টুর্নামেন্টের উত্তাপে খালি ইনপুট: ক্রিকেট ডেটা পাইপলাইনের নাল-হ্যান্ডলিং পাঠ

২০১৭ সালের ৩০ এপ্রিলের রাত। চেলসি ৩-০ এভার্টন। সেই রাতে আমি যে থ্রেডটি ছেড়েছিলাম, তাতে দুটি সংখ্যা ছিল — চেলসির পিপিডিএ ৬.৮, আর এভার্টনের ওপেন-প্লে এক্সজি মাত্র ০.৪। পরিচ্ছন্ন সংখ্যা। কিন্তু সেদিন বিশ্লেষণের চেয়েও বেশি গুরুত্বপূর্ণ একটি কাজ আমি আগে সেরে নিয়েছিলাম: কুয়েরি চালিয়ে দেখে নিয়েছিলাম, ডেটাবেসের টেবিলটি সত্যিই ভরা কি না। সেই রাতে ৩৮০টি সারি ফিরে এসেছিল। ভালো। কিন্তু এমন রাতও এসেছে, যখন কুয়েরি শূন্য ফেরত দিয়েছে। আর সেসব রাতে আমি বুঝেছি, একজন বিশ্লেষকের আসল পরীক্ষা ৩৮০টি সারি দিয়ে তিনি কী করেন, তা নয় — শূন্য সারি হাতে পেয়ে তিনি কী করতে অস্বীকার করেন, সেটাই। সম্প্রতি আমার একটি ডিকনস্ট্রাকশন পাইপলাইন এমন একটি নথি হাতে দিল, যার প্রায় প্রতিটি ঘর ফাঁকা। কোনো শিরোনাম নেই, কোনো সূত্র নেই, কোনো ধরন নেই, কোনো সারাংশ নেই। নেই কোনো খেলোয়াড়, নেই কোনো দল, নেই কোনো ম্যাচ, নেই কোনো লিগ, নেই কোনো শাসন-ঘটনা। শুধু একটি আঞ্চলিক ট্যাগ ভরা — cricket_asia। ফাঁকগুলো ভরিয়ে দেওয়ার প্রলোভন তৎক্ষণাৎ এসেছিল: একটি ম্যাচ বানিয়ে ফেলি, একটি নায়ক, একটি টার্নিং পয়েন্ট, একটি নাটকীয় ৮৮তম মিনিট। নতুন মিডিয়ায় যা ভালো ছড়ায়। আমি করিনি। কেন করিনি — সেটাই এই লেখার বিষয়। বোঝার সুবিধার্থে পাইপলাইনটির গঠন ব্যাখ্যা করি। আধুনিক ক্রিকেট বিশ্লেষণ সাধারণত দুই স্তরে চলে। প্রথম স্তর — Stage-1 — কাঁচা লেখাটিকে টুকরো করে তথ্যবিন্দুতে ভাগ করে: শিরোনাম, সূত্র, ধরন, এক-বাক্যে সারাংশ, লেখকের অবস্থান, লেখার উদ্দেশ্য, জড়িত সত্তা, সময়-সংবেদনশীলতা এবং সূত্রের মান। দ্বিতীয় স্তর — Stage-2 — সেই তথ্যবিন্দুগুলোর উপর দাঁড়িয়ে আটটি মাত্রায় গভীর বিশ্লেষণ করে: ফরম্যাট ও ম্যাচ, খেলোয়াড়ের কৌশল ও ডেটা, দলের ল্যান্ডস্কেপ, লিগ ও বাণিজ্যিক বাস্তুতন্ত্র, নিয়ম ও শাসন, ঝুঁকি, জন-ন্যারেটিভ এবং শিল্প-প্রসারণ। প্রথম স্তর যদি খালি ফেরে, দ্বিতীয় স্তরের পায়ের নিচে দাঁড়ানোর মতো কিছু থাকে না। আমি যে নথিটি পেয়েছি, সেটি ছিল Stage-2 — যেখানে প্রতিটি