खेल डेटा विश्लेषण: खाली स्टेज-1 आउटपुट और क्रिकेट विश्लेषण पाइपलाइन की विफलता का लेखा-जोखा

पिछले सप्ताह एक क्रिकेट विश्लेषण पाइपलाइन के आउटपुट की जाँच के दौरान मेज़ पर जो शीट आई, उसमें सबसे ऊपर की पंक्ति में लिखा था: Domain Label: cricket_world। उसके नीचे पाँच कॉलम थे, और पाँचों खाली थे। मैंने तीस वर्षों में क्रिकेट की कितनी स्कोरशीटें खोली हैं, लेकिन इससे पहले कभी ऐसा पन्ना नहीं मिला जिसमें खेल का नाम लिखा हो और खेल की कोई गेंद न हो। यह विफलता का सबसे साफ़ रूप है — आपको बताया जाता है कि मैच शुरू हो चुका है, पर स्कोरबुक में एक भी रनर्स दर्ज नहीं। डेटा ऑडिट में हम इसे 'साइलेंट ब्लैंक' कहते हैं: सिस्टम ने एरर नहीं दिया, उसने बस कुछ नहीं लिखा। और यही चीज़ इसे सबसे महँगी गलती बनाती है।

पिपलाइन का ढाँचा ठीक उसी तरह बना था जैसे हम मैच रिपोर्ट बनाते हैं। Stage-1 से अपेक्षा थी कि वह कच्चे आर्टिकल से छह चीज़ें निकाले: शीर्षक और स्रोत, आर्टिकल का प्रकार, मुख्य दावे, सूचना-बिंदु, इकाइयाँ (entities), और समय-रेखा। यह वही क्रम है जो एक स्कोरर पारी के दौरान बनाता है — पहले ओवर नंबर, फिर गेंदबाज़, फिर बल्लेबाज़, फिर रन। Stage-1 खाली लौटा, यानी पहली ही गेंद पर स्कोरबुक बंद हो गई। इसके बाद Stage-2 का विश्लेषण किस चीज़ पर बनता? किसी चीज़ पर नहीं। खाली इनपुट पर गहरा विश्लेषण करने का मतलब है अनुपस्थिति को व्याख्या बनाना — और वह क्रिकेट पत्रकारिता नहीं, क्रिकेट कल्पना है।

मैंने 2026 के रणजी ट्रॉफी फाइनल में वानखेड़े की 1,180 गेंदें हाथ से कोड की थीं — लाइन, लेंथ, सीम पोज़िशन, फ़ील्ड प्लेसमेंट, बल्लेबाज़ का स्कोरिंग ज़ोन। उस शीट ने बताया था कि तमिलनाडु की दूसरी पारी ने 41वें ओवर तक 68 फ़ीसदी रन विकेट के स्क्वायर में बनाए थे, और जब मुंबई ने स्वीपर पीछे खड़ा किया, रन-रेट बदल गया। यह निष्कर्ष स्कोरबुक से निकला था, राय से नहीं। जिस दिन आपके पास गेंद-दर-गेंद का रिकॉर्ड नहीं होता, उस दिन 'मोमेंटम' शब्द का इस्तेमाल एक स्वीकारोक्ति बन जाता है, विश्लेषण नहीं।

अब देखिए इस पाइपलाइन में क्या-क्या गायब था। शीर्षक और स्रोत की जगह N/A लिखा था — यानी मुझे यह पता ही नहीं कि दावा कहाँ से आया है, किस तारीख़ का है, और किसने लिखा है। 'Article Type' की जगह 'Unclassified' — यानी मुझे यह नहीं पता कि सामने न्यूज़ है, कमेंट्री है, डेटा रिपोर्ट है या प्रीव्यू। तीनों के लिए विश्लेषण का ढाँचा अलग होता है। मुख्य दावे खाली थे, यानी सत्यापन के लिए कोई दावा ही नहीं था। सूचना-बिंदुओं की सूची खाली थी, यानी घटना की कोई बुनाई नहीं थी। और चूँकि इकाइयाँ सूचना-बिंदुओं पर निर्भर हैं, खिलाड़ी, टीम, टूर्नामेंट, संस्था — चारों का संदर्भ-ग्राफ़ भी शून्य पर आ गया।

