200 OK और शून्य इनफॉर्मेशन पॉइंट: एशिया क्रिकेट की डेटा पाइपलाइन कहाँ टूटती है

सोमवार सुबह क्रॉलर ने 200 OK लौटाया। स्टेटस कोड साफ़ था, डोमेन लेबल भी आ गया — cricket_asia। उसके नीचे की हर पंक्ति खाली थी: शीर्षक नहीं, स्रोत नहीं, मुख्य विचार नहीं, इनफॉर्मेशन पॉइंट्स की सूची शून्य। एक एडिटोरियल सिस्टम के लिए ऐसा आउटपुट "कोई खबर नहीं" कहता है। मेरे लिए वह खुद खबर थी।

उन्नीस साल से मैं एशियाई क्रिकेट की उन फ़ाइलों के साथ काम करती आई हूँ जिनमें सबसे बड़ा डेटा वह होता है जो बनाया ही नहीं गया। 2026 में मुंबई की एक डिजिटल कंपनी में जब ISL के लिए पहला xG मॉडल बना रही थी, तब सबसे उपयोगी सीख मॉडल के कोड से नहीं मिली। वह इस बात में मिली कि अनुपस्थिति कैसे बोलती है। 2026 में गोवा के बंद दरवाज़ों वाले स्टेडियमों का डेटा देखते हुए भी वही हुआ — स्टेडियम खाली हुए, घरेलू टीमों की औसत कवर्ड दूरी 108 किलोमीटर से 104 पर आ गई, घरेलू जीत का दर 45 फ़ीसदी से 32 पर। जो संख्या मौजूद नहीं थी, वही सबसे बड़ी कहानी निकली। हमने उस लीग में पहला मॉडल बनाया जहाँ डेटा ही नहीं था, और अनुपस्थिति ने हमें सब कुछ सिखाया।

एशिया क्रिकेट की सूचना-अर्थव्यवस्था दो स्पष्ट परतों में बंटी है। ऊपर वह परत है जहाँ ब्रॉडकास्ट का पैसा ट्रैकिंग लाता है — फ़्रेंचाइज़ी टी20 की गेंद-दर-गेंद लॉग, स्पॉन्सर-फ़ंडेड इनसाइट्स, हर ओवर का ताज़ा फ़ीड। नीचे वह परत है जहाँ स्कोरकार्ड ही एकमात्र ईमानदार संख्या बचती है — बिना बॉल-ट्रैकिंग वाले रणजी मुकाबले, 2026 से चली आ रही WPL की पतली ऐतिहासिक पुस्तिका, एसोसिएट देशों के वे मैच जिनका कोई विश्वसनीय स्कोरबोर्ड रेटा दर्ज ही नहीं है। BCCI का पैसा वैश्विक कैलेंडर तय करता है और घरेलू डेटा ढाँचे को उसी क्रम में पीछे छोड़ता जाता है। यह राजनीति का मामला कम, मेज़रमेंट का मामला ज़्यादा है: जिस मैच को ट्रैक नहीं किया जाता, उसकी समीक्षा भी संभव नहीं होती।

अब उस खाली आउटपुट के सिग्नेचर पर लौटते हैं। लेबल आया, मुख्य भाग नहीं। क्लासिफ़ायर चला, एक्सट्रैक्टर नहीं चला — यह बहुत विशिष्ट फ़िंगरप्रिंट है, और इसका अर्थ यह है कि गड़बड़ी मॉडल के फ़ैसले में नहीं, ग्रैब और पार्सिंग की सतह पर है। संभावना के क्रम में देखें तो चार चीज़ें सामने आती हैं: सामग्री को 403 या पेवॉल या भू-प्रतिबंध ने रोका और हाथ में एरर पेज आया; पेज जावास्क्रिप्ट से बना था और स्थिर HTML में मुख्य भाग का नोड ही नहीं था; एक्सट्रैक्टर का सिलेक्टर उस साइट के DOM से मेल नहीं खाया और चुपचाप खाली लौट गया; या इनपुट ही किसी लिस्टिंग पेज या आरएसएस सारांश का था, जहाँ एक भी पूरा अनुच्छेद मौजूद नहीं था।

खुद टेम्पलेट में विरोधाभास दर्ज है। एक पंक्ति कहती है, "एंटिटीज़ ऊपर दिए इनफॉर्मेशन पॉइंट्स से निकालें", दूसरी कहती है, "स्रोत की गुणवत्ता इनफॉर्मेशन पॉइंट्स के स्रोत-फ़ील्ड से आँकें" — और वह सूची खाली है। यानी नीचे का टेम्पलेट इस अनुबंध पर लिखा गया था कि पहला चरण हमेशा कुछ लौटाएगा। खाली नतीजा जब वैध नतीजा मानकर आगे भेज दिया जाता है, तो नुकसान किसी एरर मैसेज से बड़ा होता है — क्योंकि एरर पर काम रुक जाता है, और खाली नतीजे पर एक ऐसा आलेख बन जाता है जो देखने में पूरा है और अंदर से खोखला।