ঘরে লেখা "N/A" বা "insufficient information — cannot assess"। শুধু একটি ঘর ভরা: cricket_asia। এটি বিরল দুর্ঘটনা নয়। দক্ষিণ এশিয়ার ক্রিকেট কনটেন্ট উৎপাদনের গঠনেই এই সমস্যা লুকিয়ে আছে। cricket_asia একটি আঞ্চলিক বালতি — এটি কোনো ফরম্যাট নয়, কোনো দল নয়, কোনো ম্যাচ নয়, কোনো প্রতিযোগিতা নয়। অথচ ক্রিকেটের তিনটি প্রধান ফরম্যাট — টেস্ট, ওডিআই, টি-টোয়েন্টি — এর কৌশলগত যুক্তি একে অন্যের থেকে সম্পূর্ণ আলাদা। একটি টেস্ট ম্যাচের ধৈর্যের মেট্রিক টি-টোয়েন্টির ডেথ ওভারে বহন করা যায় না। তাই কেবল ফরম্যাট ট্যাগ অনুপস্থিত থাকাই গোটা বিশ্লেষণ আটকে দেয়। এখানে দুটি অ্যাক্সিওম পরিষ্কার করে নিই, কারণ আমার প্রতিটি লেখা অ্যাক্সিওম দিয়ে শুরু হয়, আর এই লেখাটিও ব্যতিক্রম নয়। প্রথম, এক্সজি বা expected goals। এটি আসলে একটি সম্ভাবনা-ভারিত মান — কোনো একটি শট বা ডেলিভারির ফলাফলকে তার ঐতিহাসিক রূপান্তর-সম্ভাবনা দিয়ে গুণ করা। একটি বাউন্ডারি সবসময় সমান মূল্যের নয়। তৃতীয় ওভারের একটি চার, আর শেষ ওভারের একটি চার — দুটির context-weighted মূল্য আকাশ-পাতাল। দ্বিতীয়, পিপিডিএ বা passes allowed per defensive action — ফুটবলে এটি প্রেসিং তীব্রতার প্রক্সি। ক্রিকেটে এর নিকটতম ধারণা হলো ফিল্ড-সেটিং চাপ: প্রতিপক্ষকে আপনি প্রতি ওভারে কতটা বাধ্য করছেন, আর কতটা স্বাধীনতা দিচ্ছেন। এই দুটি মেট্রিকের যেকোনো একটি উদ্ধৃত করার আগে আমাকে জানতে হয় পিচ, প্রতিপক্ষের গুণমান, ফেজ, যুগ এবং ম্যাচ-স্টেট। মূল কথা সরল, কিন্তু এর পরিণতি বিশাল: স্পোর্টস অ্যানালিটিক্সে সবচেয়ে বিপজ্জনক জিনিস ভুল সংখ্যা নয় — বানানো সংখ্যা। একটি খালি ইনপুট একটি সংকেত; সেটি ভরাট করার ফাঁক নয়। আর নাল হ্যান্ডলিং কোনো দুর্বলতা নয়, এটি একটি শৃঙ্খলা। আমি রাজশাহীতে বসে Expected Truth Database তৈরি করেছিলাম, তারপর দেখেছি সেটি প্রতিটি পরিচ্ছন্ন সংখ্যাকে প্রশ্ন করতে শুরু করেছে। ২০১৭ সালে গুট-ফিল টিপিংয়ে ক্লান্ত হয়ে আমি ২০১৬-১৭ প্রিমিয়ার লিগের ৩৮০টি ম্যাচের একটি ব্যক্তিগত SQL ডেটাবেস গড়ে তুলেছিলাম — প্রতিটি ম্যাচে এক্সজি, পিপিডিএ এবং অতিক্রান্ত দূরত্ব