প্রতিটি ঘর খালি: ইস্পোর্টস ডেটা পাইপলাইনের অডিট-ট্রেইল সংকট আর ব্লকচেইনের শিক্ষা

সিউলের অফিসে রাত ১টা ৪০। কফি অনেকক্ষণ আগেই ঠান্ডা হয়ে গেছে। মনিটরে খোলা নয় মাত্রার একটা বিশ্লেষণ-নথি। প্রতিটি ঘর পূরণ করা — কিন্তু সব ঘরে একই বাক্য লেখা: “পর্যাপ্ত তথ্য নেই, মূল্যায়ন করা যায় না।”

আমি ২০১৮ সাল থেকে ম্যাচের পাশে বসে স্প্রেডশিট বানাই। কাজানের সেই রাতে হোস্টেলের টেবিলে বসে যে শিটটা তৈরি করেছিলাম, সেটাই আমার কেরিয়ারের বাঁক বদলে দিয়েছিল। ২০১৮ সালের ২৭ জুন, কাজান অ্যারেনায় জার্মানি ২৬টা শট নিয়েছিল, এক্সজি ২.৭, পিপিডিএ ৬.৮। দক্ষিণ কোরিয়া ০.৮ এক্সজি আর ১২.৩ পিপিডিএ নিয়ে জিতেছিল ২-০। আমি স্কোরবোর্ডকে বিশ্বাস করিনি, স্কোরবোর্ডকে জিজ্ঞেস করেছিলাম। কাজান কোনো অঘটন ছিল না; ওটা ছিল মডেলের শেষমেশ শ্বাস নেওয়া।

আজকের শিটে শূন্য। কোনো ইস্পোর্টস টাইটেলের নাম নেই, কোনো টুর্নামেন্ট নেই, কোনো ক্লাব নেই, কোনো প্যাচ নম্বর নেই, কোনো প্রকাশের তারিখ নেই। এখানেই আজকের আসল খবর — একটা সম্পূর্ণ খালি নথিও একটা ফলের কথা বলে, যদি আপনি সেটা পড়তে জানেন। ব্লকচেইন জগতে যেটাকে বলে ট্যাম্পার-এভিডেন্ট অডিট ট্রেইল, স্পোর্টস অ্যানালিটিক্সে তার অভাব আজ প্রমাণিত হলো একটা নয়-মাত্রার রিপোর্টের প্রতিটি ঘরে।

আমাদের কাজ চলে দুই স্তরে। প্রথম স্তর কাঁচা সূত্র থেকে তথ্য আহরণ করে — কোন খেলা, কোন প্যাচ, কোন দল, কোন তারিখ, কোন সূত্র। দ্বিতীয় স্তর সেই আহরিত তথ্যকে নয়টা মাত্রায় গভীর করে — প্যাচ ও মেটা, টুর্নামেন্ট ফরম্যাট, দল ও খেলোয়াড়, আঞ্চলিক ল্যান্ডস্কেপ, ক্লাব ফাইন্যান্স, নিয়ম ও শাসন, ঝুঁকি প্রোফাইল, পাবলিক ন্যারেটিভ, আর ইন্ডাস্ট্রি ট্রান্সমিশন।

সমস্যাটা সরল কিন্তু কঠিন: দ্বিতীয় স্তর প্রথম স্তরের না-থাকা তথ্য বানাতে পারে না। ঠিক যেমন ব্লকচেইনের একটা ব্লক সত্য যাচাই করে না — সে শুধু লিখে রাখে কে, কখন, কী বলেছে, এবং পরে কেউ সেটা বদলাতে পারবে না। ব্লকচেইনের প্রতিশ্রুতি সত্য নয়, প্রতিশ্রুতি হলো প্রভেন্যান্স। আজ আমাদের পাইপলাইনে প্রভেন্যান্সটাই ভেঙে পড়েছে। প্রথম স্তর ফিরে এসেছে একটা খোলস নিয়ে — টেমপ্লেট অক্ষত, পেলোড নেই।

