खाली डेटा शीट से मैच का सच नहीं निकलता: क्रिकेट एनालिसिस पाइपलाइन की उस खामी की जाँच जो स्कोरबोर्ड पर दिखती नहीं

हुक: वह मैच जो कभी काग़ज़ पर नहीं आया

दिल्ली में बैठी हूँ, मेज़ पर तीन स्क्रीन हैं। एक पर पुराना स्कोरकार्ड चल रहा है, दूसरे पर मेरे डेस्क का विन-प्रोबेबिलिटी मॉडल, और तीसरे पर वह आउटपुट जो मेरे सामने रखा गया — एक एनालिसिस रिपोर्ट जिसमें शीर्षक है "N/A", स्रोत है "N/A", लेख का प्रकार "अवर्गीकृत", और सबसे ऊपर सूचना-बिंदुओं की सूची पूरी तरह खाली। सिर्फ़ एक चीज़ भरी हुई है: डोमेन लेबल, cricket_asia।

यह कोई रिपोर्ट नहीं है। यह एक रिपोर्ट का खोल है जिसके अंदर कुछ नहीं रखा गया। और मेरे तीस साल के अनुभव में, जब भी किसी डेटा डेस्क पर ऐसा खोल आया है, गलती कभी उस व्यक्ति की नहीं होती जो उसे खोलता है — गलती उस पाइपलाइन की होती है जिसने उसे भरने से इनकार कर दिया।

मुझे यह बात 19 दिसंबर 2026 की याद दिलाती है। एडिलेड में भारत 36 पर ढेर हो गया था, और मैं दिल्ली में बैठी हर गेंद को लाइन, लेंथ, शॉट टाइप और टिके रहने वाली गेंदों के हिसाब से कोड कर रही थी। तब भी मेरे पास एक ऐसी शीट थी जिसमें कुछ कॉलम खाली थे — लेकिन वे खाली नहीं थे, वे अनुपलब्ध थे, और उनकी अनुपलब्धता खुद एक सबूत थी। आज जो शीट मेरे सामने है, उसकी खालीपन सबूत नहीं है। वह लापरवाही है।

संदर्भ: क्रिकेट एनालिसिस में "खाली" का मतलब क्या होता है

क्रिकेट में हम खालीपन को लंबे समय से गलत तरीके से पढ़ते आए हैं। एक बल्लेबाज़ जो दस गेंदों में आउट हो जाता है, उसका स्कोरबोर्ड कहता है "10 (12)" — और कमेंट्री कहती है कि वह "लय में नहीं था"। लेकिन अगर आप बॉल-बाय-बॉल डेटा उठाएँ, तो अक्सर पता चलता है कि उसने चार गेंदें ऐसी खेलीं जिन पर वह लगभग आउट था, और दो ऐसी जिन पर उसने शॉट नहीं खेला क्योंकि गेंद सीम के बाहर थी। यानी स्कोरबोर्ड का "12" एक संख्या है, लेकिन "10" के पीछे की कहानी एक रिकॉर्डिंग की विफलता है — हमने गेंद को दर्ज नहीं किया, सिर्फ़ नतीजे को दर्ज किया।

यही समस्या एक एनालिसिस पाइपलाइन में भी है। जब कोई स्क्रैपर किसी पेपरवॉल, कंसेंट-वॉल या जावास्क्रिप्ट-ओनली शेल पर रुक जाता है, तो वह "खाली" नहीं लौटाता — वह डिफ़ॉल्ट लौटाता है। और डिफ़ॉल्ट सबसे खतरनाक चीज़ है, क्योंकि वह देखने में डेटा जैसा लगता है। "N/A" एक मान है। "अवर्गीकृत" एक श्रेणी है। "मूल्यांकन नहीं किया गया" एक मूल्यांकन है। सिस्टम आपको बताता है कि उसने कुछ किया है, जबकि उसने कुछ नहीं किया।

यहीं से वह चीज़ शुरू होती है जिसे मैं पाइपलाइन का झूठा आत्मविश्वास कहती हूँ। इसका क्रिकेट में सीधा एनालॉग है: एक ऐसा मॉडल जो हर मैच के लिए 50-50 प्रेडिक्शन देता है और खुद को 100% सटीक बताता है क्योंकि वह कभी गलत नहीं होता — वह बस कभी कुछ कहता ही नहीं। मैंने 2026 में हैदराबाद में 240 गेंदें खुद लॉग कीं, और उस अनुभव ने मुझे एक नियम दिया जो आज भी मेरे डेस्क पर चस्पा है: जो मॉडल अपनी अनुपलब्धता नहीं बताता, वह मॉडल नहीं, विज्ञापन है।

