खाली डेटासेट भी वैलिडेशन पास कर लेता है: क्रिकेट डेटा पाइपलाइन की वह खामी जो स्कोरकार्ड नहीं दिखाता

एक रिपोर्ट मेरे सामने थी जिसमें आठ डायमेंशन, चार रिस्क फ़्लैग, करीब आधा दर्जन टेबल और एक पूरा 'कॉम्प्रिहेंसिव असेसमेंट' सेक्शन मौजूद था। हर सेल में एक ही जवाब भरा था: N/A। किसी भी खिलाड़ी का नाम नहीं, किसी भी मैच का स्कोर नहीं, किसी भी लीग का आंकड़ा नहीं। और सबसे महत्वपूर्ण बात — सिस्टम ने इसे त्रुटि नहीं माना। उसने इसे पास कर दिया, क्योंकि स्कीमा का आकार सही था। जानकारी के अंक शून्य थे, लेकिन फ़ॉर्मैट पूरा था। मेरे पास एक निजी एरर लॉग है — हर मॉडल की चूक, तारीख़ के साथ, वजह के साथ, सुधार के साथ। उस लॉग की सबसे अजीब एंट्री अब वह गलती है जो गलत नहीं थी, बस खाली थी। पंक्ति में डेटा था; डेटासेट में कुछ नहीं था। यह क्रिकेट की खबर नहीं लगती, लेकिन है। पिछले कुछ सालों में क्रिकेट कवरेज का जो हिस्सा सबसे तेज़ी से बढ़ा है, वह मैदान पर नहीं, मैदान के नीचे बहने वाली पाइपलाइन में है — स्कोरिंग फ़ीड, बॉल-बाय-बॉल लॉग, फ्रैंचाइज़ी डेटा वेयरहाउस, ब्रॉडकास्ट ग्राफ़िक्स का सोर्स, और अब वे ऑटोमेटेड एक्सट्रैक्शन सिस्टम जो हर मैच रिपोर्ट को संख्या में बदल देते हैं। 2026 में जब मैंने कोलकाता के प्रेस बॉक्स में पहली बार अपनी xG शीट खोली थी, तब सवाल यह था कि मैं किस 'फ़ीचर डेस्क' के लिए फ़ाइल भेज रही हूँ। आज सवाल उलटा है: जो डेस्क मुझे फ़ाइल भेज रहा है, उसके पास जानकारी है या सिर्फ़ खाने हैं? आठ साल में मैंने अपनी पद्धति को तीन बार दोबारा बनाया — पहले फ़ुटबॉल के मेट्रिक्स से, फिर क्रिकेट के अपने वेरिएबल्स से, और अब उस सवाल से कि जब स्रोत ही खाली हो तो मॉडल क्या करे। 2026 की गर्मियों में लुज़्निकी में स्पेन ने 1,114 पास पूरे किए, 79% गेंद पर कब्ज़ा रखा, और मुश्किल से एक एक्सपेक्टेड गोल बनाया। उस रात न्यूज़रूम ने 'टिकी-टाका की मौत' फ़ाइल की; मैंने उलटा लिखा — पास असली थे, कब्ज़ा नकली। 2026 में ब्रिस्बेन में मैंने वही तर्क भारत के तेज़ आक्रमण पर लगाया, जिसके पास पाँच टेस्ट का सामूहिक अनुभव भर था। 2026 की नवंबर में जेद्दा की नीलामी में ऋषभ पंत के ₹27 करोड़ पर मैंने फ़ेज़-आधारित वैल्यू मॉडल चलाया, और उसी लॉगिक को क्लब वर्ल्ड कप के 32-टीम शेड्यूल पर लगाया। हर बार एक ही शर्त थी: पंक्ति-दर-पंक्ति नीचे जाओ, जहाँ तक संख्या खुद को साबित न कर दे। इस बार पंक्ति खाली मिली। जो रिपोर्ट मेरे पास आई, वह क्रिकेट डोमेन की थी, लेकिन उसमें 0 इन्फ़ॉर्मेशन पॉइंट्स थे। शीर्षक N/A, स्रोत N/A, लेख का प्रकार 'Unclassified', लेखक का रुख N/A, उद्देश्य N/A। 