খালি ডেটা, ভাঙা পাইপলাইন: ক্রিকেট বিশ্লেষণের যে শিক্ষা কেউ দেয় না

Stage-1 ডিকনস্ট্রাকশন রিপোর্টটি হাতে পেয়ে প্রথমে ভেবেছিলাম ফাইলটা বুঝি আংশিক ডাউনলোড হয়েছে। শিরোনাম নেই, সোর্স নেই, তথ্যবিন্দুর তালিকা সম্পূর্ণ খালি — শুধু একটা রাউটিং লেবেল পড়ে আছে: cricket_asia। সাত বছর ধরে আমি ম্যাচের রেকর্ড থেকে খেলোয়াড়ের ওয়ার্কলোড ট্র্যাক করি, কিন্তু এমন খালি শিট আগে দেখিনি। প্রশ্নটা এখন ক্রিকেটের নয়, পাইপলাইনের। আমি ২০১৮ সালে যখন ৬৪টি বিশ্বকাপ ম্যাচ হাতে কোড করছিলাম, তখন শিখেছিলাম: একটি সংখ্যা তখনই অর্থবহ যখন তার পেছনে অডিট ট্রেইল থাকে। কোনো দাবির সোর্স নেই মানে দাবিটা নয়েজ। এই Stage-1 আউটপুটের সমস্যাটা ঠিক সেটাই। একটা লেবেল আছে, কিন্তু লেবেল কোনো তথ্যবিন্দু নয়। cricket_asia লেবেলটা সম্ভবত কনটেন্ট এক্সট্র্যাকশনের আগেই ফিড মেটাডেটা থেকে বসানো হয়েছে। মানে ব্যর্থতাটা ফেচ স্তরে, এনএলপি স্তরে নয়। আমার নিজের কাজের নিয়ম সরল: প্রতি অ্যাসাইনমেন্ট শুরু হয় লোড শিট আর ইনজুরি লেজার দিয়ে, সাক্ষাৎকার সূচি দিয়ে নয়। ২০১৭ সালে আবাহনীর সঙ্গে নয় সপ্তাহ কাজ করার পর পাঁচটি সফট-টিস্যু ইনজুরি রেকর্ড করেছিলাম; ক্লাব তখন ফুল-টাইম স্পোর্টস সায়েন্টিস্ট নিয়োগ দেয়। যে তথ্য নিজে সংগ্রহ করি না, সেটা দিয়ে বিশ্লেষণ লিখি না। এখন সামনে যে সমস্যাটা, সেখানে সংগ্রহ শূন্য। শূন্য থেকে বিশ্লেষণ দাঁড় করানো মানে বানানো গল্প। এখানে একটা সাইকোলজি কাজ করে যেটা আমি লক রুমের বাইরে শিখেছি। খালি জায়গা পেলে মানুষ ভরাট করতে চায়। নিউজরুমে ডেডলাইনের চাপে কেউ কেউ ফাঁকা ঘরে সম্ভাব্য দল, সম্ভাব্য স্কোর বসিয়ে দেয়। ম্যাচ রিপোর্টে সংখ্যা না থাকলে ভাষার অলংকার দিয়ে ঘাটতি ঢাকা পড়ে। অথচ ভাষা সংখ্যা নয়। আপনি অনুমান দিয়ে ইনফরমেশন গ্যাপ পূরণ করতে পারেন না, শুধু সেটা লুকাতে পারেন। পাঠক সেটা ধরতে পারে না, কিন্তু রেকর্ড ধরে ফেলে। আমি একটা মিনিমাম ইনফরমেশন গেটের পক্ষে। Stage-1 যখন শূন্য তথ্যবিন্দু দেয়, Stage-2 সেখানে থেমে যাওয়া উচিত, বিশ্লেষণ চালানো নয়। এটা সরল নিয়ম: ইনফরমেশন পয়েন্টের সংখ্যা শূন্য হলে প্রক্রিয়া থামে, রি-ইনজেস্টের জন্য ফ্ল্যাগ ওঠে। ২০২০ সালে লকডাউনে ৩০ ঘণ্টা অ্যাম্বিয়েন্ট