कोर: तीन खामियाँ, तीन निदान, और एक सबक जो स्कोरबोर्ड पर नहीं दिखता

खामी एक: ए्क्सट्रैक्शन का खाली इनपुट

सबसे संभावित कारण यही है कि स्क्रैपर ने खाली या लगभग-खाली पेलोड लौटाया। यह क्रिकेट में उस क्षण जैसा है जब आप एक बड़े मैच की बॉल-बाय-बॉल फ़ीड माँगते हैं और तीसरे पक्ष का API आपको सिर्फ़ स्कोर लौटाता है — "148/6 (18.2)" — बिना यह बताए कि कौन सी गेंद किस लाइन पर थी, किस बल्लेबाज़ ने कौन सा शॉट खेला, या फ़ील्ड कहाँ सेट थी। आपके पास एक संख्या है और शून्य जानकारी।

इसे जाँचने का तरीका सीधा है: रॉ फ़ेच पेलोड को देखिए। अगर बाइट काउंट शून्य है, या HTML में सिर्फ़ एक शेल है, या कंटेंट-लेंथ शीर्षक की लंबाई से छोटा है, तो आपको पता चल जाएगा कि समस्या डाउनस्ट्रीम में नहीं, अपस्ट्रीम में है। मेरे डेस्क पर हम इसका एक सरल नियम इस्तेमाल करते हैं: अगर रॉ पेलोड में लेख का शीर्षक भी मौजूद नहीं है, तो बाकी सब कुछ अप्रासंगिक है। उस स्थिति में एनालिसिस शुरू करने का कोई तुक नहीं।

खामी दो: फ़ील्ड-मैपिंग की विफलता

दूसरा कारण ज़्यादा कपटी है क्योंकि यहाँ कंटेंट मौजूद था — बस वह स्कीमा की कुंजियों से बँधा नहीं था। ए्क्सट्रैक्टर ने पैराग्राफ़ निकाले, लेकिन पाइपलाइन ने उन्हें information_points में नहीं बाँधा, इसलिए आउटपुट ने डिफ़ॉल्ट उत्सर्जित किए।

यह क्रिकेट में उस क्षण जैसा है जब आपका स्कोरबुक सही भरा हुआ है लेकिन आपका एनालिटिक्स टूल गलत कॉलम पढ़ रहा है। मान लीजिए आपने हर गेंद को तीन कॉलम में दर्ज किया है — रन, विकेट, और टिप्पणी। और आपका मॉडल "रन" कॉलम की जगह "टिप्पणी" कॉलम पढ़ रहा है। अब आपका मॉडल कहेगा कि टीम का स्कोर "छक्का, चौका, सिंगल, आउट" है। संख्या मौजूद है, लेकिन वहाँ नहीं है जहाँ होनी चाहिए।

इसका निदान भी उतना ही सीधा है: स्कीमा-पूर्व का इंटरमीडिएट ऑब्जेक्ट लॉग कीजिए। अगर उसमें कंटेंट है लेकिन फ़ाइनल स्कीमा में नहीं, तो समस्या मैपिंग की है, स्रोत की नहीं। और यह जानना ज़रूरी है क्योंकि दोनों का इलाज बिल्कुल अलग है — पहले में आप स्क्रैपर ठीक करते हैं, दूसरे में आप स्कीमा बाइंडिंग ठीक करते हैं। एक ही गोली दोनों बीमारियों पर नहीं चलती।

खामी तीन: स्कीमा का टकराव

तीसरा कारण सबसे तकनीकी है: डीकंस्ट्रक्टर ने एक ऐसी संरचना की उम्मीद की जो पार्सर ने कभी बनाई ही नहीं। उदाहरण के लिए, डीकंस्ट्रक्टर body.paragraphs (नेस्टेड) ढूँढ रहा है, जबकि पार्सर ने text (फ़्लैट) लौटाया है। दोनों सही हैं, लेकिन एक-दूसरे से बात नहीं कर रहे।

