খালি স্কিমা, ভরা টেমপ্লেট: ক্রিকেট ডেটা পাইপলাইনে সবচেয়ে বিপজ্জনক ব্যর্থতা

বুধবার রাত ১১টা ৫০ মিনিটে ইনবক্সে যে ফাইলটা নামে, তার শিরোনাম ছিল আট-স্তম্ভের গভীর বিশ্লেষণ প্রতিবেদন — ক্রিকেট ডোমেইন। শিরোনাম আছে, ছক আছে, ঝুঁকি-ম্যাট্রিক্স আছে, ট্র্যাকিং-সংকেতের তালিকা আছে, এমনকি ভবিষ্যৎ-পরিস্থিতির তিনটি অনুমানও সাজানো আছে। আটটি স্তম্ভের প্রায় প্রতিটি ঘরে একটিই বাক্য ফিরে ফিরে আসে: তথ্য অপর্যাপ্ত। ভরা ছিল কেবল একটি ঘর — বিশ্লেষণী সততার ঝুঁকি, স্তর: উচ্চ।

প্রথম দুই মিনিটে মনে হয়েছিল কাজটা অর্ধেক শেষ, ফাইলটা অসম্পূর্ণ পাঠানো হয়েছে। তারপর মনে হলো, ওই রাতের সবচেয়ে সৎ ডকুমেন্ট এটাই। যে প্রতিবেদনটা আসার কথা ছিল — ভরা ছক, মসৃণ অনুমান, দুটো চেনা নাম, একটা ফি-রেঞ্জ — সেটা এলে আমি মাথা নেড়ে এক লাইন কোট করতাম, পরের দিন সেটাই ছাপা হতো, আর কেউ কোনোদিন জিজ্ঞেস করত না ওই সংখ্যাগুলো কোথা থেকে এল।

আমার কাজের একটা বড় অংশ ট্রান্সফার মার্কেট অ্যাডমিনিস্ট্রেশনে কাটে, যেখানে ভ্যালুয়েশনের কাগজে আমার সই থাকে, আর সেই সইয়ের পিছনে থাকে বাজেট লাইন, বন্ধ হতে চলা উইন্ডো আর একটি কমিটি। ওই চেয়ার থেকে শেখা প্রথম পাঠটা সরল: যে রিপোর্টে ইনপুট নেই, সেটি রিপোর্ট নয়, সেটি একটা ফরম্যাট। আর ফরম্যাটের পিছনে কেউ সই করে না।

কী ঘটেছিল সেটা পরিষ্কার। পাইপলাইনের প্রথম ধাপ, অর্থাৎ সোর্স নিবন্ধ থেকে তথ্য তোলার ধাপ, একটি ফাঁকা স্কিমা ফিরিয়ে দিয়েছে। শিরোনাম নেই, সোর্স নেই, নিবন্ধের ধরন অশ্রেণীবদ্ধ, মূল বক্তব্য শূন্য, সংশ্লিষ্ট সত্তার তালিকা শূন্য, সময়-সংবেদনশীলতা মূল্যায়ন করা হয়নি, সোর্সের মান নির্ধারণ করা যায়নি। ডোমেইন লেবেলেও লেখা ছিল ‘ক্রিকেট_ওয়ার্ল্ড’ — চুক্তিতে থাকা ‘ক্রিকেট’ নয়। এই একটা লেবেল-বিচ্যুতি একাই বলে দেয়, হ্যান্ড-অফের আগে স্কিমা যাচাইয়ের ধাপটা চলে যায়নি।

এখানেই ক্রিকেট-বিশ্লেষণের সেই পুরোনো শিক্ষাটা কাজে লাগে, যা আমি প্রথম পেয়েছিলাম একটি স্কোরকার্ড দেখে। স্কোরকার্ড একটা সংকুচিত ডেটাসেট। ওতে ফল থাকে, প্রক্রিয়া থাকে না। দশ বছর ধরে ম্যাচ দেখে আমি একটি জিনিস বারবার দেখেছি: স্কোরকার্ড কখনো মিথ্যা বলে না, কিন্তু স্কোরকার্ড কখনো পুরো সত্যও বলে না। ঢাকা লিগে উইকেটকিপার হিসেবে দাঁড়িয়ে আমি শিখেছিলাম, একই বাই-এর হিসাব দুই রকম হতে পারে — একটায় ব্যাটসম্যান আউট হননি, অন্যটায় তিনি আউট হয়েছিলেন কিন্তু আম্পায়ার হাত তোলেননি। কাগজে দুটোই শূন্য। পার্থক্যটা কেবল যিনি উইকেটের পিছনে ছিলেন তিনিই জানেন। বিশ্লেষণের কাজটা ঠিক ওই জায়গাটায় — কাগজের বাইরে যা ঘটেছে, তার প্রমাণ জোগাড় করা।