আমার বছরগুলোর ম্যাচ দেখার অভিজ্ঞতা থেকে একটা কথা শিখেছি: ডেটা কখনো মিথ্যা বলে না, কিন্তু ডেটার অভাব খুব সহজে মিথ্যার জায়গা দখল করে নেয়। ২০২০ সালের ৮ মে, করোনা বিরতির পর কে-লিগ খালি স্টেডিয়ামে ফিরেছিল। আমি পাঁচ রাউন্ড ধরে পিপিডিএ আর কভার করা দূরত্ব ট্র্যাক করেছিলাম। জেওনবুক হুন্দাই ১-০ সুউন স্যামসাং — স্কোরলাইন নিরীহ, কিন্তু হোম-এক্সজি অ্যাডভান্টেজ ০.৩৫ থেকে নেমে এসেছিল ০.১২-তে, আর গড় পিপিডিএ বেড়েছিল ১.৪। খালি স্টেডিয়াম হোম-অ্যাডভান্টেজকে মারেনি; ওটা তার কঙ্কালটা দেখিয়েছে। সেই মডেলটাই আমাকে সিউলের একটা স্পোর্টস ডেটা স্টার্টআপে জুনিয়র বেটিং অ্যানালিস্টের চাকরি এনে দিয়েছিল।

২০২১ সালের ইউরো ফাইনালে ওয়েম্বলিতে ইতালি ১-১ ইংল্যান্ড, শেষে পেনাল্টিতে ইতালির জয়। দ্বিতীয় মিনিটেই ইংল্যান্ড গোল করেছিল, কিন্তু ষাট মিনিটের মাথায় ইতালির পিপিডিএ ৮.১, ফিল্ড টিল্ট ৬৮ শতাংশ, আর এক্সজি ১.৬ বনাম ইংল্যান্ডের ০.৮। ওয়েম্বলিতে লাইভ ড্যাশবোর্ড বাজারের আগে চোখ টিপে দিয়েছিল। ২০২২ সালের ২২ নভেম্বরে কাতারে সৌদি আরব ২-১ আর্জেন্টিনা — আর্জেন্টিনার ২.২ এক্সজি আর ১৫ শট, সৌদির ০.৪ এক্সজি আর ৩ শট। মডেল হেরেছিল, আমি চব্বিশ ঘণ্টার স্টপ-লস টেনেছিলাম।

এই চারটে ঘটনা একই শিক্ষা দেয়: একটা দাবি টিকতে পারে না যদি তার নিচে সাইটেশন না থাকে। আর সাইটেশন ছাড়া বিশ্লেষণ আসলে ডেটাবেসের সাজসজ্জা, গবেষণা নয়। বর্তমান সাইকেলটা ট্রান্সফার উইন্ডোর, আর ট্রান্সফার উইন্ডো মানে গুজবের বন্যা। প্রতিটি ট্রান্সফার গুজব একটা প্রায়র — একটা পূর্বসম্ভাবনা — যার জন্য দরকার একটা বিশ্বাসযোগ্য শট ম্যাপ। রিলিজ ক্লজের কাঠামো আর ওয়েজ বিলই আসল গল্প, হেডলাইন নয়। কোনো বায়আউট ফি যদি সূত্র ছাড়া আসে, সেটা ডেটা নয়, সেটা ন্যারেটিভ। আজকের নথিতে গুজবের সংখ্যা শূন্য, কারণ নথিতে সাবজেক্টই শূন্য।

নয়টা মাত্রার প্রত্যেকটাই আজ null ফিরিয়েছে, আর প্রতিটি null-এর পেছনে একটা নির্দিষ্ট ধরনের অভাব আছে। এটা এলোমেলো ব্যর্থতা নয়, এটা কাঠামোগত অন্ধত্ব।

প্যাচ ও মেটা মাত্রার জন্য অন্তত তিনটে জিনিস দরকার — গেমের নাম, প্যাচ ভার্সন, আর নামধারী দল বা প্লেয়ার। একটাও নেই। ফুটবলে নিয়ম বদলায় দশকে একবার; ইস্পোর্টসে প্রতি কয়েক সপ্তাহে। সেই অর্থে প্যাচ আসলে একটা সংবিধান — সে ঠিক করে দেয় কে অ্যাজেন্সি পাবে আর কে হারাবে, হাইলাইট রিল আসার অনেক আগেই। আমি প্যাচ নোট পড়ি সাংবিধানিক নথির মতো, প্রেস রিলিজের মতো নয়। কিন্তু সংবিধান পড়তে হলে জানতে হয় কোন দেশের সংবিধান। লিগ অফ লিজেন্ডস, ডোটা ২, সিএস২, ভ্যালোরেন্ট, অনার অফ কিংস — প্রত্যেকটার প্যাচ কেডেন্স, মেট্রিক কনভেনশন আর কম্পিটিটিভ স্থায়িত্ব আলাদা। টাইটেলের নামটাই তো নেই।

