খালি সেলের সাক্ষ্য: একটি ফাঁকা ডেটা-পুল কীভাবে ক্রিকেট-বিশ্লেষণের আসল সীমা দেখিয়ে দিল

রাত তিনটায় রংপুরের ঘরে ল্যাপটপের পর্দায় একটা JSON রেসপন্স জমে আছে। এগারোটা ফিল্ড, তার মধ্যে দশটায় N/A, আর একটা অ্যারে সম্পূর্ণ ফাঁকা—Information Points: । জীবিত সিগন্যাল মাত্র একটা লাইন: domain label = cricket_world। ওই একটি লেবেল ছাড়া ওই রিপোর্টে কোনো তারিখ নেই, কোনো স্কোর নেই, কোনো সূত্র নেই, কোনো খেলোয়াড়ের নাম নেই, এমনকি এমন একটি বাক্যও নেই যা কেউ গিয়ে যাচাই করতে পারে। আমি এমন ফাঁকা রেসপন্স প্রথম দেখছি না। ২০১৭ সালে রংপুরে দিনের বেলা চাল-কলের হিসাব অডিট করে রাতে নিজের হাতে xG মডেল লিখতাম। বাংলাদেশ প্রিমিয়ার লিগ ফুটবলের ওই মৌসুমে ১২ দলের ডাবল রাউন্ড-রবিনে ১৩২টি ম্যাচ হয়েছিল, আমি ৩,৪১০টি শট নিজে লগ করেছিলাম—কোনো পাবলিক xG তখন এই লিগের জন্য ছিল না, তাই দূরত্ব ও কোণের ওজন নিজেকেই বানাতে হয়েছিল। টেবিলটা যখন তৈরি হলো, দেখলাম কিছু কলাম পুরো ফাঁকা। পাস-ম্যাপের ঘরগুলোতে সংখ্যা আছে, কিন্তু ডিফেন্ডারের লাইন-ব্রেকিং পজিশন কোথাও নেই। খালি স্প্রেডশিট খুলে বসে বিপিএল-কে নিজের চোখে শেখাতে দিয়েছিলাম; ফিরে যা এল, তার প্রায় অর্ধেক ছিল না-থাকা। ফাঁকা ঘর আর ফাঁকা অ্যারে এক জিনিস নয়। একটা ফিল্ডে N/A লেখা থাকার অর্থ হলো সিস্টেম জানে যে এখানে কিছু থাকা উচিত ছিল, কিন্তু পায়নি। আর একটা অ্যারে খালি হয়ে ফেরার অর্থ হলো সিস্টেম ভেবেছে এখানে কিছু থাকার কথাই ছিল না। এই আকৃতিগত পার্থক্যটাই বিশ্লেষকের প্রথম ক্লু—কারণ এটা বলে দেয় সমস্যাটা জিজ্ঞাসার মধ্যে, না উত্তরের মধ্যে। ক্রিকেটের ডেটা পাইপলাইন আসলে তিন স্তরের। প্রথম স্তরে লাইভ ফিড—বল-বল ইভেন্ট, যেখানে স্কোরার একটা বাটন চাপেন আর সেটা সার্ভারে গিয়ে জমা হয়। দ্বিতীয় স্তরে আর্কাইভ পেজ—যেখানে ওই বল-বল ডেটা সাজিয়ে রাখা হয়, কিন্তু সবসময় পুরোটা নয়। তৃতীয় স্তরে টেক্সট—ম্যাচ রিপোর্ট, প্রিভিউ, সংবাদ বিজ্ঞপ্তি, যা থেকে বিশ্লেষক তথ্য তোলেন। এই তিনটির মধ্যে গোলমাল হওয়াটাই সবচেয়ে সাধারণ রোগ। কেউ আর্কাইভ পেজের HTML থেকে স্কোর টানতে