তথ্যশূন্যতার কাঠামো: ক্রিকেট বিশ্লেষণে ইনপুট ব্যর্থতার মেকানিজম

গত সপ্তাহে একটি ক্রিকেট ডেটা পাইপলাইনে এমন একটি ঘটনা ঘটল যা আমি আগে কখনো এভাবে দেখিনি। স্টেজ-১ ডিকনস্ট্রাকশনের চারটি ফিল্ড—আর্টিকেল টাইটেল, সোর্স, কোর ভিউপয়েন্ট এবং ইনফরমেশন পয়েন্ট—সবই খালি। কোনো ত্রুটি বার্তা নেই, কোনো ব্যতিক্রম নেই; কাঠামো সম্পূর্ণ, কিন্তু বিষয়বস্তু শূন্য। ২০১৭ সালে মনাকোর ১০৭ গোলের মেশিন বিশ্লেষণ করার সময় আমি শিখেছিলাম যে ফর্মেশন শূন্য হলে ম্যাচের বর্ণনা অসম্ভব। আজ সেই শিক্ষা নতুন রূপে ফিরে এলো—এখানে ফর্মেশন আছে, কিন্তু খেলোয়াড় নেই। আমি যখন ২০১৩ সালে বিডিক্রিকটিম শুরু করি, তখন আমাদের কোনো ডেটা পাইপলাইন ছিল না। মূলত ম্যাচ দেখে নোট নিয়ে লিখতাম। সেটিই ছিল আমার প্রথম মেকানিজম—চোখ, নোটবুক, এবং সাধারণ সাংবাদিকতা। ২০১৮ সালে রাশিয়া বিশ্বকাপে মাসুইদির অদৃশ্য খাঁচা নিয়ে লেখার সময় আমি বুঝেছিলাম যে মেকানিজম কেবল পিচেই থাকে না; ডেটা প্রবাহেও থাকে। ডেটা ফ্লো ভেঙে গেলে বিশ্লেষণের কাঠামো দাঁড়িয়ে থাকে কিন্তু প্রাণ থাকে না। এই স্টেজ-২ আউটপুট দেখে প্রথমে মনে হয়েছিল কেউ ইচ্ছাকৃতভাবে ফাঁকা ইনপুট দিয়ে পরীক্ষা করছে—সিস্টেম কতটা সৎ থাকতে পারে। উত্তরটা পরিষ্কার: সিস্টেম কোনো অনুমান তৈরি করেনি। আটটি ডাইমেনশনের প্রতিটিতে "N/A — অপর্যাপ্ত তথ্য" লেখা আছে, যা তথ্যগত সততার একটি বিরল উদাহরণ। মূল সমস্যাটি জানা দরকার: একটি ইনফরমেশন পয়েন্ট কী। এটি এমন একটি পরমাণবিক সত্য যা স্টেজ-১-এ নিবন্ধ থেকে আহরণ করা হয় এবং প্রতিটি বিশ্লেষণমূলক সিদ্ধান্তকে সমর্থন করে। এখানে একটি ইনফরমেশন পয়েন্টও সরবরাহ করা হয়নি। ফলে খেলোয়াড়, দল, ফরম্যাট—কিছুই চিহ্নিত করা যায়নি। ক্রিকেট বিশ্লেষণে ফরম্যাট নয়টি আকারে আসে—টেস্ট, ওডিআই, টি-২০—এবং এখনই বলে দেওয়া দরকার যে প্রতিটির মেট্রিক আলাদা। টেস্টের গড় রান রেট টি-২০-এর সাথে তুলনা করা যায় না। ফরম্যাট অজানা থাকলে ব্যাটিং গড়, ইকোনমি রেট, স্ট্রাইক রেট—কোনোটিরই পার্সেন্টাইল নির্ধারণ সম্ভব নয়। এখানেই পাইপলাইনের প্রথম পরীক্ষা: সোর্স ফিল্ড ফাঁকা থাকলে টাইম সেনসিটিভিটি নির্ধারণ করা যায় না। তিনটি সম্ভাব্য ব্যাখ্যা আছে এই ইনপুট ব্যর্থতার পেছনে। প্রথমত, স্ক্র্যাপারের সিলেক্টর ভুল হতে পারে—সোর্স পেজের DOM পরিবর্তিত হয়েছে কিন্তু এক্সট্রাক্টর সেটি ধরতে