लेबल भरा, फ़ाइल खाली: क्रिकेट डेटा पाइपलाइन की एक चुपचाप विफलता का ऑडिट

सोमवार की सुबह एक्सट्रैक्शन फ़ाइल खुली। उसमें एक ही ठोस चीज़ थी — डोमेन लेबल cricket_asia। बाकी सब खाली था: शीर्षक N/A, स्रोत N/A, लेख-प्रकार Unclassified, सूचना-बिंदुओं की सूची शून्य, केंद्रीय दृष्टिकोण के तीनों खाने बिना किसी प्रविष्टि के, और इकाइयों की सूची में एक भी टीम, खिलाड़ी, कोच, बोर्ड या आयोजन दर्ज नहीं।

नौ साल से क्रिकेट के डेटा डेस्क पर बैठा हूँ। टूटे फ़ॉर्मैट देखे हैं, आधे भरे स्कोरकार्ड देखे हैं, ऐसे एक्सट्रैक्शन देखे हैं जिनमें ओवर-संख्या एक से खिसकी हुई थी और पूरा इनिंग-ग्राफ़ गलत दिशा में चला गया था। पहली बार ऐसी फ़ाइल मिली जिसमें सामग्री शून्य थी और पहचान पूरी थी।

2026 में वानखेड़े में बैठकर मैंने एक रणजी मैच की दोनों पारियों के 546 रन हाथ से कोड किए थे — डॉट-बॉल का दबाव, स्ट्राइक रोटेशन, गेंदबाज़ की स्पेल-लंबाई, फ़ील्ड बदलाव, शॉट ज़ोन — तीन रातों में, उन्नीस घंटे लगाकर। वह काम इसलिए करना पड़ा था क्योंकि फ़ाइल अपने आप को समझा नहीं सकती थी। आज जो फ़ाइल आई, उसमें कोड करने के लिए एक भी डिलीवरी मौजूद नहीं थी।

ढाँचा, और वह गेट जो सबसे पहले बंद होता है

क्रिकेट का हर डेटा-लेख दो चरणों में बनता है। पहला चरण कच्चे पाठ से तथ्य निकालता है — शीर्षक, स्रोत, प्रकाशन-तिथि, ठोस सूचना-बिंदु, लेखक का रुख़, नामित इकाइयाँ, समय-संवेदनशीलता और स्रोत की गुणवत्ता। दूसरा चरण उन तथ्यों को आठ आयामों पर तोलता है: फ़ॉर्मेट, खिलाड़ी की तकनीक, टीम का परिदृश्य, लीग-वाणिज्य, नियम-शासन, जोखिम, सार्वजनिक कथा और उद्योग-संचरण।

इस पूरी श्रृंखला में एक दरवाज़ा सबसे पहले बंद होता है — फ़ॉर्मेट का। टेस्ट, वनडे और टी20 के मेट्रिक्स आपस में तुलनीय नहीं हैं। टेस्ट की औसत और टी20 की स्ट्राइक रेट एक ही तराज़ू पर नहीं रखी जा सकतीं; टी20 में सात से नीचे की इकॉनमी उत्कृष्ट मानी जाती है, और वही सात का आंकड़ा टेस्ट के संदर्भ में बेमानी है। जो विश्लेषक यह सीमा पार करता है, उसका पूरा निष्कर्ष उसी क्षण मूल्य खो देता है। मेरी अपनी फ़ाइलों में सबसे ऊपर यही नियम लिखा है: किसी भी दावे से पहले बताओ कि यह किस फ़ॉर्मेट का दावा है।

2026 विश्व कप के बाद मैंने फ़ुटबॉल के अपेक्षित-गोल तर्क को टी20 पर उतारने की कोशिश की थी — शॉट-लोकेशन, गेंदबाज़ का प्रकार, मैच-फ़ेज़ और बल्लेबाज़ के हाथ से बना अपेक्षित-रन मॉडल। मुंबई के 2026-19 सैयद मुश्ताक़ अली अभियान पर मैंने 1,248 डिलीवरी कोड कीं, जिनमें बड़ौदा के ख़िलाफ़ सूर्यकुमार यादव की 39 गेंदों पर 72 रन की पारी भी शामिल थी। मॉडल ने उस पारी के शॉट-चयन को टिकाऊ बताया, जो कच्ची स्टाइक रेट अकेले नहीं दिखा सकती थी। यह मॉडल तभी काम करता है जब डिलीवरी-लॉग मौजूद हो।

