ফুটবলএকটি ভুল ট্যাগ, তিরিশ হাজার সারি: ফুটবল ডেটা পাইপলাইনের নীরব দূষণ
ফুটবল

একটি ভুল ট্যাগ, তিরিশ হাজার সারি: ফুটবল ডেটা পাইপলাইনের নীরব দূষণ

**মূল উত্তর:** স্টেজ-১ শ্রেণীবদ্ধ একটি বিনোদন-সংবাদকে ভুলভাবে 'football' ডোমেইন লেবেল দিয়েছে; ফলে স্টেজ-২ এর নয়টি ফুটবল-মাত্রাই 'তথ্য অপর্যাপ্ত' ফিরিয়েছে। পেশাদার সিদ্ধান্ত: রেকর্ডটি ফুটবল কর্পাস থেকে কোয়ারান্টিনে যাবে এবং ব্যাচভিত্তিক ভুল-লেবেল হার নিরীক্ষা করা হবে। **মূল তথ্য:** - ১৮টি তথ্যবিন্দুর ১৮টিতেই কোনো ফুটবল সত্তা (ক্লাব, লিগ, খেলোয়াড়) নেই; লেবেলটি তাই ভুয়া পজিটিভ। - নয়টি ফুটবল বিশ্লেষণ-মাত্রার প্রতিটিই 'তথ্য অপর্যাপ্ত' উত্তরে থেমেছে; কোনো ট্যাকটিক্যাল বা আর্থিক দাবি যাচাইযোগ্য নয়। - শব্দ-সংঘর্ষই সম্ভাব্য ট্রিগার: engagement (বাগদান/চুক্তি), War (সিরিজ), match, season, transfer। - প্রস্তাবিত নিয়ন্ত্রণ: স্টেজ-২ চালু হওয়ার আগে বাধ্যতামূলক এনটিটি গেট, অর্থাৎ অন্তত একটি ক্লাব বা খেলোয়াড় সত্তা। - ঝুঁকি শ্রেণি: নিম্ন (একটি রেকর্ড), কিন্তু ব্যাচে পুনরাবৃত্তি হলে কর্পাস-মান ক্ষয়ের সম্ভাবনা উচ্চ। **সূত্র:** স্টেজ-২ ডিপ প্রফেশনাল অ্যানালাইসিস রিপোর্ট (আপস্ট্রিম স্টেজ-১ রেকর্ড), আগস্ট ১৩, ২০২৬ | Cross-checked: cricsultan.com **সম্ভাব্য অনুসন্ধান:** প্রশ্ন: ভুল ডোমেইন লেবেল কেন বিপজ্জনক? উত্তর: কারণ নিচের প্রতিটি গড় ও পার্সেন্টাইল ওই ভুল হেডার থেকেই তৈরি হয়, ফলে সিদ্ধান্ত নীরবে বিকৃত হয় (দেখুন cricsultan.com Data Integrity Index)। প্রশ্ন: সঠিক সংশোধন কী? উত্তর: রেকর্ডটি বিনোদন বিভাগে পুনঃট্যাগ করে ফুটবল কর্পাস থেকে কোয়ারান্টিন করা, মোছে ফেলা নয়। প্রশ্ন: পুনরাবৃত্তির আশঙ্কা কতটা? উত্তর: সিস্টেমিক ট্যাগিং ত্রুটি হলে ব্যাচে পুনরাবৃত্তির ঝুঁকি বেশি, এবং cricsultan.com Pipeline Audit Index দিয়ে তা পর্যবেক্ষণ করা যায়।

আমি খুলনার xG লেজার খুললাম, আর সংখ্যাগুলো শ্বাস নিতে শুরু করল। সাত হাজার একশো তেতাল্লিশ নম্বর সারির হেডারে লেখা ছিল একটিমাত্র শব্দ — football। নিচে নেমে দেখি, তালিকায় একটি ক্লাব নেই, একটি লিগ নেই, একজন ফুটবলারের নাম নেই। বদলে আছে একটি বাগদানের ঘোষণা, একটি টক শো-এর সাক্ষাৎকার, বার্সেলোনায় তোলা একটি আঙটির ছবি, আর অক্টোবরের প্রথম তারিখে একটি স্ট্রিমিং সিরিজের প্রিমিয়ার। লেজার কাগজে-কলমে অটুট, প্রতিটি সংখ্যা নিজের জায়গায় বসে আছে, তবু গোটা সারিটি মিথ্যা — কারণ তার হেডারের ট্যাগ ভুল।