২০১৭ সালে সাও পাওলোতে স্কুলে পড়ার সময় আমি ‘ডেটা পাউলিস্তা’ নামে একটি ব্লগ শুরু করি। কোরিন্থিয়ান্স কাম্পেওনাতো পাউলিস্তা জেতার পর আমি প্রতিটি ম্যাচ স্ক্র্যাপ করি এবং দেখি, তাদের প্রতি ম্যাচে xG ছিল ১.৪২, বাস্তব গোল ১.৮৯। আমি রিগ্রেশনের একটি পূর্বাভাস প্রকাশ করি। তারা এরপর ব্রাজিলেইরাও জিতেছিল। কিন্তু আমার PPDA-সমন্বিত মডেলটি পোন্তে প্রেটার পতন ঠিকঠাক চিহ্নিত করেছিল। সেই পরাজয় থেকে আমি একটা নিয়ম বানিয়েছি, যা আজও মানি: মেট্রিকের সৌন্দর্য নয়, মেট্রিকের ইনপুটই আসল প্রমাণ। আমি xG নোটবুকটা বানিয়েছিলাম এটুকু দেখার জন্য — পাউলিস্তাঁর কোন সত্যগুলো গণিতের কষ্টিপাথরে টেকে, আর কোনগুলো টেকে না।

সেই নিয়মেই আজকের ঘটনাটা বিচার করতে হয়। ক্রিকেট বিশ্লেষণে ‘তথ্যবিন্দু’ মানে সোর্স থেকে ভেঙে নেওয়া পরমাণুর মতো ছোট তথ্যদাবি — কে, কখন, কোন ফরম্যাটে, কী করেছেন। এই বিন্দুগুলোই আট-স্তম্ভ কাঠামোর একমাত্র প্রমাণভিত্তি। সংখ্যাটা শূন্য হলে শৃঙ্খলার কোনো অ্যাঙ্কর থাকে না। ফরম্যাট ও ম্যাচ বিশ্লেষণ, খেলোয়াড়ের কৌশল ও ডেটা, দলের অবস্থান ও র‍্যাঙ্কিং, লিগ ও বাণিজ্যিক বাস্তুসংস্থান, নিয়ম ও সুশাসন, ঝুঁকি, জনমতের প্রত্যাশা, শিল্পে সংক্রমণ — আটটির কোনোটাই দাঁড়াতে পারে না।

শূন্য তথ্যবিন্দু দিয়ে ঠিক তিনটি কাজ করা যায় না, আর এই তিনটিই ক্রিকেট বিশ্লেষণের মূল ভিত্তি।

প্রথমটি ফরম্যাট চিহ্নিত করা। টেস্ট, ওয়ানডে, টি-টোয়েন্টি আর দ্য হান্ড্রেডের বেঞ্চমার্ক এক নয়, এক হতে পারে না। টেস্টে ৪৫ গড়ের ওপেনার আর টি-টোয়েন্টিতে ১৪০ স্ট্রাইক রেটের ওপেনার একই ভাষায় কথা বলেন না। ইকোনমি ৮.৫ টি-টোয়েন্টিতে প্রায় নিয়ম, ওয়ানডেতে ব্যয়বহুল, আর টেস্টে ওটা সম্পূর্ণ ভিন্ন একটি বস্তু — যেখানে ওভারপ্রতি রান নয়, সেশন ধরে চাপ তৈরি করাটাই মাপকাঠি। ফরম্যাট না জানলে এই তিনটি সংখ্যা একই ঘরে বসে যায়, আর তখন বিশ্লেষণটা আর বিশ্লেষণ থাকে না।