টুর্নামেন্ট ফরম্যাট হলো অঘটনের সম্ভাবনার সবচেয়ে বড় কাঠামোগত নির্ণায়ক। বিও১, বিও৩ আর বিও৫ — এই তিনটে আলাদা মহাবিশ্ব। বিও১-এ সিঙ্গেল রাউন্ড অঘটনের সম্ভাবনা অনেক বেশি; বিও৫-এ শ্রেষ্ঠত্ব ফুটে ওঠার সময় বেশি। ফরম্যাট অজানা থাকলে কোনো ঝুঁকি-মন্তব্য টেকসই হয় না। স্কোয়াড ডেভেলপমেন্টের অ্যাঙ্গেলটাও হারিয়ে যায় — কোয়ালিফিকেশন পাথ, ব্র্যাকেটের অর্ধেকের শক্তি, শিডিউল ঘনত্ব, কন্টিনেন্টাল ট্রাভেল লোড — কিছুই মাপা যায় না।

দল ও খেলোয়াড় মাত্রায় একটা কাঠামোগত ত্রুটি ধরা পড়েছে। “Entities Involved” ঘরটায় লেখা ছিল — উপরের ইনফরমেশন পয়েন্ট থেকে চিহ্নিত করুন। অথচ ইনফরমেশন পয়েন্টের তালিকা খালি। এক ঘর আরেক ঘরের দিকে আঙুল তুলছে, আর সেই ঘরটা নিজেই শূন্য। এটা বৃত্তাকার রেফারেন্স — ডেটা সায়েন্সে যাকে বলে self-referential deadlock। একটা ডেটাবেস স্কিমায় এই ত্রুটি থাকলে পুরো পাইপলাইন চুপচাপ ভুল ফল দিতে পারে, কারণ সিস্টেম কখনো আমি ফেল করেছি — বলতে শেখেনি।

আঞ্চলিক ল্যান্ডস্কেপ মাত্রা সবচেয়ে ভালো উদাহরণ যে কেন অজ্ঞতার ঘোষণা জ্ঞান বানানোর চেয়ে ভালো। একই অঞ্চল এক টাইটেলে টায়ার-১, আরেক টাইটেলে ওয়াইল্ডকার্ড। গেমের নাম না থাকলে আঞ্চলিক টায়ার বসানো মানে অনুমানকে ল্যান্ডস্কেপের তথ্য বলে চালিয়ে দেওয়া।

ক্লাব ফাইন্যান্সে ইন্ডাস্ট্রি-স্ট্যান্ডার্ড বেঞ্চমার্ক আছে — স্যালারি-টু-রেভিনিউ অনুপাত ৮০ শতাংশের উপরে গেলে ক্লাব কাঠামোগতভাবেই লোকসানি। বেঞ্চমার্ক প্রয়োগ করতে একটা ক্লাব দরকার। কোনো ক্লাব নেই। তাই অবৈতনিক বেতন, স্লট অ্যামোর্টাইজেশন, স্পন্সর নির্ভরতা — কোনোটাই স্ক্রিন করা যায়নি।

নিয়ম ও শাসন মাত্রায় একটা বাক্য পেশাগতভাবে সবচেয়ে গুরুত্বপূর্ণ: একটা খালি ইনপুটে অভিযোগের অনুপস্থিতি কমপ্লায়েন্সের প্রমাণ নয় — এটা শুধু ডেটার অনুপস্থিতি। এই পার্থক্য না রাখলে সাংবাদিকতা আর অ্যানালিটিক্স দুটোই একই ফাঁদে পড়ে।

ঝুঁকি প্রোফাইলে সবচেয়ে সাহসী ভুলটা যদি করতে হতো, সেটা হতো ঝুঁকি কম — লেখা। কারণ ঝুঁকি মানে চিহ্নিত সাবজেক্টের বিরুদ্ধে চিহ্নিত এক্সপোজার। সাবজেক্ট নেই, এক্সপোজার নেই। কম ঝুঁকি লিখলে সেটা ডেটার অভাবকে মিথ্যা আশ্বাসে রূপান্তর করত — ঝুঁকি-প্রথম নীতির হুবহু উল্টো রূপ।