চাইলে সে আসলে লাইভ ফিডের ছায়া টানছে, মূল ডেটা নয়। একটা ফাঁকা রেসপন্সের তিনটি সম্ভাব্য কারণ আছে, আর তিনটির চিকিৎসা। প্রথমত, এক্সট্রাকশন ব্যর্থতা—বডি টেক্সটই ধরা পড়েনি। এখানে সাধারণত দায়ী হয় অ্যান্টি-বট প্রোটেকশন, পেইড ওয়াল, জাভাস্ক্রিপ্টে রেন্ডার হওয়া কনটেন্ট, কিংবা কনটেন্টটা যদি ছবি বা ভিডিওর ভেতরে থাকে। দ্বিতীয়ত, সোর্সটাই কম-ঘনত্বের—শুধু স্কোরকার্ড, শুধু সূচি, শুধু ছবির অ্যালবাম, কিংবা শিরোনাম-মাত্র সংক্ষিপ্ত বিজ্ঞপ্তি। তৃতীয়ত, পাইপলাইনের বাগ—আর্কিটেকচার ঠিক আছে, কিন্তু Stage-1-এর আউটপুট ফিল্ড ঠিকমতো রাইট হচ্ছে না। তিনটির মধ্যে পার্থক্য করার সবচেয়ে সহজ উপায় হলো ফাঁকাগুলোর আকৃতি দেখো। যদি প্রায় সব ফিল্ডেই N/A থাকে, তাহলে এক্সট্রাকশন কখনো চালুই হয়নি। যদি কাঠামোগত ফিল্ডগুলো (টাইটেল, সোর্স, টাইপ) ভরা থাকে কিন্তু বস্তুগত ফিল্ড (ইনফরমেশন পয়েন্ট, এনটিটি, টাইমলাইন) খালি থাকে, তাহলে এক্সট্রাকশন চালু হয়েছিল, কিন্তু পড়ার মতো কিছু পায়নি। আর যদি কিছু এনটিটি পাওয়া যায় কিন্তু টাইমলাইন ভাঙা থাকে, তাহলে কনটেন্ট আছে, পার্সিংয়ে ফাঁক। পরিসংখ্যানে এই তিন ধরনের ফাঁককে তিন নামে ডাকা হয়। MCAR—সম্পূর্ণ এলোমেলোভাবে অনুপস্থিত। MAR—অনুপস্থিতি অন্য একটি দৃশ্যমান চলকের সঙ্গে সম্পর্কিত। MNAR—অনুপস্থিতিটাই নিজে একটা অর্থবহ সংকেত, কারণ যে তথ্যটা নেই, সেটা ইচ্ছাকৃতভাবে নেই। ক্রিকেটে এই তিনটির উদাহরণ রোজ দেখি, কিন্তু প্রায়ই ভুল নামে ডাকি। বৃষ্টিতে পরিত্যক্ত একটি ম্যাচের ফলাফল যদি 'নো রেজাল্ট' হয়, সেটা MCAR-এর কাছাকাছি—তথ্য হারায়নি, ঘটনাটাই ঘটেনি। কিন্তু যে ম্যাচের ফিড ৩৪ ওভারের পর মরে গেছে, তার স্কোরকার্ডে যে ফাঁকা ঘরগুলো দেখা যায়, সেগুলো MAR-এর দিকে ঝোঁকে, কারণ সংযোগহীনতা এলোমেলো নয়—নির্দিষ্ট ভেন্যু, নির্দিষ্ট বোর্ডের সার্ভার, নির্দিষ্ট সময়ের সঙ্গে সম্পর্কিত। আর MNAR-এর সবচেয়ে পরিচিত ক্রিকেট-উদাহরণ হলো ফিল্ডিং ডেটা। কেউ কেউ ড্রপ ক্যাচকে 'ড্রপ' বলে লগ করেন, কেউ 'চান্স' বলে, কেউ একেবারেই করেন না। যেটা লগ হয়নি, সেটা র‍্যান্ডম নয়—সেটা নির্দিষ্ট সম্পাদকের রুচি। এই তিন ধরনের ফাঁক আলাদা না করলে বিশ্লেষণে বিপদ অনিবার্য। একটি উদাহরণ ধরা যাক। কোনো স্পিনারের ইকোনমি দেখে মনে হলো সে দুর্দান্ত, কিন্তু আর্কাইভে তার ০.