खाली रिकॉर्ड, ज़िंदा टैग: क्रिकेट डेटा में नल नतीजे की जाँच

12 फ़रवरी 2026 की रात, कोलकाता। स्क्रीन पर एक रिकॉर्ड खुला था जिसका शीर्षक N/A था, स्रोत N/A, सूचना-बिंदुओं की सूची खाली, संस्थाओं का खाना खाली, और मुख्य दृष्टिकोण के तीनों उपखाने — सारांश, रुख, उद्देश्य — खाली। उस पूरे रिकॉर्ड में एक ही चीज़ ज़िंदा थी: डोमेन लेबल cricket_asia। और स्थिति की पंक्ति में लिखा था "Unclassified" — अवर्गीकृत। "FAILED" नहीं। यानी पाइपलाइन ने खुद को विफल घोषित नहीं किया; उसने अपनी पूरी तरह खोखली रिपोर्ट सफल की तरह आगे भेज दी।

सत्रह साल से मैं मैच के आँकड़ों के साथ बैठता हूँ। मुझे कभी किसी ग़लत संख्या ने नहीं रोका। पहली बार एक खाली संख्या ने रोका है। और यह रुकना, सच कहूँ, इस पूरे साल की सबसे उपयोगी एनालिटिकल घटना है।

मॉडल ने तीसरी बार में जाकर मुझसे झूठ बोलना बंद किया था। यह वाला पहली बार में ही चुप हो गया — और वह चुप्पी पहले किसी भी शोर से ज़्यादा ईमानदार थी।

पहले, तीन रातें और एक झूठा रन-रेट

2026 में कोलकाता के एक डिजिटल स्पोर्ट्स स्टार्टअप पर मैंने आईपीएल के लिए गेंद-दर-गेंद का प्रेशर इंडेक्स बनाया था। कोलकाता नाइट राइडर्स का पावरप्ले रन-रेट 9.1 था, जो सुनने में तूफ़ानी लगता है। पर जब मैंने उन पावरप्ले चौकों-छक्कों को एक-एक करके फ़्रेम में देखा, तो पता चला कि 41% बाउंड्री या तो किनारे से आई थी या मिस-टाइम्ड शॉट से। सुनील नारायण की ओपनिंग कैमियो एक ऐसा परदा थी जिसके पीछे फ़ेज़-एडजस्टेड दर 7.3 बैठी थी। डेस्क ने कहा था कि एक क्विक प्रीव्यू लिख दो; मैंने तीन रातें मॉडल में लगा दीं। प्लेऑफ़ में मुंबई इंडियंस के ख़िलाफ़ वही मॉडल मिडिल ओवर्स के ठहराव को पहले ही फ्लैग कर चुका था। एडिटर ने उसे साइडबार में छापा। मेरे लिए वह जीत नहीं थी; वह सबक़ था कि रॉ टोटल से पहले फ़ेज़-एडजस्टेड गति पढ़ी जाती है, और हर प्रीव्यू में सैंपल साइज़ लिखा जाता है।

2026 रूस विश्व कप के दौरान मैंने साइड प्रोजेक्ट के तौर पर एक xG/PPDA डैशबोर्ड बनाया। स्पेन ने रूस के ख़िलाफ़ 1,029 पास किए, 74% क़ब्ज़ा रखा, और सिर्फ़ 0.8 xG पैदा किया। दो भारतीय आउटलेट्स ने वह एक्सप्लेनर सिंडिकेट किया। डेस्क ने मेरे जोड़े हुए डिस्टेंस-कवर्ड प्रेसिंग प्रॉक्सी काट दिए थे। सबक़ साफ़ था — क़ब्ज़ा बिना भेदन के शोर है — और उसी सबक़ ने मुझे क्रिकेट का एक्सपेक्टेड रन्स और विकेट-प्रोबेबिलिटी मॉडल बनाने पर मजबूर किया, जो आगे चलकर मेरे आईपीएल फ़ेज़ एनालिसिस की रीढ़ बना। वह डैशबोर्ड ज़रूरत से ज़्यादा भारी था और देर से आया। पर सही था।