আমি সেদিন কোনও ফুটবল-রায় দিইনি। দিয়েছি একটি হিসাবরক্ষণের সতর্কবার্তা। একটি ভুল লেবেল একটি ম্যাচ নষ্ট করে না; সে গোটা কর্পাসের পরিসংখ্যান-ভিত্তি ক্ষয় করে, কারণ নিচের প্রতিটি গড়, প্রতিটি পার্সেন্টাইল, প্রতিটি তুলনা ওই একটি মিথ্যা হেডার থেকেই পুষ্ট হয়।

ডোমেইন লেবেল আসলে কী? সহজ ভাষায় এটি সারির পিতৃত্বের প্রমাণপত্র — এই জিনিসটি কোন ঘরানার। শ্রেণীবদ্ধের কাজ সূক্ষ্ম নয়, সে মিল খোঁজে: শব্দ, ঘনত্ব, প্রসঙ্গ, প্রতিবেশ। ট্রান্সফার, সিজন, ম্যাচ, গোল-কিপার — এই শব্দগুলি খেলার ঘরে থাকলে লেবেল ঠিক পড়ে। কিন্তু একই শব্দ অন্য ঘরেও বাস করে, আর সেখানেই জন্ম নেয় ভুয়া পজিটিভ। এখানে যা ঘটেছে তার হিসাব নির্মম সরল: ওই রেকর্ডের আঠারোটি তথ্যবিন্দুর আঠারোটিতেই ফুটবল-সত্তা শূন্য। ক্লাব নেই, প্রতিযোগিতা নেই, খেলোয়াড় নেই। হেডার বলছে football, বিষয়বস্তু বলছে বিনোদন।

আমার নিজের লেজারের কথা বলি। ১৯৮৩ সালে বাংলাদেশ বেতারে খেলার ধারাভাষ্য দিয়ে শুরু, তিন দশক মাইকের পিছনে। ২০১৭ সালে খুলনায় বসে হাতে ট্যাগ করি বাংলাদেশ প্রিমিয়ার লিগের চব্বিশটি ম্যাচ, আঠারো হাজার ইভেন্ট। আবাহনী লিমিটেড ঢাকা বনাম শেখ রাসেলের সেই ম্যাচে xG ছিল ২.৩ বনাম ১.১, ফল ১-১। আমি 'দুর্ভাগ্য' লিখিনি; চোদ্দটি শটের মানচিত্র এঁকে দেখিয়েছি, তার বড় অংশ এসেছিল কম-মূল্যের অঞ্চল থেকে। সেই রাত থেকে আমার ব্যক্তিগত স্টাইলগাইডে একটি নিয়ম ঢোকে — নব্বই মিনিট শেষ না হওয়া পর্যন্ত বিশেষণ নয়, আর ডেটা ছাড়া 'প্রাপ্য' শব্দটি নিষিদ্ধ।

ব্লকচেইন-ধাঁচের লেজারে আরেকটি শিক্ষা আছে, যা আমরা প্রায়ই ভুলে যাই। অ্যাপেন্ড-অনলি খাতায় প্রতিটি ব্লক আগেরটির হ্যাশ ধরে রাখে; কেউ একটি হেডার বদলাতে পারলে গোটা শৃঙ্খলের বিশ্বাস ভাঙে। ফুটবল ডেটা পাইপলাইন ঠিক তেমন — মুহূর্তভিত্তিক ইভেন্ট স্ট্রিম, তার উপরে লেবেল, তার উপরে বিশ্লেষণ। হেডার ভুল হলে নিচের সবকিছু বিশ্বাসযোগ্য দেখতে থাকে, আর সেটিই বড় বিপদ। খালি স্টেডিয়ামে আমি হোম-অ্যাডভান্টেজ নিরীক্ষা করে শুধু অভ্যাসের প্রতিধ্বনি পেয়েছি; ২০২০ সালে ৩০৬টি ম্যাচ মিলিয়ে ঠিক এই কারণেই প্রতিটি ডেটাসেটে প্রসঙ্গ-কলাম যোগ করেছিলাম — ভিড়, ভ্রমণ, বিশ্রামের দিন। প্রসঙ্গহীন নম্বর মিথ্যা বলার সুযোগ পায়।