দ্বিতীয়টি খেলোয়াড় চিহ্নিত করা। কে ওপেনার, কে অ্যাঙ্কর, কে ফিনিশার, কে নিউ-বল পেসার, কে স্পিন অলরাউন্ডার, কে কিপার — ভূমিকা না জানলে কন্ডিশন-ভিত্তিক স্প্লিট, বয়স-বক্ররেখার মোড়, ইনজুরির ইতিহাস — কোনোটাই মাপা যায় না। এখানে একটি সীমা আমি নিজের ওপর চাপিয়ে রেখেছি: স্মৃতি থেকে পুরোনো ক্যারিয়ার-পরিসংখ্যান এনে হাজির করব না। কারণ যাচাইহীন পরিসংখ্যান প্রমাণ হিসেবে দাঁড় করালে সেটা আর যাচাইহীন থাকে না — সেটা বানানো তথ্যে পরিণত হয়, আর পাঠক টের পান না।

তৃতীয়টি বাণিজ্যিক মূল্য বনাম ক্রীড়া-মূল্যের পরীক্ষা। এটা আমার ডেস্কের সবচেয়ে নিয়মিত কাজ, আর এটাই সবচেয়ে বেশি ফাঁকা ইনপুটে ভেঙে পড়ে। নিলামের কাগজে খেলোয়াড়ের নাম নেই, দাম নেই — তখন ‘বাণিজ্যিক মূল্য ক্রীড়া-মূল্যের সমান নয়’ এই পরীক্ষাটা চালানোই যায় না। কারণ পরীক্ষাটির জন্য দুটো জিনিস লাগে: একটি নাম আর একটি সংখ্যা। নাম ছাড়া সংখ্যা অর্থহীন, সংখ্যা ছাড়া নাম কেবল গুজব।

২০১৮ বিশ্বকাপে আমি ফ্রান্সের PPDA ট্র্যাক করেছিলাম ১২.৪, আর কাইলিয়ান এমবাপের প্রতি শটে xG ০.১৮। বিশ্লেষকরা তখন তার গতির প্রশংসা করছিলেন; আমি লিখেছিলাম, তার শট-লোকেশন আর প্রোগ্রেসিভ ক্যারি তাকে ১৮ মাসের মধ্যে ২০০ মিলিয়ন ইউরোর সম্পদ বানাবে। ফ্রান্সের লো-ব্লক প্রতি ম্যাচে কেবল ০.৭ xG খেয়েছিল। থ্রেডটি ব্রাজিলীয় ফুটবল টুইটারে ছড়িয়ে পড়ে, আর সেটাই আমার প্রথম পারিশ্রমিকভিত্তিক কলাম এনে দেয়।

কিন্তু ওই কলটি কাজ করেছিল বলে নয় যে আমি ২০০ মিলিয়ন বলেছিলাম। কাজ করেছিল বলে আমি শট-লোকেশন আর PPDA-র সংখ্যা দেখিয়েছিলাম। সংখ্যাটা ছিল উপসংহার, প্রমাণ ছিল ইনপুট। ইনপুট ছাড়া একটা ফি-টার্গেট আর দশমিক বিন্দুসহ একটি গুজবের মধ্যে কোনো পার্থক্য নেই। আমার ডেস্কে এই পার্থক্যটাই সবচেয়ে বেশি মূল্য পায়, কারণ কমিটি ৩০ মিলিয়ন ডলারের প্রস্তাব দেখে মডেল দেখে না — মডেলের ইনপুট দেখে।

PPDA প্রেসিং-রেখা টেনে দিয়েছিল, আর এমবাপের শট-লোকেশন দেখিয়েছিল কোথায় সেই চাপ ভাঙে। এই দুটো জিনিস যখন একসাথে পড়া যায়, তখনই ফুটবল থেকে ক্রিকেটে অনুবাদ সম্ভব হয় — পাওয়ারপ্লে চাপ, মিডল-ওভার নিয়ন্ত্রণ, ডেথ-ওভার লিভারেজ। কিন্তু সেই অনুবাদের শর্ত হলো, প্রতিটি মেট্রিককে তার নিজের খেলার বেসলাইনে যাচাই করা। শর্তটা না মানলে PPDA ক্রিকেটে একটি সাজসজ্জা হয়ে যায়, প্রমাণ হয় না।