পারেনি। দ্বিতীয়ত, নিবন্ধটি স্বয়ংক্রিয় সিস্টেমে ঢোকার আগেই ফিল্টার হয়ে গেছে—সম্ভবত লেন্থ বা ভাষা সনাক্তকরণে ব্যর্থতা। তৃতীয়ত, ম্যানুয়াল ইনপুটে কেউ ফাঁকা ফর্ম জমা দিয়েছে। প্রতিটি ক্ষেত্রেই সংশোধনযোগ্য, কিন্তু প্রতিটি ক্ষেত্রেই ভিন্ন হস্তক্ষেপ প্রয়োজন। প্রথম কেসে অ্যালার্ট চাই: যদি কনটেন্ট সিলেক্টর শূন্য রিটার্ন করে, সিস্টেমকে অবশ্যই ব্যর্থতা জানাতে হবে, নীরবে "N/A" লিখে এগিয়ে চললে হবে না। এটাই আসল মেকানিজম বাগ—একটি খালি স্ট্রিংকে কনটেন্ট হিসেবে গ্রহণ করা। আমার নোটবুকে একটি নিয়ম আছে, যা ২০২০ সালে কোভিড বিরতিতে সেট করি: কোনো ডেটা ফিল্ড ফাঁকা থাকলে সেখান থেকে উপসংহার টানবেন না; বরং সেই ফাঁকের মাপ নিন। জুরিখে বায়ার্নের ৮-২ জয়ে খালি স্টেডিয়ামকে যখন "অ্যাকোস্টিক ভ্যাকুয়াম" বলেছিলাম, তখন আমার মূল লক্ষ্য ছিল শূন্যতার ট্র্যাকিং—কী নেই সেটি বোঝা। এই স্টেজ-২ আউটপুটে ঠিক সেটা হয়েছে: শূন্যগুলো মানচিত্রিত করা হয়েছে, অস্তিত্বহীন ডেটাকে অস্তিত্ব দেওয়া হয়নি। সমালোচকরা বলতে পারেন এটি বিশ্লেষণ নয়। কিন্তু ইনফরমেশন মানের দিক থেকে এটি সৎ একটি উপাদান—এটি দেখায় ইনপুট পাইপলাইন দুর্বল, এবং সেই দুর্বলতা একটি রিপোর্টেবল ফ্যাক্ট। এখন ভবিষ্যতের দিকে তাকিয়ে তিনটি ধাপে এটি ঠিক করা যায়। প্রথম ধাপ: স্টেজ-১ পুনরায় চালান নিবন্ধের মূল টেক্সট দিয়ে অথবা স্ক্র্যাপারে DOM-পরিবর্তনের জন্য ট্র্যাকিং যোগ করুন। দ্বিতীয় ধাপ: কোনো ফাঁকা ফিল্ড থাকলে স্বয়ংক্রিয়ভাবে "quantitative filter" চালু করুন, যা ইনফরমেশন পয়েন্ট সনাক্ত না হওয়া পর্যন্ত বিশ্লেষণ উৎপন্ন করবে না। তৃতীয় ধাপ: সোর্স, তারিখ এবং ফরম্যাট—এই তিনটি ম্যান্ডেটরি ফিল্ডে পরিণত করুন। কারণ ক্রিকেটের প্রতিটি মেট্রিক ফরম্যাট-নির্ভর; ফরম্যাট ছাড়া কোনো মেট্রিকের অর্থ নেই। — রুট: ২০১৭ হাফ-স্পেস নোটবুক ও মনাকো | দৃশ্যপট: ডেটা পাইপলাইনে স্ট্রাকচারাল ব্যর্থতা বিশ্লেষণ। প্রশ্ন থেকে যায়: একটি সিস্টেম যখন নিজের শূন্যতা স্বীকার করে, সেটি কি ব্যর্থতা, নাকি পরিণত সততা? আমার উত্তরে বলব—দ্বিতীয়টি। কারণ মেকানিজমের প্রথম শর্ত হলো ইনপুটের সততা। ভবিষ্যতে এই পাইপলাইন যদি আবার ফাঁকা ফেরত দেয়, আমি সেটিকে মেরামতের আমন্ত্রণ হিসেবে দেখব, ত্রুটি হিসেবে নয়। কারণ শুধু সৎ ইনপুটই ক্রিকেটের বাস্তব মেকানিজম উন্মোচন করতে পারে।