শূন্য ডেটাসেট, একটি সৎ উত্তর: ক্রিকেট বিশ্লেষণে নাল-হ্যান্ডলিংয়ের পাঠ

আমি ফাইলটা খুললাম লন্ডনের সময় রাত এগারোটা বেজে চল্লিশ মিনিটে, কফি ততক্ষণে ঠান্ডা। বিশ্লেষণ পাইপলাইনের দ্বিতীয় স্তর ফিরে এসেছে। ভেতরে কী আছে? শিরোনাম নেই। সূত্র নেই। সারসংক্ষেপ ফাঁকা। তথ্যবিন্দুর তালিকা শূন্য। একটা মাত্র সংকেত জ্বলছে — cricket_world। ক্রিকেট-বিশ্ব। এতটুকু ছাড়া আর কিছু নেই। প্রতিটি ঘরে লেখা একটাই বাক্য: "তথ্য অপর্যাপ্ত, মূল্যায়ন সম্ভব নয়।"

পঁয়তাল্লিশ বছর ধরে আমি স্কোরকার্ড, স্প্রেডশিট, ট্র্যাকিং ডেটা ঘেঁটেছি। কিন্তু একটা সম্পূর্ণ খালি বিশ্লেষণ আমার কাছে ব্যর্থতা নয়। এটা একটা সৎ উত্তর। আর আজকের লেখাটা সেই সততা নিয়ে — কেন খালি ডেটাসেট বানানো বিশ্লেষণের চেয়ে বেশি মূল্যবান।

প্রসঙ্গ: দুই স্তরের চুক্তি

আধুনিক ক্রিকেট বিশ্লেষণ দুই স্তরে চলে। প্রথম স্তর কাঁচামাল ভাঙে: মূল লেখা থেকে শিরোনাম, সূত্র, ধরন, সারসংক্ষেপ, তথ্যবিন্দু, সংশ্লিষ্ট সত্তা, সময়-সংবেদনশীলতা। দ্বিতীয় স্তর সেই কাঁচামালের ওপর মাত্রিক বিশ্লেষণ চালায়: ফরম্যাট ও ম্যাচ, খেলোয়াড়ের কৌশল, দলের র‍্যাঙ্কিং, লিগ-বাণিজ্য, নিয়ম-শাসন, ঝুঁকি, জন-আখ্যান, শিল্প-সংক্রমণ।

এই দুই স্তরের মাঝে একটা চুক্তি আছে। প্রতিটি দ্বিতীয়-স্তরের সিদ্ধান্তকে প্রথম-স্তরের তথ্যবিন্দু থেকে উদ্ধৃত করতে হবে। তথ্যবিন্দু না থাকলে বিশ্লেষণ দাঁড়ায় না। এটা আমার পেশাগত সংবিধানের প্রথম অনুচ্ছেদ।

২০১৭ সালে প্রিন্ট ডেস্ক ছেড়ে আমি ডিজিটাল আউটলেটের জন্য পুরো ৩৮০টি প্রিমিয়ার লিগ ম্যাচের স্ট্যান্ডার্ড xG ও PPDA ডেটাসেট বানিয়েছিলাম। সেদিন শিখলাম, ডেটার মূল্য তার পরিমাণে নয় — তার উৎস-শৃঙ্খলে। কে সংগ্রহ করেছে, কখন, কোন সংস্করণে, কোন সংজ্ঞায়। সংজ্ঞা না থাকলে একই সংখ্যা দুই জায়গায় দুই রকম কথা বলে।

আমার প্রথম প্রকাশিত অডিট বার্নলিকে চিহ্নিত করেছিল: ৩৮.৪ xG বনাম বাস্তব ৪৪ গোল — লিগে সবচেয়ে বড় ওভারপারফরম্যান্স। বার্নলি যখন সপ্তম হয়ে ইউরোপে উঠল, যে সম্পাদকেরা "এক্সপেক্টেড গোলস"-কে বিদ্রূপ করতেন, তারাই কাঁচা ফাইল চাইলেন। আমি প্রতিটি মেট্রিকের সংজ্ঞা একটা প্রকাশ্য গ্লসারিতে স্ট্যান্ডার্ড করে দিলাম। আমি ডেটাসেটটা তিনবার নতুন করে বানিয়েছি, তারপর সংখ্যাগুলো আর তর্ক করা বন্ধ করেছে।

মূল বিশ্লেষণ: খালি ইনপুট বৈধ ফলাফল

এখন আসল প্রশ্ন। যখন পাইপলাইনের প্রথম স্তর খালি ফেরে, তখন দ্বিতীয় স্তরের সঠিক উত্তর কী? প্রলোভনটা স্পষ্ট: একটা ডোমেইন ট্যাগ — cricket_world — পেয়েছি, চলুন এর থেকে বিশ্বাসযোগ্য ক্রিকেট বিশ্লেষণ গড়ে ফেলি। ফরম্যাট ধরে নিই, দল বানিয়ে নিই, খেলোয়াড় বানিয়ে নিই। কিন্তু এটা হবে জালিয়াতি। একটা ডোমেইন ট্যাগ কোনো ফরম্যাট দেয় না, দল দেয় না, খেলোয়াড় দেয় না, সময়-অ্যাঙ্কর দেয় না।

