খালি ঘরটাই সবচেয়ে সৎ তথ্য: ক্রিকেট ডেটা পাইপলাইনে নাল রেকর্ডের অডিট

গত মৌসুমের শেষ দিকে রাত দুটোয় একটি স্প্রেডশিট খুলে বসেছিলাম। এগারোটি কলাম—ম্যাচ আইডি, ফরম্যাট, ভেন্যু, ইনিংস, ব্যাটসম্যান, বোলার, রান, উইকেট, ওভার, তারিখ, সূত্র। শিরোনামগুলো ঠিকঠাক লেখা, কিন্তু নিচের সারিগুলো একেবারে ফাঁকা। খুলনার অফিসে আমার এক সহকারী পাশে দাঁড়িয়ে বলল, “স্যার, এই রেকর্ডটা নষ্ট।” আমি বললাম, না—এই ফাইলের সবচেয়ে সৎ লাইনটা এটাই।

কারণটা সহজ। একটা ভুল সংখ্যা মিথ্যা; একটা ফাঁকা ঘর স্বীকারোক্তি। যেদিন আমার মডেল ফাঁকা ঘরকে শূন্য ধরে নিয়ে গণনা শুরু করে, সেদিনই আমি বুঝতে পারি পাইপলাইনে ছিদ্র কোথায়। ওই রাতে যা ঘটেছিল, সেটা কোনো ম্যাচের গল্প নয়—একটা ম্যাচ রেকর্ড হারিয়ে যাওয়ার গল্প। আর এই লেখাটা সেই হারিয়ে যাওয়া নিয়ে, দেরিতে হলেও।

ঘটনাটা আরও নির্দিষ্ট করি। আমার টেবিলে একটি বিশ্লেষণ-কাঠামো এসেছে, যার প্রথম ধাপের ইনপুট পুরোপুরি খালি। শিরোনাম নেই, সূত্র নেই, সারসংক্ষেপ নেই, লেখকের অবস্থান নেই, তথ্যবিন্দুর তালিকা শূন্য, সংশ্লিষ্ট খেলোয়াড় বা দলের নাম নেই, সময়-সংবেদনশীলতা যাচাই হয়নি। আটটি বিশ্লেষণ-স্তরের প্রতিটির জায়গায় একই বাক্য লেখা: অপর্যাপ্ত তথ্য।

এখন প্রশ্ন হলো, এই শূন্যতাকে আমি কীভাবে পড়ব? ডেডলাইন ছিল দুই ঘণ্টা পরে, স্ক্রিনে ওডস চলছিল, মডেল প্রস্তুত। সবচেয়ে সহজ কাজটা ছিল অনুমান দিয়ে ঘরগুলো ভরে দেওয়া। ঠিক সেই সহজ কাজটাই আমি করিনি।

আমার কাজের ধরনটা প্রথম থেকেই পাইপলাইন-কেন্দ্রিক। ২০১৭ সালে বাংলাদেশ প্রিমিয়ার লিগের জন্য যখন প্রথম শট-লোকেশন আর প্রেসিং ডেটার টেমপ্লেট দাঁড় করাই, তখন থেকেই আমার নিয়ম একটাই: উৎস, ম্যাচ আইডি, পরিচ্ছন্নতার নিয়ম, নমুনার জানালা—এই চারটা জিনিস পরিষ্কার না হলে ব্যাখ্যায় যাওয়া যাবে না। ওই বছর তিনজন সহকারীকে খুলনায় বসিয়ে প্রতিটি শট, প্রতিটি প্রেসিং অ্যাকশন আলাদা করে লগ করিয়েছিলাম। প্রস্তুতির সময় নয় ঘণ্টা থেকে আড়াই ঘণ্টায় নেমে এসেছিল, কিন্তু তার চেয়ে বড় লাভ ছিল অন্য জায়গায়—প্রতিটি দাবির নিচে একটা অডিট ট্রেইল তৈরি হয়েছিল।

