खाली डेटा, भरी हुई कहानी: क्रिकेट एनालिसिस पाइपलाइन की वह खामी जो स्कोरबोर्ड से ज़्यादा मायने रखती है

मई 2026 में, सोलह साल की उम्र में, मैंने बेंगलुरु के एक कमरे में बैठकर आईपीएल के साठ मैचों के स्कोरकार्ड स्क्रैप किए थे — 14,412 गेंदें, एक-एक करके दर्ज। उस वक़्त मुझे यह नहीं पता था कि सात साल बाद मेरी सबसे बड़ी एनालिटिकल सबक़ एक ऐसे रिपोर्ट से आएगी जिसमें एक भी गेंद दर्ज नहीं थी।

पिछले हफ़्ते एक डेटा-ऑडिट रिपोर्ट मेरे डेस्क पर आई। शीर्षक: क्रिकेट डोमेन, स्टेज-2 डीप एनालिसिस। आठ आयाम — फ़ॉर्मेट, खिलाड़ी तकनीक, टीम लैंडस्केप, लीग इकोसिस्टम, शासन, जोखिम, जन-नैरेटिव, और उद्योग ट्रांसमिशन। आठों में एक ही एंट्री थी: "N/A — अपर्याप्त जानकारी।" कुल मिलाकर 3,000 शब्दों की रिपोर्ट, जिसमें एक भी खिलाड़ी का नाम, एक भी टीम, एक भी स्कोर नहीं था। यह क्रिकेट रिपोर्ट नहीं थी; यह एक पाइपलाइन की मृत्यु-रिपोर्ट थी, और यह उस सीज़न की सबसे ईमानदार एनालिटिक्स रिपोर्ट साबित हुई जो मैंने इस साल पढ़ी।

मेरे नौ साल के करियर में मैंने सैकड़ों एनालिसिस रिपोर्टें पढ़ी हैं जो आत्मविश्वास से भरी होती हैं और गलत होती हैं। यह पहली रिपोर्ट थी जो खाली थी और सही थी। और यही अंतर उस चीज़ की ओर इशारा करता है जिसे क्रिकेट मीडिया अभी तक मापना नहीं सीखा है: खिलाड़ी के आँकड़ों से पहले, हमें अपने ही डेटा की गुणवत्ता मापनी होगी।

एंटी-क्लाइमैक्स जो क्लाइमैक्स है

रिपोर्ट का पहला खंड एक फ़ील्ड-दर-फ़ील्ड ऑडिट है। लेख का शीर्षक — N/A। स्रोत — N/A। लेख का प्रकार — अपरिवर्गीकृत। एक-वाक्य सारांश — खाली। लेखक का रुख — N/A। सूचना बिंदु — खाली सूची। शामिल संस्थाएँ — "ऊपर दिए सूचना बिंदुओं से पहचानें", जो कि एक चक्रीय निर्देश है क्योंकि वे बिंदु ही मौजूद नहीं।

यहाँ वह विवरण है जो मुझे रोककर सोचने पर मजबूर करता है। रिपोर्ट में डोमेन लेबल बचा रह गया: cricket_asia। सामग्री शून्य, लेकिन लेबल असाइन हो गया। यही वह असंगति है जो पूरी कहानी कहती है — लेबलिंग प्रक्रिया लेख के मुख्य पाठ पर नहीं, बल्कि URL या श्रेणी-मेटाडेटा पर चली। रिपोर्ट स्वयं इसे "मीडियम कॉन्फ़िडेंस" के साथ चिह्नित करती है, लेकिन मेरे अनुभव में यह लगभग निश्चित है: जब किसी सिस्टम में टेक्स्ट-एक्सट्रैक्शन विफल होता है और कैटेगरी-टैगिंग चलती रहती है, तो आपको ऐसी ही असममित विफलता मिलती है।

बेंगलुरु मेगा ऑक्शन में जब मैंने बिड-लैडर दर्ज किया था, तब हमने भी यही सबक़ सीखा था। 169 बिके कॉन्ट्रैक्ट्स थे, लेकिन उनमें से कई पंक्तियों में सिर्फ़ दो कॉलम भरे थे — खिलाड़ी का नाम और कीमत — जबकि उनका 2026–17 का रिटर्न खाली था। जब आप उन अपूर्ण पंक्तियों पर औसत निकालते हैं, तो आपको जो संख्या मिलती है वह सही लगती है और पूरी तरह गलत होती है। मैंने उस रात अपनी स्प्रेडशीट को दो हिस्सों में बाँट दिया था: पूर्ण पंक्तियाँ और अपूर्ण पंक्तियाँ। कोई भी समग्र संख्या जिसमें अपूर्ण पंक्तियाँ शामिल हों, एक झूठ है जो खुद को सांख्यिकी कहता है।