यहाँ एक बात साफ़ कर दूँ: समस्या Stage-2 के विश्लेषण की नहीं है, समस्या Stage-1 की अखंडता की है। जब डेटा की पहली परत ही खाली हो, तो ऊपर की हर परत अनुमानों का ढेर बनती है। और अनुमान के ढेर पर बनी रिपोर्ट को पाठक 'द एथलेटिक' समझ लेता है, जबकि वह ट्वीट का विस्तार भर होती है।

अब आते हैं कारण पर। तकनीकी तौर पर खाली आउटपुट के तीन संभावित कारण हैं, और तीनों का इलाज अलग है।

पहला, इनपुट ही खाली था। कई बार ऐसा होता है कि सिस्टम को URL दिया जाता है, आर्टिकल टेक्स्ट नहीं। तब स्क्रैपर खाली लौटता है, और बाद की परतें N/A भरने लगती हैं। यह 'खाली इनपुट' की विफलता है, और इसका इलाज है पाइपलाइन के प्रवेश-द्वार पर वैलिडेशन — अगर टेक्स्ट की लंबाई शून्य के करीब है, तो सिस्टम को विश्लेषण शुरू ही नहीं करना चाहिए। स्कोरर गेंद आने से पहले स्कोर नहीं लिखता।

दूसरा, इनपुट ठीक था पर एक्सट्रैक्शन मॉडल का आउटपुट पार्स विफल रहा। यह हम स्कोरकार्ड में रोज़ देखते हैं — गेंदबाज़ ने गेंद डाली, पर स्कोरर स्क्रीन पर ही नहीं था। खाली सूची और पूरे N/A का पैटर्न इस विफलता का क्लासिक निशान है। पाँचों फ़ील्ड एक साथ खाली होना संयोग नहीं होता; यह आमतौर पर इस बात का सबूत है कि मॉडल का जवाब कहीं कट गया, या JSON पार्स ही नहीं हुआ, और सिस्टम ने डिफ़ॉल्ट मान भर दिए।

तीसरा, भाषा-असंगति। अगर मूल आर्टिकल हिंदी, उर्दू या बांग्ला में है और एक्सट्रैक्शन प्रॉम्प्ट अंग्रेज़ी जवाब माँग रहा है, तो मॉडल अक्सर "मुझे जानकारी नहीं मिली" वाला सुरक्षित रास्ता ले लेता है। यह विनम्रता जैसा दिखता है, पर विफलता है। क्रिकेट में हम इसे ऐसे समझते हैं: आपने ऑफ़-स्पिनर से गेंद माँगी और उसने लेग-ब्रेक फेंक दी; दोनों स्पिन हैं, पर मैच नहीं जुड़ता।

अब आप पूछेंगे कि इतनी तकनीकी बात क्रिकेट रिपोर्ट में क्यों? क्योंकि क्रिकेट पत्रकारिता में यही बीमारी तीन दशक से फैली है — शीर्षक से पहले राय, स्रोत से पहले दावा, और सबूत से पहले वर्डिक्ट। पाइपलाइन की खाली Stage-1 उसी बीमारी का मशीनी रूप है। जो पत्रकार स्रोत नहीं लिखता, वह क्रिकेट में वही गलती करता है जो स्कोरर बिना गेंद नंबर के रन लिखने में करता है — हिसाब मिलता ही नहीं।

इसलिए मेरी पहली सलाह साफ़ है: Stage-1 दोबारा चलाइए, पर इस बार तीन चीज़ें जाँचिए। पहली, देखिए कि Stage-1 को पूरा आर्टिकल टेक्स्ट मिला है या सिर्फ़ URL और शीर्षक। दूसरी, देखिए कि मॉडल का रॉ आउटपुट कहीं ट्रंकेट नहीं हुआ — लॉग में टोकन-लिमिट और पार्स-एरर की गिनती निकालिए। तीसरी, भाषा सेटिंग देखिए; अगर स्रोत दस्तावेज़ हिंदी में है तो प्रॉम्प्ट में हिंदी में निकालने का निर्देश दीजिए। यह वही चीज़ है जो हम मैच प्रीव्यू में करते हैं — पहले पिच, फिर मौसम, फिर फ़ील्ड। तीनों जाँचे बिना इलेवन नहीं बनती।