क्रिकेट में इसका सबसे अच्छा उदाहरण वह है जो मैंने 2026 की मेगा नीलामी में देखा। मेरा मूल्य-ओवर-रिप्लेसमेंट मॉडल तीन सीज़न के डेथ-ओवर डेटा पर बना था, कठोरता से माध्य की ओर रिग्रेस्ड। मैंने जयदेव उनादकट की ₹11.5 करोड़ की राजस्थान रॉयल्स खरीद को बोर्ड पर सबसे खराब मूल्य वाली खरीद बताया, और केएल राहुल के ₹11 करोड़ के किंग्स इलेवन पंजाब जाने को सबसे समझदार कदम। एक फ़्रैंचाइज़ी अधिकारी ने कमरे में पूछा, "स्टैट्स वाली महिला को किसने अंदर आने दिया?" उस सीज़न उनादकट की इकॉनमी नौ के पार चली गई।

लेकिन उस कहानी का असली सबक यह नहीं है कि मैं सही थी। असली सबक यह है कि नीलामी की मेज़ पर हर बोली उस चीज़ के बारे में एक इक़बाल है जिसे बाज़ार माप नहीं सकता। और वही बात एक एनालिसिस पाइपलाइन पर लागू होती है: जब वह "N/A" लौटाती है, तो वह यह इक़बाल कर रही होती है कि उसने स्रोत को मापा ही नहीं। समस्या यह है कि वह इक़बाल नहीं करती — वह दिखावा करती है कि नाप लिया।

जहाँ पाइपलाइन और क्रिकेट एक हो जाते हैं

इन तीनों खामियों में एक साझा धागा है, और वह है डिफ़ॉल्ट का अधिकार। हमारे उद्योग में एक खतरनाक आदत है: जब हमें कुछ नहीं पता, तो हम "पता नहीं" नहीं लिखते — हम एक तटस्थ-दिखने वाला मान भर देते हैं। टीम चयन में यह आदत "संतुलन के लिए" किसी खिलाड़ी को चुनने के रूप में आती है। कमेंट्री में यह "लय में नहीं है" कहने के रूप में आती है। डेटा पाइपलाइन में यह "N/A" के रूप में आती है।

तीनों एक ही काम करते हैं: वे अनिश्चितता को छिपाते हैं और उसे विशेषज्ञता जैसा दिखाते हैं।

तीस साल की स्कोरबुक रिपोर्टिंग के बाद मैं यह दावा पूरे आत्मविश्वास से कर सकती हूँ: सबसे भरोसेमंद विश्लेषक वह नहीं जो हर सवाल का जवाब दे, बल्कि वह जो ठीक-ठीक बता सके कि उसके पास कौन सा डेटा नहीं है और क्यों। यह मेरे मॉडलिंग करियर का सबसे कठिन सबक रहा है। 2026 में मेरा मॉडल 12 ओवर के बाद पुणे को 87% पर रख रहा था, और मैच एक रन से निकल गया। उस दिन मैंने अपनी कॉपी से "मोमेंटम" शब्द हमेशा के लिए हटा दिया — लेकिन मैंने एक और चीज़ भी हटा दी जो मुझे तब समझ नहीं आई थी: वह प्रवृत्ति जो मॉडल के विश्वास और उसकी सीमाओं के बीच का फ़ासला भूल जाती है।

कंट्रेरियन: शून्य निष्कर्ष निकालना भी एक निष्कर्ष है — और वह गलत है

अब वह बात, जो मुझे इस पूरे प्रकरण में सबसे ज़्यादा चुभती है।

जिस एनालिसिस ने मेरे सामने यह खाली शीट रखी, वह अपने आप में एक ईमानदार दस्तावेज़ है। उसने साफ़ कहा: "मैं इस इनपुट से सार्थक विश्लेषण नहीं बना सकता।" यह अच्छा है। यह उस अधिकांश क्रिकेट कमेंट्री से बेहतर है जो कम डेटा पर दृढ़ निष्कर्ष निकालती है।

लेकिन इसमें एक कमज़ोरी है, और वह बारीक है। शून्य निष्कर्ष निकालना भी एक निष्कर्ष है — और वह अक्सर शून्य निष्कर्ष से भी गलत होता है।

इसे ऐसे समझिए। एक मैच में स्कोर 148/6 है, 18.2 ओवर, और आपसे पूछा जाए कि टीम कैसी स्थिति में है। आप कह सकते हैं "डेटा अपर्याप्त है, मुझे विकेटों की संख्या नहीं पता" — यह तकनीकी रूप से सही है, पर मैदान पर कोई भी देख रहा खेल प्रेमी जानता है कि 18.2 ओवर में सिर्फ़ 148 रन और छह विकेट का मतलब क्या है। आपने अपने अज्ञान को दूसरों के ज्ञान पर विजयी बना दिया।