मेरी व्यक्तिगत सीमा-रेखा यही है: सौ से कम हाथ से जाँची गई डिलीवरी पर कोई विश्लेषणात्मक दावा नहीं। आज की फ़ाइल में वह संख्या शून्य है — और यहाँ शून्य का अर्थ 'कम' नहीं है। शून्य का अर्थ है कि गिनती शुरू ही नहीं हुई। एक मेट्रिक जिसका अनुवाद नहीं हो सकता, वह मेट्रिक इस्तेमाल के लायक नहीं रहता — और जिस फ़ाइल में मेट्रिक ही न हो, उसका तो अनुवाद का सवाल ही नहीं उठता।

खाली पेलोड की शारीरिक रचना

जो फ़ाइल मिली, उसकी स्थिति इस तरह दर्ज है:

| फ़ील्ड | प्राप्त स्थिति | दूसरे चरण पर असर | |---|---|---| | लेख शीर्षक | N/A | विषय की पहचान असंभव | | स्रोत / लेख-प्रकार | N/A / Unclassified | स्रोत की गुणवत्ता और विधा तय नहीं | | सूचना-बिंदु | खाली सूची | कोई साक्ष्य-आधार नहीं | | केंद्रीय दृष्टिकोण | बिना प्रविष्टि | लेख का तर्क पुनर्निर्मित नहीं हो सकता | | इकाइयाँ | नहीं निकाली गईं | कोई टीम, खिलाड़ी, बोर्ड नहीं | | समय-संवेदनशीलता | आँकी नहीं गई | समाचार-चक्र में स्थिति तय नहीं | | डोमेन लेबल | cricket_asia | टैक्सोनॉमी में असंगति |

इस तालिका को पढ़ने का तरीका यह है कि जो इसमें नहीं है, वही खबर है। फ़ॉर्मेट अज्ञात है, इसलिए पावरप्ले-मध्य-ओवर-डेथ-ओवर का कोई चरण-विश्लेषण नहीं बनता। कोई खिलाड़ी नामित नहीं, इसलिए करियर-आधार या आयु-वक्र की तुलना नहीं हो सकती। कोई टीम नहीं, इसलिए आईसीसी रैंकिंग, स्क्वाड-संरचना या बेंच-गहराई पर एक शब्द भी नहीं लिखा जा सकता। कोई लेन-देन नहीं, इसलिए नीलामी-मूल्य बनाम खेल-मूल्य का कोई आकलन नहीं। कोई शासन-निर्णय नहीं, इसलिए अनुपालन-जोखिम का कोई ग्रेड नहीं। कोई कथा नहीं, इसलिए अपेक्षा-अंतराल का कोई माप नहीं। कोई घटना नहीं, इसलिए प्रसारण से लेकर दक्षिण एशियाई बाज़ार तक उद्योग-संचरण का कोई नक्शा नहीं।

यहाँ एक अंतर स्पष्ट करना ज़रूरी है, क्योंकि डेटा-डेस्क की सबसे आम भूल यही है। 'मुझे कोई निष्कर्ष नहीं मिला' और 'कुछ भी निकाला ही नहीं गया' एक ही वाक्य नहीं हैं। पहला वाक्य एक खोज का नतीजा है; दूसरा वाक्य बताता है कि खोज शुरू ही नहीं हुई। अगर यह फ़ाइल किसी निर्णय-प्रक्रिया में चुपचाप आगे चली जाए, तो पढ़ने वाला उसे 'कोई गंभीर बात नहीं मिली' समझेगा, जबकि सच यह होगा कि 'कोई सामग्री ही नहीं पहुँची'। यही वह क्षण है जब एक खाली फ़ाइल भरी हुई दिखने लगती है।

स्रोत-गुणवत्ता का वह खाना जो सबसे ज़्यादा मायने रखता है

आमतौर पर स्रोत-गुणवत्ता चार सीढ़ियों पर तोली जाती है: आधिकारिक बोर्ड की विज्ञप्ति, विश्वसनीय क्रिकेट पत्रकार की रिपोर्ट, सामान्य मीडिया की खबर, और ट्रैफ़िक के दबाव में चलने वाला सोशल अकाउंट। यह एक अकेला खाना सबसे ज़्यादा तय करता है कि बाद के निष्कर्षों को कितना भार दिया जाए। इस फ़ाइल में वह खाना खाली है, यानी एक बोर्ड की विज्ञप्ति और एक ट्रैफ़िक-खाते की अफ़वाह, दोनों इस वक़्त एक जैसी दिखती हैं। मेरे लिए यही सबसे बड़ी अड़चन है — बिना ग्रेड के कोई संख्या तौल में नहीं आती, वह सिर्फ़ एक दावा बनकर रह जाती है।