उन दोनों प्रोजेक्ट्स ने एक ही आदत डाली: नतीजे से पहले मेथडोलॉजी नोट लिखो। क्योंकि जिस मॉडल के मान्यताएँ पाठक के सामने नहीं हैं, वह मॉडल नहीं, कोई राय है जिसने दशमलव का दिखावा पहन रखा है।

मेरी शुरुआत वैसे भी इसी नस्ल की है। 2026 में, उन्नीस साल की उम्र में, हैदराबाद से ऑल इंडिया रेडियो के लिए कमेंट्री करते हुए मैंने क्रिकेट प्रेस बॉक्स की सीट से नहीं, बॉल-बाय-बॉल फ़ीड से सीखा। फ़ीड में कमेंट्री बॉक्स का आत्मविश्वास नहीं होता — वहाँ हर ओवर के बाद अपनी पिछली बात सुधारने की जगह होती है।

नल की शारीरिक रचना

उस रिकॉर्ड में जो पहली बात चुभी, वह यह थी कि शीर्षक भी नहीं बचा। अगर सिर्फ़ बॉडी टेक्स्ट निकालने में विफलता होती और शीर्षक बच जाता, तो गड़बड़ सारांशीकरण की परत पर होती — क्योंकि शीर्षक से तो सारांशकर्ता कुछ न कुछ लौटा ही देता। शीर्षक का भी मरना बताता है कि विफलता फ़ेच/पार्स परत पर हुई है, समझने की परत पर नहीं। यह अंतर महत्वपूर्ण है, क्योंकि इलाज दोनों का अलग है।

इस तरह का खालीपन आम तौर पर तीन जगहों से आता है। एक — लाइव स्कोरकार्ड पेज, जहाँ सामग्री टेक्स्ट नहीं, जावास्क्रिप्ट से भरी तालिका है। दो — वीडियो या हाइलाइट पेज, जहाँ पैराग्राफ़ की जगह प्लेयर एम्बेड है। तीन — पेवॉल या जावास्क्रिप्ट-रेंडर वाला शरीर, जो स्क्रैपर को खाली लौटाता है। तीनों ही स्थितियों में लेख मौजूद है; पाइपलाइन की पहुँच से बाहर है।

सबसे सस्ता अगला क़दम यही है: स्रोत का यूआरएल, आउटलेट, प्रकाशन-समय और एचटीटीपी स्टेटस दर्ज करो, और एक बार हेडलेस रेंडरर या रीडर-मोड फ़ॉलबैक से दोबारा खींचो। एक ही प्रयास में यह अलग हो जाएगा कि गड़बड़ संरचनात्मक है या क्षणिक। इससे सस्ता डायग्नोस्टिक टेस्ट पूरे डेटा डेस्क में उपलब्ध नहीं है।

जो टैग बचा, वही असली सुराग है

अब वह हिस्सा जिसने मुझे देर रात तक बैठा रखा। सारा कंटेंट शून्य, पर क्लासिफ़ायर ने cricket_asia टैग ज़िंदा रखा। यह संभव नहीं कि क्लासिफ़ायर कुछ भी देखे बिना टैग दे। मतलब कहीं कुछ टेक्स्ट था जो क्लासिफ़ायर तक पहुँचा, पर एक्सट्रैक्टर उसे नहीं ले जा सका। यह पूरी तरह खाली पेज का लक्षण नहीं — यह ट्रंकेशन या फ़ील्ड-मैपिंग की खराबी का लक्षण है।