और यही वह जाल है जिसमें फ़ोरेंसिक एनालिसिस आसानी से फँस जाता है — वह जाल जिसे मैं "शून्य-साक्ष्य अभिमान" कहती हूँ। यह कहना कि "साबित नहीं हुआ" बहुत आसान है, और बहुत सुरक्षित। कोई आपको ग़लत नहीं ठहरा सकता। लेकिन इस सुरक्षा की एक क़ीमत है: आप लेखक होना छोड़ देते हैं।

मैं अपने अनुभव से जानती हूँ कि जब 2026 में ऑस्ट्रेलिया दौरे से बाहर रहना पड़ा, तो मेरे पास भी कम डेटा था — कोई प्रेस बॉक्स नहीं, कोई पिच रिपोर्ट नहीं, कोई एक्सेस नहीं। लेकिन मैंने नहीं कहा कि "मैं विश्लेषण नहीं कर सकती।" मैंने हर आउट होने को लाइन, लेंथ, शॉट टाइप से कोड किया और पाया कि संकट मनोवैज्ञानिक नहीं, संरचनात्मक था — टॉप ऑर्डर की औसत टिकाऊ क़वायद बीस गेंदों से कम थी, और यह पैटर्न ग्यारह महीनों से दिख रहा था। मेरे पास सब कुछ नहीं था, लेकिन मेरे पास कुछ था, और कुछ से शुरुआत करना सबसे कठिन और सबसे ज़रूरी काम है।

यहाँ सच यह है: खाली शीट केवल तब खाली होती है जब आप उसमें कोई सवाल नहीं लिखते।

एक स्रोत-विश्लेषक के पास भले ही लेख का पूरा टेक्स्ट न हो, वह डोमेन लेबल cricket_asia से शुरुआत कर सकता है — एशियाई क्रिकेट बोर्डों, द्विपक्षीय सीरीज़, फ़्रैंचाइज़ी लीग, आईसीसी आयोजनों और शासन-वित्त के विषयों पर टेस्टेबल सवाल बना सकता है। हालाँकि — और यह मैं बिल्कुल गांधीजी वाली ईमानदारी से कह रही हूँ — डोमेन लेबल एक पूर्वग्रह है, सबूत नहीं। उस पर ढाँचा खड़ा करना दावे गढ़ना होगा, और मैं वह नहीं करूँगी।

तो खाली इनपुट पर रिपोर्ट न लिखने का फ़ैसला सही है। ग़लत यह है कि रिपोर्ट न लिखने को विश्लेषण कहना। और सबसे ग़लत यह है कि इस स्थिति को एक तकनीकी गड़बड़ी मानकर छोड़ देना — जबकि यह एक शोधात्मक निर्णय था जो दर्ज नहीं किया गया।

टेकअवे: अगली बार यह शीट आने से पहले

अगले टेस्ट मैच से पहले मेरे डेस्क पर तीन चीज़ें तय हैं। पहली, हर पाइपलाइन आउटपुट के साथ एक "डेटा अनुपलब्धता रिपोर्ट" चलेगी जो बताएगी कि कौन से फ़ील्ड स्रोत से नहीं आए, न कि कौन से डिफ़ॉल्ट भर गए। दूसरी, मेरा मॉडल हर भविष्यवाणी के साथ उसका टाइमस्टैम्प और उसकी अस्वीकृति की शर्तें दर्ज करेगा — ताकि जब वह चूके, तो भी दिखे। तीसरी, और सबसे कठिन, मैं अपने सालाना स्कोरकार्ड में वे कॉल्स भी लिखूँगी जो मैंने ली ही नहीं, क्योंकि डेटा मौजूद नहीं था।

क्योंकि जब एक टीम 36 पर ढेर होती है, तो वह आउटलायर नहीं होती — वह एक फ़ोरेंसिक ट्रेल होती है जिसे हमने पढ़ने से इनकार किया। और जब एक एनालिसिस शीट खाली लौटती है, तो वह भी एक ट्रेल है — उस पाइपलाइन की गवाही, जो आपको बताना चाहती थी कि उसने कुछ नहीं पढ़ा, लेकिन फ़ॉर्मैट ने उसे यह कहने की अनुमति नहीं दी।

सवाल यह नहीं है कि क्या यह शीट खाली थी। सवाल यह है: अगली बार जब इसी डेस्क पर 240 गेंदों का डेटा आएगा, तो क्या आप उसे भरने से पहले उस पर एक बार पढ़ेंगे भी?