তাই দ্বিতীয় স্তরে প্রতিটি মাত্রা ফিরে এসেছে একই সৎ ঘোষণায়। ফরম্যাট ও ম্যাচ বিশ্লেষণ? অপর্যাপ্ত। খেলোয়াড়ের ডেটা? কোনো খেলোয়াড় নেই, তাই অসম্ভব। দলের ল্যান্ডস্কেপ? কোনো দল চিহ্নিত নয়। লিগ-বাণিজ্য? কোনো লিগ নেই। নিয়ম-শাসন? কোনো সংস্থা নেই। ঝুঁকি? যার ওপর ঝুঁকি বসাব, এমন কোনো বিষয়ই নেই। জন-আখ্যান? শিরোনাম নেই, তাই আখ্যান নেই।

তথ্যমূল্যের রেটিং চারটি মাত্রায় — ক্রীড়া, শিল্প, সময়, উদ্ধৃতি — প্রতিটি এক তারকা। এর মানে এই নয় যে বিশ্লেষণটা খারাপ কাজ। এর মানে হলো, যাচাইযোগ্য ভিত্তি শূন্য। আর এই শূন্যতাটাই সিদ্ধান্তের আসল বিষয়।

এটা বিশ্লেষণগত সিদ্ধান্ত নয় — এটা একটা ডেটা-অখণ্ডতার ব্যর্থতা, এবং সেটাকে ব্যর্থতা হিসেবেই চিহ্নিত করা হয়েছে। যদি বিশ্লেষণ পাইপলাইন নিজের অখণ্ডতা রক্ষা করতে না পারে, তাহলে তার ফলাফল কতটা বিশ্বাসযোগ্য?

আমি ব্যক্তিগতভাবে একটা নিয়ম কখনো ভাঙি না: কোনো সংখ্যা তার পরিবেশ ছাড়া যাত্রা করে না। ২০১৮ সালে রাশিয়ায় ইংল্যান্ডের সেট-পিস রান ট্র্যাক করতে গিয়ে আমি প্রতিটা কর্নারের ডেলিভারি জোন আর সেকেন্ড-বল রিকভারি লগ করেছি। ইংল্যান্ড সেমিফাইনাল পর্যন্ত ১২ গোল করেছিল, আমার মডেল তার ৯টি ডেড-বল রুটিনকে দায়ী করেছিল — হ্যারি ম্যাগুয়াইরের মতো ডিফেন্ডারদের হেডসহ। কলম্বিয়ার বিরুদ্ধে শেষ ষোলোর ম্যাচের পর প্রকাশিত ব্রেকডাউনে দেখিয়েছিলাম, প্রতি কর্নারে ইংল্যান্ডের সেট-পিস xG ছিল ০.১১ — টুর্নামেন্টের গড়ের তিনগুণ। এফএ-র বিশ্লেষকরা ফাইল চাইলেন, সম্প্রচারকরা অন-এয়ার "সেট-পিস xG" উদ্ধৃত করতে শুরু করলেন। বারোটা সেট-পিস, একটা প্যাটার্ন, আর একটা স্প্রেডশিট যা রোমান্টিক হতে রাজি হয়নি।

২০২০ সালে স্টেডিয়াম খালি হওয়ার পর আমি প্রতিটা মডেল নতুন করে ক্যালিব্রেট করেছি। বুন্দেসলিগার প্রথম নয় রাউন্ড ট্র্যাক করে দেখলাম, ঘরের মাঠে জয়ের হার ৪৩.২% থেকে নেমে ৩৩.৩% হয়েছে, আর হোম টিমের গড় xG কমেছে ০.১৮। অনুমান না করে আমি প্রতিটা মডেলে একটা ক্রাউড-অ্যাডজাস্টমেন্ট স্তর বসিয়ে পদ্ধতিটা প্রকাশ করলাম। যে ক্লাবগুলো এখনো কাঁচা হোম/অ্যাওয়ে স্প্লিট ব্যবহার করছিল, তারা হঠাৎ নিজেদেরই ফর্ম ভুল দামে কিনছিল।

২০২২ সালে সৌদি আরব আর্জেন্টিনাকে ২-১ হারায়, অফসাইড ট্র্যাপ ১০ বার স্প্রিং করে — ১৯৬৬ সালের পর বিশ্বকাপে কোনো দলের সর্বোচ্চ; সালেম আল-দাউসারি জয়সূচক গোলটি করেছিলেন। ট্র্যাকিং ডেটা টেনে দেখলাম, তাদের ডিফেন্সিভ লাইন গ্রুপ-পর্যায়ের বেসলাইনের চেয়ে গড়ে ৪.১ মিটার উঁচুতে দাঁড়িয়েছিল। আমি ট্র্যাপটাকে মাপা সিস্টেম হিসেবে লিখলাম: লাইন-হাইট, ট্রিগার প্রেস, রিকভারি স্প্রিন্ট।