14,412 गेंदें, और एक खाली सरणी

यहाँ उस रिपोर्ट का सबसे दिलचस्प पहलू है, और यह पहलू कोई भी मीट्रिक-आधारित समीक्षा नहीं पकड़ सकता। जब रिपोर्ट को शून्य इनपुट मिला, तो उसने आठ आयामों को खाली नहीं छोड़ा — उसने प्रत्येक आयाम के लिए एक अनलॉक शर्त लिखी। आयाम 2 के लिए: "एक नामित खिलाड़ी और {फ़ॉर्मेट, हालिया स्कोरलाइन, कॉन्ट्रैक्ट मूल्य} में से कोई एक।" आयाम 3 के लिए: "एक नामित टीम और एक फ़ॉर्मेट मार्कर।" आयाम 4 के लिए: "लीग का नाम और (लेन-देन का आँकड़ा या खिलाड़ी का नाम)।"

यह एक एनालिसिस रिपोर्ट के लिए असामान्य है। सामान्य रिपोर्टें निष्कर्ष देती हैं। इसने अनुमानों की एक क्रमबद्ध सूची दी — यानी, उसने बताया कि क्या-क्या ज्ञात होते तो क्या-क्या जाना जा सकता था। यह अनुपस्थित जानकारी की आर्किटेक्चर-ड्रॉइंग है, जो मौजूद जानकारी की व्याख्या से कहीं ज़्यादा मुश्किल काम है। मैंने पेशेवर क्रिकेट कवरेज में ऐसा शायद ही कभी देखा हो। हम स्कोरकार्ड की व्याख्या में माहिर हो गए हैं; हमने कभी यह कला नहीं सीखी कि खाली स्कोरकार्ड से क्या कहें।

और यहीं मेरा 14,412-गेंद वाला सबक़ काम आता है। उस गर्मी में जब मैंने आरसीबी की डेथ-ओवर इकॉनमी 11.4 निकाली थी — लीग में सबसे खराब — तो मेरे पास एक संख्या थी, लेकिन मेरे पास एक और बात थी: 14,412 गेंदों में से कितनी डेथ ओवर की थीं? अगर मैं वह उप-नमूना न बताता, तो संख्या प्रभावशाली लगती और बेईमान होती। एक बड़ी संख्या और एक प्रमाण एक ही चीज़ नहीं हैं। इस रिपोर्ट ने मुझसे ज़्यादा ईमानदारी से यही कहा: जब प्रमाण नहीं है, तो संख्या का अभाव ही सही उत्तर है।

खतरा खिलाड़ी में नहीं, पाइपलाइन में है

रिपोर्ट के आयाम 6 में एक वाक्य मुझे अब तक परेशान कर रहा है। जोखिम मैट्रिक्स की छह श्रेणियाँ — खेल, कार्मिक, वाणिज्यिक, नियम, जनमत, प्रणालीगत — सब N/A हैं। समग्र जोखिम: अनिर्धार्य। लेकिन इस एक वाक्य में रिपोर्ट अपनी असली खोज कहती है: "इस रिपोर्ट में केवल पहचानने योग्य जोखिम पाठक के प्रति एनालिटिकल जोखिम है — एक शून्य इनपुट को विश्लेषण-योग्य मानकर प्रस्तुत करना।"

यह वह जोखिम है जिसे क्रिकेट मीडिया ने कभी मापा नहीं। हम टीमों के लिए "रिस्क मैट्रिक्स" बनाते हैं, लेकिन अपनी ही प्रक्रिया के लिए नहीं। और वही जोखिम — एक खाली नमूने को भरे हुए नमूने की तरह पेश करना — उद्योग में सबसे आम और सबसे कम सज़ा पाने वाला पाप है।

इनपुट-अखंडता ऑडिट में रिपोर्ट ने एक नमूना-आधारित अनुमान भी लगाया, जो मुझे पसंद आया: यह शून्य एक्सट्रैक्शन आमतौर पर लेख में जानकारी न होने की तुलना में तकनीकी पुनःप्राप्ति विफलता से ज़्यादा मेल खाता है — जावास्क्रिप्ट-रेंडर पेज, पेपरवॉल, या सहमति-दीवार। इसे मैं आगे बढ़ाता हूँ। जिस बैच में एक आइटम शून्य होकर गुज़रता है, वहाँ लगभग निश्चित रूप से दूसरे आइटम आधे खाली होकर गुज़रते हैं — सिर्फ़ इसलिए नहीं कि वे शून्य नहीं थे, बल्कि इसलिए कि अधूरे नमूने संख्या दिखाते हैं और विफलता नहीं दिखाते। क्षेत्रीय भाषा की खेल पत्रकारिता के साथ काम करते हुए मैंने यह चक्रीय विफलता बार-बार देखी है: ट्रैफ़िक-संचालित एग्रीगेटर सबसे साफ़ दिखने वाला डेटा देते हैं और सबसे कम भरोसेमंद होते हैं, क्योंकि उनके सारांश मूल टेक्स्ट से नहीं, बल्कि दूसरे सारांशों से बने होते हैं।

वह उलटा सत्य जो गेंदबाज़ी चार्ट में नहीं दिखता

यहाँ मैं उम्मीद करता हूँ कि आप रिपोर्ट के निष्कर्ष से सहमत होंगे, तो अब मैं अपनी तरफ़ से असहमति जोड़ता हूँ।

