খালি ঘরই সবচেয়ে বিপজ্জনক সংখ্যা: ক্রিকেট ডেটা পাইপলাইনে এশিয়ার নীরব ব্যর্থতা
**মূল উত্তর:** ক্রিকেট ডেটা পাইপলাইনে সবচেয়ে বড় ঝুঁকি ভুল সংখ্যা নয়, বরং খালি তথ্যঘর—কারণ মডেল নীরবতা বা ফাঁকা ঘরকে শূন্য ধরে নেয়, আর এশীয় বাজারের বহুভাষিক ও পেওয়াল-আবদ্ধ কভারেজে এই ব্যর্থতা সবচেয়ে বেশি ঘটে। **মূল তথ্য:** - এশীয় ক্রিকেটে কভারেজের পরিমাণ সর্বোচ্চ, কিন্তু মেশিন-পাঠযোগ্য গুণমান তুলনামূলকভাবে কম। - cricket_asia ধরনের উপ-ট্যাগ Cricket লেবেলের জায়গা নিলে রেকর্ড ভুল পাইপলাইনে রাউট হয়। - শূন্য তথ্যপয়েন্ট মানে র্যাঙ্কিং, ফর্ম বা নিলামমূল্য—কোনো দাবিই ভিত্তিযুক্ত নয়। - টি-টোয়েন্টিতে ৭.১ ইকোনমি ভালো, ওডিআইর বেঞ্চমার্ক ভিন্ন; ফরম্যাট অজানা থাকলে তুলনা অবৈধ। - সূত্র ও সূত্রের গুণমান অনুল্লেখিত থাকলে গুঞ্জন ডেটার সমান ওজন পায়। **সূত্র:** স্টেজ-২ গভীর বিশ্লেষণ প্রতিবেদন, ক্রিকেট ডোমেইন (২০২৬ নিয়মিত মৌসুম চক্র)। **সম্পর্কিত প্রশ্নোত্তর:** প্রশ্ন: খালি ঘর কেন ভুল সংখ্যার চেয়ে বিপজ্জনক? উত্তর: কারণ ভুল সংখ্যা সনাক্তযোগ্য, কিন্তু খালি ঘর কোনো সতর্কবার্তা ছাড়াই মডেলে শূন্য হিসেবে ঢুকে পড়ে। প্রশ্ন: ডোমেইন লেবেল ভুল হলে কী ক্ষতি? উত্তর: রেকর্ড ভুল পাইপলাইনে গিয়ে সম্পূর্ণ অদৃশ্য হয়ে যায়, ফলে ওই তথ্য কোনো সিদ্ধান্তে পৌঁছায় না। প্রশ্ন: পাইপলাইনে সবচেয়ে কার্যকর সংশোধন কী? উত্তর: শূন্য তথ্যপয়েন্ট, খালি সত্তা তালিকা বা অমিল ডোমেইন লেবেল—তিন ক্ষেত্রেই রেকর্ড স্বয়ংক্রিয়ভাবে রিজেক্ট করা।
গত সপ্তাহে দক্ষিণ এশিয়ার একটি টি-টোয়েন্টি সূচির জন্য ডেটা টেবিল টেনেছিলাম। পনেরোটি সারি, তিনটি কলাম—পাওয়ারপ্লে রান রেট, ডেথ ওভার ইকোনমি, ইনিংসের ব্যবধান। টেবিলটা ফাঁকা ছিল না। প্রতিটি ঘরে একই শব্দ লেখা: N/A। প্রথমে ভেবেছিলাম ফিল্টার ভুল করেছি। লেবেলটা দেখে বোঝা গেল আসল কারণ—যেখানে Cricket থাকা উচিত, সেখানে বসে আছে cricket_asia। তথ্যপয়েন্ট শূন্য, সত্তা অচিহ্নিত, সূত্রের কোনো বিবরণ নেই। ওই মুহূর্তে স্পষ্ট হলো, ডেটা বিশ্লেষকের আসল ভয় ভুল সংখ্যা নয়; ভয় হলো খালি ঘর—কারণ ভুল সংখ্যা চিৎকার করে, আর খালি ঘর চুপ করে থাকে। আর মডেল নীরবতাকে শূন্য ধরে নেয়।