পরের বছর রাশিয়া বিশ্বকাপে প্রেসিং অডিটের কাজটা সেই অভ্যাসেরই সম্প্রসারণ। ইংল্যান্ড-ক্রোয়েশিয়া সেমিফাইনালের আগে বাজারের ধারণা ছিল ক্রোয়েশিয়ার মিডফিল্ড প্রতি ডিফেন্সিভ অ্যাকশনে প্রায় ১১ দশমিক ২ পাস ছাড়ে; আমার মডেল দেখাচ্ছিল ৮ দশমিক ৪। পার্থক্যটা কিন্তু আত্মবিশ্বাসের নয়, সংজ্ঞার। কোন পাসগুলো গণনায় ঢুকছে, কোন প্রেসিং অ্যাকশন ডিফেন্সিভ হিসেবে গণ্য হচ্ছে—এই সংজ্ঞা ঠিক না থাকলে সংখ্যাটা যত পরিষ্কার দেখাক, তার কোনো মূল্য নেই।

২০২০ সালে দর্শকশূন্য মাঠের হিসাবটাও একই শিক্ষা দিয়েছে। তিনশো বারোটি ম্যাচের ডেটা দেখিয়ে আমি লিখেছিলাম, হোম অ্যাডভান্টেজ ম্যাচপ্রতি শূন্য দশমিক ৩৮ গোল থেকে নেমে এসেছে শূন্য দশমিক ২১-এ। কিন্তু আসল কাজটা ছিল ভেন্যু-প্রভাব আর দর্শক-প্রভাবকে আলাদা করা। যে মডেল দুটোকে এক ধরে ফেলে, সে ভুল জায়গায় সংশোধন করে।

এই তিনটি অভিজ্ঞতা থেকে আমার কাছে একটা সাধারণ সূত্র দাঁড়িয়েছে: যে কোনো সংখ্যার আগে তার উৎস-পরিচয়, আর যে কোনো সিদ্ধান্তের আগে তার ফরম্যাট-অ্যাংকর। আজকের আলোচ্য খালি রেকর্ডটি ঠিক এই জায়গাতেই আটকে গেছে।

আট-স্তরের যে কাঠামো নিয়ে আমি কাজ করি—ফরম্যাট ও ম্যাচ, খেলোয়াড়ের কৌশল ও ডেটা, দলের অবস্থান ও র‍্যাংকিং, লিগ ও বাণিজ্যিক বাস্তুসংস্থান, নিয়ম ও সুশাসন, ঝুঁকি, জনমতের আখ্যান, আর শিল্পে সংক্রমণ—এর প্রতিটি স্তর দাঁড়িয়ে আছে তথ্যবিন্দুর ওপর। তথ্যবিন্দু শূন্য মানে কাঠামোর ভিত্তিই শূন্য। এ অবস্থায় কোনো স্তরে যদি আমি একটি সুন্দর বাক্য লিখি, সেটি বিশ্লেষণ নয়, নির্মাণ।

শূন্যতা এখানে বিষয়বস্তুর সংকেত নয়, কাঠামোর সংকেত। অর্থাৎ সমস্যাটা “এই ম্যাচে কী হলো” তা নয়, সমস্যাটা “এই ম্যাচের রেকর্ড আমার কাছে পৌঁছাল কীভাবে, পৌঁছাল না কেন”। একটি পাইপলাইন যখন ফাঁকা হাত ফিরে আসে, সে আসলে নিজের সম্পর্কে তথ্য দিচ্ছে। শিরোনাম পর্যন্ত না আসার অর্থ হলো নিষ্কাশনের ধাপটাই ব্যর্থ—ফেচ ত্রুটি, পেওয়াল, অথবা ভুল ধরনের ইনপুট। এটা অনুমান, তবে দিকনির্দেশক অনুমান, এবং এটাই প্রথম যে জায়গায় আমাকে দেখতে হবে।

