खाली रिकॉर्ड: जब क्रिकेट डेटा पाइपलाइन 'सफल' लौटाती है और स्कोरकार्ड गायब रहता है

दिल्ली में सुबह 4:40 बजे, बैच लॉग खुला था। आठ सौ बारह रिकॉर्ड, हर पंक्ति पर हरा टिक। एक पंक्ति पर नज़र रुकी। शीर्षक: शून्य। स्रोत: शून्य। लेख का प्रकार: अपरिभाषित। सूचना बिंदु: खाली सूची। मूल दृश्य, सार और उद्देश्य: सब खाली। संस्थाएँ: "ऊपर दिए सूचना बिंदुओं से पहचानें" — जो कभी मौजूद ही नहीं थे। समय-संवेदनशीलता: आँकी नहीं गई। स्रोत-गुणवत्ता: आँकी नहीं गई।

इस सबके बीच एक चीज़ ज़िंदा बची थी — डोमेन लेबल, cricket_asia।

मैंने जॉब का स्टेटस देखा। 200। सफल।

अगर यह पंक्ति विश्लेषण डेस्क तक चली जाती — और चली जाती, क्योंकि कहीं कोई एरर स्टेट दर्ज नहीं थी — तो डेडलाइन पर बैठा कोई पत्रकार इससे कुछ न कुछ लिख देता। खाली जगह को कहानी से भरना क्रिकेट रिपोर्टिंग का सबसे पुराना पाप है, और अब वह पाप किसी लापरवाह रिपोर्टर से नहीं, एक हरे टिक से शुरू होता है।

2026 में क्रिकेट कवरेज पूरी तरह ट्रांसफर-विंडो अर्थव्यवस्था बन चुकी है। टूर्नामेंट से दो महीने पहले कॉन्ट्रैक्ट-वॉच कॉलम, मेगा ऑक्शन से पहले रिटेंशन मॉडल, हर द्विपक्षीय सीरीज़ से पहले ब्रॉडकास्ट-राइट्स का अनुमान। इनमें से हर चीज़ एक रिकॉर्ड से शुरू होती है — वेब पेज से निकला वह डेटा टुकड़ा जिस पर बाकी पूरी कहानी खड़ी होती है। चेन सीधी है: पेज → फ़ेच → पार्स → एंटिटी एक्सट्रैक्शन → टैक्सोनॉमी लेबल → विश्लेषक।

चेन टूटती कहाँ है, यह भी अब पता है। लाइव स्कोरकार्ड पेजों पर — स्कोरकार्ड प्रोज़ नहीं, टेबल है, और स्क्रीन-स्क्रैपर को खाली बॉडी लौटाता है। हाइलाइट और वीडियो पेजों पर। जावास्क्रिप्ट से रेंडर होने वाले पेजों पर। पेवॉल के पीछे।

इस रिकॉर्ड में जो हुआ, वह एक बहुत साफ़ फिंगरप्रिंट छोड़ता है। क्लासिफायर ने कुछ टेक्स्ट देखा — तभी cricket_asia टैग बना। लेकिन एक्सट्रैक्टर ने वह टेक्स्ट आगे नहीं भेजा। यानी गड़बड़ समराइज़र में नहीं, फ़ेच/पार्स लेयर में है। टेक्स्ट समराइज़र तक पहुँचा होता, तो शीर्षक भी बच जाता। शीर्षक भी नहीं बचा।

यहीं क्रिकेट की एक बुनियादी शर्त वापस आती है, जिसे डेटा पाइपलाइनें सबसे ज़्यादा नज़रअंदाज़ करती हैं। टेस्ट, वनडे और टी20 के मेट्रिक्स आपस में बदले नहीं जा सकते। एक टी20 फिनिशर का 180 स्ट्राइक रेट और टेस्ट के निचले क्रम के बल्लेबाज़ का स्ट्राइक रेट एक ही तराज़ू पर नहीं तौले जाते। फ़ॉर्मेट टैग गायब है तो बेंचमार्क चुनना ही असंभव है।

फ़रवरी 2026 में मैंने रशीद खान पर एक ब्लॉग लिखा था — अंडर-19 एशिया कप 2026 में 17 विकेट, 6.2 की इकॉनमी, 50 लाख की बेस प्राइस। उस आंकड़े ने सनराइज़र्स हैदराबाद की बोली का अंदाज़ा दिया, क्योंकि उसके साथ फ़ॉर्मेट और टूर्नामेंट का टैग लगा था। टैग हटा दीजिए — 6.2 क्या है? टी20 की इकॉनमी, या 50 ओवर की? एक ही संख्या, एक ही गेंदबाज़ पर दो अलग फ़ैसले। टैग ही वह चीज़ है जो संख्या को दलील बनाता है; बिना टैग के वह सिर्फ़ शोर है।