৩ ওভারের স্পেলের রান নেই—কারণ ওভারটা দুই টুকরো হয়ে গিয়েছিল আর ফিড দুই স্পেলে ভিন্ন আইডি দিয়েছিল। তখন গড় বেরোয় ভুল ডিনোমিনেটরে। ফলাফল হলো একটি পরিষ্কার, সুন্দর, সম্পূর্ণ ভুল সিদ্ধান্ত। ক্রিকেট ডেটার কভারেজ আসলে স্তরভিত্তিক, আর এই স্তরবিন্যাসটাই সবচেয়ে বড় পক্ষপাত তৈরি করে। আন্তর্জাতিক পুরুষ ক্রিকেটে প্রায় প্রতিটি ডেলিভারি লগ হয়। ফ্র্যাঞ্চাইজি লিগের বড় টুর্নামেন্টেও তাই। কিন্তু ঘরোয়া প্রথম শ্রেণির ম্যাচ, মহিলাদের ঘরোয়া প্রতিযোগিতা, অনূর্ধ্ব-১৯ টুর্নামেন্ট—এসব জায়গায় অনেক সময় শুধু স্কোরকার্ড মেলে, বল-বল মেলে না। কেউ ফিল্ডিং পজিশন লগ করেন না, কেউ ক্যাচের ট্র্যাজেক্টরি করেন না, রান-আউটে কে থ্রো করল সেটাও অনেক সময় হারিয়ে যায়। এই কভারেজ-শূন্যতাটাই সবচেয়ে বিপজ্জনক, কারণ স্কাউটিং সিদ্ধান্তগুলো ঠিক এই ঘরোয়া ক্রিকেট থেকেই নেওয়া হয়। এক ম্যাচে একজন বোলার ৪ ওভারে ২২ রান দিয়ে ৩ উইকেট নিলেন—এটা লগ হয়। কিন্তু তার দুই ওভারের মধ্যে ব্যাটসম্যান দুবার মিস-হিট করল, একটা ক্যাচ ফাঁকা জায়গায় পড়ল, সেটা কোথাও নেই। তারপর আমরা ওই স্কোরকার্ড দেখে সিদ্ধান্ত নিই। ধরা যাক মুশফিকুর রহিমের একটি ঘরোয়া ইনিংসের বল-বল লগ আর্কাইভে পুরো আছে, কিন্তু সেই ম্যাচে উইকেটের পেছনে তাঁর পজিশনিং নিয়ে কোনো ডেটা নেই—তাহলে ওই ইনিংসের মূল্যায়ন করছি আমরা কোন ভিত্তিতে? এনটিটি রেজোলিউশনও পাইপলাইনের নীরব ঘাতক। বাংলা নামের রোমান প্রতিবর্ণীকরণে একই খেলোয়াড় তিন নামে ঢুকে পড়েন—'Mushfiqur', 'Rahim', 'Mushfiqur Rahim'। ডেটাবেস যদি এই তিনটাকে তিন ব্যক্তি ধরে নেয়, তাহলে জন্ম নেয় ভূত-খেলোয়াড়। একজন ভূত-খেলোয়াড়ের পরিসংখ্যান তখন আসল খেলোয়াড়ের সঙ্গে মিশে যায়, আর কোনো ভুল ধরাও পড়ে না, কারণ ভুলটা সংখ্যায় নয়—পরিচয়ে। তথ্যের আয়ু নিয়েও আমাদের সচেতন থাকা দরকার। প্রিভিউর তথ্য কয়েক ঘণ্টায় পুরোনো হয়ে যায়। চোটের গুজব কয়েক