এরপর আসে ফরম্যাট-অ্যাংকর। আমার কাঠামোয় এটি কঠোর গেট। টেস্ট, ওডিআই, টি২০ আর দ্য হান্ড্রেড—এই চার ধরনের খেলার নমুনা-জানালা, ফেজ-সংজ্ঞা আর বেঞ্চমার্ক এক নয়। টি২০-তে ডেথ ওভার মানে ষোলো থেকে কুড়ি; ওডিআই-তে পাওয়ারপ্লে দশ ওভার, শেষ দশ ওভার আলাদা নিয়মে চলে; দ্য হান্ড্রেডে পাঁচ বলে সেট, বোলার পাঁচ বা দশ বল একটানা করতে পারে। একই বোলারের ৮ দশমিক ৫ ইকোনমি টি২০-র ডেথে ব্যয়বহুল, ওডিআই-র মাঝের ওভারে সম্পূর্ণ স্বাভাবিক। ফরম্যাট চিহ্নিত না করে এই দুটোকে এক করে ফেললে বিশ্লেষণ নয়, বিভ্রান্তি তৈরি হয়।

ফরম্যাট না জানা মানে নমুনার আকারও অজানা। টি২০-তে একজন বোলারের চার ওভার হলো বিশ বলের নমুনা; টেস্টে এক ইনিংসে তার বিশ-ত্রিশ ওভার হতে পারে, কিন্তু সেটি একটি মাত্র ম্যাচের ভেতরের গল্প। দুটোকে একসঙ্গে জোড়া দিলে যে গড় দাঁড়ায়, সেটি কোনো বাস্তব অবস্থার প্রতিনিধিত্ব করে না। আমার অভ্যাস হলো—নমুনার কথা না লিখে কোনো কৌশলগত দাবি প্রকাশ না করা। ধীরগতির লেখা, কিন্তু সম্পাদকের সামনে টেকে।

নিয়মের নির্ভরতাও এখানে জড়িয়ে আছে। ডিএলএস-এর হিসাব বদলায় বৃষ্টির সময়, উইকেট পতনের ধরন আর ওভারের হিসাব অনুযায়ী; ১৯৯৭ সালে ডাকওয়ার্থ-লুইস পদ্ধতি চালু হয়, ২০১৪ সালে স্টিভেন স্টার্নের সংশোধনের পর তার নাম হয় ডিএলএস। ডিআরএস-এ “আম্পায়ার্স কল” বহাল থাকে তখনই, যখন বল-ট্র্যাকিং নিশ্চিতভাবে প্রমাণ না করে যে বলটি স্টাম্পের বড় অংশে আঘাত করছে। এই দুটোই দেখায়, ক্রিকেটে একই শব্দের দুই যুগে দুই অর্থ হতে পারে। উৎসের তারিখ ছাড়া এই পার্থক্য ধরা পড়ে না।

তৃতীয় জায়গাটা সত্তা-নিষ্কাশন। এই রেকর্ডে কোনো দল, খেলোয়াড়, লিগ বা বোর্ডের নাম নেই। নাম না থাকলে বেঞ্চমার্ক বাছাই করাই যায় না। বাস্তবে এই জায়গাটা কতটা বিপজ্জনক, সেটা বোঝার জন্য একটা পরিচিত উদাহরণই যথেষ্ট। ডেটাবেসে একই ক্রিকেটারের নাম তিন রকম বানানে ঢোকে—Shakib Al Hasan, Sakib Al Hasan, Shakib-al-Hasan। তিনটি বানান তিনটি আলাদা প্রোফাইল তৈরি করে, প্রত্যেকটির নমুনা তিন ভাগে ভাগ হয়ে যায়, আর প্রত্যেকটির ওপর ভিত্তি করে তোলা সিদ্ধান্ত তিন দিক থেকে ভুল হয়। Mushfiqur Rahim বা Taskin Ahmed-এর ক্ষেত্রেও একই ঝুঁকি। একটি পরিষ্কার ম্যাচ আইডি যেকোনো চতুর মডেলের চেয়ে বেশি দামি—কারণ মডেল ভুল করলে টের পাওয়া যায়, আইডি ভুল করলে টের পাওয়া যায় না।

