খালি পেলোড: ক্রিকেট ডেটা পাইপলাইনের সবচেয়ে বিপজ্জনক আউটপুট যখন নিখুঁত দেখায়

গত সপ্তাহে একটা ফাইল খুললাম। সাতচল্লিশটি কলাম, প্রতিটির হেডার ঠিকঠাক বসানো — ফরম্যাট, ভেন্যু, পাওয়ারপ্লে, ডেথ ওভার, ইকোনমি, স্ট্রাইক রেট, হোম-অ্যাওয়ে স্প্লিট। কলামগুলো সব আছে। সারি শূন্য। এটাই সেই রিপোর্ট, যেটি ক্রিকেট ডোমেইনের আটটি বিশ্লেষণ-মাত্রা পেরিয়ে আমার টেবিলে এসেছে। প্রতিটি মাত্রার টেমপ্লেট তৈরি, প্রতিটি ঘর পূরণ করা — শুধু অনির্ধার্য, অপর্যাপ্ত তথ্য লেখা বসিয়ে। ডোমেইন লেবেল cricket_asia। আর্টিকেল টাইপ Unclassified। তথ্যবিন্দু শূন্য। মূল দৃষ্টিভঙ্গি শূন্য। সত্তা শনাক্ত করার নির্দেশ আছে, শনাক্ত করার উপাদান নেই। তথ্যমূল্য রেটিং চারটি মাত্রায় এক তারকা। বারো বছর আগে রিস্ক ডেস্ক ছাড়ার পর আমার প্রথম কাজ ছিল একটা খালি স্প্রেডশিট চিনতে শেখা। মডেলকে বিশ্বাস করার আগে ৩৮০টি লিগ ওয়ান ম্যাচ নিজ হাতে কোড করেছি — কারণ একটা ভুল কোড করা কর্নার-রুটিন আমাকে শিখিয়েছিল, ফাঁকা ঘর আর ভুল ঘরের মধ্যে দূরত্ব মাত্র একটা ট্যাব। ক্রিকেটে ডেটা পাইপলাইন দুই ধাপে চলে। প্রথম ধাপে সোর্স থেকে তথ্য তোলা হয় — শিরোনাম, তারিখ, বাইলাইন, তথ্যবিন্দু, সত্তা, সময়-সংবেদনশীলতা। দ্বিতীয় ধাপে সেই তথ্যবিন্দুর উপরে আট-মাত্রার কাঠামো চালানো হয়: ফরম্যাট ও ম্যাচ, খেলোয়াড়ের কৌশল ও পরিসংখ্যান, দলের অবস্থান, লিগ ও বাণিজ্য, নিয়ম ও সুশাসন, ঝুঁকি, জন-আখ্যান, আর শিল্প-সংক্রমণ। এই দুই ধাপের মাঝখানে একটা নীরবতা আছে, আর সেই নীরবতাটা কেউ মাপে না। এখানে যা ঘটেছে, সেটা প্রথম ধাপের আধা-সফলতা। র‍্যাপার মেটাডেটা তৈরি হয়েছে — ডোমেইন লেবেল এসেছে, আর্টিকেল টাইপের ঘর দাঁড়িয়েছে, আট মাত্রার স্ক্যাফোল্ড তৈরি। ভেতরের প্রতিটি কনটেন্ট ফিল্ড নাল। সোর্স ডকুমেন্ট সত্যিই ফাঁকা ছিল, নাকি এক্সট্র্যাকশন ব্যর্থ হয়েছে — এই প্রশ্নটা গুরুত্বপূর্ণ, কারণ ক্লাসিফায়ার নিশ্চয়ই কোনো একটা সংকেত পেয়েছিল, নাহলে cricket_asia লেবেলটা কোথা থেকে আসত? এক্সট্র্যাক্টর সেই সংকেত পায়নি। সাধারণ কারণগুলো একই রকম: পেওয়াল, জাভাস্ক্রিপ্টে রেন্ডার হওয়া পেজ, এনকোডিং ফেইলিওর, কাটা পড়া ইনপুট। রহস্য কিছু নেই, এগুলো ইঞ্জিনিয়ারিং ঋণ। আমার নিজের লেজারে এই ঋণ লিখিত। ২০১৭ সালের পর থেকে প্রতিটি সংশোধনের একটা পাবলিক লগ রাখছি, কারণ যে বিশ্লেষক নিজের ভুলের হিসাব রাখে না, তার সংখ্যা কারও কাজে লাগে না। ২০১৮ সালে ডেনমার্কের