পাবলিক ন্যারেটিভ মাত্রায় একটা গ্যাপ মাপতে দুটো রাশি লাগে — বাজারের প্রত্যাশা আর বস্তুনিষ্ঠ মূল্যায়ন। দুটোর একটাও নেই। ইন্ডাস্ট্রি ট্রান্সমিশন ম্যাপ আঁকা যায় — পাবলিশার থেকে ক্লাব, ক্লাব থেকে স্ট্রিমিং প্ল্যাটফর্ম, প্ল্যাটফর্ম থেকে স্পন্সর আর মেনস্ট্রিমিং। কিন্তু আজকের ম্যাপ শুধু কাঠামো, তার ভিতরে কোনো পাবলিশার, প্ল্যাটফর্ম বা স্পন্সরের নাম নেই।

তাহলে নতুন ইনসাইটটা কোথায়? ইনসাইটটা হলো: একটা null রেকর্ড নিজেই ডেটা — সেটা পাইপলাইনের স্বাস্থ্যের কথা বলে। যে নথিতে সাবজেক্ট নেই, এক্সপোজার নেই, সাইটেশন নেই — সেই নথিটার সবচেয়ে বড় ফাইন্ডিং হলো নিজের অস্তিত্বের ঘাটতি। ব্লকচেইন ভাষায় বললে, এটা এমন একটা লেজার এন্ট্রি যেখানে ট্রানজ্যাকশন হ্যাশ আছে কিন্তু পেলোড নেই।

এখানেই ব্লকচেইনের শিক্ষাটা দ্বিধার সামনে দাঁড় করায়। অন-চেইন অডিটেবিলিটি ভুল ডেটাকে অমর করে দেয়। ব্লকচেইন জগতে একটা পরিচিত সমস্যা আছে — ওরাকল প্রবলেম। স্মার্ট কন্ট্র্যাক্ট নিজে বাইরের দুনিয়া দেখতে পারে না; তাকে কেউ ডেটা সরবরাহ করে। সরবরাহকারী ভুল বললে চেইন সেটা অমর করে রাখে। ইস্পোর্টস অ্যানালিটিক্সে আমাদের ওরাকল হলো সেই কাঁচা সূত্র — ফেচার, স্ক্র্যাপার, এক্সট্র্যাক্টর। আজ ওরাকল চুপ করে ছিল, আর সিস্টেম সেটাকে সব ঠিক আছে — ভেবে এগিয়ে গেছে। ব্লকচেইন প্রভেন্যান্স দেয়, ভ্যালিডিটি দেয় না। ইস্পোর্টসে ডেটার প্রবলেমটা এই মুহূর্তে প্রভেন্যান্সের নয়, অ্যাট্রিবিউশনের।

ভয়ংকর ঝুঁকিটা কী? নীরব বানানো — silent fabrication। যদি এই খালি রেকর্ডটা নিচের স্তরে পাঠানো হয়, আর কেউ প্লেজিবল ইস্পোর্টস কনটেন্ট দিয়ে ঘরগুলো ভরিয়ে দেয়, তাহলে ফলাফলটা টোনে বাস্তব বিশ্লেষণের চেয়ে আলাদা হবে না — শুধু সম্পূর্ণ বানানো হবে। অ্যালগরিদম বলবে না যে সে বানিয়েছে। টেমপ্লেটের হেডিং দেখে যে কোনো পাঠক এটাকে সম্পূর্ণ নথি ভেবে বসতে পারে।

মূল কারণ অনুমান করা যায়, প্রমাণ করা যায় না। কাঁচা সূত্রটা সম্ভবত নন-টেক্সট অ্যাসেট — ভিডিও, লাইভস্ট্রিম ভিডি, ছবির ক্যারোসেল, পডকাস্ট। কিংবা পে-ওয়াল বা লগইন-ওয়ালের পেছনে। কিংবা জাভাস্ক্রিপ্টে রেন্ডার হওয়া পেজ, যেখান থেকে ক্রলার শেল তুলে এনেছে, টেক্সট নোড নয়। আবার সম্ভব প্রথম স্তর আর দ্বিতীয় স্তরের মাঝখানে পেলোড কেটে গেছে — টেমপ্লেট অক্ষত, তথ্য উধাও। চারটে কারণ, চারটে আলাদা সমাধান, আর কোনটা সত্যি — সেটা আজকের ডেটায় বলা অসম্ভব।

