শূন্য ডেটাসেটের সততা: ক্রিকেট বিশ্লেষণে 'নাল রেজাল্ট' কেন বানানো সিদ্ধান্তের চেয়ে বিশ্বাসযোগ্য

গত সপ্তাহে ব্যাঙ্গালোরের ডেস্কে যে ডেটা-রিপোর্টটি এল, তার প্রতিটি ঘর খালি। আটটি বিশ্লেষণ-স্তম্ভ—ফরম্যাট, খেলোয়াড়, দল, লিগ, শাসনব্যবস্থা, ঝুঁকি, জন-আখ্যান, শিল্প-প্রবাহ—আটটিরই উত্তর একটাই বাক্য: "পর্যাপ্ত তথ্য নেই, মূল্যায়ন সম্ভব নয়।" শিরোনাম নেই, সূত্র নেই, তথ্যবিন্দু শূন্য। যে পাইপলাইন এই রিপোর্ট তৈরি করেছে, সে মিথ্যা বলেনি। সে চুপ করেছে। আর এই চুপ করাটাই আজকের ক্রিকেট-ডেটা অর্থনীতির সবচেয়ে দুষ্প্রাপ্য গুণ।

২০১৭ সালে আমি ৯৫টি ম্যাচের ১,০৮৭টি শট হাতে লিখেছিলাম—শটের অবস্থান, শরীরের কোন অংশ, কে অ্যাসিস্ট করল, শুটার কতটা চাপে ছিল। কলকাতার এক প্রেস বক্সে কেউ বলেছিলেন, "ট্যাকটিক্স তোমার বিট না।" আমি তর্ক না করে গুনতে শুরু করেছিলাম। সেই লেজার আমাকে দুটো শিক্ষা দিয়েছিল। এক, বড় স্যাম্পল প্রমাণ নয়; বড় স্যাম্পল কেবল গোনা। দুই, এবং এটাই কঠিন—যখন স্যাম্পলই নেই, তখন সংখ্যা বানানো ছাড়া আর কোনো পথ থাকে না, যদি না আপনি বানানোটা বন্ধ করেন। সেদিনের ফাইনালে বেঙ্গালুরু এফসি ২-৩ গোলে হেরেছিল চেন্নাইয়িনের কাছে, আর আমার লেজার দেখিয়েছিল চেন্নাইয়িন ১.১ xG থেকে তিনটি গোল করেছে। আমার এডিটর লেখাটা ছেপেছিলেন। কিন্তু আসল পাঠটা ছিল ভিন্ন: একটা ছোট স্যাম্পল কখনো একটা নিয়মের প্রমাণ নয়, সে কেবল একটা ঘটনার রসিদ।

আজকের বিষয়টা এখানেই জরুরি। একটি স্বয়ংক্রিয় বিশ্লেষণ-পাইপলাইনের সামনে যখন শূন্য তথ্য আসে, তখন দুটো রাস্তা খোলা থাকে। একটি হলো ঘরগুলো পূরণ করা—ভেসে যাওয়া কোনো মিডিয়া রিপোর্ট থেকে একটা নাম টেনে আনা, ফরম্যাট অনুমান করে নেওয়া, "সম্ভবত টি-টোয়েন্টি" ধরে নিয়ে ট্যাকটিক্স লিখে ফেলা। আরেকটি হলো ঘরগুলো খালি রাখা এবং সেটা স্পষ্টভাবে ঘোষণা করা। প্রথমটির নাম বিশ্লেষণ নয়, তার নাম হ্যালুসিনেশন। দ্বিতীয়টির নাম ব্যর্থতা নয়, তার নাম অখণ্ডতা।