'एंटिटीज़ इन्वॉल्व्ड' फ़ील्ड में लिखा था — 'ऊपर दिए गए इन्फ़ॉर्मेशन पॉइंट्स से पहचानें'। ऊपर कोई इन्फ़ॉर्मेशन पॉइंट था ही नहीं। यह गोल चक्कर उस सबसे बड़ी समस्या की ओर इशारा करता है जो क्रिकेट डेटा रिपोर्टिंग में आज भी अनदेखी है: हम मॉडल की गलती नापते हैं, स्रोत की गरीबी नहीं। दो संकेतों ने साफ़ कर दिया कि यह मूल लेख की खालीपन नहीं, अपस्ट्रीम एक्सट्रैक्शन की विफलता है। पहला — डोमेन लेबल 'cricket_world' के रूप में दर्ज था, जो स्कीमा का मानक टोकन 'Cricket' नहीं है। यह कच्चा टैक्सोनॉमी टोकन है, यानी क्लासिफ़ायर फ़ॉलबैक मोड में चला। दूसरा — 'Article Type' का 'Unclassified' रह जाना। जिस लेख का शीर्षक भी पार्स न हो, उसका प्रकार कभी तय नहीं होगा। इन दोनों का एक साथ आना बताता है कि पाइपलाइन ने सामग्री पढ़ी ज़रूर, लेकिन बॉडी टेक्स्ट कभी निकाल ही नहीं पाई। फिर भी उसने एरर नहीं उठाया। यही 'साइलेंट फ़ेल्योर' है — और साइलेंट फ़ेल्योर शोर मचाने वाली विफलता से ज़्यादा ख़तरनाक है, क्योंकि वह उन्हीं वैलिडेशन गेट्स से पार निकल जाता है जो सिर्फ़ आकार जाँचते हैं, घनत्व नहीं। अब वह हिस्सा जो मुझे सबसे ज़्यादा परेशान करता है। जब आठ डायमेंशन का ढाँचा मिलता है और हर जगह N/A लिखा होता है, तो पढ़ने वाला उसे 'तटस्थ आकलन' समझ लेता है। यह तटस्थ आकलन नहीं है। यह आकलन का अभाव है, जिसे आकलन जैसा डिज़ाइन किया गया है। क्रिकेट में यह अंतर जान का मामला है। 'स्ट्राइक रेट 145' — वनडे में यह शानदार है, T20 में साधारण, और टेस्ट में बेमतलब। 'गेंदबाज़ी औसत 25' — टेस्ट में बेहतरीन, T20 में बस स्वीकार्य। फ़ॉर्मैट तय नहीं, तो कोई भी संख्या अर्थहीन है। और खाली रिपोर्ट में फ़ॉर्मैट ही तय नहीं था। इसीलिए उसमें पावरप्ले, मिडिल ओवर्स, डेथ ओवर्स का कोई ढाँचा नहीं चुना जा सका; वेन्यू का कारक — हरा टॉप, सूखी सतह, फ़्लैट ट्रैक — तय नहीं हुआ; ड्यू, बादल, DLS का कोई ज़िक्र नहीं मिला; होम-अवे का अंतर, जो क्रिकेट का सबसे बड़ा संरचनात्मक वेरिएबल है, बिना टीम और बिना मैदान के मापा ही नहीं जा सका। यहाँ वह चीज़ साफ़ होती है जिसे हम 'N/A की राजनीति' कह सकते हैं। N/A दो बिल्कुल अलग चीज़ों का एक ही संकेत है — पहला, 'जाँचा गया, नकारात्मक पाया गया', और दूसरा, 'जाँचा ही नहीं जा सका'। रिपोर्ट में यह फ़र्क़ कहीं दर्ज नहीं था। क्रिकेट पत्रकारिता में यही फ़र्क़ सबसे ज़्यादा गड़बड़ करता है। जब कोई कहता है कि किसी गेंदबाज़ के खिलाफ़ 'कोई नुकसान नहीं मिला', तो पाठक मान लेता है कि डेटा मौजूद था और नतीजा साफ़ था। हकीकत में डेटा मौजूद ही नहीं था। अनुपस्थिति भी मापी जा सकती है — बस उसे नापने की शर्त यह है कि आप पहले बताएँ कि कौन-सी पंक्तियाँ डेटासेट में हैं ही नहीं। सबसे बड़ा नुक़सान वहाँ हुआ जहाँ खिलाड़ी का नाम तक तय नहीं हो सका। 