আর এখানেই দ্বিতীয় বিপদটা লুকিয়ে আছে, যেটা ফাঁকা স্কিমার চেয়েও ধূর্ত। ফাঁকা স্কিমা সৎভাবে ব্যর্থ হয়। কিন্তু মানব-বিশ্লেষক যখন ‘সাহায্য করার’ জন্য স্মৃতি থেকে গল্পটা পুনর্গঠন করেন, তখন ফরম্যাট-দূষণ ঘটে চুপচাপ। টেস্টের গড় আর টি-টোয়েন্টির স্ট্রাইক রেট একই ঘরে বসে যায়, ওয়ানডের ইকোনমি টি-টোয়েন্টির মাপকাঠিতে বিচার হয়, আর কেউ টের পান না। এই ভুলটা ফাঁকা রিপোর্টের চেয়ে অনেক বেশি ক্ষতিকর, কারণ ফাঁকা রিপোর্ট দেখে সন্দেহ হয়, আর দূষিত রিপোর্ট দেখে আস্থা জন্মায়।

ব্যাচ-স্তরে আরেকটি ঝুঁকি আছে, যেটা একক ফাইলে দেখা যায় না। যদি এই শূন্য-স্কিমা আউটপুটটি কোনো স্বয়ংক্রিয় ব্যাচের অংশ হয়, তাহলে একই ব্যর্থতার ধরন সম্ভবত অন্য ফাইলগুলোতেও আছে। একক রানে একটি শূন্য স্কিমা হলো ডেটা-মানের ঘটনা; বিশটি হলে সেটি সিস্টেমিক ত্রুটি। পার্থক্য করার সহজ নিয়ম আছে: শূন্য-স্কিমা রানগুলোকে ফেচ-পদ্ধতি আর সোর্স-ডোমেইন অনুযায়ী দলবদ্ধ করুন। দুই বা তার বেশি রান একই স্বাক্ষর দেখালে ধরে নিন এটি দুর্ঘটনা নয়, পাইপলাইনের গঠনগত সমস্যা। পেওয়াল, ৪০১/৪০৩, জাভাস্ক্রিপ্টে রেন্ডার হওয়া পাতা, শুধু ছবি — প্রতিটি আলাদা স্বাক্ষর রেখে যায়।

একইভাবে লেবেল-প্রবাহের দিকে তাকান। চুক্তিতে ‘ক্রিকেট’ থাকার কথা, ফিরে এসেছে ‘ক্রিকেট_ওয়ার্ল্ড’। একটি এনাম যাচাই না হলে বুঝতে হবে, ওই ধাপটা কোনোদিন চালুই ছিল না। আর যে পাইপলাইনে একটি যাচাই বাদ পড়ে, সেখানে অন্য যাচাইগুলোও অনুমানের ওপর দাঁড়িয়ে আছে।

সবচেয়ে বড় ঝুঁকিটা প্রযুক্তিগত নয়, গত — ফাঁকা ইনপুট হাতে পাওয়া একটি ভাষা-মডেলের টেমপ্লেট ভরাট করার প্রবল প্রবণতা। টেমপ্লেট পুরস্কার দেয় পূর্ণতার। শিরোনাম আছে, ছক আছে, ঘরগুলো খালি — মডেলের পক্ষে সবচেয়ে স্বাভাবিক পরবর্তী টোকেন হলো একটি যুক্তিসঙ্গত শোনানো বাক্য। সেখান থেকেই জন্ম নেয় এমন এক প্রতিবেদন, যা পড়তে মসৃণ, দেখতে সম্পূর্ণ, আর ভেতরে সম্পূর্ণ কল্পিত। প্রতিরোধটা তাই কূটনৈতিক হতে পারে না, যান্ত্রিক হতে হবে: তথ্যবিন্দুর সংখ্যা শূন্য হলে দ্বিতীয় ধাপ প্রত্যাখ্যাত, এবং ঘটনাটি ডেটা-মানের ঘটনা হিসেবে লগভুক্ত।

