खाली फ़ाइल: क्रिकेट डेटा का सबसे महंगा आंकड़ा N/A है

डेटा डेस्क से लौटी उस फ़ाइल में आठ एनालिटिकल डिमेंशन थे, और आठों का जवाब एक ही था — N/A, अपर्याप्त जानकारी। “Entities Involved” के खाने में जो पाठ बैठा था, वह किसी क्रिकेटर, टीम या बोर्ड का नाम नहीं था। वह खुद को दिया गया निर्देश था: “identify from the information points above”। दिक़्क़त यह थी कि ऊपर कोई इन्फॉर्मेशन पॉइंट था ही नहीं। एक टेम्पलेट ने खुद से सवाल पूछा और खुद ही जवाब लिख दिया।

क्रिकेट डेस्क पर ऐसी फ़ाइल आए तो पहली प्रवृत्ति खाली जगह भरने की होती है। एक अनुमानित स्ट्राइक रेट, एक औसत, एक रैंकिंग, एक “सूत्रों के मुताबिक़”। इकतीस साल में मैंने यह काम कई बार होते देखा है, और हर बार नुक़सान वही हुआ। यह लेख उस खाली फ़ाइल के बारे में है — और इस बात के बारे में कि क्रिकेट का डेटा तंत्र अब ऐसी खाली फ़ाइलों से कैसे भरता जा रहा है।

संदर्भ साफ़ कर दूँ। पिछले दशक में भारतीय क्रिकेट का डेटा-स्तर बदल गया है। राइट्स साइकिल की नीलामी, फ्रैंचाइज़ी वैल्यूएशन, ऑक्शन पर्स का गणित, ब्रॉडकास्ट पर चलने वाली विन प्रोबेबिलिटी, फ़ेज़-एडजस्टेड स्ट्राइक रेट — डेटा डेस्क अब उतने आंकड़े पैदा करता है जितने कमेंट्री बॉक्स पचा नहीं पाता। यही अंतर असली कहानी है: जो स्प्रेडशीट जानती है और जो ब्रॉडकास्ट कहता है, उसके बीच की दूरी।

2026 में मार्क मस्करेनहास की वेबसाइट total-cricket.com संभालते वक़्त हमारे पास एक सख़्त नियम था — सोर्स लाइन के बिना कोई कॉपी नहीं। 2026 के बाद पाँच साल Yahoo India में एडिटर-इन-चीफ़ रहते हुए यह नियम और सख़्त हो गया, क्योंकि वहाँ ग़लती की क़ीमत तुरंत दिखती थी।

2026 में मैं राइज़िंग पुणे सुपरजायंट के एनालिटिक्स हेड था — वही सीज़न जब एमएस धोनी से कप्तानी छीनकर स्टीव स्मिथ को दी गई थी। मैंने पावरप्ले मैचअप मैट्रिक्स बनाया, राहुल त्रिपाठी (391 रन, स्ट्राइक रेट 165) को टॉप ऑर्डर पर भेजा, और 17 साल के वॉशिंगटन सुंदर को पावरप्ले स्पेशलिस्ट गेंदबाज़ के तौर पर इलेवन में उतारा — सात रन प्रति ओवर से कम इकॉनमी पर आठ विकेट। हैदराबाद में फ़ाइनल मुंबई इंडियंस से एक रन से हार गए। आठ ओवर बाक़ी रहते मेरा मॉडल हमें 61% पर रख रहा था। एक रन के उस फ़ाइनल ने मुझे सिखाया कि निश्चितता एक नाज़ुक मॉडल होती है।

उसके बाद मैंने अपने ऊपर एक नियम लगाया — नॉकआउट के 24 घंटे के भीतर कोई रिपोर्ट नहीं। रिएक्शन कॉलम की जगह डिसीज़न लॉग। सेलेक्शन, मैचअप, फ़ील्ड प्लेसमेंट — पाठक स्कोरबोर्ड नहीं, प्रोसेस जज करें।