এই উদাহরণগুলো একসাথে বসান। প্রতিটাতে আমি একটা দাবি করেছি, আর প্রতিটা দাবির পিছনে একটা যাচাইযোগ্য পথ রেখেছি। এখন পাইপলাইনের দ্বিতীয় স্তর যখন খালি ইনপুট পায়, তখন তার একমাত্র সৎ উত্তর হলো থেমে যাওয়া। কারণ যে বিশ্লেষণ তার নিজের উৎস যাচাই করতে পারে না, সে পাঠকের কাছ থেকে সত্য আড়াল করে।

শিল্প-সংক্রমণের মানচিত্রটাও এখানে থেমে যায়। উপরের স্তর — তরুণ ক্রিকেটার উন্নয়ন; মধ্যের স্তর — জাতীয় দল ও লিগ; নিচের স্তর — সম্প্রচার, ফ্যান্টাসি, বাজি, ডেরিভেটিভ মার্কেট। খালি ইনপুট এই তিন স্তরের কোনোটাকেই খাওয়াতে পারে না। একটা অখণ্ডতার ফাঁক শুধু একটা প্রতিবেদন নষ্ট করে না — পুরো সরবরাহ-শৃঙ্খলকে প্রশ্নের মুখে ফেলে।

বিপরীত সূত্র: গতি বনাম মান

নতুন মিডিয়া গতি চেয়েছিল। আমি তার বদলে একটা স্ট্যান্ডার্ড দিলাম। ট্রেন্ডিং টপিক, তাৎক্ষণিক হট-টেক, ভাইরাল থ্রেড — এগুলো সংখ্যা ছাড়াই বাঁচে। কিন্তু ক্রিকেটে নমুনা-আকার ছাড়া সিদ্ধান্ত আর নিছক কল্পনার মধ্যে কোনো পার্থক্য নেই।

এখানে একটা বিপরীত সত্য আছে যা সবাই মানতে চায় না: নাল ফলাফল প্রকাশ করা প্রায়ই "সিদ্ধান্তহীনতা" মনে হয়, অথচ ভুল সিদ্ধান্তের চেয়ে এটা অনেক বেশি মূল্যবান। একটা খালি ডেটাসেট ঘোষণা করা মানে স্বীকার করা — আমরা জানি না। কিন্তু মিডিয়া বাস্তুতন্ত্র "জানি না" শুনতে রাজি নয়। তাই ফাঁকা জায়গা ভরে দেওয়া হয় আন্দাজে। আর সেখানেই দর্শক ঠকেন।

আমার দীর্ঘ অভিজ্ঞতা বলছে, সবচেয়ে বড় বিপদ আসে তখন, যখন কেউ একটা সম্পর্ক দেখে সেটাকে কারণ বলে চালিয়ে দেয়। হোম টিম বেশি জেতে, তাই ঘরের মাঠ জয়ের নিশ্চয়তা — ভুল। ২০২০ সালের খালি স্টেডিয়াম সেই মিথ ভেঙে দিয়েছিল। সম্পর্ক দৃশ্যমান, কারণ অদৃশ্য। আর ফাঁকা ইনপুটের ক্ষেত্রে সম্পর্কই নেই, শুধু একটা ডোমেইন ট্যাগ।

এখানে সততা মানে প্রলোভনকে না বলা। একটা ট্যাগ থেকে দশটা প্যারা বানিয়ে ফেলার প্রলোভন। যে বিশ্লেষক ফাঁকা ঘর দেখতে পারে না, সে আসলে সংখ্যাকেই ভয় পায়। আমি বরং ফাঁকা ঘরটা রেখে দিই, কারণ ওই ফাঁকাই পাঠককে বলে দেয় কোথায় সত্যিই জানা আছে আর কোথায় জানা নেই।

অন্তিম সিদ্ধান্ত: পরের রাউন্ডের সংকেত

তাহলে এই খালি ফাইলটা আমাকে কী দিল? একটা পরিষ্কার সংকেত: পাইপলাইনে ইনপুট-যাচাইয়ের একটা গেট বসাতে হবে, যেটা তথ্যবিন্দু শূন্য হলে দ্বিতীয় স্তর থামিয়ে দেবে। পাশাপাশি সূত্র ও প্রকাশের তারিখ সংরক্ষণ করতে হবে, আর স্তর-১ আর স্তর-২-এর স্কিমা মিলিয়ে দেখতে হবে — কারণ "cricket_world" বনাম প্রত্যাশিত "Cricket" লেবেলের ফারাক একটা পার্সার ত্রুটির সংকেত দেয়।

ক্রিকেট আমার কাছে কখনো আধ্যাত্মিক নাটক ছিল না। এটা ছিল একটা ডেটাসেট সমস্যা, যার সমাধান দরকার শৃঙ্খলা আর সংজ্ঞা। তাই পরের বার যখন কোনো বিশ্লেষণ ফাইল খালি আসবে, আমি ঘাবড়াব না। আমি শুধু লিখে রাখব — জানা নেই, কারণ তথ্য অপর্যাপ্ত। আর জানা না থাকাটাই এখানে সবচেয়ে নির্ভরযোগ্য তথ্য।