চতুর্থ জায়গা: উৎসের ইউআরএল আর প্রকাশের তারিখ। এই দুটো যদি বাধ্যতামূলক ক্ষেত্র না হয়, তবে রেকর্ডটি যাচাই করা যায় না, ডুপ্লিকেট আলাদা করা যায় না, সময়-চিহ্নও দেওয়া যায় না। ক্রিকেটে এই সমস্যাটা কম নয়। ২০১৯ সালের একটি পরিসংখ্যান ২০২৬ সালের প্রিভিউতে ঢুকে পড়লে পাঠক ভাবেন সাম্প্রতিক ফর্ম, অথচ সেটি পুরোনো চক্রের ছবি। সময়-সংবেদনশীলতা যাচাই না হলে এই ভুলটা নিঃশব্দে ছড়ায়।

পঞ্চম জায়গাটা সবচেয়ে গুরুত্বপূর্ণ, আর সবচেয়ে কম আলোচিত: নাল হ্যান্ডলিং। ফাঁকা ঘরকে শূন্য ধরে নেওয়া আর ফাঁকা ঘরকে ফাঁকা রাখা—এই দুইয়ের মধ্যে পুরো পাইপলাইনের সততা লুকিয়ে আছে। প্রযুক্তিগত ভাষায় বললে, “অপর্যাপ্ত তথ্য” কথাটি একটি স্কিমা-নিয়ম হিসেবে হার্ড-কোডেড হওয়া উচিত, শুধু একটি ভদ্রতার বাক্য নয়। কারণ যেখানে ফাঁকা ঘর আছে, সেখানে কেউ না কেউ ভরাট করার প্রলোভন অনুভব করবেই—কোনো মডেল, কোনো সম্পাদক, অথবা কোনো তাড়াহুড়ো করা বিশ্লেষক। অনুমান দিয়ে ভরাট করা ডেটা মিথ্যা ডেটার চেয়েও বিপজ্জনক, কারণ মিথ্যা ডেটা অন্তত একটা সূত্রের দিকে আঙুল তোলে।

এই কারণেই আমার কাঠামোয় প্রতিটি সিদ্ধান্তের নিচে একটি লাইন বাধ্যতামূলক: কোন তথ্যবিন্দুর ওপর দাঁড়িয়ে এই কথা বলছি। তথ্যবিন্দু শূন্য হলে সেই লাইনটি লেখা অসম্ভব, এবং লাইনটি লেখা না গেলে সিদ্ধান্তটিও লেখা যায় না। এখানে আমার ভূমিকা পরিষ্কার—আমি বিশ্লেষণ আটকে দিচ্ছি, কারণ বিশ্লেষণের ভিত্তিটাই নেই।

একটি নিয়ম এখানে যোগ করা দরকার: এক ক্যাপসুলে এক বিষয়। যদি উৎসটি একাধিক বিষয় ছুঁয়ে যায়—ম্যাচের ফল, বাণিজ্যিক স্বত্ব, সুশাসনের সিদ্ধান্ত—তবে সেগুলোকে আলাদা করতে হবে, একসঙ্গে মাখা যাবে না। মিশিয়ে ফেলা রেকর্ড পরে আর কোনো দিন আলাদা করা যায় না, কারণ মিশ্রণের ভেতরে প্রতিটি অংশের সীমানা হারিয়ে যায়।

ষষ্ঠ জায়গাটি প্রক্রিয়া-পর্যবেক্ষণ। একটি রেকর্ড খালি আসা একটি ঘটনা; একটি ব্যাচে বহু রেকর্ড খালি আসা একটি ঘটনাপ্রবাহ। আমার সুপারিশ হলো, প্রতি ব্যাচে নাল রেকর্ডের হার মাপা হোক, আর সেটি পাঁচ শতাংশ ছাড়ালে তাকে একক রেকর্ডের সমস্যা নয়, পাইপলাইন-ঘটনা হিসেবে গণ্য করা হোক। কারণ একই ফেচ ত্রুটি সাধারণত পাশের রেকর্ডগুলোতেও একইভাবে লেগে থাকে। একটি রেকর্ড সারানো মানে এক রেকর্ড সারানো; পাইপলাইন সারানো মানে পরের ব্যাচ থেকেই ভিন্ন ফল।

