जब डेटा पाइपलाइन खुद ही 'नॉट आउट' हो जाए: क्रिकेट एनालिसिस में खाली इनपुट का सबक

स्टेज-1 की डिकंस्ट्रक्शन रिपोर्ट खोलने पर पहली नज़र में लगा कि कोई गहरा टेस्ट मैच चल रहा है — हर फ़ील्ड पर 'एन/ए' या 'अनक्लासिफाइड' लिखा था, जैसे स्कोरकार्ड में हर बल्लेबाज़ के आगे 'क्षेत्ररक्षण' छपा हो। लेकिन यह मैच नहीं था; यह एक नल रिज़ल्ट था। स्टेज-1 के आउटपुट में शीर्षक, स्रोत, लेख प्रकार, सारांश, लेखक का रुख, सूचना बिंदु, एंटिटीज़ — सब कुछ खाली था। सिर्फ़ एक चीज़ बची थी: cricket_asia का डोमेन टैग।

मेरे करियर में यह पहली बार नहीं है कि डेटा इनपुट खाली मिला। 2026 में जब मैंने मुंबई के एक डिजिटल स्टार्टअप में इंडियन सुपर लीग के लिए पहला xG मॉडल बनाया, तब भी शुरुआती हफ़्तों में मैच फ़ीड अधूरे आते थे। लेकिन तब कम से कम स्कोरकार्ड तो था। यहाँ तो स्कोरकार्ड ही गायब था। एक अनालिस्ट के तौर पर मैंने सीखा है कि खाली इनपुट को भरने की कोशिश करना सबसे बड़ा पाप है — क्योंकि जब आप अनुमान से क्रिकेट फैक्ट्स बनाते हैं, तो आप मॉडल नहीं, कहानी बना रहे होते हैं।

असली सवाल यह नहीं है कि लेख में क्या था, बल्कि यह है कि पाइपलाइन ने इनपुट क्यों गिरा दिया। डोमेन लेबल बचा रह गया और नैरेटिव फ़ील्ड खाली हो गए — यह पैटर्न बताता है कि इनजेशन या एक्सट्रैक्शन लेयर में खराबी आई, न कि सोर्स आर्टिकल में क्रिकेट कंटेंट ही नहीं था। मेरे अनुभव में ऐसा तीन कारणों से होता है: सोर्स पे-वॉल या जावास्क्रिप्ट-रेंडर्ड पेज हो, सोर्स गैर-अंग्रेज़ी में हो जिसे एक्सट्रैक्टर पार्स न कर पाए, या सीएमएस एंट्री में ही फ़ील्ड मैपिंग गलत हो। ऑल इंडिया रेडियो में कमेंट्री के दिनों से मुझे याद है कि जब लाइन पर क्रिकेटर की आवाज़ नहीं आती थी, तो हम 'तकनीकी खराबी' नहीं कहकर चुप नहीं हो जाते थे — हम बताते थे कि कौन सा लिंक टूटा है। एनालिटिक्स में भी वही अनुशासन चाहिए।

इस रिपोर्ट की सबसे ईमानदार बात यह है कि इसने आठों आयामों को टेम्पलेट में 'एन/ए' लिखकर छोड़ दिया, बजाय किसी भी आयाम को काल्पनिक आँकड़ों से भरने के। फॉर्मेट तय नहीं हो सका तो पावरप्ले-डेथ ओवर का ढाँचा कैसे लागू होता; खिलाड़ी का नाम नहीं है तो औसत और स्ट्राइक रेट की बेंचमार्क तुलना किससे करते; टीम नहीं है तो होम-अवे डिफ़रेंशियल — जो क्रिकेट का सबसे बड़ा प्रदर्शन-चर है — कैसे नापते। मेरे 2026 के आईएसएल खाली स्टेडियम अध्ययन से सीख यही थी: जब डेटा की एक परत गायब हो, तो उसे किसी और परत के अनुमान से मत पाटो। होम एडवांटेज तब 45% से 32% पर आ गया था क्योंकि हमने दूरी और दबाव के असली आँकड़े देखे थे, न कि माहौल की कहानी सुनी थी।

लेकिन यहाँ एक काउंटर-इंट्यूटिव बात भी है जिसे मैं छिपाना नहीं चाहती। खाली इनपुट का मतलब हमेशा 'कुछ नहीं कहा जा सकता' नहीं होता — कभी-कभी खालीपन खुद एक सिग्नल होता है। जिस सिस्टम में डोमेन लेबल बचा रह जाता है पर नैरेटिव फ़ील्ड मर जाते हैं, वह सिस्टम बताता है कि उसका राउटिंग लेयर ठीक है और एक्सट्रैक्शन लेयर कमज़ोर है। यह जानकारी अपने आप में मूल्यवान है — यह बताती है कि अगली बार सोर्स दस्तावेज़ मिलते ही एनालिसिस को एशिया-कॉन्टेक्स्ट मॉड्यूल्स के खिलाफ तेज़ी से चलाया जा सकता है: होम-अवे डिफ़रेंशियल, स्पिन-फ्रेंडली परिस्थितियाँ, भारत-पाकिस्तान के राजनीतिक-खेल ढाँचे। शर्त सिर्फ़ एक है: स्टेज-1 को दोबारा चलाना होगा और कम से कम एक सूचना बिंदु और एक नामित एंटिटी लाना होगा।

इस रिपोर्ट में जो जोखिम-चेतावनी सबसे ऊपर है, वह खेल का नहीं, प्रक्रिया का है: नल इनपुट पर सार्थक विश्लेषण लिखना गढ़े हुए तथ्यों को निष्कर्ष के रूप में प्रकाशित करने जैसा होगा। क्रिकेट मीडिया में मैंने यह बहुत देखा है — स्कोरकार्ड सामने न हो तो पुरानी यादें और स्टेडियम का माहौल 'सबूत' बन जाता है। मेरी शर्त हमेशा यही रही है: नमूना क्या बता सकता है और क्या नहीं, यह पहले लिखो, फिर दावा करो। यहाँ नमूना शून्य था, इसलिए दावा भी शून्य रहा।

आगे देखने की बात यह है कि क्या इस रिपोर्ट को 'नल रिज़ल्ट' के रूप में वर्ज़न-टैग करके ऑटो-डिस्ट्रिब्यूशन रोका जाएगा, या इसे भी सामान्य आउटपुट मानकर कैश कर लिया जाएगा। क्रिकेट एनालिटिक्स का असली परीक्षण वह नहीं है जब मॉडल सही भविष्यवाणी करता है — वह तब है जब मॉडल के पास कहने को कुछ न हो और वह चुप रहना चुने।