'एंटिटीज़ इन्वॉल्व्ड' फ़ील्ड का गोल चक्कर मज़ाक नहीं है; यह पूरे विश्लेषण को ज़मीन से उखाड़ देता है। क्रिकेट में भूमिका तय होने से पहले कोई मेट्रिक मायने नहीं रखता। ओपनर, मिडिल-ऑर्डर एंकर, फ़िनिशर, तेज़ गेंदबाज़ी के खिलाफ़ स्पिन ऑलराउंडर, विकेटकीपर-बैटर — हर भूमिका का अपना अलग मापदंड है। बिना भूमिका के 'कोर मेट्रिक्स' टेबल भरना सिर्फ़ खाने भरना है। और छोटे सैंपल की जाँच, जो क्रिकेट में सबसे ज़रूरी गार्डरेल है, चल ही नहीं सकी। तीन अच्छे मैचों से 'जनरेशनल टैलेंट' बना देना इस पेशे की सबसे भरोसेमंद आदत है, और खाली डेटासेट के सामने उस आदत को नापने का कोई ज़रिया नहीं बचता। लेकिन यहाँ मुझे अपने ही पक्ष को सबसे मज़बूत रूप में रखना होगा, वरना यह लेख वही बेईमानी करेगा जिसका आरोप मैं दूसरों पर लगा रही हूँ। पाइपलाइन बनाने वालों का तर्क सबसे मज़बूत रूप में यह है: हर खाली आउटपुट विफलता नहीं होती। बहुत सारे लेख सचमुच संख्या-विहीन होते हैं — बोर्ड की बैठक का बयान, कैलेंडर की घोषणा, कोच की टिप्पणी। अगर सिस्टम हर शून्य इन्फ़ॉर्मेशन पॉइंट पर ब्लॉकिंग एरर उठाने लगे, तो आधा बैकलॉग रुक जाएगा और एडिटर अगले हफ़्ते खुद उस गेट को हटा देगा। दूसरा तर्क: क्रिकेट की जानकारी महँगी है। BCCI की एक्रेडिटेशन, फ़्रैंचाइज़ी का डेटा एक्सेस, ब्रॉडकास्टर का फ़ीड — यह सब आपकी बीट की ऑक्सीजन है। जो डेटा आपको मुफ़्त और साफ़-सुथरे रूप में मिलता है, वह टेलीविज़न आ रहे मैचों का है; बिना कैमरे वाले रणजी राउंड, ज़्यादातर महिला घरेलू क्रिकेट, और हर वह मुक़ाबला जिसका व्यावसायिक फ़ीड नहीं है — वह डेटासेट में है ही नहीं। यानी साफ़ डेटासेट कभी पूरा डेटासेट नहीं होता। तीसरा और सबसे ईमानदार तर्क: ज़्यादातर ऐसी विफलताएँ विश्लेषण की नहीं, रिट्रीवल की होती हैं। पेवॉल, जियो-ब्लॉक, जावास्क्रिप्ट से बना बॉडी टेक्स्ट, इमेज-ओनली पेज, ग़ैर-अंग्रेज़ी स्रोत — इनमें से कोई भी कारण हो सकता है, और इनमें से किसी का इलाज विश्लेषण में नहीं, क्रॉलर में है। यह तर्क अपनी जगह सही है, और मैं इसे पूरी ताक़त से दर्ज कर रही हूँ। लेकिन यह उस गेट की जगह नहीं ले सकता जो गायब है। क्योंकि असली नुक़सान पाइपलाइन के रुकने में नहीं, पाइपलाइन के झूठ बोलने में है। एक देर से आई रिपोर्ट एक खाली रिपोर्ट से हमेशा बेहतर है। जिस क्षण एक