লিপিবদ্ধ। সেই কাজের একটি উপলব্ধি আমার মনে গেঁথে গেল: কুয়েরি খালি ফেরা মানে ব্যর্থতা নয়, কুয়েরি খালি ফেরা মানে সততা। মিথ্যা সারি দিয়ে কুয়েরি ভরানোর কোনো উপায় নেই। ডেটাবেস যদি বলে আমি জানি না, তবে সম্মানজনক উত্তর একটাই — আমিও জানি না। এই জায়গায় বাজি-বাজার নিষ্ঠুর শিক্ষক। একটি বেটিং সিন্ডিকেট যদি ফাঁকা ইনপুটের উপর ন্যারেটিভ দিয়ে ঘর ভরায়, তবে তাকে শীঘ্রই বাজার ছাড় দেয়। ২০১৮ সালে আমি Didier Deschamps-এর কম-দখলের কাঠামো নিয়ে একটি বাজি পডকাস্টে যুক্তি দিয়েছিলাম — যা আজ France low-block blueprint নামে পরিচিত। ফাইনালের আগে আমার এক্সজি ম্যাপ তিনটি বেটিং সিন্ডিকেট উদ্ধৃত করেছিল। কারণ কী? আমি সাহসী ছিলাম বলে নয়। বরং এই কারণে যে প্রতিটি সংখ্যার পিছনে একটি সূত্র ছিল, প্রতিটি দাবির পিছনে একটি তথ্যবিন্দু। সেই রাশিয়া বিশ্বকাপের শেষ ষোলোয় ফ্রান্স আর্জেন্টিনাকে ৪-৩ গোলে হারিয়েছিল। আমার মডেল দেখিয়েছিল, Kylian Mbappe-এর ছিল ৭টি শট, ২টি গোল এবং ৫টি প্রগ্রেসিভ ক্যারি; আর ফ্রান্স যখন লিড রক্ষা করছিল, তখন তার পিপিডিএ ১৮.৭-তে উঠে গিয়েছিল। এই সংখ্যাগুলো কোনো নাটক নয়, একটি data trail। আমি যুক্তি দিয়েছিলাম, কম-দখলের কাঠামো অ্যান্টি-ফুটবল নয়, বরং একটি পুনরাবৃত্তিযোগ্য টুর্নামেন্ট মডেল। ফ্রান্স ফাইনালে ক্রোয়েশিয়াকে ৪-২ গোলে হারাল। ফলাফল আমার যুক্তিকে সমর্থন করেছিল — কিন্তু আমি নিজেকে বারবার মনে করিয়েছি, ফলাফল যুক্তির প্রমাণ নয়; কেবল প্রক্রিয়ার একটি পরীক্ষা। দক্ষিণ এশিয়ার ক্রিকেট ডেটা বাস্তুতন্ত্রকে যদি একটি ট্রান্সমিশন চেইন হিসেবে দেখি, তবে ছবিটি এমন: উপরের স্তরে যুব উন্নয়ন ও প্রতিভা-সরবরাহ, মাঝের স্তরে জাতীয় দল ও লিগ, নিচের স্তরে ব্রডকাস্ট, বাণিজ্যিক ও ডেরিভেটিভ বাজার। এই চেইনের প্রতিটি স্তর একটির উপর নির্ভরশীল। উপরের স্তরে যদি ইনপুট-ইন্টেগ্রিটি ভেঙে পড়ে — অর্থাৎ কিশোর বয়সের ম্যাচ ডেটা যদি ভুল বা অসম্পূর্ণ হয় — তবে সেই দূষণ নিচে গিয়ে ব্রডকাস্ট, ফ্যান্টাসি এবং বাজি-বাজারে পৌঁছায়। একটি ভুল ইনপুট একটি ভুল সিদ্ধান্তের জন্ম দেয়; একটি ফাঁকা ইনপুট যদি জোর করে ভরাট করা হয়, তবে শতাধিক ভুল