প্রথম ধাপের তিনটি দুর্বল সংযোগ এখানেই ধরা পড়ে। এক, নাল-হারের কোনো পর্যবেক্ষণ নেই। দুই, উৎস ও তারিখের বাধ্যতামূলক সংগ্রহ নেই। তিন, সত্তা না পেলে ফিরে দাঁড়ানোর কোনো বিকল্প পথ নেই। এই তিনটি সারানো মানে একটি রেকর্ড সারানোর চেয়ে অনেক বড় লাভ।

সপ্তম: ঝুঁকির শ্রেণিবিন্যাস। এই ডেটাসেটে যে ঝুঁকিটি বাস্তবে উপস্থিত, সেটি খেলাধুলার নয়—তথ্যের। শূন্য ইনপুট থেকে তৈরি “বিশ্লেষণ” যদি সিদ্ধান্তগ্রহণকারীর হাতে যায়, ক্ষতিটি খেলার ফল নিয়ে নয়, সিদ্ধান্তের গুণমান নিয়ে। তাই ঝুঁকির মাত্রা “উচ্চ” লেখা হচ্ছে, কিন্তু এটা ক্রিকেট-ঝুঁকি নয়, তথ্য-সততার ঝুঁকি। বাকি ছয়টি ক্রিকেট-ঝুঁকি—চোট, ওয়ার্কলোড, ফরম্যাট বদলের ফর্ম-ট্রান্সফার, অবসরের ক্লাস্টার, সম্প্রচার স্বত্বের নবায়ন, দুর্নীতির আশঙ্কা—কোনোটিই মূল্যায়নযোগ্য নয়। আর এখানে একটি নিয়ম মনে রাখা দরকার: প্রমাণের অনুপস্থিতি মানে অনুপস্থিতির প্রমাণ নয়। তাই কোনো ঝুঁকিকে “কম” বলা যাবে না, শুধু “অজানা” বলা যাবে।

আখ্যানের স্তরটিও এখানে অচল। লেখকের অবস্থানই যখন অনুপস্থিত, তখন হাইপ শনাক্ত করার মূল উপকরণটাই নেই। ক্রিকেটে আখ্যান বড় ভূমিকা রাখে—প্রতিদ্বন্দ্বিতার নামকরণ, তারকার প্রতি সহানুভূতি, টুর্নামেন্টের উত্তাপ। কিন্তু আখ্যান আর ডেটার ব্যবধান মাপতে হলে আখ্যানটা লিখিত থাকতে হয়। যা লেখা নেই, তার গরমিলও মাপা যায় না।

শিল্পে সংক্রমণের স্তরটাও একই কারণে ফাঁকা। ভারতীয় বাজারের আধিপত্য, আইপিএ মালিকদের দক্ষিণ আফ্রিকা ও আমেরিকার লিগে পুঁজি সম্প্রসারণ, ফ্যান্টাসি ক্রীড়ার কারণে দর্শন-আসক্তি—এগুলো আমার সাধারণ পটভূমি-ধারণা, তবে এগুলো এই রেকর্ডের সঙ্গে জুড়ে দেওয়া যায় না। পটভূমি আর প্রমাণ এক নয়; দুটোকে এক করলে বিশ্লেষণ সস্তা হয়।

আটতম জায়গায় একটা ইতিবাচক দিক আছে, যা কম মানুষ খেয়াল করেন। খালি কাঠামোটা নিজেই একটা সম্পদ। আটটি স্তরের ছকটা তৈরি হয়ে গেছে; ইনপুট আবার এলেই ঘরগুলো ভরতে হবে, নতুন করে কাঠামো বানাতে হবে না। প্রক্রিয়ার মূল্য প্রক্রিয়ার ভেতরে নয়, পরের সিদ্ধান্তে।

এখানে বাজি-বাজারের কথা যোগ করা দরকার, কারণ পাঠকেরা সেটাই সবচেয়ে বেশি জিজ্ঞেস করেন। বাজারে সংখ্যার অভাব নেই; অভাব সংজ্ঞার। যে মডেল ফাঁকা ঘরকে শূন্য ধরে নিয়ে গড় বের করে, সে আসলে একটি ভুল গড় আত্মবিশ্বাসের সঙ্গে পরিবেশন করে। আমার অভিজ্ঞতায় বাজি-বাজারে প্রান্তটা লুকিয়ে থাকে একঘেয়ে কলামগুলোতে—ম্যাচ আইডি, ভেন্যু, টসের সময়, নমুনার আকার, সূত্রের তারিখ। রোমাঞ্চকর কলামগুলো সবাই দেখে; একঘেয়ে কলামগুলো কেউ দেখে না। পার্থক্য তৈরি হয় ঠিক সেখানেই।