2026 की गर्मियों में एक ब्रॉडकास्टर के डेटा डेस्क ने मुझे रूस वर्ल्ड कप पर बिठाया। छह हफ़्ते, 64 मैच, किराए के फ्लैट में ज़ीरो से बनाया गया एक्सपेक्टेड-गोल्स मॉडल और PPDA-शैली का प्रेसिंग इंडेक्स। जुलाई में पुणे लौटकर मैंने उसमें से फ़ुटबॉल निकाल दिया — फ़ेज़ के हिसाब से एक्सपेक्टेड रन्स पर बॉल, कंट्रोल परसेंटेज, डॉट-बॉल क्लस्टर से बना प्रेशर इंडेक्स। दो डिजिटल डेस्क ने फ़्रेमवर्क सीधे रिजेक्ट कर दिया। तीसरे ने इसे इंग्लैंड में भारत की 4–1 हार पर चलाया, जहाँ पहले दस ओवरों में टॉप ऑर्डर का फ़ॉल्स-शॉट रेट 27% निकला। मैंने रूस से xG उधार लिया और सीखा कि डेटा टैक्टिक्स से बेहतर सफ़र करता है।

मार्च 2026 में कैलेंडर अंधेरा हो गया। मैंने शटडाउन में उस वक़्त तक खेले गए सभी 757 IPL मैच बॉल-दर-बॉल एनकोड किए और होम-एडवांटेज मॉडल बनाया। सितंबर में IPL यूएई गया और एक फ्रैंचाइज़ी ने इसे लाइव टेस्ट करने का रिमोट कॉन्ट्रैक्ट दिया। खाली स्टेडियमों में टॉस-एंड-चेज़ का होम एज शून्य की तरफ़ गिर गया — और जिस “ड्यू फैक्टर” को मैं दस साल उद्धृत करता रहा था, वह ज़्यादातर भीड़ का शोर और नैरेटिव निकला। खाली स्टेडियम के उस अध्ययन ने मुझे दिखाया कि ख़ामोशी का भी नापने लायक वज़न होता है।

अब लौटते हैं उस खाली फ़ाइल पर। उसमें तीन निशान थे, और तीनों एक साथ मिलकर एक ही बात कह रहे थे।

पहला — इन्फॉर्मेशन पॉइंट्स की सूची ख़ाली। दूसरा — आउटपुट फ़ील्ड के अंदर टेम्पलेट का निर्देश-पाठ चला आया (“judge from the source fields”, “identify from the information points above”)। तीसरा — डोमेन लेबल वही डिफ़ॉल्ट, अनबाउंड “cricket_world” रहा, जबकि स्पेसिफ़िकेशन “Cricket” मांग रहा था। ये तीन संकेत किसी ऐसे लेख के नहीं हैं जिसमें कुछ था ही नहीं। ये एक पार्सर फ़ेलियर के फ़िंगरप्रिंट हैं।

यहीं डेटा मॉन्क की पहली शर्त काम आती है: नल रिज़ल्ट भी डेटा होता है। एक असली क्रिकेट रिपोर्ट, चाहे कितनी भी एग्रेसिवली समराइज़ की जाए, कम से कम दो टीमों के नाम तो छोड़ती ही है। शून्य एंटिटी का मतलब शून्य एक्सट्रैक्शन है। जिस एक्सट्रैक्टर को सिर्फ़ नैरेटिव टेक्स्ट के लिए कॉन्फ़िगर किया गया हो, वह टेबल और स्कोरकार्ड डेटा गिरा देता है — यह सबसे आम और सबसे कम पकड़ी जाने वाली ग़लती है।

यह तकनीकी बात सुनने में भीतर की बात लगती है, पर इसका बाज़ार-पक्ष सीधा है। एक अच्छी तरह फ़ॉर्मेटेड N/A तालिका, क्रैश हुए प्रोसेस से ज़्यादा ख़तरनाक है — क्योंकि क्रैश हुआ प्रोसेस खुद बता देता है कि वह क्रैश हुआ है। N/A तालिका काम जैसी दिखती है। नीचे की तरफ़ फ़ैंटेसी डेस्क, ऑक्शन मॉडल, ब्रॉडकास्टर का ग्राफ़िक्स पैकेज — कोई भी इसे “एनालिसिस कम्प्लीट” मानकर आगे बढ़ सकता है। और फिर एक खाली एविडेंस बेस किसी स्क्वाड की रणनीति, किसी नीलामी की बोली, किसी ग्राफ़िक की संख्या तय कर देगा।

वह फ़ाइल यह भी नहीं बता सकी कि सवाल असल में किस बारे में था — क्रॉस-लीग ओनरशिप (IPL मालिक SA20, MLC, ILT20 में), फ़ैंटेसी और बेटिंग की ट्रांसमिशन चेन, या 2028 लॉस एंजिल्स ओलंपिक के लिए कैलेंडर की पुनर्संरचना। जहाँ सवाल ही तय न हो, वहाँ जवाब देना जानकारी नहीं, भरती है।