সিদ্ধান্তের। এই প্রসঙ্গে একটি কথা মনে পড়ে। হিটম্যাপকে অনেকে ক্রিকেটের নতুন তাস দেখে ভবিষ্যদ্বাণী বলতে শুরু করেছেন। একটি হিটম্যাপ জ্বলজ্বল করে, কিন্তু একটি খেলোয়াড়ের প্রকৃত ভূমিকা — ট্যাকটিক্যাল সিস্টেমে তার আসল কাজ — লুকিয়ে রাখে। ঠিক তেমনি, cricket_asia ট্যাগটি ক্রিকেটের একটি হিটম্যাপ। এটি একটি আঞ্চলিক আলো দেখায়, কিন্তু গঠনটি লুকায়। কোন দল, কোন ফরম্যাট, কোন ফেজ, কোন ম্যাচ-স্টেট — এসব অন্ধকারেই থাকে। ফরম্যাট আলাদা করতে না পারলে বিশ্লেষণ আটকে যায় — কথাটি আরও গভীরভাবে ভাবা দরকার। টেস্ট ম্যাচে পাঁচ দিনের ধৈর্য একটি সম্পদ; টি-টোয়েন্টিতে সেই একই ধৈর্য একটি বিলাসিতা। ওডিআইয়ে মাঝের ওভারগুলোতে গতি কমানো একটি কৌশল; টি-টোয়েন্টিতে সেটাই আত্মহত্যা। অর্থাৎ, ফরম্যাট জানা ছাড়া কোনো ব্যাটসম্যানের গড়, কোনো বোলারের ইকোনমি বা কোনো স্ট্রাইক রেট — এসব কাঁচা গড়, সত্য নয়। আর যদি ফরম্যাট-ই না জানা থাকে, তবে জড়িত সত্তা বা দলের নাম তো আরও দূরে। কেউ যদি তবুও একটি ম্যাচ, একটি নায়ক বা একটি টার্নিং পয়েন্ট বানিয়ে ফেলে, তবে সেটি বিশ্লেষণ নয় — কল্পকাহিনি। বাজি-বাজারে কল্পকাহিনির দাম একটাই — শূন্য। আমি আমার মডেলের প্রতি সন্দেহ পোষণ করার একটি আচার তৈরি করেছি — Data Monk validation ritual। প্রতিটি নতুন মৌসুম শুরুর আগে আমি ইচ্ছাকৃতভাবে একটি খালি ডেটাসেট দিয়ে মডেল চালাই এবং দেখি সে কী বলে। যদি মডেল খালি ডেটাতেও আত্মবিশ্বাসী উত্তর দেয়, তবে বুঝি সমস্যা মডেলের ভিতরে, ডেটার বাইরে। ২০২০ সালে, খালি স্টেডিয়ামের মৌসুমে, আমি ঠিক এই পরীক্ষাটিই করেছিলাম এবং আমার প্রত্যাশিত হোম-অ্যাডভান্টেজ মডেল পুনরায় ক্যালিব্রেট করেছিলাম। যে মডেল ভিড়ের শব্দকে ভিত্তি করে আত্মবিশ্বাস দেখাত, সেই মডেল রাতারাতি নিঃশব্দ হয়ে গিয়েছিল। খালি ইনপুট মডেলটির ভিতরের ফাঁক উন্মোচন করেছিল। টুর্নামেন্ট চক্র এই সমস্যাটিকে আরও তীব্র করে। বিশ্বকাপ বা এশিয়া কাপের সময় জাতীয়-team fervor যখন শীর্ষে, তখন ইনপুট-ইন্টেগ্রিটি সবচেয়ে দ্রুত ভেঙে পড়ে। পতাকা আর গল্পের ঢেউয়ে বিশ্লেষকও ভেসে যান। আমি ক্রিকেট দেখার আমার বছরের অভিজ্ঞতা থেকে বলতে পারি — মাঠে যা ঘটে, আর টেলিভিশনে যা দেখানো হয়, তার মধ্যে সবসময় একটি ফাঁক থাকে। টুর্নামেন্টের চাপ সেই ফাঁকটিকে বড় করে তোলে। তাই আমার নিয়ম: টুর্নামেন্টের উত্তাপ যত বাড়ে, আমার তথ্য-শৃঙ্খলা তত কঠোর হতে হবে। লিগ ও বাণিজ্যিক স্তরে এর প্রভাব সরাসরি। একটি ফ্র্যাঞ্চাইজি নিলাম, একটি সম্প্রচার চুক্তি বা একটি খেলোয়াড়-বিক্রয়ের মূল্যায়ন — এসবের প্রতিটির ভিত্তি ডেটা। যদি সেই ডেটা অসম্পূর্ণ হয়, তবে মূল্যায়ন ভুল হয়, আর ভুল মূল্যায়ন পুরো একটি বাজারের মূল্য-নির্ধারণ বিকৃত করে। ডেটা-অখণ্ডতা কেবল বিশ্লেষকের সমস্যা নয়; এটি একটি বাণিজ্যিক ঝুঁকি। নিয়ম ও শাসনের স্তরে বিষয়টি আরও সংবেদনশীল। দুর্নীতি-বিরোধী বা নির্বাচন-সংক্রান্ত কোনো সিদ্ধান্ত যদি ভুল বা অসম্পূর্ণ তথ্যের উপর ভিত্তি করে নেওয়া হয়, তবে তার পরিণতি কেবল একটি ম্যাচের ফলাফল নয় — প্রতিষ্ঠানের বিশ্বাসযোগ্যতা। একটি খালি ইনপুট এখানে একটি নৈতিক পরীক্ষা: আমরা কি সত্যিই জানি, নাকি জানার ভান করছি? ঝুঁকির দিকটি সাজালে ছয়টি শ্রেণি দাঁড়ায়: স্পোর্টিং, কর্মী, বাণিজ্যিক, নিয়ম-অখণ্ডতা, জনমত এবং সিস্টেমিক। কিন্তু এই লেখার প্রেক্ষিতে সবচেয়ে বড় ঝুঁকিটি আর কিছু নয় — একটি ইনপুট-ইন্টেগ্রিটি ব্যর্থতা। কারণ বাকি সব ঝুঁকি সেই ব্যর্থতার সন্তান। জন-ন্যারেটিভ ও প্রত্যাশার স্তরে একটি বড় ফাঁক তৈরি হয়। বাজার যখন কোনো দল বা খেলোয়াড়ের কাছ থেকে একটি নির্দিষ্ট ফলাফল প্রত্যাশা করে, আর বস্তুনিষ্ঠ তথ্য অন্য কথা বলে — সেই ফাঁকই সুযোগ। তবে ফাঁকটি চিনতে হলে প্রথমে সত্যিই তথ্য থাকতে হয়। খালি তথ্যের উপর দাঁড়িয়ে প্রত্যাশার ফাঁক মাপা অসম্ভব। আমার নিজের পূর্বাভাস নিয়ে পুনঃপরীক্ষা — post-mortem calibration — আমি প্রকাশ্যে করি। কোনো সিরিজ বা টুর্নামেন্টের পর আমি দেখি, আমার কোন মডেল ব্যর্থ হয়েছে, আর কেন। প্রক্রিয়া ও ফলাফলকে আলাদা করা এই কাজের মূল। এই প্রকাশ্য আত্ম-সংশোধন আমার পাঠকদের আস্থা জিতেছে, কারণ তারা জানে আমি ভুল স্বীকার করতে পারি। আমরা এমন মডেল উদযাপন করি যা ভবিষ্যদ্বাণী করে। আমার যুক্তি ভিন্ন: আমাদের উচিত এমন মডেল উদযাপন করা যা বিরত থাকতে পারে। যে মডেল বলে