खाली स्कोरकार्ड की चेतावनी: जब डेटा पाइपलाइन ही मैदान से बाहर हो जाए

मैंने 14,412 गेंदों की गिनती से शुरुआत की थी, और उस दिन लेजर ने बाकी काम किया। लेकिन इस बार जो शीट मेरे सामने खुली, उसमें एक भी गेंद दर्ज नहीं थी। क्रिकेट के एक एशियाई डोमेन टैग के अलावा शीर्षक, स्रोत, प्रकार — सब जगह N/A लिखा था। किसी मैच का स्कोरकार्ड खाली मिल जाए तो पहला सवाल यही उठता है: मैच हुआ ही नहीं, या स्कोरर ही नहीं पहुंचा? और जब तक यह तय न हो, हर आगे का निष्कर्ष एक काल्पनिक पारी बन जाता है।

यह रिपोर्ट उस मैच की नहीं है जो खेला गया। यह उस स्कोरकार्ड की है जो कभी भरा ही नहीं। डेटा-आधारित क्रिकेट पत्रकारिता में आज सबसे बड़ा जोखिम विरोधी टीम नहीं, बल्कि एक खाली इनपुट है जिसे गलती से 'निष्कर्ष' समझ लिया जाता है। मैं रोम से काम करता हूं, श्रीलंका बाजार के लिए क्रिकेट कवरेज करता हूं, और हर चीज से पहले विधि (method) का हिसाब मांगता हूं। जब विधि ही खाली हो, तो सबसे ईमानदार रिपोर्ट वही है जो लिखे: मेरे पास गेंद नहीं है, सिर्फ गेंद का अभाव है।

सबसे पहले यह समझना जरूरी है कि टैग और सामग्री एक चीज नहीं होते। जो एकमात्र जानकारी भरी थी, वह थी 'क्रिकेट, एशिया'। उसकी प्रकृति पर गौर करें। यह संभवतः रूटिंग लेयर पर पहले से सेट किया गया एक कॉन्फ़िगरेशन लेबल है, न कि लेख के मुख्य पाठ से निकाला गया कोई निष्कर्ष। यही अंतर निर्णायक है। अगर लेबल आर्टिकल से आता, तो साथ में कम से कम एक वाक्य, एक तारीख, एक खिलाड़ी का नाम भी आता। सिर्फ लेबल का होना यह साबित नहीं करता कि सिस्टम ने लेख पढ़ा; यह सिर्फ इतना बताता है कि सिस्टम को बताया गया था कि यह किस डिब्बे में रखना है। मेरे पेशे में इसे गलत सबूत (false evidence) कहते हैं — मैदान का नाम मौजूद है, पर पिच पर कोई नहीं।

अब असली सवाल: यह खालीपन आखिर आया कहां से? इसके दो अलग-अलग कारण हो सकते हैं और दोनों का इलाज बिल्कुल अलग है। पहला — सिस्टम ने सामग्री पढ़ी ही नहीं (इनपुट लेयर का फेल होना)। दूसरा — सिस्टम ने सामग्री पढ़ी, पर उसे समझ नहीं पाया या निकाल नहीं पाया (विश्लेषण लेयर का फेल होना)। पहली नजर में दोनों एक जैसे 'खाली' दिखते हैं, लेकिन जैसे एक मैच में 'बारिश से धुल गया' और 'टीम ही नहीं आई' — दोनों में स्कोर 0/0 दिखता है, पर कारण आसमान और जमीन का फर्क है। अगर आप दूसरी गलती को पहली मानकर मरम्मत करेंगे, तो वक्त बर्बाद होगा और समस्या वहीं की वहीं रहेगी।