এখন নিজের অবস্থানের বিপরীতে একটা কথা বলা দরকার, কারণ সন্দেহবাদ যখন অভ্যাসে পরিণত হয়, তখন সে নিজেই একটা পক্ষপাত হয়ে দাঁড়ায়।

আমার এই প্রত্যাখ্যানটি যদি সাধারণ নিয়ম হয়ে যায়, ফলাফল ভালো হবে না। প্রতিটি অসম্পূর্ণ রেকর্ড বাদ দিলে যা হয়, তা হলো শূন্যতা—আর শূন্যতা কখনো খালি থাকে না। কেউ না কেউ সেটি ভরে দেয়, সাধারণত আরও খারাপ সংখ্যা দিয়ে। বাজারে যেখানে যাচাই করা তথ্য নেই, সেখানে গুজবের দাম বাড়ে। তাই “প্রকাশ করব না” সিদ্ধান্তটি শেষ সিদ্ধান্ত নয়, এটি একটি অন্তর্বর্তী অবস্থান।

দ্বিতীয় কথা, নাল-টা নিজেই কখনো কখনো তথ্য বহন করে। যে লিগ শট-লোকেশন প্রকাশ করে না, তার অর্থ এই নয় যে লিগে শট হয় না; অর্থ হলো লিগের তথ্য-অবকাঠামো বাণিজ্যিক অগ্রাধিকারের নিচে পড়ে আছে। এই পার্থক্যটা আমার কাছে পরিচিত, কারণ ভারত আর বাংলাদেশের ক্রিকেট-ব্যবস্থার তুলনা করতে গিয়ে বারবার দেখেছি—একই মেট্রিক দুই জায়গায় দুই অর্থ বহন করে, কারণ সংগ্রাহকের সামর্থ্য, লিগের গঠন আর পিচের চরিত্র আলাদা।

তাহলে কোন প্রমাণ আমাকে মত বদলাবে? তিনটি। প্রথম, পুনঃনিষ্কাশনে পঞ্চাশ শতাংশের বেশি রেকর্ড ফিরে এলে—তখন সমস্যাটি উৎসের নয়, ধাপের। দ্বিতীয়, একটি স্বতন্ত্র দ্বিতীয় সূত্র যদি একই সংখ্যা দেয়—তখন যাচাইয়ের প্রয়োজন কমে। তৃতীয়, স্কোরকার্ড মিলিয়ে দেখা সম্ভব হলে—কারণ স্কোরকার্ড হলো ক্রিকেটের সবচেয়ে পুরোনো অডিট ট্রেইল। যা অডিট করা যায় না, তা বিশ্বাসও করা যায় না—কিন্তু অডিটযোগ্যতা নিজে থেকেই আসে না, সেটি তৈরি করতে হয়।

পরের রাউন্ডে আমার চোখ থাকবে তিনটি জিনিসে: ব্যাচের নাল-হার, সূত্র ও তারিখের উপস্থিতি, আর ফরম্যাট-অ্যাংকর কত দ্রুত স্থির হচ্ছে। এই তিনটি ঠিক থাকলে বাকি হিসাব পরে আসবে।

আর একটা প্রশ্ন রয়ে যায়। আমরা ক্রিকেট ডেটার কথা বলি যখন বড় স্ক্রিনে গ্রাফ ভাসে—অথচ আসল সিদ্ধান্তটা নেওয়া হয় তখন, যখন একটা ঘর ফাঁকা থাকে আর কেউ সেটি ভরাট করার প্রলোভন অনুভব করে। সেই মুহূর্তে আমরা কোন পথ বাছি, সেটাই ঠিক করে দেয় আমাদের বিশ্লেষণ আসলে কতটা বিশ্বাসযোগ্য।