মিনিটে। স্কোরকার্ড বছর ধরে সত্য থাকে, কিন্তু তার ব্যাখ্যা প্রতিটি নতুন ম্যাচে বদলে যায়। যেখানে এই আয়ুষ্কাল ভিন্ন, সেখানে একই রকম দাবি করা যায় না। ২০১৮ সালের রাশিয়ায় আমি জার্মানির প্রেসিং নিয়ে একটি প্রাক-টুর্নামেন্ট লেখা লিখেছিলাম, যেখানে দেখিয়েছিলাম তাদের PPDA কোয়ালিফায়ারে ৮.৯ থেকে ১২.৬-তে গিয়ে দাঁড়িয়েছে—অর্থাৎ প্রেস আগেই ক্ষয়ে গেছে। তারা গ্রুপ পর্ব থেকেই বাদ পড়ল, লেখাটা চল্লিশ হাজার মানুষ পড়ল। কিন্তু আমার মডেল তাদের তৃতীয় ফেভারিট হিসেবে র‍্যাংক করেছিল, তাই লেখার ভাষায় আমি হেজ করেছিলাম—আর তর্কটা হেরে গেলাম। ওই হারের পর থেকে আমি দুই-স্তরের লেখা লিখি: একটা জোরালো প্রকাশ্য থিসিস, আর একটা নীরব পরিশিষ্ট যেখানে আমার মডেল কোথায় ভুল করল তার তালিকা থাকে। রাশিয়া ২০১৮-র পর জার্মানিকে দুবার দেখতে শুরু করি—একবার চোখ দিয়ে, একবার PPDA দিয়ে। ওই পরিশিষ্টই আমার আসল কাজের পদ্ধতি, আর নিজের সংখ্যার ওপর ভরসা করার একমাত্র কারণ। ২০১৭-র বিপিএল মডেলে ফিরে যাই। আবাহনী লিমিটেড শিরোপা জিতল, আর আমার হিসাবে তাদের প্রকৃত গোলের সঙ্গে মডেল-প্রত্যাশিত গোলের ব্যবধান দাঁড়াল ৯.৪। কিন্তু ওই ৯.৪ কোনো চূড়ান্ত সত্য নয়—এটা আমার নিজের বানানো দূরত্ব-ও-কোণ ওজনের ফল, প্রকাশ্য xG-এর নয়। xG মডেলটা অপরিশোধিত ছিল, কিন্তু ফাঁকা ঘরগুলো গোলের চেয়ে বেশি কথা বলেছিল। কোন শট লগ হয়নি, কোন ডিফেন্ডার ডুয়েলে হেরেছেন তা কোথাও লেখা নেই—এই না-থাকা থেকেই বোঝা গেল, স্কাউটিং পক্ষপাত কোন দিকে ঝুঁকে আছে। এখানেই আমার সবচেয়ে বড় সন্দেহ। ফাঁকা ডেটা নিয়ে কাজ করা যে কেউ, কিছুদিন পর একটা দার্শনিক নেশায় পড়ে যায়—সে ভাবতে শুরু করে, প্রতিটি ফাঁকই নাকি একটা রহস্যময় সংকেত। মধ্যরাতে প্রতিটি অনুপস্থিত ঘরই 'গভীর অন্তর্দৃষ্টি' মনে হয়। কিন্তু সত্যিটা শুকনো: বেশিরভাগ ফাঁক কোনো সংকেতই নয়, সেটা শুধু একটা ভাঙা স্ক্র্যাপার। তাই আমি তিনটি প্রশ্ন করি। কে তথ্যটা সংগ্রহ করেছে? কার জন্য সংগ্রহ করেছে? আর তথ্যটা না-থাকলে কার সুবিধা? এই তিন প্রশ্নের উত্তর না পেলে অনুপস্থিতিকে অন্তর্দৃষ্টি বলে চালিয়ে দেওয়া