पाइपलाइन-विफलता की परिकल्पना

फ़ाइल का पैटर्न बहुत साफ़ है: लेबल भरा हुआ है, सामग्री का हर खाना खाली है। अगर स्रोत लेख सचमुच खोखला होता, तो भी शीर्षक और प्रकाशन-तिथि तो निकलती ही; किसी न किसी वाक्य से कम से कम एक सूचना-बिंदु तो बनता ही। इसलिए सबसे संभावित व्याख्या यह है कि टैगिंग का चरण सफल रहा और निष्कर्षण का चरण विफल रहा — यानी गड़बड़ी स्रोत में नहीं, पाइपलाइन में है। यह मध्यम-विश्वास वाला अनुमान है, तथ्य नहीं, और मैं इसे अनुमान कहकर ही आगे बढ़ता हूँ।

दूसरा संकेत छोटा पर महत्वपूर्ण है: लेखक का रुख़ भी दर्ज नहीं है। साधारण समाचार-लेख में भी पहला चरण आम तौर पर रुख़ का कोई न कोई संकेत पकड़ता है। उसका पूरी तरह गायब होना इसी परिकल्पना को मज़बूत करता है।

तीसरा संकेत टैक्सोनॉमी का है। माँगा गया लेबल Cricket था; मिला cricket_asia। यह उप-लेबल है या श्रेणी-त्रुटि, यह इस फ़ाइल से तय नहीं होता। लेकिन इसका एक व्यावहारिक अर्थ है: अगर यह उप-लेबल मान्य है, तो स्कीमा-दस्तावेज़ और पहले चरण का प्रॉम्प्ट एक-दूसरे से बेमेल हैं, और यह बेमेल अगली बार भी वही गड़बड़ी पैदा करेगा।

जोखिम-सूची, और उसमें सबसे ऊपर क्या है

इस पेलोड पर खेल-संबंधी कोई जोखिम नहीं आँका जा सकता, क्योंकि आँकने के लिए खेल ही नहीं है। जो जोखिम बचते हैं, वे प्रक्रिया के हैं। सबसे ऊपर है खाली पेलोड का आगे इस्तेमाल — यह उच्च स्तर का जोखिम है, क्योंकि इसे 'कोई नतीजा नहीं' पढ़ा जा सकता है। दूसरा है फ़ॉर्मेट-मिश्रण, जो इस स्थिति में रोका ही नहीं जा सकता; बिना फ़ॉर्मेट-लेबल के जो भी विश्लेषक आगे बढ़ेगा, वह अनजाने में टेस्ट और टी20 के मेट्रिक्स मिला देगा। तीसरा है लेबल के नशे में काल्पनिक सामग्री भर देने का ख़तरा — cricket_asia जैसा लेबल भारत-पाकिस्तान, एशिया कप या आईपीएल नीलामी जैसी बहुत मुमकिन दिखने वाली कहानियाँ बुलाता है। चौथा है टैक्सोनॉमी की असंगति, और पाँचवाँ, सबसे नीचे, यह कि अगर स्रोत लेख समाचार-चक्र पर निर्भर था, तो दोबारा निष्कर्षण तक उसकी खिड़की बंद हो सकती है।

लालच का जाल, और उससे इनकार

cricket_asia लेबल एक दरवाज़ा खोलता है, और वह दरवाज़ा बहुत आकर्षक है। द्विपक्षीय भारत-पाकिस्तान क्रिकेट 2026-13 से जमा हुआ है, इसलिए उस पर लिखना आसान है। एशिया कप का फ़ॉर्मैट, आईपीएल की नीलामी-पर्स, पीएसएल का प्रसारण-अधिकार, किसी बोर्ड का केंद्रीय अनुबंध विवाद — इनमें से कोई भी कहानी इस लेबल के नीचे खड़ी की जा सकती है, और हर कहानी में अंक भी भरे जा सकते हैं। मैंने खुद को रोका, क्योंकि यही वह क्षण है जब एक विश्लेषक अनजाने में काल्पनिक डेटा का लेखक बन जाता है।

एक लेबल का मौजूद होना सामग्री के मौजूद होने का सबूत नहीं है — सहसंबंध और कारण का यह सबसे साफ़ उदाहरण उसी फ़ाइल में लिखा हुआ है जिसका कोई मज़मून नहीं। अगर मैं लेबल देखकर भारत-पाकिस्तान का कोण बना देता, तो पाठक को लगता कि मेरे पास कोई स्रोत है। मेरे पास स्रोत नहीं था। मेरे पास एक शब्द था। और उस शब्द से निकले नंबर किसी स्कोरकार्ड में दर्ज नहीं होते।