ক্রিকেটে এই ফাঁদটা বিশেষভাবে বিপজ্জনক, কারণ ক্রিকেটের তিনটি ফরম্যাট—টেস্ট, ওয়ানডে, টি-টোয়েন্টি—তিনটি আলাদা খেলা। পাঁচ দিনের খেলায় যে ধৈর্য আর সেশন-ভিত্তিক পরিকল্পনা কাজ করে, সেই একই কাঠামো ২০ ওভারে ধসে পড়ে। পাওয়ারপ্লের অর্থ ওয়ানডেতে একরকম, টি-টোয়েন্টিতে আরেকরকম; মৃত্যু-ওভারের ইকোনমি আর টেস্টের তৃতীয় সেশনের ক্লান্তি কখনো এক চলকে মাপা যায় না। এই তিন ফরম্যাটের ডেটা যদি একসাথে মিশিয়ে ফেলা হয়, তাহলে যা বেরোয় তা বিশ্লেষণ নয়, তা একটা সুন্দর দেখতে ভুল। তাই শূন্য তথ্যসেটে ফরম্যাট অনুমান করা মানে তিনটি ভিন্ন খেলার উপর একটাই ভুল চাপিয়ে দেওয়া।

দক্ষিণ এশিয়ার ক্রিকেট-বাজারে এই বিপদ আরও বাড়ে, কারণ এখানে আবেগের গুণক অনেক উঁচু। একটা গুজব, একটা ট্রেন্ডিং ক্লিপ, একটা "ড্রেসিংরুমে গোলযোগ" গল্প—কয়েক ঘণ্টায় এগুলো আখ্যান হয়ে যায়, অথচ তার পিছনে কোনো বেস-রেট থাকে না। এই পরিবেশে খালি ডেটাসেটকে "সম্ভবত এটাই" দিয়ে ভরাট করা মানে গুজবকে সংখ্যার মোড়কে ছাপানো। আর পাঠক সেটা ধরতে পারেন, যদি তাঁকে লেজারটা দেখানো হয়।

এখানেই ব্লকচেইন প্রযুক্তির মূল প্রতিশ্রুতিটা ক্রিকেট-ডেটার জন্য প্রাসঙ্গিক হয়ে ওঠে। ব্লকচেইনের শক্তি এই নয় যে সে দ্রুত, তার শক্তি এই যে সে প্রতিটি এন্ট্রিকে আগেরটার ক্রিপ্টোগ্রাফিক হ্যাশে বেঁধে রাখে—কেউ মাঝখানে একটা সংখ্যা বদলালে পুরো চেইন ভেঙে পড়ে। ক্রিকেটের বল-বাই-বল রেকর্ডের ক্ষেত্রেও একই দরকার। তথ্যের উৎস যদি ট্যাম্পার-এভিডেন্ট লেজারে থাকে, তাহলে "কে এই শটটা ওয়াইড বলেছে, কে ওয়াইড বলেনি" — এই বিতর্কটা আর গল্পের উপর নির্ভর করে না, হ্যাশের উপর নির্ভর করে। আমার ১,০৮৭টি শটের স্প্রেডশিটটা আজ পর্যন্ত একটি অডিটেবল নথি, কারণ প্রতিটি এন্ট্রির পাশে তারিখ আর ম্যাচ-আইডি লেখা। ইমিউটেবিলিটি মানে জাদু নয়; ইমিউটেবিলিটি মানে দায়বদ্ধতা।

এই কারণেই আমার নিজের প্রতিটি প্রেডিকশন-নথির সঙ্গে দুটো জিনিস যুক্ত থাকে—একটি মেথডোলজি ফুটনোট, আরেকটি "কী দেখলে আমি মত বদলাব" প্যারা। ভেরিয়েবলের সংখ্যা আমি সীমিত রাখি, কারণ সহগ-বাহুল্য মানে প্রতিটি নতুন ম্যাচের জন্য নতুন অজুহাত। ২০১৮ সালের রাশিয়া বিশ্বকাপের আগে আমি ৩২টি দলকে প্রতিপক্ষের শক্তি-সমন্বিত সুযোগ-সৃষ্টির মানের ভিত্তিতে সাজিয়েছিলাম। জার্মানি এসেছিল চোদ্দতম স্থানে। আমি লেখাটি ১৩ জুন জমা দিয়েছিলাম—আমার নিজের ডেডলাইনের চার দিন ও এগারোটি সংশোধনের পরে, কারণ আমি বারবার প্রতিপক্ষ-শক্তি সহগ পুনর্গঠন করছিলাম। তারপর জার্মানি গ্রুপ এফ-এর তলানিতে শেষ করল, তিন ম্যাচে ৬৭টি শট নিয়ে মাত্র ৩.১ xG তৈরি করে। এটা কোনো ভবিষ্যদ্বাণী ছিল না। গ্রুপ-পর্যায়ের পতন ছিল একটা মডেলের নিঃশ্বাস ফেলা, ভাগ্যের বাণী নয়।