অডিও রেকর্ড করেছিলাম; ওই অভিজ্ঞতা শিখিয়েছে, যা নেই সেটাও ডেটা — যদি সেটা রেকর্ড করা থাকে। Stage-1 এখানে সেই রেকর্ডটাই রাখেনি। তবে এখানেই আসল শিক্ষা। এই খালি আউটপুটকে কেউ যদি 'খবর নেই' ভেবে এগিয়ে যায়, সেটাই বড় বিপদ। খবর নেই আর খবর পৌঁছায়নি — দুটো আলাদা কথা। প্রথমটা ক্রিকেট সম্পর্কে তথ্য, দ্বিতীয়টা সিস্টেম সম্পর্কে তথ্য। এই ক্ষেত্রে সিস্টেমের তথ্যটাই গুরুত্বপূর্ণ। cricket_asia ট্যাগ দেখে অনুমান করা যায় সোর্সটা এশিয়ার ক্রিকেট প্রসঙ্গ নিয়ে ছিল, কিন্তু এটা অনুমান, তথ্য নয়। এই লো-কনফিডেন্স সংকেতের উপর ভিত্তি করে কোনো সিদ্ধান্ত নেওয়া যায় না। ডেটা ইন্টিগ্রিটি এখানে একমাত্র ছাড় না দেওয়ার জায়গা। লোকাল সেটআপে মিনিমাম ইনফরমেশন গেট বসানো, ইনপুট-পার্স মেসেজে ভ্যালিডেশন রাখা — যেমনটা আমি জিমের প্রতিটি সেটের রেকর্ড রাখি। সমস্যা খালি ফলাফল নয়, সমস্যা হলো খালি ফলাফল চিনতে না পারা। সোর্স অডিট এবং ডেটা ভ্যালিডেশনের মূলনীতিগুলো [গবেষণা]। অনুমানভিত্তিক কনটেন্ট জেনারেশনের ঝুঁকি সম্পর্কে [বিজ্ঞপ্তি]। প্রক্রিয়া-স্তরের ব্যর্থতা শনাক্তকরণ এবং রিপোর্টিং [ডকুমেন্টেশন]। এখন প্রসঙ্গে ফিরি। এই সংবাদটি আসলে ক্রিকেট নিয়ে নয়, ক্রিকেট নিয়ে খবর তৈরির প্রক্রিয়া নিয়ে। গত কয়েক বছরে অনেক আউটলেট খবরের গতি বাড়িয়েছে, নির্ভরযোগ্যতা বাড়ায়নি। ফেচ ব্যর্থ হলে সেটা ধরার কোনো মেকানিজম নেই। এবং যে কোনো প্রক্রিয়া যেখানে ডেটা স্যানিটাইজ করা হয় না, সেখানে ভুয়া তথ্য ঢুকে পড়ে। বিষয়টা গুরুত্বপূর্ণ, এবং সময়োপযোগী সময়োপযোগী সতর্কবার্তা প্রয়োজন। যা ঘটেছে তা একদম নতুন নয়। ২০১৭ সালে আমি মিক্সড জোনে গিয়ে দেখেছি স্টাফ কীভাবে প্রশ্ন এড়িয়ে যায়। একই নিয়ম ডেটা পাইপলাইনে খাটে: সিস্টেমও চুপ থাকতে পারে। পার্থক্য একটাই — ক্রিকেটে চুপ থাকা মানে রাজনীতি, প্রক্রিয়ায় চুপ থাকা মানে বাগ। দুটো আলাদা ইনভেস্টিগেশন। পরের বার যখন কেউ Stage-2 বিশ্লেষণ দাবি করবে যা সম্পূর্ণ খালি Stage-1 থেকে জন্ম নিয়েছে, প্রশ্নটা হবে তিনটি: সোর্স কোথায়, সোর্স অ্যাক্সেসযোগ্য কিনা, এবং তথ্যবিন্দুর সংখ্যা শূন্য হলে সিস্টেম থামে কি না। উত্তর যদি 'না' হয়, সমস্যাটা ক্রিকেটে নেই — সমস্যা আমাদের ফ্রেমওয়ার্কে।