আমি ২০১৫ সালে ঢাকার একটি ক্রীড়া ডেস্কে ক্রিকেট রিপোর্টার হিসেবে শুরু করেছিলাম। তিন বছর পর রাশিয়া বিশ্বকাপে প্রতিটি শট হাতে লিখে ক্রোয়েশিয়ার এক্সট্রা-টাইম দৌড় অডিট করেছিলাম—ক্রোয়েশিয়া ১.৭ এক্সজি, ইংল্যান্ড ০.৯। ওই অডিট আমাকে শিখিয়েছিল স্কোরলাইনের বদলে ডেটা দিয়ে গল্প শুরু করতে। ২০২০ সালে বুন্দেসলিগার খালি স্টেডিয়াম আমার একটি পুরনো বিশ্বাস কেড়ে নিয়েছিল: হোম অ্যাডভান্টেজ কোনো জাদু নয়, সেটা আমার খাতায় একটা ভঙ্গুর ভেরিয়েবল। এই দুই শিক্ষা একসাথে আমাকে একটা অভ্যাস দিয়েছে—কোনো দাবির আগে সেটার ভিত্তি অডিট করা। ক্রিকেটে ফিরে এসে দেখলাম, একই শৃঙ্খলা এখানে আরও বেশি দরকার, কারণ এখানে ডেটার পরিমাণ বেশি কিন্তু মেশিন-পাঠযোগ্য গুণমান কম।
এশীয় ক্রিকেট বাজার আজ বিশ্বের সবচেয়ে বড় কনটেন্ট ইঞ্জিন। আইপিএল, পিএসএল, বিপিএল, এলপিএল, আইএলটি২০, এশিয়া কাপ—প্রতিটি টুর্নামেন্টে প্রতিদিন হাজারো রিপোর্ট, স্কোরকার্ড, হাইলাইট, কোট। কিন্তু এই বিপুল পরিমাণের একটা বড় অংশ স্বয়ংক্রিয়ভাবে পড়া যায় না: বাংলা, উর্দু, হিন্দি, তামিল, সিংহলি—পাঁচটি লিপি; শাকিব, সাকিব, Shakib—একই বোলারের তিন বানান; পেওয়ালের পেছনে বসে থাকা লাইভ স্কোর; ক্লায়েন্ট-সাইডে রেন্ডার হওয়া পাতা। ফেচ ব্যর্থ হয়, পার্স ব্যর্থ হয়, আর সবচেয়ে নীরব ব্যর্থতা ঘটে ট্যাক্সোনমিতে—যেখানে ভৌগোলিক উপ-ট্যাগ মূল ডোমেইন লেবেলের জায়গা নিয়ে নেয়। যে লেবেল ভুল, সেই রেকর্ড ভুল পাইপলাইনে যায়, সেখানে কোনো দিন কারও চোখে পড়ে না।
এখানে একটা অসাম্য আছে যেটা নিয়ে ক্রিকেট অ্যানালিটিক্স প্রায় কথা বলে না। ত্রুটি আর শূন্যতা এক জিনিস নয়। ত্রুটি আওয়াজ করে—স্ক্রিপ্ট ক্র্যাশ, ব্যাজ লাল, সতর্কবার্তা। শূন্যতা চুপ করে থাকে, কারণ খালি ঘর একটা বৈধ মানের মতো দেখায়। ধরুন একটা ডে-নাইট ম্যাচে বৃষ্টি এল, ডিএলএস টার্গেট রিভাইজড হলো, কিন্তু রিভাইজড টার্গেটের ঘরটা খালি রয়ে গেল। মডেল এতে ক্র্যাশ করবে না; সে "টার্গেট নেই" ধরে নিয়ে অন্য যুক্তিতে এগিয়ে যাবে, আর যে ব্যাটারের ইনিংসটা আসলে চাপের মধ্যে ছিল, সেটা তার হিসাবেও স্বাভাবিক দেখাবে। ভুল সংখ্যা ধরার উপায় আছে; অনুপস্থিত সংখ্যা ধরার উপায় প্রায় নেই, যদি না আপনি আগেই ঠিক করে রাখেন যে সব খালি ঘর সন্দেহভাজন।
দ্বিতীয় বিপদটা ফরম্যাটের। গত মাসে একটা তরুণ পেসারের ডেটা দেখছিলাম, যেখানে ইনিংসপ্রতি ইকোনমি ৭.১। কেউ কেউ বলছিলেন "প্রতিশ্রুতিশীল, কিন্তু ব্যয়বহুল"। অথচ ওই সংখ্যাটা টি-টোয়েন্টির ছিল, আর টি-টোয়েন্টিতে ৭.১ ইকোনমি মোটেই খারাপ নয়—ডেথ ওভারে দিনের বোলারদের সংখ্যা এর নিচে নামে কম। ওডিআইর বেঞ্চমার্ক সম্পূর্ণ অন্য জায়গায় বসে। একই মেট্রিক, আলাদা ফরম্যাট—তুলনাটা তখনই অবৈধ হয়ে যায়। এই কারণেই ফরম্যাট নির্ধারিত না হলে কোনো খেলোয়াড়-স্তরের দাবি করা উচিত নয়। যেটা আমি দেখেছি, সেটা আসলে খালি ঘরেরই আরেক রূপ।