আত্মপ্রতারণা। যে সম্পাদক ড্রপ ক্যাচ লগ করেন না, তিনি হয়তো খুব তাড়াহুড়োয় কাজ করছেন—এটা তাঁর কর্মপদ্ধতির গল্প, ক্রিকেটের গল্প নয়। আর একটা বিপরীত ঝুঁকিও আছে, যেটা কম আলোচিত। সম্পূর্ণ ডেটাও কখনো কখনো ফাঁকা ডেটার চেয়েও কম তথ্যবহুল হতে পারে। ফুটবলে দূরত্ব Covered আর হাই-ইনটেন্সিটি স্প্রিন্টকে পরিশ্রমের মাপকাঠি বলে চালিয়ে দেওয়া হয়, অথচ একটা সার্ভিসহীন দৌড়ও সুন্দর সংখ্যা তৈরি করে। ক্রিকেটে এর সমতুল্য হলো 'রান-আপ স্পিড' বা 'বাউন্ডারি পার্সেন্টেজ'—দেখতে পূর্ণ, কিন্তু সিদ্ধান্তের জন্য প্রায় অন্ধ। সংখ্যা থাকলেই তথ্য থাকে না; মাঝে মাঝে না-থাকা বেশি সৎ। মহামারীর ওই সময়টা এই পাঠটা আরও স্পষ্ট করে দিয়েছিল। স্টেডিয়াম খালি হওয়ার পর আমি মাপতে শুরু করলাম যা আগে ভিড় ঢেকে রাখত। ভিড়ের চিৎকারে যা ঢাকা পড়ত—বোলারের ল্যান্ডিং ফুট, ফিল্ডারের প্রথম দুই কদম, ব্যাটসম্যানের ব্যাকলিফট। নীরবতা শূন্য নয়; ওটা নতুন একটি বেসলাইন, যার নিজস্ব রেসিডুয়াল আছে। বেস-রেট পরীক্ষাটা তাই বাধ্যতামূলক। যদি ধরো তোমার ডেটা-পুল ৩ শতাংশ ক্ষেত্রে এলোমেলোভাবে ব্যর্থ হয়, সেটা কিছুই বলে না—শুধু একটা ত্রুটির হার। কিন্তু যদি একই ব্যর্থতা একটি নির্দিষ্ট বোর্ডের সাইটে ৩০ শতাংশ ক্ষেত্রে ঘটে, তাহলে সেটা ক্রিকেট নিয়ে কিছু বলে না, অবকাঠামো নিয়ে বলে। আমি দুটোকে কখনো এক মাপে মাপি না। শেষ পর্যন্ত যা পাওয়া গেল, সেটা একটি ম্যাচের গল্প নয়—একটি পদ্ধতির গল্প। এগারোটা ফিল্ডের মধ্যে দশটা খালি, একটা লেবেল জীবিত। এই অবস্থায় একজন দায়িত্বশীল বিশ্লেষকের কাজ হলো থেমে যাওয়া, কারণ ওই একটা লেবেল থেকে একটা গোটা নিবন্ধ বানিয়ে ফেলা যায়—আর সেটাই হবে সবচেয়ে সহজ মিথ্যা। পরের রাউন্ডের সংকেত ফাঁকা সেলে নেই। সেটা আছে কোয়েরি লগে—কোন সময়ে, কোন সোর্সে, কোন ধরনের অনুরোধে পাইপলাইন মুখ থুবড়ে পড়ল। সেই লগ পড়তে শিখলে ডেটার অভাব আর ডেটার সীমা—দুটোকে আলাদা করে চেনা যায়। প্রশ্নটা তাই আর 'আমার কী ডেটা নেই' নয়; প্রশ্নটা হলো—আমি কোন প্রশ্নটা করতে গিয়ে ওই ফাঁকটা তৈরি করলাম, আর সেই প্রশ্নটা কি আদৌ ক্রিকেট সম্পর্কে ছিল?