रिपोर्ट सुझाव देती है कि cricket_asia लेबल एक मजबूत सुराग है कि लेख दक्षिण एशिया के बाज़ार से संबंधित है — यानी भारतीय प्रसारण और कल्पना-खेल इकोसिस्टम। यह उचित है। लेकिन रिपोर्ट इस संभावना को पर्याप्त रूप से तौलती नहीं कि उपमहाद्वीपीय क्रिकेट पत्रकारिता की सबसे बड़ी संरचनात्मक आदत मैच रिपोर्ट और बाज़ार समाचार को एक ही स्तंभ में मिला देना है। पाकिस्तान और भारत दोनों में, यह आदत राष्ट्रीय हित से प्रेरित है: क्रिकेट के बाज़ार तर्क को हमेशा खेल आख्यान में लपेटा जाता है।

मैं पाकिस्तान में जन्मा और भारत में बैठा एक ट्रांसफ़र मार्केट एडमिनिस्ट्रेटर हूँ, और मुझे यह सबसे ज़्यादा चुभता है जब मेरे काम का — यानी मूल्यांकन का — क्रिकेट तर्क के साथ मिश्रण हो जाता है। जब हम कहते हैं "उनादकट क्यों गए", तो हम यह नहीं बताते कि उनका 11.5 करोड़ का मूल्य उनके लिए था या गेंदबाज़ी की सामान्य कीमत का लगभग पाँच गुना। जब आप बाज़ार मूल्य और खेल मूल्य का फ़र्क़ नहीं दिखाते, तो आप पाठक को यह बताते हैं कि जब आप बाद में खिलाड़ी के बारे में बात करते हैं तो वही बात है — और यह एक झूठ है जो किसी को मापने के लिए इस्तेमाल नहीं होता। इसी कारण रिपोर्ट की "अनलॉक शर्तें" संगठन की सबसे उपयोगी सामग्री हैं: वे बाज़ार को खेल से अलग रखती हैं।

एक खाली स्लॉट उस स्कोर से ज़्यादा महत्वपूर्ण है जो हुआ नहीं

मेरे लिए, यह डेटा-ऑडिट रिपोर्ट एक अंतर्दृष्टि लेकर आई जो मैंने सात साल इकट्ठा किए 14,412 गेंदों के डेटा से भी नहीं निकाली थी। मैंने यह माना था कि क्रिकेट का खेल बेहतर पर जाने की दिशा में बढ़ता है — बेहतर मैट्रिक्स, बेहतर निष्कर्ष। यह हमेशा सच नहीं है। कभी-कभी पूर्वाग्रह पूरी तरह निष्कर्ष में प्रवेश नहीं करता, बल्कि अपने प्रवेश का रास्ता खींच देता है। क्रिकेट के उद्योग की सबसे बड़ी नैतिक समस्या खिलाड़ी के चयन से नहीं, बल्कि गुणवत्ता-प्रबंधन से जुड़ सकती है — जब हमारे डेटा बिंदु शून्य से आते हैं और हम बिना प्रश्न किए निष्कर्ष लिख देते हैं।

पाइपलाइन तब और भी खतरनाक होती है जब वह खाली आइटम को मौन से गुज़ार देती है। रिपोर्ट में एक सुझाव है जो मुझे अभी तक सबसे उपयोगी लगा: एक कठोर सत्यापन द्वार जोड़ें — जब Information Points खाली हो, या Article Title == N/A हो, तो स्टेज-1 आउटपुट अस्वीकार कर दें। तेज़ी से विफल हों, मौन में नहीं। यह मेरे लिए सेटअप का सबसे सुंदर क्षण है: डेटा ऑडिट ने खुद को शून्य बना दिया और फिर यह बताया कि अपने-आप को शून्य होते देखकर कैसे रोका जाए। यह वही अनुशासन है जो मैंने बेंगलुरु मेगा ऑक्शन के दौरान सीखा था: जब मैंने ऑक्शन से पहले बोर्ड बनाए, तो मैंने उन्हें इस तरह सार्वजनिक किया कि वे जाँचे जा सकें, न कि प्रशंसा पाएँ। उसी दिन मेरे एक निष्कर्ष को बाद में गलत पाया गया।

तो अगली बार जब आप कोई क्रिकेट एनालिसिस पढ़ें — और ख़ासकर वह जो सबसे आत्मविश्वास से भरी हो — तो पूछें कि उसके पीछे कौन-सा नमूना है, नमूने से कितना गायब है, और गायब हिस्सा शोर था या चुप्पी। जो रिपोर्ट अपनी खाली जगह दिखाती है, वह उस रिपोर्ट से ज़्यादा भरोसेमंद है जो हर जगह संख्या भर देती है। और शायद यही वह नई मीट्रिक है जिसे हमें अपने सार्वजनिक एनालिसिस पाइपलाइन में जोड़ना चाहिए: न केवल खिलाड़ी की डेटा गुणवत्ता, बल्कि खाली गुणवत्ता की दर — और उस पर ट्रैकिंग करने की हिम्मत कि हमारा कितना ज्ञान मौन से बना है।