दूसरा रास्ता ज़्यादा सीधा है: मूल आर्टिकल मुझे दीजिए। मैं Stage-1 को बायपास करके सीधे विश्लेषण कर सकता हूँ, और साथ में एक नमूना Stage-1 शीट भी बना सकता हूँ जिससे आप मिलान कर सकें कि मूल पाइपलाइन से कौन-सी जानकारी छूटी। यह उसी तरह का काम है जैसे पुराने मैच की वीडियो-टेप देखकर स्कोरबुक दोबारा लिखना। आपको टेप चाहिए, न कि मेरा स्मरण।

तीसरा रास्ता — अगर आपके पास Stage-1 का आधा-अधूरा आउटपुट है, तो वह भी दीजिए। दो-तीन सूचना-बिंदु भी अगर हैं, तो काम शुरू हो सकता है। हाँ, मैं यह ज़रूर अंकित करूँगा कि कौन-से निष्कर्ष अधूरे डेटा की वजह से कमज़ोर हैं। अधूरे डेटा पर पूरा भरोसा जताना क्रिकेट विश्लेषण की सबसे पुरानी गलती है; और खाली डेटा पर तो भरोसा जताना ही नहीं चाहिए।

अब एक बात जो अक्सर छूट जाती है। लोग समझते हैं कि डेटा पाइपलाइन की खाली रिपोर्ट एक तकनीकी घटना है। यह तकनीकी घटना नहीं, संपादकीय घटना है। जिस दिन एक्सट्रैक्शन खाली लौटता है और सिस्टम 'डिप्थ एनालिसिस' का दावा करता है, उस दिन क्रिकेट पत्रकारिता में विश्वसनीयता का वही हश्र होता है जो एक ऐसी स्कोरशीट का होता है जिसमें पारी का स्कोर तो लिखा हो पर ओवर नंबर न हों। आप उस शीट को किसी से मिला नहीं सकते।

मैंने तीन दशकों में जो सबसे उपयोगी नियम सीखा है, वह यह है: निष्कर्ष आख़िर में लिखा जाता है, पहले नहीं। पाइपलाइन की यह खाली रिपोर्ट उसी नियम का उल्लंघन है — पहले 'क्रिकेट वर्ल्ड' का लेबल, फिर कुछ नहीं। यह वही गलती है जो कमेंटेटर करता है जब वह पहली गेंद से पहले 'आज का मुक़ाबला बहुत रोमांचक होगा' कह देता है। अंत तक रुकिए। स्कोरबुक भरने दीजिए।

तो अगला क़दम यह है: आप यह तय कीजिए कि यह खाली इनपुट था या पार्स विफलता। पहले में इलाज गार्डरेल का है, दूसरे में मॉडल और टोकन-लिमिट का। और यह भी तय कीजिए कि आप चाहते क्या हैं — तथ्य-जाँच, तर्क-मूल्यांकन, समय-रेखा और प्रभाव-लेखा, या पुनर्लेखन। तथ्य-जाँच को सूचना-बिंदुओं के स्रोत चाहिए, जो इस शीट में खाली हैं; रिपोर्ट-पुनर्लेखन थोड़ी ढील दे सकता है, पर खाली इकाइयों पर वह भी नहीं बनता। जहाँ तक मेरी राय है, मूल आर्टिकल भेजिए। तीन हजार शब्द की रिपोर्ट चार सौ शब्द की खाली स्कोरशीट पर नहीं बनती। और अगर आप उस पुराने रणजी फाइनल की शीट माँगें, तो वह आज भी मुंबई के टीम रूम में टेप लगी रखी है — क्योंकि उस दिन हमने हर गेंद लिखी थी, और इसीलिए आज भी उस मैच पर भरोसा किया जा सकता है।