असली खोज वह खाली सूची नहीं थी। असली खोज यह थी कि उस रिकॉर्ड का स्टेटस "FAILED" नहीं, "Unclassified" था। शून्य प्रतिशत भरा हुआ रिकॉर्ड ऑटोमेटेड क्वालिटी चेक से पार निकल गया, क्योंकि उस पर एक टैग चिपका था और एक वैध दिखने वाला स्टेटस था। चेकलिस्ट ने "डोमेन मौजूद है" देखा और हाँ कह दिया।

मेरे पंद्रह साल के स्कोरकार्ड पढ़ने के अनुभव में इसका एक ही सटीक सानी है: वह मैच रिपोर्ट जो स्कोरकार्ड के बिना फाइल हो जाती है, और किसी को फ़र्क नहीं पड़ता क्योंकि हेडलाइन सही लगती है।

यह गड़बड़ अकेली भी नहीं आती। जिस स्रोत से यह रिकॉर्ड आया, वही फॉल्ट उस स्रोत के हर लेख पर चुपचाप दोहराएगा। एक बैच में अगर एक रिकॉर्ड शून्य पर आया है, तो सवाल यह नहीं कि उस एक लेख का क्या करें — सवाल यह है कि उस स्रोत के बाकी लेखों पर कितना भरोसा बचा है। डेस्क स्तर पर तीन मीट्रिक्स रोज़ देखनी चाहिए: प्रति रिकॉर्ड सूचना बिंदुओं की संख्या, प्रति रिकॉर्ड संस्थाओं की संख्या, और उन रिकॉर्ड्स का हिस्सा जिन पर फ़ॉर्मेट टैग मौजूद है। तीसरी मीट्रिक सबसे ज़रूरी है — फ़ॉर्मेट टैग के बिना हर तुलना जोखिम है, और हर तुलना जोखिम का मतलब यह है कि विश्लेषण रुकना चाहिए, आगे नहीं बढ़ना चाहिए।

पेशे की एक शर्त मैंने अपने लिए सालों पहले तय कर ली थी: दो स्रोत, या एक दस्तावेज़ — और सत्यापन का टाइमस्टैम्प कॉपी में ही दर्ज होगा। जनवरी 2026 में मैंने गौतम गंभीर के ट्रेड को तीन कॉल और एक डिलीट किए गए मैसेज से ट्रेस किया था; दो दिन बाद ट्रेड कन्फर्म हुआ, लेकिन मेरे पास चेन पहले से थी। फ़रवरी 2026 में सीनियर बल्लेबाज़ के तीन साल के सेंट्रल कॉन्ट्रैक्ट एक्सटेंशन की खबर — 7 करोड़ रुपये प्रति वर्ष, नई इमेज-राइट्स क्लॉज़ — इसलिए खड़ी हुई क्योंकि BCCI अधिकारी से टर्म शीट मिली और दो एजेंट्स ने उसे वेरिफाई किया। वह खबर अफवाह के भरोसे नहीं, एक लाइन आइटम के भरोसे चली थी — जिसे मैं डिफेंड कर सकता था।

इस रिकॉर्ड में वह रीढ़ नहीं है। शून्य सूचना बिंदु का मतलब है कि इससे बनने वाला हर वाक्य आविष्कार होगा। और लागत की असमानता यही है: खाली पाइपलाइन की कीमत एक री-फ़ेच है। खाली रिकॉर्ड पर बनी स्टोरी की कीमत एक रिट्रैक्शन है। ट्रांसफर बाज़ार में रिट्रैक्शन सिर्फ़ शर्मिंदगी नहीं होती — एजेंट याद रखते हैं, फ्रेंचाइज़ी कॉरिडोर बंद कर देती हैं। मेरी पहुँच उन्हीं लोगों के बीच से आती है जिन्हें मैं कवर करता हूँ, इसलिए एक मनगढ़ंत आइटम सिर्फ़ गलती नहीं, पूँजी की हानि है।

दूसरी गड़बड़ टैग की गड़बड़ है। cricket_asia एक क्षेत्रीय टैग है, फ़ॉर्मेट टैग नहीं। स्कीमा को जहाँ Cricket चाहिए था, वहाँ एक रीजन आ गया — और रीजन कभी फ़ॉर्मेट की जगह नहीं ले सकता। अगर रूटिंग लेयर "एशिया" पढ़कर "एशिया कप" मान लेती है और उससे फ़ॉर्मेट का अनुमान निकालती है, तो बेंचमार्क एक-दूसरे में घुल जाते हैं।