इसलिए मेरी सलाह है कि खोज क्रम से हो, सस्ते से महंगे की ओर। पहले क्रॉलिंग (scraping) लेयर देखें: कच्चा HTML या मुख्य पाठ कितने अक्षरों का है? अगर यह शून्य है या सिर्फ नेविगेशन बार का टेक्स्ट है, तो साफ है कि क्रॉलिंग फेल हुई — पे-वॉल, जावास्क्रिप्ट से बना पेज, एंटी-बॉट व्यवस्था, या खुद URL ही किसी स्कोर/वीडियो पेज का हो सकता है। दूसरे चरण में देखें कि मॉडल को भेजे गए प्रॉम्प्ट में लेख का मुख्य भाग वास्तव में कितना लंबा था; कहीं वह आधे रास्ते में खाली तो नहीं काटा गया। तीसरे चरण में मॉडल का मूल उत्तर (parse से पहले) देखें। अगर मूल उत्तर में सामग्री थी पर फील्ड खाली हैं, तो दोष पार्सर या JSON स्कीमा का है; अगर मूल उत्तर भी खाली है, तो दोष मॉडल या प्रॉम्प्ट का है। चौथे चरण में साफ करें कि वह 'क्रिकेट, एशिया' टैग हार्डकोडेड है या मॉडल ने लिखा है — अगर हार्डकोडेड है, तो उसे 'सामग्री पढ़े जाने' का सबूत मानना ही गलती है।

यहां एक बात मुझे सबसे ज्यादा चिंतित करती है, और वह यह कि खाली इनपुट पर भी सिस्टम 'सफलतापूर्वक' चल जाता है। यही असली खतरा है। एक विश्लेषण प्रणाली जो शून्य इनपुट पर क्रैश नहीं होती, बल्कि आगे का चरण पूरा कर लेती है, वह अपने आप में एक चुप्पी मचाने वाली मशीन है। मुझे अपने करियर के एक दौर की याद आती है — 2026 के वर्ल्ड कप में, जब मैं एक यूरोपीय डेटा विक्रेता के साथ 64 मैचों के लाइव xG और PPDA फीड बना रहा था। टूर्नामेंट खत्म होने के बाद मैंने अपना ही उत्पाद जांचा: बारह मेट्रिक्स में से सिर्फ चार प्रसारण तक पहुंचीं। PPDA प्रसारण तक कभी नहीं पहुंची — निर्माता ने उसे स्क्रीन ग्राफिक्स पर 'बॉल पजेशन' से बदल दिया। प्रकाशित होना और समझा जाना, दोनों अलग चीजें हैं। उस दिन के बाद मैंने हर डेटा रिपोर्ट दो परतों में लिखना शुरू किया: पहले मेट्रिक, फिर एक सामान्य भाषा में अनुवाद जिसे सह-कमेंटेटर पढ़कर सुना सके।

इसी सिद्धांत का इस्तेमाल यहां भी होना चाहिए। एक विश्लेषण प्रणाली की सफलता का माप यह नहीं है कि उसने कितनी फील्ड भर दीं, बल्कि यह है कि उसने कब ईमानदारी से यह कहा कि 'मेरे पास सामग्री नहीं है'। जो सिस्टम खाली इनपुट पर 'क्रिकेट, एशिया' जैसा टैग लगाकर खुश हो जाती है, वह एक ऐसे स्कोरर की तरह है जो बिना मैच देखे स्कोरशीट के ऊपर सिर्फ टीमों के नाम लिख देता है और उसे पूरा समझकर घर लौट जाता है। मेरी लेजर नैतिकता (ledger ethic) यही कहती है: जिस पंक्ति में आंकड़ा नहीं, वहां 'शून्य' नहीं, बल्कि 'अवगत नहीं' लिखा जाना चाहिए। शून्य भी एक दावा है, और दावे के पीछे आंकड़ा चाहिए।