একই লজিক কোভিড-পরবর্তী খালি স্টেডিয়ামে পরীক্ষা পেয়েছিল। ২০২০ সালের ১৬ মে বুন্দেসলিগা দর্শকশূন্য গ্যালারিতে ফিরেছিল; আমি ইউরোপের শীর্ষ পাঁচ লিগের ১,০৮২টি ম্যাচ আগে-পরে ভাগ করে দেখলাম, হোম-উইন হার ৪৩.৪% থেকে নেমে ৩৩.৬% হয়েছে, আর হোম-গোল প্রতি ম্যাচে ১.৫৮ থেকে ১.৩১-তে এসেছে। হিসাবটা দাঁড়াল—ভিড়ের দাম ছিল প্রায় ০.২৭ গোল প্রতি ম্যাচ। এখানেও শূন্য গ্যালারি শূন্য তথ্য নয়; বরং এটা এমন একটা প্রাকৃতিক পরীক্ষা, যা দেখিয়ে দিল "দুর্গ" reputations আর হোম-ফর্মের প্রিমিয়াম আসলে এমন এক চলকের উপর দামি ছিল, যেটা একদিনে উধাও হয়ে গেল।

ট্রান্সফার-মার্কেটে একই অপরাধ আরও বড় মাপে ঘটে। পঞ্চাশের কম শীর্ষ-স্তরের ম্যাচ খেলে যাওয়া একজন খেলোয়াড়ের জন্য ১০ কোটি ইউরো খরচ করা বিশ্লেষণ নয়, এটা উলঙ্গ জুয়া—অথচ প্রতিবেদনগুলো ঠিক সেই সুরেই লেখা হয়, যেন একটি বেস-রেট আছে। তরুণ-খেলোয়াড়ের প্রিমিয়াম-বুদবুদটা এই কারণেই ফাটছে: যে মূল্যায়ন তিন ম্যাচের হাইলাইটস-রিলে দাঁড়িয়ে থাকে, সেটা এক মৌসুমের ক্লান্তিতে টিকতে পারে না। আর যেখানে স্যাম্পল নেই, সেখানে লেবেলটাও নেই।

আজকের খালি রিপোর্টটাও এই চোখে দেখলে বোঝা যায় কেন এটা মুছিয়ে ফেলার বিষয় নয়। এই রিপোর্ট আসলে বলছে: যে ইনপুট এল, তাতে একটা শিরোনাম পর্যন্ত নেই। উৎস নেই, সময়-সংবেদনশীলতা মূল্যায়িত হয়নি, তথ্যবিন্দু একটিও ফেরত আসেনি, সত্তাগুলোর ঘর অপরিপূর্ণ। একটা সিস্টেম যখন এরকম হয়, তখন একমাত্র সৎ সিদ্ধান্ত হলো সিস্টেমটাকেই প্রশ্ন করা—অনুমান দিয়ে ফাঁক ভরাট করা নয়। শূন্য ফলাফল মানে বিশ্লেষণের ব্যর্থতা নয়; শূন্য ফলাফল মানে বিশ্লেষণ সীমারেখাটা ঠিক জায়গায় এঁকেছে।

