন্টিনা ম্যাচে আমার মডেল প্রয়োগ করেছিলাম, কিলিয়ান এমবাপের দুই গোল আর সাতটি সফল ড্রিবল থেকে এক্সজি চেইন দাঁড়িয়েছিল ২.৭। সেই সংখ্যাটি অর্থবহ হয়েছিল কারণ ফরম্যাট, ভেন্যু, প্রতিপক্ষ — সব নির্দিষ্ট ছিল।

খালি লেজারে কোনো এমবাপে লুকিয়ে থাকে না।

পরের বার যখন কোনো ক্রিকেট বিশ্লেষণ রিপোর্ট পড়বেন, প্রথমে জিজ্ঞেস করুন: ফরম্যাট কী? ভেন্যু কোথায়? সোর্স কে? যদি এই তিনটির উত্তর না থাকে, তাহলে বাকি সব সংখ্যা শুধু সাজসজ্জা। আর যদি রিপোর্টটি নিজেই খালি হয়, তাহলে সেটি একটি বিশ্লেষণ নয় — সেটি একটি সতর্কবার্তা।