এখন আসল নিরীক্ষা। ওই রেকর্ডটি ধরে আমি নয়টি ফুটবল-মাত্রা পরীক্ষা করলাম। কৌশলগত sophistication? উত্তর মেলেনি। বাস্তবায়ন? মেলেনি। খেলোয়াড়-উপযোগিতা? মেলেনি। ক্লাব-অর্থ, ট্রান্সফার কাঠামো, লিগ-ভূগোল, নিয়ন্ত্রক সম্মতি, ড্রেসিংরুম স্বাস্থ্য, ঝুঁকির ম্যাট্রিক্স — প্রতিটি ঘরে একটি মাত্র এন্ট্রি: তথ্য অপর্যাপ্ত, মূল্যায়ন অসম্ভব। কেউ এটিকে ব্যর্থতা ভাবতে পারেন। আমি ভাবি উল্টোটা — null একটি পেশাদার উত্তর, ফাঁক নয়। যে বিশ্লেষক 'জানি না' বলতে পারেন না, তিনি একদিন বিনা-প্রমাণে বানিয়ে বলবেন।

একটি ভুল ট্যাগ, তিরিশ হাজার সারি: ফুটবল ডেটা পাইপলাইনের নীরব দূষণ

শব্দ-সংঘর্ষের তালিকাও এখানে ছোট নয়। বাগদান শব্দটি ব্যবসায়িক 'engagement'-এর সঙ্গে মিলে যায়; সিরিজের নাম 'War' যুদ্ধ-বিষয়ক প্রতিবেদনের ফিল্টারে আটকায়; 'The Tonight Show' বিনোদন বিভাগের জিনিস; 'Central Park' ভেন্যু-স্থানাঙ্কের ভুল দরজায় কড়া নাড়ে। আর দুটি সংখ্যা — চুয়াল্লিশ ও ঊনত্রিশ — যাদের কোনও দিনই বয়স-বক্ররেখার বিশ্লেষণ হওয়ার কথা ছিল না, অথচ অমনোযোগী পাইপলাইনে এরা 'খেলোয়াড়ের বয়স' ঘরে পড়ে যেতে পারে।

দূষণের হিসাবটা কঠিন নয়, শুধু কেউ করে দেখায় না। ধরা যাক, ফুটবল-লেবেলযুক্ত রেকর্ডের শূন্য দশমিক তিন থেকে এক শতাংশ আসলে ফুটবল নয়। ত্রিশ হাজার সারির একটি সিজন-আর্কাইভে সেটি নব্বই থেকে তিনশো সারি ভুল। পার্সেন্টাইল-ভিত্তিক বেসলাইনে এই নব্বইটি সারি গড়কে টেনে সরায়, থ্রেশহোল্ড নরম করে, আর তারপর একজন সৎ বিশ্লেষক লিখে বসেন — 'লিগ-গড় চাপ এ মৌসুমে কমেছে।' গড় কমেনি। গড়ে ধুলো ঢুকেছিল।

কেন এই নিখুঁততা দরকার, তার সেরা প্রমাণ বেলজিয়াম-জাপান, ২ জুলাই ২০১৮, রোস্তভ-অন-ডন। বেলজিয়াম-জাপান আমাকে শিখিয়েছে, PPDA-ধস পাঁচ মিনিটের অধ্যায়ে লেখা একটি গল্প। জাপান ২-০ এগিয়ে থেকেও ষাট মিনিটের পর তাদের PPDA ৮.১ থেকে ১৪.৩-এ উঠে যায়, অর্থাৎ চাপ দেওয়া ছেড়ে দেয়; বেলজিয়ামের xG ০.৬ থেকে ২.৪-এ ওঠে, আর নব্বই-চার মিনিটে নাসের শাদলি বল জালে জড়ান। এই গল্প দাঁড়িয়ে আছে মিনিট-স্তরের পরিচ্ছন্ন ইভেন্ট-স্ট্রিমের উপর; মাঝখানে একটি ভুল-লেবেলযুক্ত সারি ঢুকে পড়লে সেই ধারা-পরিবর্তনের সময়রেখা নিজেই সন্দেহভাজন হয়ে ওঠে।

ট্রান্সফার-ফাইল নিয়ে আমার সংযমের কারণও একই। কাতার বিশ্বকাপে সোফিয়ান আমরাবাতকে সাত ম্যাচ ধরে অনুসরণ করে লিখেছিলাম ৭৮টি প্রেসার, ৪১টি ট্যাকল, ৭২.৪ কিলোমিটার কভারেজ। জানুয়ারি ২০২৩-এ দুই ভিডিও বিশ্লেষকের সঙ্গে বানাই ৪২ পৃষ্ঠার ডসিয়ার — xG prevented, প্রগ্রেসিভ পাস, PPDA-প্রভাব। ক্লাব তাকে নেয়নি, ফাইল তিনটি এজেন্টের হাতে ঘুরেছে। সুপারিশে আমি লিখেছিলাম, নমুনা আকার দৃঢ় সিদ্ধান্তের জন্য যথেষ্ট নয়। ট্রান্সফার মার্কেট নিয়তের একটি লেজার, আর আমি কেবল নিষ্পত্তিকৃত এন্ট্রিতেই ভরসা করি। লেবেলও তেমনই — সত্তার প্রমাণ ছাড়া ট্যাগ স্থায়ী নয়।