यही पाँच विफलताएँ क्रिकेट कवरेज की पाँच आदतों से एक-से-एक मिलती हैं। पेवॉल और भू-प्रतिबंध वही हैं जो मीडिया अधिकारों की बंडलिंग है; जावास्क्रिप्ट से बना पेज वह मैच है जिसका डेटा स्रोत पर ही कभी पैदा नहीं हुआ; सिलेक्टर का बेमेल वह टेम्पलेट है जो एक लीग के लिए लिखा गया और पूरे महाद्वीप पर लागू कर दिया गया; लिस्टिंग पेज वह कवरेज है जो रणजी के रणनीतिक मुकाबले को भी स्कोरकार्ड की दो पंक्तियों में निपटा देती है। इसीलिए मैं हर दावे पर provenance टैग लगाती हूँ — यह संख्या ब्रॉडकास्ट फ़ीड से आई है, यह स्कोरकार्ड से, और यहाँ कोई ट्रैकिंग थी ही नहीं। टैग के बिना संख्या उधार की हुई लगती है। PPDA ने मुझे कभी नहीं बताया कौन जीतेगा; उसने बताया कि टीम कहाँ साँस लेना चुनती है।

इस मौजूदा ट्रांसफ़र साइकल में यही फ़िल्टर रोज़ काम आता है। रिटेंशन सूची, रिलीज़ क्लॉज़ की बनावट, NOC की शर्तें और एजेंट की ओर से उड़ाई गई फ़ीस की खबरें — इनमें से असली कहानी अनुबंध की संरचना और वेतन-भार में है, ट्वीट के तापमान में नहीं। एजेंट जो शोर पैदा करते हैं, वे उसी खाली एक्सट्रैक्शन का मानवीय रूप हैं: आत्मविश्वास से भरा लेबल, और नीचे कुछ भी नहीं। समझदार संपादक वही करता है जो पाइपलाइन को करना चाहिए — दावे को सबूत के हिसाब से क्रम में रखना, और जिस दावे के नीचे कोई इनफॉर्मेशन पॉइंट न हो, उसे आगे न भेजना।

सिर्फ़ एक डोमेन लेबल के साथ मैं जितना कर सकती हूँ, उतना स्पष्ट रखती हूँ: मैं किसी लेख का विश्लेषण नहीं कर सकती। कर सकती हूँ तो बस उस विषय-क्षेत्र का ढाँचा — सदस्य देशों की शासन-व्यवस्था और आईसीसी में सीट की राजनीति, BCCI का वाणिज्यिक भार और कैलेंडर पर उसका अधिकार, क्षेत्रीय टूर्नामेंट पर राजनीतिक दबाव, फ़्रेंचाइज़ी अर्थव्यवस्था में खिलाड़ी-आवाजाही, प्रसारण अधिकारों की पैकेजिंग, अफ़ग़ानिस्तान क्रिकेट का कूटनीतिक पक्ष, और महिला खेल में संसाधनों का बँटवारा। यह पूर्व-निर्धारित ढाँचा है, किसी पाठ की व्याख्या नहीं। इसे विश्लेषण बताकर पेश करना ठीक वही गलती होगी जिसकी जाँच यह रिपोर्ट कर रही है।

उलटी तरफ़ का तर्क भी ज़रूरी है। खाली एक्सट्रैक्शन यह साबित नहीं करता कि कहानी मौजूद नहीं थी; वह सिर्फ़ इतना कहता है कि पाइपलाइन ने ठीक से नहीं देखा। सहसंबंध और कारण को एक मान लेना यहीं शुरू होता है। WPL पर "नमूना छोटा है" कहकर बहस खत्म कर देना भी उतनी ही आसान चाल है — क्योंकि वह तकनीकी रूप से सही होती है और सोचने की ज़रूरत खत्म कर देती है। बेहतर तरीका यह है कि नमूना क्या बता सकता है और क्या नहीं, यह साफ़ कहा जाए, और फिर वह परीक्षण तय किया जाए जो सवाल तय कर देगा। कमेंट्री बॉक्स को शोर मानकर खारिज करना भी उसी आलस का रूप है; क्षेत्रीय भाषा की कमेंट्री उस डेटा से ज़्यादा लोकतांत्रिक काम कर रही है जो किसी बोर्ड ने अब तक जुटाया है। उनके दावे दर्ज करो, उनसे बात करो, और देखो कि आँख का परीक्षण कहीं मॉडल से आगे निकल गया है या नहीं। कैलिब्रेशन एक तपस्या है, और तपस्या में अपनी ही गलती को पहचानना पहला चरण होता है।

नीचे की ओर देखने पर एक ठोस सुधार सामने है: पहले चरण के निकास पर कठोर शर्त लगाओ — इनफॉर्मेशन पॉइंट्स खाली हैं तो कार्य को विफल घोषित करो, दूसरे चरण में मत भेजो। साथ में यह नियम जोड़ो कि हर सप्ताह काम का एक तय हिस्सा उन मुकाबलों पर खर्च होगा जहाँ कोई ट्रैकिंग नहीं है, वरना सबसे साफ़ डेटासेट धीरे-धीरे पूरा एजेंडा तय कर देगा। अगली बार जब कोई क्रिकेट खबर 200 OK के साथ आए, तो पहला सवाल स्कोर का नहीं, यह होना चाहिए कि उसके नीचे कितने इनफॉर्मेशन पॉइंट्स असल में मौजूद हैं — और अगर जवाब शून्य है, तो उसे खबर मानने की हिम्मत कौन करेगा?