यहीं एक दूसरी मुश्किल खड़ी हो जाती है। cricket_asia एक क्षेत्रीय टैग है, प्रारूप टैग नहीं। टेस्ट, वनडे और टी20 तीन अलग-अलग तार्किक दुनियाएँ हैं और उनके बेंचमार्क एक-दूसरे से उधार नहीं लिए जा सकते। टी20 फ़िनिशर का पार स्ट्राइक रेट 180+ के आसपास बैठता है; टेस्ट ओपनर की वही संख्या एक अलग प्राणी है। अगर किसी रिकॉर्ड में प्रारूप टैग ही नहीं है, तो उस पर कोई भी तुलनात्मक दावा करना पद्धति की ग़लती है — चाहे दावा कितना भी मामूली दिखे।

वहाँ सबसे बड़ी चूक टैग नहीं थी, स्टेटस लाइन थी। पूरी तरह खाली रिकॉर्ड को "Unclassified" कहकर भेजा गया, "FAILED" नहीं। इसका सीधा मतलब है कि यह रिकॉर्ड ऑटोमेटेड क्वालिटी चेक से पार हो सकता है। और फिर एक खाली रिकॉर्ड पर कोई विश्लेषक बैठेगा, और अगर वह पद्धति का अनुशासन छोड़ दे, तो वह आत्मविश्वास से भरी ऐसी क्रिकेट कमेंट्री लिख देगा जो पूरी तरह गढ़ी हुई होगी।

यह मुझे ट्रांसफ़र विंडो की उस बीमारी से जोड़ता है जिसका इलाज इस साल किसी भी डेस्क ने नहीं किया: शून्य सूचना-बिंदुओं पर लिखा गया आत्मविश्वासी गद्य। "मेडिकल हो गया", "पर्सनल टर्म्स पर सहमति", "रीलीज़ क्लॉज़ सक्रिय" — सारे टैग ज़िंदा, बॉडी खाली। रिलीज़ क्लॉज़ की संरचना और वेज बिल ही असली कहानी हैं, पर वहाँ तक कोई पहुँचता ही नहीं, क्योंकि टैग ने हेडलाइन बना दी। एक अफ़वाह, तकनीकी रूप से देखिए, एक स्टेज-1 नल रिकॉर्ड है जिसने हेडलाइन पहन ली है।

क्रिकेट में इसका सीधा रूपांतर यह है: जिस गेंदबाज़ का डेथ ओवर्स का कोई डेटा नहीं, वह इसलिए अच्छा डेथ गेंदबाज़ नहीं हो जाता कि उसका डेथ ओवर्स रिकॉर्ड साफ़ है। साक्ष्य का अभाव और अनुपस्थिति का साक्ष्य — ये दो अलग-अलग चीज़ें हैं, और डेटा डेस्क की सबसे आम भूल इन्हें एक मान लेना है। यही वजह है कि इस तरह के किसी भी खाली रिकॉर्ड पर "NO FINDINGS — INSUFFICIENT INPUT" बड़े अक्षरों में सबसे ऊपर लिखा जाना चाहिए। वरना वह किसी खिलाड़ी, टीम, लीग या बोर्ड के लिए क्लीन बिल ऑफ़ हेल्थ पढ़ा जाएगा, जो वह है ही नहीं।

जो नतीजा नहीं आया, वह भी एक नतीजा है

पहली प्रतिक्रिया यही होती है कि बैच बर्बाद गया। मैं उससे सहमत नहीं। शून्य सूचना-बिंदु वाला रिकॉर्ड पूरी पाइपलाइन का सबसे सस्ता और सबसे साफ़ आउटपुट है, क्योंकि वह अपनी वजह खुद बता देता है। ग़लत संख्या वाली रिपोर्ट कोई कारण नहीं बताती। खाली रिपोर्ट बताती है — और वह भी उसी क्षण, जब सुधार संभव है।