फ़ॉर्मैट-पूरी, स्कीमा-पास, सामग्री-शून्य रिपोर्ट डाउनस्ट्रीम चली जाती है, वहाँ से आगे हर कदम अनुमान बन जाता है — और अनुमान किसी खिलाड़ी, किसी टीम, किसी बोर्ड के बारे में एक ऐसा बयान बन सकता है जिसका कोई सबूत कभी था ही नहीं। मेरे पेशे में यह सबसे तेज़ रास्ता है डेटा-पत्रकारिता से एजेंडा-पत्रकारिता तक, और वह रास्ता हमेशा तकनीकी भाषा में तय होता है, न कि विचारधारा में। दूसरी बात, जिसे मैं खुद पर भी लागू करती हूँ: हम डेटा की गुणवत्ता पर तो बहस करते हैं, लेकिन डेटा के स्रोत पर नहीं। एक फ़्रैंचाइज़ी का डेटा एक्सेस उस फ़्रैंचाइज़ी के बारे में क्या लिखा जाएगा, यह भी तय करता है — चुपचाप, बिना अनुबंध के, सिर्फ़ इसलिए कि अगली बार भी फ़ाइल मिलनी चाहिए। यह मेरी बीट की सबसे बड़ी संरचनात्मक कमज़ोरी है, और मैं इसे लिखकर ही काबू में रख सकती हूँ। जहाँ संख्या स्वतंत्र रूप से जुटाई जा सकती है, वहाँ बोर्ड को नियोक्ता नहीं, विषय मानना पड़ेगा। तो इस खाली रिपोर्ट से बचा हुआ एक ही मूल्य है, और वह क्रिकेट का नहीं, प्रक्रिया का है। वह यह बताता है कि एक अच्छी तरह पहचानी जा सकने वाली विफलता का हस्ताक्षर कैसा दिखता है: डोमेन लेबल मौजूद, बॉडी शून्य, प्रकार 'Unclassified', एंटिटी फ़ील्ड गोल। यही वह पैटर्न है जिसे एक मॉनिटरिंग नियम को पकड़ना चाहिए — और अभी पकड़ता नहीं, क्योंकि हमारे सिस्टम आकार जाँचते हैं, घनत्व नहीं। तीन ठोस सुधार तुरंत लागू हो सकते हैं। पहला, हार्ड गेट: अगर इन्फ़ॉर्मेशन पॉइंट्स की संख्या शून्य है या एंटिटी फ़ील्ड गोल चक्कर में है, तो पाइपलाइन आर्टिफ़ैक्ट जारी करने के बजाय ब्लॉकिंग एरर उठाए। दूसरा, डोमेन लेबल पर स्कीमा अनुपालन लागू हो — 'cricket_world' नहीं, 'Cricket'। तीसरा, मूल प्रकाशन की तारीख़ इनजेस्ट के वक़्त ही दर्ज हो, विश्लेषण के वक़्त नहीं, क्योंकि तारीख़ के बिना समय-संवेदनशीलता की गिरावट नापी ही नहीं जा सकती। मेरा 2026 का प्रीव्यू सिस्टम एक बार ग्यारह दिन देर से रिलीज़ हुआ था, क्योंकि मैं तब तक प्रकाशित नहीं करना चाहती थी जब तक अपना ही मॉडल तोड़ न देती। उस देर की क़ीमत मैंने चुकाई, और फिर भी वह सही फ़ैसला था। इस बार देर नहीं, खालीपन बिकने का ख़तरा है। सवाल यह नहीं है कि एक पाइपलाइन विफल हुई — सवाल यह है कि उस विफलता से पहले कितनी रिपोर्टें इसी आकार में, इसी स्कीमा के साथ, इसी तरह चुपचाप पास होकर प्रकाशित हो चुकी हैं। जिस दिन हम N/A को 'जाँचा जा सका' और 'जाँचा ही नहीं जा सका' के बीच अलग-अलग लिखने लगेंगे, उस दिन क्रिकेट का डेटा डेस्क पहली बार अपने ही स्कोरकार्ड के बारे में सच बोलेगा।