ফুটবল অ্যাসোসিয়েশনের অ্যানালিটিক্স ইউনিটের হয়ে রাশিয়া বিশ্বকাপে ৪১টি প্রি-ম্যাচ ব্রিফ করেছি, প্রতিটি ৪০০ শব্দে সীমিত, সঙ্গে একটা চার্ট। ৪০০ শব্দের একটি ব্রিফ হাজার ঘণ্টার নীরবতা লুকিয়ে রাখতে পারে। একটা ফাঁকা ব্রিফ কিছুই লুকায় না, সেটা শুধু মিথ্যা বলে। খালি পেলোড হাতে পেয়ে আটটি মাত্রা কীভাবে ভরবেন? ভরবেন না। এই রিপোর্টের একমাত্র ঠিক সিদ্ধান্ত সেটাই, আর সেটাই সবচেয়ে কঠিন সিদ্ধান্ত — কারণ পূরণ করার চাপটা প্রবল, আর ফলাফলটা লিখতে খুব সুন্দর লাগে। ফরম্যাট-দূষণের ফাঁদটা সবার আগে আসে। ক্রিকেটে ফরম্যাট ছাড়া পরিসংখ্যানের অর্থ নেই। ১৩০ স্ট্রাইক রেট টেস্টের মিডল অর্ডারে শক্ত, টি-টোয়েন্টি ফিনিশারের জন্য কম। ইকোনমি ৭.৫ ওয়ানডেতে স্বাভাবিক, ডেথ ওভারে চমৎকার, টেস্টে অপ্রাসঙ্গিক। রিপোর্ট ঠিক এখানেই থেমে গেছে — ফরম্যাট শনাক্ত না হওয়া পর্যন্ত কোনো কৌশলগত ব্যাখ্যা পদ্ধতিগতভাবে অবৈধ। cricket_asia একটা ভৌগোলিক ট্যাগ, ফরম্যাট ট্যাগ নয়। এই পার্থক্য না ধরলে এশিয়া কাপ, ভারত-পাকিস্তান দ্বিপাক্ষিক আর আইপিএল — তিনটিকেই এক টেমপ্লেটে ঢুকিয়ে ফেলা হবে, অথচ তিনটির বাণিজ্যিক স্থাপত্য, সম্প্রচার চক্র আর অকশন ক্যালেন্ডার পুরোপুরি আলাদা। সোর্স-কোয়ালিটি অন্ধত্ব আরও ভারী। রিপোর্টে সোর্স কোয়ালিটি তথ্যবিন্দুর সোর্স ফিল্ড দেখে বিচার করুন বলে ছেড়ে দেওয়া হয়েছে — কিন্তু তথ্যবিন্দুই যখন নেই, বিচারের ভিত্তিও নেই। ক্রিকেটে এই ঘরটাই সবচেয়ে ওজনদার। বোর্ডের বিবৃতি, এসিইউ-র বিজ্ঞপ্তি আর ট্রাফিক-তাড়া করা সেলফ-মিডিয়া পোস্ট একই ওজনের নয়। ২০০০ সালের ক্রনিয়ে কাণ্ড, ২০১০ সালের পাকিস্তান স্পট-ফিক্সিং, ২০১৩ সালের আইপিএল কেলেঙ্কারি — তিনটিই দেখায়, সূত্রের নির্ভরযোগ্যতা ছাড়া দুর্নীতি-সংক্রান্ত দাবি বিশ্লেষণ করা যায় না, শুধু পুনরুৎপাদন করা যায়। ভৌগোলিক লেবেল অতিরিক্ত পড়াটা সবচেয়ে চতুর ফাঁদ। cricket_asia দেখে ধরে নেওয়া যে এশিয়া কাপের খবর, বা কোনো এশীয় দ্বিপাক্ষিক সিরিজ। লেবেলটা স্কোপ, প্রমাণ নয়। নীরব ডাউনস্ট্রিম সংক্রমণ সবচেয়ে বিপজ্জনক। একটা ফাঁকা কিন্তু নিখুঁতভাবে ফরম্যাট করা রিপোর্ট, প্রতিটি ঘরে অনির্ধার্য লেখা — যদি কেউ শুধু চোখ বুলিয়ে যায়, সেটা পরের স্তরে সম্পূর্ণ বিশ্লেষণ হিসেবে চলে যায়। তারপর সাইটেশনে, তারপর প্রতিবেদনে, তারপর বাজারে। ক্রিকেটে এই পথটা ছোট, কারণ ক্রিকেট কনটেন্ট দ্রুত পচে যায় — ফর্ম, ইনজুরি, সিলেকশন, অকশন ভ্যালু