কিন্তু এখানে একটা বিপরীতমুখী সতর্কবার্তা আছে, এবং সেটা আমাকেই দিতে হবে, কারণ এই ফাঁদটা আমার নিজের। নাল রেজাল্টের অখণ্ডতা যখন অতিরিক্ত হয়ে যায়, তখন সেটা পক্ষাঘাতে পরিণত হয়। "পর্যাপ্ত তথ্য নেই" বলা সহজ; কিন্তু যতক্ষণ না পাইপলাইন ঠিক করা হচ্ছে, ততক্ষণ কোনো নতুন সংকেতও তৈরি হচ্ছে না। এটাই আমার পরিচিত ফাঁদ—মডেল-পারফেকশনিজম, যেখানে অসীম সংশোধনের লোভে একটা ন্যূনতম কার্যকর মডেল কখনো প্রকাশই পায় না। অখণ্ডতা আর দ্বিধা এক জিনিস নয়।

তাই আজকের সবচেয়ে বড় ঝুঁকিটা কোনো ক্রিকেট-ঝুঁকি নয়—কোনো দলের পতন, কোনো খেলোয়াড়ের ইনজুরি, কোনো ট্রান্সফার-ফি নয়। ঝুঁকিটা প্রক্রিয়ার, এবং তার মাত্রা উচ্চ: শূন্য তথ্যবিন্দুর উপরে যদি বিশ্লেষণ চালিয়ে দেওয়া হয়, তাহলে নিচের স্তরে যা বেরোবে তা বানানো নাম আর বানানো সংখ্যা—এবং ক্রিকেট-পাঠক সেটা ধরতে পারবেন, যদি তাঁকে লেজারটা দেখানো হয়। ফরম্যাট-মিশ্রণ আর লেবেল-অসঙ্গতির মতো ছোট ছোট ফাটল দিয়েই বড় মিথ্যা ঢোকে।

আরেকটা ছোট কিন্তু চিহ্নিত করার মতো সংকেত—ডোমেইন লেবেলটা ফিরে এসেছে cricket_asia, অথচ প্রত্যাশিত লেবেল Cricket। এটা নিজে বিশ্লেষণযোগ্য বিষয়বস্তু নয়, কিন্তু এটা স্কিমা-প্রবাহের একটা ছোট সূচক। প্রতিটি স্তরে যদি লেবেল না মেলে, তাহলে কোন ডেটা কোন ফরম্যাটের, সেই হিসাবটা ধীরে ধীরে গলে যায়। আরেকটা মিসিং জিনিস হলো সূত্রের তারিখ—অনুপস্থিত তারিখ মানে অনুপস্থিত ট্রেসেবিলিটি, এবং ট্রেসেবিলিটি ছাড়া ডেটা কেবল মন্তব্য।

তাহলে সামনের রাউন্ডে আমার চোখ থাকবে তিনটি সংকেতে। এক, Stage-1 আবার চালালে তথ্যবিন্দু অন্তত একটি ফেরত আসে কি না—এটাই সবচেয়ে গুরুত্বপূর্ণ ট্রিগার। দুই, ডোমেইন লেবেল কি Cricket-এর সঙ্গে মিলছে কি না, যাতে পাইপলাইনে স্কিমা-ড্রিফট ধরা পড়ে। তিন, শিরোনাম আর সূত্রের ঘর কি আর "প্রযোজ্য নয়" দেখাচ্ছে কি না, যাতে ট্রেসেবিলিটি ফিরে আসে।

আমার বহু বছর ধরে ম্যাচ দেখার অভিজ্ঞতা থেকে একটা কথা বলতে পারি: যেসব সংখ্যা সবচেয়ে সন্দেহজনক, সেগুলো প্রায়ই সবচেয়ে গোছানো দেখতে হয়। লেজার তখনই বিশ্বাসযোগ্য, যখন সে তার ফাঁকগুলো লুকোয় না। প্রশ্নটা তাই বিশাল নয়, সরল—যখন আপনার ডেটা খালি, আপনি ঘর ভরাট করবেন, নাকি ঘর খালি রেখে সেটা ঘোষণা করবেন?