दूसरी बात जो इस फ़ाइल ने उजागर की, वह सिस्टम की है। हम क्रिकेट में हिट्स का ऑडिट करते हैं, नल्स का नहीं। अटेंडेंस डेटा, साइलेंस, रीजनल-लैंग्वेज रीच, नॉकआउट हफ़्तों के बाहर रणजी का पतला फ़ुटप्रिंट — ये सब वही आंकड़े हैं जो हाइलाइट रील से बाहर रहते हैं और खेल की असली सेहत बताते हैं। डेटा लेयर में भी यही अंधापन है। एक बैच में अगर एक लेख खाली लौटा है, तो लेख को नहीं, पूरे बैच को ऑडिट करना चाहिए — पाइपलाइन की ख़राबी अकेले नहीं आती, क्लस्टर में आती है।

यहाँ एक उलटा निष्कर्ष निकलता है, और मैं इसे जान-बूझकर सामने रख रहा हूँ। “अपर्याप्त जानकारी” किसी एनालिस्ट की हार नहीं है; यह कंस्ट्रेंट की जीत है। डेटा डेस्क का सबसे क़ीमती वाक्य “हमें नहीं पता” है, क्योंकि वह वह अकेला वाक्य है जिसे बाद में रिट्रैक्ट नहीं करना पड़ता। उद्योग इसके उलटे व्यवहार पर इनाम बाँटता है — भरा हुआ, आत्मविश्वासी, साफ़-सुथरा टेबल। मेरे छह करियर-मोड़ों में से हर एक किसी एक सचमुच उलटी खोज से बना, और यही वजह है कि यह आदत ख़तरनाक हो जाती है: जो तरीक़ा एक बार काम कर गया, वह अपनी उपयोगिता के बाद भी दोहराया जाता है। यहाँ कोई पहला डेटासेट ही नहीं है। इसलिए उबाऊ जवाब ही सही जवाब है — कोई आउटपुट नहीं।

फ़्रेमवर्क-ईर्ष्या का ख़तरा भी यहीं है। मॉडल जब खाली लौटे, तो प्रवृत्ति बड़ा मॉडल आयात करने की होती है — किसी दूसरे खेल से, किसी दूसरी लीग से। ग़लत जगह पर मरम्मत। सुधार ऊपर की तरफ़ होना चाहिए, नीचे की तरफ़ नहीं। पाँच फ़ील्ड अनिवार्य किए जाएँ: लेख का शीर्षक, मीडिया आउटलेट और प्रकाशन तिथि; फ़ॉर्मैट और मैच की प्रकृति; नामित टीमें और नामित खिलाड़ी; कम से कम एक ठोस आंकड़ा या स्पष्ट दावा; और लेखक का रुख़ या लेख का मक़सद। इनके बिना दूसरा चरण चलना ही नहीं चाहिए — क्योंकि इनके बिना जो चलता है, वह एनालिसिस नहीं, सजावट है।

टेस्ट, वनडे और T20 के टैक्टिकल फ़्रेमवर्क आपस में बदले नहीं जा सकते; DLS और DRS जैसे शब्दों का हवाले के बिना इस्तेमाल सिर्फ़ भ्रम पैदा करता है। जब फ़ॉर्मैट ही तय न हो, तो कोई भी टैक्टिकल निष्कर्ष निकालना अनुशासन तोड़ना है, जानकारी देना नहीं।

आगे क्या देखना है। सबसे पहला सिग्नल है री-रन। उसी स्रोत पर डिकंस्ट्रक्शन दोबारा चलाइए — अगर इन्फॉर्मेशन पॉइंट्स भरे हुए लौटें और एंटिटी सूची में कम से कम एक असली नाम आए, तो पाइपलाइन ठीक हुई मानी जाएगी और आठों डिमेंशन चल सकते हैं। तब सबसे पहले दो डिमेंशन चलाने चाहिए — खिलाड़ी डेटा और कमर्शियल — क्योंकि क्रिकेट कवरेज इन्हीं दो जगहों पर असली आंकड़ों से सबसे ज़्यादा भटकता है।

तब तक यह फ़ाइल FAILED मार्क होकर अपने इंटीग्रिटी नोटिस के साथ आर्काइव होनी चाहिए। डेटा मॉन्क का उपवास छोटे सैंपल पर होता है और दावत वैलिडेशन पर। क्रिकेट डेटा में सबसे महंगी चीज़ ग़लत आंकड़ा नहीं है — सबसे महंगी चीज़ वह खाली आंकड़ा है जिसने सूट पहन रखा हो।