সবই কয়েক সপ্তাহে বদলায়। তারিখহীন দাবি কার্যত অখণ্ডনীয়। ঝুঁকির তালিকাটা এখানে সবচেয়ে শিক্ষণীয়। স্পোর্টিং ঝুঁকি — পেসারের স্ট্রেস ফ্র্যাকচার, অলরাউন্ডারের দ্বৈত চাপ। কর্মী ঝুঁকি — রিটায়ারমেন্ট ক্লিফ, লিগ-পাচার, কোচিং ওলটপালট। বাণিজ্যিক ঝুঁকি — সম্প্রচার স্বত্বের রোলওভার, ছোট বোর্ডের আর্থিক ভঙ্গুরতা। সুশাসন ও সততা — ফিক্সিং, সরকারি হস্তক্ষেপে সাসপেনশন। জনমত — তারকা কেলেঙ্কারি, প্রতিদ্বন্দ্বিতা ম্যাচের নিরাপত্তা, বেটিং বৈধকরণের বিতর্ক। প্রণালীগত — চরম আবহাওয়া, ভূ-রাজনীতি, লস অ্যাঞ্জেলেস ২০২৮ অলিম্পিকের সূচি পুনর্বিন্যাস। প্রতিটির অবস্থা অনির্ধার্য। আর এখানেই সূক্ষ্ম অথচ নির্ণায়ক বিন্দুটা: তথ্য না থাকা মানে ঝুঁকি না থাকা নয়। নিহিত এক্সপোজার অনির্দিষ্ট, শূন্য নয়। কিছু জানা নেই-কে কোনো ঝুঁকি নেই ধরে নেওয়া ক্লাসিক বিশ্লেষণী ভুল, আর এই রিপোর্ট সেটা সচেতনভাবে করেনি। একইভাবে সংক্রমণ মানচিত্র। উজানে যুব উন্নয়ন ও প্রতিভা-সরবরাহ, মাঝখানে জাতীয় দল ও লিগ, নিচে সম্প্রচার-বাণিজ্য-ডেরিভেটিভ বাজার। তিন স্তরেই সংকেত শূন্য, কারণ সংক্রমণ বিশ্লেষণের জন্য একটা উৎস-ঘটনা দরকার — একটা সাইনিং, একটা স্বত্ব চুক্তি, একটা নিয়ম পরিবর্তন, একটা অবসর। উৎস-ঘটনা ছাড়া মানচিত্র আঁকা যায় না। আর আখ্যানের অবস্থান? উষ্ণতা-চক্রের চার ধাপ — অঙ্কুর, ত্বরণ, চূড়া বা অতিরঞ্জন, প্রতিক্রিয়া। এই চারটির মধ্যে কোথায় দাঁড়িয়ে আছে গল্পটা, সেটা জানা গেলে বোঝা যেত পড়াটা তথ্য না শব্দ। এখন কিছুই জানা যাচ্ছে না। রিপোর্ট শেষে পাঁচটি সংকেত ট্র্যাক করার সুপারিশ রেখেছে, আর সেটাই এর সবচেয়ে ব্যবহারযোগ্য অংশ। প্রথম ধাপের পুনঃএক্সট্র্যাকশনের ফল, সোর্সের পরিচয় ও বাইলাইন, প্রকাশের তারিখ, ফরম্যাট ও প্রতিযোগিতার ট্যাগ, আর সত্তার তালিকা। পুনঃএক্সট্র্যাকশনে সোর্স ইউআরএল, প্রকাশতারিখ আর বাইলাইন অবশ্যই সংরক্ষণ করতে হবে — এই তিনটি ছাড়া পরবর্তী কোনো দাবিকেই নির্ভরযোগ্যতা-ভার দেওয়া যাবে না। ক্রিকেটের পরিভাষাগুলোও এখানে মাথায় রাখতে হয়: এনওসি ছাড়া বিদেশি লিগে খেলা যায় না, ডিএলএস বৃষ্টির পর লক্ষ্য পুনর্নির্ধারণ করে, ডিআরএস-এর আম্পায়ার্স কল মার্জিনে মাঠের সিদ্ধান্তই টিকে থাকে। এই তিনটিই নিয়ম-সংক্রান্ত বিষয়, আর নিয়ম-সংক্রান্ত দাবির জন্য তারিখ অপরিহার্য। এবার উল্টো দিক। সহজ পাঠ হলো — পাইপলাইন ব্যর্থ, প্রথম ধাপ আবার চালান, শেষ। কিন্তু যে ব্যর্থতার কথা এই রিপোর্ট