তৃতীয় বিপদ সূত্রের। বিশ্লেষণপ্রতিবেদনে সূত্র আর সূত্রের গুণমান—দুটোই অনুল্লেখিত থাকলে একটা গোপন সমস্যা তৈরি হয়: আপনি জানেন না যে তথ্যটা বোর্ডের অফিসিয়াল ঘোষণা, নাকি কোনো ট্রাফিক-তাড়া করা অ্যাকাউন্টের দাবি। দক্ষিণ এশীয় ক্রিকেট মিডিয়ায় আবেগ-প্রসারণের সহগ উঁচু; একটা গুঞ্জন ঘণ্টাখানেকে হেডলাইন হয়ে যায় এবং ডেটার মতো দেখতে শুরু করে। নিলামের আগে বা সিরিজ শুরুর আগে এই পার্থক্যটা সবচেয়ে বেশি জরুরি, আর ঠিক তখনই সেটা সবচেয়ে কম যাচাই করা হয়।
আমার সামনে যে প্রতিবেদনটা ছিল, সেটা একটা সিদ্ধান্তে পৌঁছেছিল যা প্রথমে অদ্ভুত লাগে: এশীয় বাজারের একটা ক্রিকেট বিষয় নিয়ে ছয়টি বিশ্লেষণ-মাত্রার প্রতিটি ঘরে "তথ্য অপর্যাপ্ত" লেখা হবে, আর কোনো অনুমান দিয়ে সেটা ভরা হবে না। কাগজে এটা ব্যর্থতা মনে হয়। বাস্তবে এটাই শৃঙ্খলা। কারণ শূন্য তথ্যপয়েন্ট থাকলে কোনো দাবিই দাঁড়ায় না—না র্যাঙ্কিং, না ফর্ম, না নিলামের মূল্য। যে বিশ্লেষণ খালি ঘরে ভর দিয়ে একটা গল্প বানায়, সেটা বিশ্লেষণ নয়, সেটা সাজানো অনুমান।
তাই পাইপলাইনে যা দরকার, সেটা আরও ডেটা নয়—একটা রিজেক্ট-গেট। তথ্যপয়েন্টের সংখ্যা শূন্য হলে রেকর্ড আটকে যাবে; সত্তার তালিকা খালি থাকলে আটকে যাবে; ডোমেইন লেবেল হুবহু মিলছে না মানে অডিটে যাবে। প্রতিটি রেকর্ডে এই তিনটি শর্ত থাকলে বহু নীরব ব্যর্থতা প্রকাশ্যে আসবে।
এই জায়গায় শিল্পের স্বাভাবিক প্রতিক্রিয়ার সাথে আমার মতবিরোধ আছে। অনেকে বলেন, "ডেটা কম, আরও ডেটা যোগান।" আমার অভিজ্ঞতা উল্টো কথা বলে—যখন উৎসের পাঠযোগ্যতা দুর্বল, তখন আরও ডেটা মানে আরও বেশি খালি ঘর, আর সেই খালি ঘরগুলো মডেলে ঢুকে শূন্য হয়ে বসে যায়। সমস্যা মডেলের স্তরে নয়, ইঙ্গেশন স্তরে। প্রতিবেদনের সবচেয়ে তীক্ষ্ণ পর্যবেক্ষণটাও এখানেই: প্রতিটি ঘর খালি অথচ ডোমেইন লেবেল ভরা—এটা প্রমাণ করে লেবেলটা আসলে বিষয়বস্তু থেকে পাওয়া যায়নি, ট্যাক্সোনমির ডিফল্ট থেকে এসেছে।
আরও একটা কথা বলি, যা বললে অস্বস্তি হয়। ডেডলাইনে সম্পাদক গল্প চান, সংখ্যা নয়। তখন খালি ঘর ভরাট করা সহজ, আর "তথ্য অপর্যাপ্ত" লেখা কঠিন। প্রতিটি N/A লেখা একটা ছোট প্রতিরোধ। ওই অর্থে খালি ঘর আসলে শূন্য নয়—সেটা একটা বিবৃতি।
পরের নিলাম চক্র বা এশিয়া কাপের আগে আমার একটা পরামর্শ থাকবে: নতুন মডেল বানানোর আগে নিজের পাইপলাইনে একবার "খালি ঘর" অডিট করুন। দেখুন কোন কোন রেকর্ড শূন্য সত্তা রিটার্ন করছে, কোন লেবেলগুলো মূল ডোমেইন থেকে সরে যাচ্ছে। যে রেকর্ড নিজেকে চিনতে পারে না, সেটা কোনো দিন ভুলও ধরতে পারবে না। স্কোরবোর্ড কখনো মিথ্যে বলে না; কিন্তু যে স্কোরবোর্ড ফাঁকা, সেটা সত্যি বলার সুযোগটুকুও হারিয়ে ফেলে।