এখানে একটা অস্বস্তিকর কথা বলতে হয়, কারণ বেটিং অ্যানালিস্ট হিসেবে আমার সবচেয়ে বড় ঋণ ভ্যারিয়েন্সের কাছে। আমরা ইস্পোর্টস আর স্পোর্টস মিডিয়ায় একটা নতুন ধর্ম দেখছি — ডেটা থাকলেই সত্য। এটা ভুল। ডেটার অস্তিত্ব আর ডেটার নির্ভরযোগ্যতা দুটো আলাদা জিনিস। একটা খালি পাইপলাইনে ব্লকচেইন বসিয়ে দিলে আমরা ভুল ডেটায় সিলমোহর দেব, ভুলটা শুধরে দেব না। ইস্পোর্টস আর ফুটবল দুটোই রিগ্রেস করে; শুধু শব্দের ইউনিফর্ম বদলায়।

দ্বিতীয় অস্বস্তিকর কথা: এই ব্যর্থতা বিশ্লেষকের ব্যর্থতা নয়, আহরণ-স্তরের ব্যর্থতা। কিন্তু ইন্ডাস্ট্রি দুটোকে গুলিয়ে ফেলে। যে ক্লাব ইনজুরি নিয়ে কেবল সেই তথ্যটাই প্রকাশ করে যা তার ট্রান্সফার-পজিশনের জন্য সুবিধাজনক, সে ক্লাব ফাঁকা প্রেস রিলিজ দেয় না — সে বেছে বেছে প্রকাশ করে। তথ্যের ব্যবস্থাপনাও ঠিক তেমন: কী দেখানো হবে, আর কী পর্যাপ্ত তথ্য নেই — দেখানো হবে, সেটাও একটা সম্পাদকীয় সিদ্ধান্ত। আজকের নথি অন্তত সৎ — সে চল্লিশ শতাংশ প্রতিশ্রুতি দিয়ে শূন্য শতাংশ দেয়নি, সে সোজা শূন্য বলেছে।

সবচেয়ে বড় তথ্য-লাভ এই: একটা ডেটা পাইপলাইনের জন্য সবচেয়ে গুরুত্বপূর্ণ ফিচার কোনো ড্যাশবোর্ড নয়, একটা রিজেকশন গেট। প্রথম স্তরে ঢোকার সময় ন্যূনতম একটা ইনফরমেশন পয়েন্ট, একটা সূত্র-নাম, একটা প্রকাশের তারিখ আর একটা টাইটেল-নাম বাধ্যতামূলক করা দরকার। শূন্য ইনফরমেশন পয়েন্ট মানে রেকর্ড রিজেক্ট। ব্লকচেইনে যেমন কনসেনসাস রুল ছাড়া ব্লক বৈধ হয় না, তেমনি ইনফরমেশন পয়েন্ট ছাড়া বিশ্লেষণ নথি বৈধ হওয়া উচিত না।

সামনের সপ্তাহে আমার ড্যাশবোর্ডে চোখ থাকবে চারটে সিগন্যালে। ঠিক করা নতুন প্রথম-স্তরের পেলোড এল কি না — অন্তত একটা ইনফরমেশন পয়েন্ট, নামধারী গেম টাইটেল আর নামধারী সাবজেক্ট। আহরণ-লেয়ারের লগ — এইচটিটিপি স্ট্যাটাস, কনটেন্ট টাইপ, কাঁচা বাইট দৈর্ঘ্য, ফেচ মেথড — কারণ ওই সংখ্যাগুলোই বলে দেবে ব্যর্থতা পে-ওয়াল, জাভাস্ক্রিপ্ট শেল, নাকি নন-টেক্সট সোর্স। সূত্রের মেটাডেটা ফিরে এল কি না — শিরোনাম, আউটলেট, লেখক, টাইমস্ট্যাম্প। আর সবচেয়ে জরুরি, একই ব্যাচে খালি রেকর্ডের পুনরাবৃত্তি হচ্ছে কি না।

কারণ পুনরাবৃত্তি মানে একক খারাপ ফেচ নয়, সিস্টেমিক রিগ্রেশন। একটা ইন্ডাস্ট্রি যেখানে প্রতি প্যাচ নোট, প্রতি রোস্টার মুভ, প্রতি বায়আউট ফি লাখ লাখ ভক্তের বাজি বদলে দেয় — সেখানে পর্যাপ্ত তথ্য নেই — লেখা নথি হয়তো সবচেয়ে সাহসী নথি। প্রশ্নটা এখন এটা: পরের বার যখন স্কোরবোর্ড মিথ্যা বলবে, কে আমাদের জানাবে — মার্কেট, নাকি একটা ভাঙা পেলোড?