कैसे गिना गया

मेरी आदत है कि हर लेख में यह बताऊँ कि गिनती कैसे हुई। यहाँ गिनती यह है: एक पेलोड, सात प्रमुख फ़ील्ड, शून्य सूचना-बिंदु, आठ विश्लेषण-आयाम, और हर आयाम पर शून्य साक्ष्य। यह गिनती मैंने स्वयं दर्ज की है, किसी डेटा-प्रदाता के ब्लैक बॉक्स से नहीं ली। जो संख्या मैं खुद नहीं गिन सका, उसे मैं उद्धृत नहीं करता — और आज जो संख्या मैंने गिनी, वह शून्य है। इस शून्य को तीन दशमलव तक लिखने का लालच आता है, क्योंकि साफ़ दिखने वाली फ़ाइलें अपने आप अधिकार पा जाती हैं। मैंने उसे शून्य ही रखा।

दोबारा चलाने के लिए क्या चाहिए

न्यूनतम शर्तें सात हैं, और उन्हें यहीं सार्वजनिक कर देता हूँ, ताकि अगली बार बहाना न बचे। शीर्षक, स्रोत और प्रकाशन-तिथि — तीनों चाहिए, क्योंकि ये विधा, अधिकार और समय-संवेदनशीलता तय करते हैं। कम से कम पाँच ठोस सूचना-बिंदु चाहिए, और वे पाठ से निकले हुए हों, विश्लेषक की सामान्य जानकारी से नहीं। फ़ॉर्मेट और प्रतियोगिता का लेबल चाहिए — टेस्ट, वनडे, टी20, और साथ में यह भी कि यह द्विपक्षीय श्रृंखला है, आईसीसी आयोजन है, लीग है या वॉर्म-अप। यह कठोर गेट है; इसके बिना पहले तीन आयाम और सार्वजनिक-कथा वाला आयाम चल ही नहीं सकते। नामित इकाइयाँ चाहिए — टीमें, खिलाड़ी, कोच, बोर्ड, मैदान। लेखक का रुख़ और लेख का उद्देश्य चाहिए, क्योंकि अपेक्षा-अंतराल का पूरा काम उसी पर टिका है। और सबसे ज़रूरी, स्रोत-गुणवत्ता का ग्रेड चाहिए। सातवीं चीज़ टैक्सोनॉमी की है: यह तय होना चाहिए कि cricket_asia, Cricket का मान्य उप-लेबल है या श्रेणी-त्रुटि।

सबक, दो हिस्सों में

पहला हिस्सा उस टीम के लिए है जो यह पाइपलाइन चलाती है। पहले चरण को शून्य सूचना-बिंदु वाला आउटपुट पास करने की अनुमति नहीं होनी चाहिए। कम से कम एक सूचना-बिंदु, गैर-खाली इकाइयाँ, और जहाँ लागू हो वहाँ फ़ॉर्मेट-लेबल — यही न्यूनतम शर्त है। यह जाँच आज लग जाए, तो अगली बार खाली फ़ाइल दूसरे चरण तक पहुँचेगी ही नहीं। यह सुधार महँगा नहीं है; महँगा यह है कि एक खाली फ़ाइल किसी प्रकाशन या किसी मॉडल के प्रशिक्षण-सेट में घुस जाए और महीनों तक पकड़ में न आए।

दूसरा हिस्सा पाठक के लिए है। जब कोई विश्लेषण आपको आठ आयामों पर साफ़ नतीजे सौंपे और यह कभी न बताए कि सामग्री कहाँ से आई, तो पूछिए कि सूचना-बिंदुओं की सूची कहाँ है। इस फ़ाइल में वह सूची खाली थी, इसलिए मेरा नतीजा भी खाली है — और खाली नतीजा, साफ़ शब्दों में लिखा गया, किसी भरे हुए नतीजे से ज़्यादा भरोसेमंद है। मुझे डेटासेट में संख्या मिलती रही है; यहाँ मुझे वह संख्या भी नहीं मिली, और यह बात पन्ने पर लिख देना ही इस पूरे अभ्यास का असली नतीजा है।

अगली बार वही स्रोत फिर से निकाला जाएगा। तब पता चलेगा कि फ़ाइल खुद को समझा पाती है या नहीं। जब तक वह समय नहीं आता, यह दस्तावेज़ विश्लेषण नहीं, एक डेटा-गुणवत्ता रिपोर्ट है — और मैं इसे उसी तरह पढ़ने की सलाह देता हूँ, क्योंकि डेडलाइन काम की दुश्मन नहीं, काम ही है।