यह गड़बड़ स्क्रीन तक नहीं रुकती। इसका मैदान पर सीधा असर है। एक गेंदबाज़ जो टी20 के डेथ ओवरों में 6.2 की इकॉनमी देता है और एक गेंदबाज़ जो 50 ओवर के बीच के ओवरों में 6.2 देता है, दो अलग गेंदबाज़ हैं। बल्लेबाज़ी में भी वही बात — टी20 में छठे नंबर का 140 स्ट्राइक रेट ठीक-ठाक है; टेस्ट में आठवें नंबर का 140 स्ट्राइक रेट पूरी तरह अलग पारी की कहानी कहता है। अगर फ़ॉर्मेट टैग गलत है, तो ऑक्शन मॉडल जिस खिलाड़ी पर बोली लगाएगा, वह उस भूमिका का खिलाड़ी ही नहीं होगा। फ्रेंचाइज़ी उस भूमिका के पैसे देगी जो उसने खरीदी ही नहीं।

वह स्प्रेडशीट जिसने फोन बजने से पहले बोली का नाम लिख दिया था, सिर्फ़ इसलिए काम करती थी क्योंकि उसका हर कॉलम लेबल किया हुआ था। जिस दिन किसी कॉलम पर "एशिया" लिखा होगा जहाँ "टी20" लिखा जाना चाहिए था, उस दिन वही स्प्रेडशीट उसी आत्मविश्वास के साथ गलत बोली का नाम लिख देगी। मॉडल अपनी गलती की कीमत नहीं जानता; वह उसे वही भरोसा देता है जो उसे अपनी सफलता पर था।

रोकथाम महँगी नहीं है। हेडलेस रेंडरर के साथ एक री-फ़ेच यह तय कर देगा कि गड़बड़ स्थायी है (पेवॉल, लाइव स्कोरकार्ड, जेएस) या क्षणिक। एक टाइटल-ओनली फ़ॉलबैक रास्ता — सिर्फ़ हेडलाइन और स्टैंडफ़र्स्ट से भी आंशिक पठन बच जाता, बजाय पूरे नुकसान के। और एक हार्ड गेट — सूचना बिंदुओं की न्यूनतम संख्या से कम पर रिकॉर्ड रिजेक्ट, और एरर केस में नॉन-200 स्टेटस। एरर स्टेट को शून्य-सफलता के रूप में लौटाना बंद होना चाहिए।

उद्योग का आम मत यह है कि खराब डेटा सबसे बड़ा खतरा है। मेरा उल्टा पढ़ना यह है: खराब डेटा पकड़ा जाता है, क्योंकि वह खराब दिखता है। सबसे बड़ा खतरा वह डेटा है जो प्रोसेस्ड दिखता है। शून्य सूचना बिंदु वाला रिकॉर्ड हर एडिटर रिजेक्ट कर देगा — वह वैसा ही दिखता है जैसा वह है। लेकिन एक रिकॉर्ड जिस पर डोमेन टैग लगा है, आर्टिकल टाइप "अपरिभाषित" है, शीर्षक शून्य है और स्टेटस 200 है — वह प्रोसेस्ड दिखता है। उसमें संस्थागत भरोसा है, संस्थागत सामग्री नहीं।

दूसरा उल्टा यह है: जिस रिकॉर्ड में कोई जोखिम चिह्नित नहीं हुआ, वह जोखिम की गैर-मौजूदगी का प्रमाण नहीं है। क्रिकेट में यह सबसे आम भ्रम है। स्क्वाड लिस्ट में कोई चोट दर्ज नहीं — इसका मतलब फिट स्क्वाड नहीं। कोई NOC विवाद रिपोर्ट नहीं हुआ — इसका मतलब क्लीयरेंस मिल गया नहीं। और यही वजह है कि जोखिम-चेतावनी दस्तावेज़ के सबसे ऊपर लिखी जानी चाहिए: यह रिकॉर्ड किसी के लिए भी क्लीन चिट नहीं है।

अगला डोमिनो कोई ट्रांसफर नहीं है। अगला डोमिनो एक गेट है। जो पाइपलाइन यह नहीं बता सकती कि वह कौन-सा फ़ॉर्मेट पढ़ रही है, वह ऑक्शन मॉडल आख़िर किस चीज़ का पूर्वानुमान कर रहा है? एक री-फ़ेच, एक टाइटल-फ़ॉलबैक और एक ईमानदार नॉन-200 — इन तीन चीज़ों के बीच का फ़ासला ही तय करता है कि आपका न्यूज़रूम एक न्यूज़रूम है या एक अफवाह-चक्की।