এখানেই আমার সবচেয়ে অপ্রিয় মতটা আসে। এই ব্যর্থ রানটাই ওই সন্ধ্যার সেরা ফলাফল। কারণ ব্যর্থতা aquí পরিষ্কার আর নির্ণেয় — স্কিমাটা সমানভাবে খালি, তাই আধা-সত্য কোনো রেকর্ড বৈধ বলে ভুল হওয়ার সুযোগ নেই। আংশিক নষ্ট হওয়া ডেটা সবসময় শূন্য ডেটার চেয়ে বিপজ্জনক, কারণ আধা-সত্য রেকর্ডটি যাচাইয়ের চোখে বৈধ দেখায়।

দ্বিতীয় অপ্রিয় কথাটা পেশাগত সংস্কৃতি নিয়ে। ক্রিকেট-বিশ্লেষণে পূর্ণতার একটি নান্দনিকতা গড়ে উঠেছে — ড্যাশবোর্ড, রঙিন ছক, আট-স্তম্ভের কাঠামো, ঝুঁকি-ম্যাট্রিক্স। এই নান্দনিকতারই একটি পার্শ্বপ্রতিক্রিয়া হলো, ভরা টেমপ্লেট খালি টেমপ্লেটের চেয়ে বেশি সামাজিক কর্তৃত্ব পায়। যে বিশ্লেষক ঘরগুলো ভরে দেন, তাকে কর্মদক্ষ বলা হয়; যে বিশ্লেষক খালি ঘর ফিরিয়ে দেন, তাকে ‘বাস্তববাদী হওয়ার’ পরামর্শ দেওয়া হয়। ডেটা অ্যানালিস্টরা যখন ড্রেসিং রুমের সিদ্ধান্তে ঢুকে পড়েন, তখন প্রায়ই এই ভরা ছকগুলোই নিয়ে যান — অথচ ম্যাচের ছন্দ বলে দেয় অন্য কিছু।

তৃতীয় অপ্রিয় কথাটা ডেডলাইন নিয়ে। গেট বসানোর দাম একটি ডেডলাইন, আর ওই দামটা দিতে অনেকেই রাজি নন। আমার হিসাব সরল: একটি ডেডলাইন হারালে একটি দিনের ক্ষতি, আর একটি বানানো পরিসংখ্যান ছাপা হলে এক বছরের আস্থার ক্ষতি। আস্থা ফেরানো যায়, কিন্তু ফেরাতে অনেক বেশি ডেডলাইন লাগে। তাই আমি আগেই শর্ত লিখে রাখি — যদি তথ্যবিন্দু শূন্য হয়, প্রকাশ বন্ধ; যদি ফরম্যাট-মার্কার না থাকে, প্রতিবেদনে ‘ফরম্যাট অনির্দিষ্ট’ লেখা বাধ্যতামূলক; যদি সোর্স-মান নির্ধারিত না থাকে, সংখ্যাটি কোট করা যাবে না।

আগামী ব্যাচে আমি চারটি সংকেত দেখব। প্রথমত, প্রতি রানে স্কিমার পূর্ণতা — তথ্যবিন্দু ও সত্তার সংখ্যা। দ্বিতীয়ত, সোর্সের পুনরুদ্ধারযোগ্যতা — এইচটিটিপি স্ট্যাটাস, পেওয়াল ফ্ল্যাগ, কনটেন্ট-টাইপ। তৃতীয়ত, ডোমেইন-লেবেলের চুক্তি-সঙ্গতি। চতুর্থত, ব্যাচ-স্তরের ক্লাস্টারিং — একই স্বাক্ষরের দুই বা বেশি রান।

আমার পূর্বাভাস, আগামী দুই কোয়ার্টারের মধ্যে স্বয়ংক্রিয় কোনো ক্রিকেট-কনটেন্ট পাইপলাইন বানানো একটি পরিসংখ্যান ছেপে ফেলবে, সেটি ভাইরাল হবে, আর সংশোধনীটি ভুলটির মতো দূরে পৌঁছাবে না। কারণ ভুল মসৃণ, সংশোধনী কাঁটাযুক্ত।

আটটি স্তম্ভ, শূন্য তথ্যবিন্দু — শেষ প্রশ্নটা কেবল এই: ওই কাগজে সই করেন কে?