আমি জানি না, সেটি যে মডেল অনুমান করে তার চেয়ে অনেক বেশি মূল্যবান। বাজার আত্মবিশ্বাসকে পুরস্কৃত করে; একজন ডেটা-সাধক ক্যালিব্রেশনকে পুরস্কৃত করেন। এই পার্থক্যটিই দীর্ঘমেয়াদে সব পার্থক্য তৈরি করে। আমার নিজের একটি দুর্বলতা সম্পর্কে সৎ থাকি — ন্যারেটিভ অ্যালার্জি। কাঠামোবাদী বিশ্লেষক হিসেবে আমার ঝোঁক থাকে সমস্ত ন্যারেটিভকে আওয়াজ হিসেবে উড়িয়ে দেওয়ার। কিন্তু সব ন্যারেটিভ আওয়াজ নয়; চাপ, প্রত্যাশা ও আবেগ — এগুলো পরিমাপযোগ্য চলক। তবে একটি খালি ইনপুট ন্যারেটিভ নয় — এটি অনুপস্থিতি। এই দুটির মধ্যে পার্থক্য করা জরুরি। অনুপস্থিতিকে ন্যারেটিভ দিয়ে ভরাট করা, আর ন্যারেটিভকে একটি চলক হিসেবে মডেল করা — দুটি সম্পূর্ণ আলাদা কাজ। আরেকটি প্রচলিত ধারণা — বড় ডেটা মানে বেশি ডেটা। ভুল। ৩৮০টি পরিচ্ছন্ন সারি ৩ লাখ নোংরা সারির চেয়ে বেশি মূল্যবান। কারণ নোংরা সারি শুধু ভুল করে না, আত্মবিশ্বাসের সাথে ভুল করে। আরেকটি ফাঁদ — শেষ ফলাফলের ভিত্তিতে পুরো মডেল নতুন করে লেখা। একটি ব্যর্থতা যদি প্রকৃত ভাঙন হয়, তবে মডেল বদলানো উচিত; কিন্তু যদি সেটি কেবল ভ্যারিয়েন্স হয়, তবে পূর্ব-ধারণা সামান্য সংশোধন করাই যথেষ্ট। এই পার্থক্য না করলে বিশ্লেষক প্রতিটি খারাপ দিনে নিজের ভিত্তি নষ্ট করেন। তাই আমার সুপারিশ সরল: Stage-1 আবার চালান, এবং নিশ্চিত করুন যে পাইপলাইন অন্তত কয়েকটি তথ্যবিন্দু, জড়িত সত্তা, সময়-সংবেদনশীলতা ও সূত্রের মান পপুলেট করছে। তবেই Stage-2 অর্থবহ হতে পারে। বিশ্লেষণ কখনো খালি ভিত্তির উপর দাঁড়াতে পারে না; তাকে একটি অন্তত সত্যের উপর দাঁড়াতে হয়। পরেরবার যখন আপনার ড্যাশবোর্ড ফাঁকা হয়ে যাবে, মনে রাখবেন — সেই ফাঁকাই হয়তো সারাদিনের সবচেয়ে সৎ সংখ্যা। পরবর্তী চক্রে দক্ষিণ এশিয়ার ক্রিকেট ডেটার আসল প্রশ্নটি কে সবচেয়ে বড় মডেল বানাবে, তা নয়। প্রশ্নটি হলো — কে সবচেয়ে পরিচ্ছন্ন পাইপলাইন রাখবে। কারণ শেষ পর্যন্ত বাজি এবং ব্রডকাস্ট, দুটোই সেই বিশ্লেষককে খোঁজে, যে ৩৮০টি সারি এবং শূন্য সারি — দুটিকেই সমান সততার সাথে পড়তে পারে। মাঠের সত্য কখনো ফাঁকা ইনপুট থেকে জন্ম নেয় না; সত্য জন্ম নেয় ধৈর্য আর শৃঙ্খলা থেকে।