अब एक उलटा पहलू, जो सुनने में अजीब लगेगा: इस पूरी घटना का सबसे उपयोगी उत्पाद खुद वह 'खालीपन' है। हम आम तौर पर डेटा प्रणालियों की सफलताओं का लेखा-जोखा रखते हैं — कितने मैच प्रोसेस हुए, कितने खिलाड़ी स्कोर हुए, कितनी लेटेंसी कम हुई। पर सबसे कीमती दस्तावेज वह है जिसे मैं अपने वर्ल्ड कप ऑडिट के बाद 'एयर गैप लॉग' कहता हूं: कितने मेट्रिक्स तैयार हुए और कितने प्रसारण तक पहुंचे। यहां भी, यह रिपोर्ट एक 'फेलियर लॉग' है — और यह किसी भी सफलता की रिपोर्ट से ज्यादा उपयोगी हो सकती है, बशर्ते हम इसे सफलता के दावे के रूप में पेश न करें। मार्च 2026 में जब खेल ठप हुआ था, तब मैंने पांच महीने अकेले 2026 से 2026 तक के हर IPL सीज़न को एक डेटाबेस में फिर से बनाया — 824 मैच, करीब 197,000 गेंदें, पिच, ओस, टॉस और मैदान के हिसाब से टैग की गईं। मैंने नतीजे से पहले विधि प्रकाशित की। यहां भी वही क्रम होना चाहिए: पहले यह स्वीकार करें कि स्कोरकार्ड खाली है, फिर पूछें कि कौन सी कड़ी टूटी। उल्टा क्रम — पहले निष्कर्ष, बाद में औचित्य — वह कहानी बन जाता है जिसे मैं कभी नहीं लिखूंगा।

इससे जुड़ी एक मानवीय परत भी है, जिसे लेजर के कॉलम नहीं पकड़ पाते। एक डेटा पाइपलाइन का खाली होना किसी एक सर्वर की समस्या नहीं, बल्कि उन लोगों की समस्या है जो उस डेटा पर भरोसा करते हैं। एक उपसंपादक, जो मैच के नतीजे पर शीर्षक तय करता है। एक क्षेत्रीय भाषा का कमेंटेटर, जो उस डेटा से एक वाक्य तैयार करता है। एक छोटे बोर्ड का विश्लेषक, जिसे बजट के लिए उसी शीट पर निर्भर रहना पड़ता है। इस बार जब खाली स्कोरकार्ड आया, तो इन चार आवाजों में से एक भी सुनी नहीं गई। मैं श्रीलंका में रहकर रोज देखता हूं कि एक बड़े मार्केट की डेटा उपलब्धता और एक छोटे बोर्ड की डेटा भूख के बीच कितनी खाई है — जहां एक मैच के ग्राफिक्स के लिए करोड़ों खर्च होते हैं, वहां पूरे घरेलू सीज़न की ट्रैकिंग का बजट उसी एक ग्राफिक के बराबर नहीं होता। जब ऐसे बोर्डों के पास अपना ट्रैकिंग डेटा ही सीमित हो, तो एक खाली इनपुट की समस्या उनके लिए सिर्फ तकनीकी देरी नहीं, बल्कि खबर की पूरी संभावना का खत्म होना है। यही कारण है कि डेटा के मूल्यांकन में सबसे पहला सवाल यह होना चाहिए: यह डेटा कहां एकत्र हुआ, किसने एकत्र किया, और कहां एकत्र ही नहीं हुआ?

इस सबका सीधा व्यावहारिक निष्कर्ष साफ है, और आगे के दौर के लिए एक चेतावनी भी। अगली बार जब कोई डेटा-आधारित रिपोर्ट यह कहे कि 'विश्लेषण पूरा हुआ', तो पहला सवाल यह नहीं होना चाहिए कि नतीजा क्या आया — पहला सवाल यह होना चाहिए कि इनपुट कितना भरा हुआ था। जिन डेटा प्रणालियों में 'शून्य गेंद' और 'हमने गिनती नहीं की' के बीच अंतर दिखाने वाली कोई पंक्ति नहीं होती, वे चुपचाप क्रिकेट का सबसे बड़ा सच छिपा सकती हैं: कि बहुत सारे मैच सुर्खियों में हैं, पर बहुत सारी गेंदें किसी शीट में दर्ज ही नहीं हुईं। अगला असली सुधार नया मेट्रिक नहीं है — यह तो एक ऐसी दरवाज़ी है जिसे मैंने खोलना भूल ही नहीं, पहले बनाया ही नहीं। असली सुधार यह सुनिश्चित करना है कि खाली इनपुट पर सिस्टम 'सफल' न कहे। और जब तक वह सुधार न आए, सबसे ईमानदार पंक्ति वही रहेगी जो मैं अपने हर खाली स्कोरकार्ड के नीचे लिखता हूं: यह पन्ना पढ़ो, पर यह मत मानो कि मैंने मैच देखा है।