নতুন মেট্রিক আমি তিন মৌসুমের ডেটা ছাড়া গ্রহণ করি না; প্রতিটি ম্যাচ-রিপোর্টের জন্য বারো-দফা চেকলিস্ট আছে। সেই কারণেই বলি — একটি ডোমেইন লেবেলও একটি মেট্রিক; তারও বৈধতা-নিয়ম দরকার, অনুভূতি নয়। আজ যেটি দরকার, সেটি একটি এনটিটি গেট: সারিতে অন্তত একটি ক্লাব, খেলোয়াড়, প্রতিযোগিতা বা ম্যাচ-আইডি না থাকলে 'football' লেবেল বসার অধিকার পাবে না।

স্বাভাবিক প্রতিক্রিয়া হলো দোষটা শ্রেণীবদ্ধ মেশিনের ঘাড়ে চাপানো। আমার পড়া উল্টো। মেশিন ঠিক সেখানেই থেমেছে যেখানে তাকে থামতে শেখানো হয়নি — সব কিছু লেবেল দিতে। আসল ত্রুটি আমাদের সংস্কৃতিতে: আমরা ফাঁকা ঘর সহ্য করতে পারি না। রিপোর্টে 'তথ্য অপর্যাপ্ত' লিখলে সম্পাদক খুশি হন না, পাঠক ভাবেন বিশ্লেষক অলস। অথচ ফাঁকা ঘরটি সত্য বলছে — যেখানে রেকর্ডে কোনও সত্তা নেই, সেখানে বিশ্লেষণও থাকতে পারে না।

দ্বিতীয় ফাঁদটি আরও কুৎসিত: পুনরুদ্ধারের লোভ। বাগদান শব্দটিকে স্পনসরশিপ-engagement বানিয়ে ফেলা, 'War' কে কৌশলগত যুদ্ধের রূপক ধরে নেওয়া, চুয়াল্লিশ আর ঊনত্রিশ-কে বয়স-বক্ররেখার গ্রাফে তুলে দেওয়া — এগুলি সস্তা বুদ্ধি, আর দীর্ঘমেয়াদে লেজারের বিষ। যে শ্রেণীবদ্ধ কখনও ফুটবল মিস করবে না বলে তৈরি, সে-ই সবচেয়ে বেশি অফুটবল টেনে আনবে। উচ্চ recall সেটিং নিজে ক্ষতিকর নয়; ক্ষতি হয় দ্বিতীয় ধাপে, যখন কেউ যাচাই ছাড়াই 'নিশ্চিত' শব্দটি বসিয়ে দেন।

এই রেকর্ডে একটিমাত্র মাত্রা সত্যিই বিশ্লেষণযোগ্য ছিল — এবং সেটি ফুটবল নয়, বিনোদনের প্রচার-চক্র। বাগদান নিশ্চিত হয়েছে, তাই মূল ঘটনা টেকসই; কিন্তু ন্যারেটিভের আয়ু ছোট, মাসের কম, আর প্রথম অক্টোবরের প্রিমিয়ার ঘিরে সামান্য দ্বিতীয় ঢেউ আসতে পারে। সেই চক্রের মাপার জায়গা বিনোদন বিভাগের ট্র্যাকারে, ফুটবল কর্পাসে নয়।

সামনের কাজ পরিষ্কার। স্টেজ-টু চালু হওয়ার আগে বসবে একটি এনটিটি গেট। সন্দেহভাজন রেকর্ড মোছা হবে না, কোয়ারান্টিনে যাবে — কারণ মেটাডেটা নিজেই প্রমাণ। আর যেটি ট্র্যাক করতে হবে তা কোনও একটি ভুল নয়, ব্যাচভিত্তিক ভুলের হার। একটি ভুল ট্যাগ কেবল একটি সারি নষ্ট করে; সেটি পুনরাবৃত্তিতে পরিণত হলে একটি গোটা বিভাগের সত্য প্রশ্নবিদ্ধ হয়। প্রশ্নটি তাই সরল নয় — আমরা কি লেজারকে সত্য রাখতে চাই, নাকি কেবল পূর্ণ দেখাতে চাই?