पर यहाँ मेरा अपना पुराना जाल बिछा है, और मैं उसे नाम लेकर स्वीकार करना चाहता हूँ। जिसने एक बार मीट्रिक खुद बनाया हो, उसके भीतर यह घमंड आसानी से पैदा होता है कि जो मीट्रिक नहीं बना सका, वह सिर्फ़ क़िस्सा है। वह ग़लत है, और इसी घटना में उसका इलाज छिपा है। जिस पल एक्सट्रैक्टर ने टेक्स्ट गिराया, उसी पल क्लासिफ़ायर ने टैग उठा लिया — मशीन खुद मान रही है कि किसी ने कुछ देखा था जो उसके पाइप से बाहर रह गया। क्षेत्रीय भाषा की कमेंट्री बूथ, स्काउट, पूर्व खिलाड़ी — ये वही लोग हैं जो वह चीज़ पकड़ते हैं जो मेरा मॉडल गिरा देता है। हर मॉडल दावे के साथ एक क्लिप जोड़ो और उस बूथ को श्रेय दो जिसने पैटर्न पहले बताया था।

हर मीट्रिक एक अनुवाद है, और हर अनुवाद एक बोली खो देता है। यहाँ जो बोली खोई, वह लेख की बॉडी थी। मॉडल इस बार औसत पर सही नहीं, पूरी तरह ग़ैरहाज़िर रहा — और उस ग़ैरहाज़िरी को मैंने नतीजे की तरह पढ़ा, न कि कवर-अप की तरह।

अगली बैच से पहले

मेरा सुझाव यह नहीं है कि सिस्टम को और नरम कर दिया जाए। सुझाव यह है कि एक कठोर वैलिडेशन गेट लगाया जाए: जिस भी स्टेज-1 आउटपुट में शीर्षक खाली हो या सूचना-बिंदुओं की संख्या तय न्यूनतम से कम हो, उसे खाली-सफलता वाले पेलोड की तरह नहीं, बल्कि स्पष्ट एरर स्टेट की तरह लौटाया जाए। टैक्सोनॉमी लेबल को इनजेशन की सीमा पर सामान्य किया जाए — क्षेत्रीय टैग दूसरा गुण हो सकता है, प्राथमिक डोमेन का विकल्प नहीं।

आगे मैं पाँच चीज़ें ट्रैक करूँगा: प्रति रिकॉर्ड एक्सट्रैक्शन यील्ड, स्रोत-प्रकार का वितरण (न्यूज़/लाइव स्कोरकार्ड/वीडियो/पेवॉल/एग्रीगेटर), प्रारूप टैग की उपस्थिति, टैक्सोनॉमी लेबल का अनुपालन, और सूचना-बिंदु मौजूद होने पर भी संस्थाओं की गिनती शून्य रहने की दर। पाँचवाँ संकेत सबसे चालाक है — वह बताता है कि गड़बड़ फ़ेच में है या नाम-निकासी की परत में।

अगली बैच शुक्रवार को चलेगी। अगर वही स्रोत फिर वही खाली बॉडी लौटाता है, तो मतलब गड़बड़ संरचनात्मक है और उस स्रोत से आने वाले हर लेख के साथ हफ़्तों से चुपचाप यही हो रहा है।

इसलिए सवाल सिर्फ़ इतना नहीं है कि आपकी रिपोर्ट में कौन-सी संख्या ग़लत है। सवाल यह है: आपकी रिपोर्ट की कौन-सी संख्या आप दोबारा पैदा नहीं कर सकते? और अगली बार जब डेस्क पर कोई आत्मविश्वास से भरा पैराग्राफ़ आए, तो पूछिए कि उसके नीचे कितने सूचना-बिंदु थे। जिस मीट्रिक ने एक बार मुझे शर्मिंदा न किया हो, उस पर मैं आज भी भरोसा नहीं करता — और यह रिकॉर्ड, अपनी पूरी खालीपन में, मुझे फिर शर्मिंदा कर गया।

इस रिपोर्ट में किसी खिलाड़ी, टीम, बोर्ड, लीग या मैच के बारे में कोई दावा — सकारात्मक या नकारात्मक — नहीं किया गया है। cricket_asia का ज़िक्र एशिया कप या एशियन क्रिकेट काउंसिल के संभावित संदर्भ की तरह है, निष्कर्ष की तरह नहीं।