ধরেছে, সেটা প্রক্রিয়ার ব্যর্থতা। যে ব্যর্থতাটা ঘটতে পারত, সেটা অনেক বড়। খালি টেমপ্লেট দেখে ডোমেইন প্রায়োর থেকে একটা সাবলীল রিপোর্ট লিখে ফেলা যায়। আট মাত্রা ভরে দেওয়া যায় কল্পিত সত্তা দিয়ে, বিশ্বাসযোগ্য শোনানো পরিসংখ্যান দিয়ে, একটা ম্যাচের গল্প দিয়ে। সেই রিপোর্ট পড়তে ভালো লাগে। আর ক্রিকেটে সেটাই সবচেয়ে বিপজ্জনক আর্টিফ্যাক্ট — কারণ একটা ভুল পরিসংখ্যান মিডিয়া আর বেটিং মার্কেটের ভেতর দিয়ে বছরের পর বছর ঘুরতে পারে, আর তার উৎস আর খুঁজে পাওয়া যায় না। খালি স্টেডিয়াম আমাকে শিখিয়েছে ভিড় যা ঢেকে রাখে তা মাপতে। লকডাউনে ইউরোপের শীর্ষ পাঁচ লিগের ২০০ ম্যাচ বিশ্লেষণ করে পেয়েছি, হোম উইন রেট ৪৫.৬ থেকে ৪১.২ শতাংশে নেমেছে, হোম গোল অ্যাডভান্টেজ ০.৩৭ থেকে ০.০৬-এ। ওই নয় হাজার শব্দের কাগজ চারটি ক্লাব সাইট করেছে — প্রতিটি সংখ্যার পাশে অনিশ্চয়তার পরিসর আর ডেটা সোর্স ছিল বলে। সোর্সহীন সংখ্যা সংখ্যা নয়, অলংকার। ক্রিকেটের তথ্য পরিকাঠামো তার সম্প্রচার পণ্যের চেয়ে অনেক বেশি ভঙ্গুর, আর এশিয়ার বাজারে সেই ভঙ্গুরতা সবচেয়ে স্পষ্ট। আইসিসি-র কেন্দ্রীয় রাজস্বে বিসিসিআই-এর অংশ প্রায় ৩৮–৪০ শতাংশ — অর্থাৎ একটি বোর্ডের সূচি-নিয়ন্ত্রণ ক্ষমতাই পুরো ইকোসিস্টেমের টাইমিং ঠিক করে। এমন ব্যবস্থায় তারিখহীন ফর্ম, তারিখহীন ইনজুরি, তারিখহীন সিলেকশন — এগুলো বিশ্লেষণ নয়, গুজবের খসড়া। আর একটা কথা নিজের বিরুদ্ধে। খালি ইনপুটে আট মাত্রার টেমপ্লেট ভরাট করা সহজ কাজ নয়, কারণ প্রতিটি ঘরে অনির্ধার্য লিখতে লিখতে মনে হয় কাজটা অসম্পূর্ণ রয়ে গেল। ইন্টিজে-র সূক্ষ্মতা আর ডেটা মঙ্কের ধৈর্য মিলে ঠিক এই জায়গাতেই ভুল করায় — সিদ্ধান্ত নেওয়ার চাপে চাপা পড়ে যায় যে কিছু না জানাটাও একটা সিদ্ধান্ত। তাই আগেই একটা থ্রেশহোল্ড ঠিক করে রাখা দরকার: কনফিডেন্স লেভেল কী হলে, আর কোন সংকেত ফিরে এলে, রিপোর্ট প্রকাশযোগ্য হবে। এই রিপোর্টে সেই থ্রেশহোল্ডটা ছিল পরিষ্কার — অন্তত একটি তথ্যবিন্দু, অন্তত একটি সত্তা, অন্তত একটি ফরম্যাট ট্যাগ। তিনটির একটিও নেই। পরের বার কোনো ক্রিকেট রিপোর্ট হাতে নিলে প্রথমে সংখ্যা দেখবেন না। প্রথমে দেখুন সারি আছে কি না। তারপর ফরম্যাট, তারপর তারিখ, তারপর সোর্স। এই তিনটি না মিললে বাকিটা পড়ার দরকার নেই। আর পাইপলাইনের জন্য একটাই প্রশ্ন রেখে যাচ্ছি: নিখুঁত ফরম্যাটে আমরা কতগুলো ফাঁকা রিপোর্ট পাঠিয়ে দিচ্ছি, যেগুলো কেউ পড়ছে না, শুধু সাইট করছে?