खाली डेटा, अधूरी कहानी: जब एनालिसिस पाइपलाइन चुप हो जाती है

मैंने 1,214 ओवर हाथ से कोड किए थे — गुजरात के घरेलू मैदानों पर बॉल-ट्रैकिंग नहीं थी, लाइवस्ट्रीम फुटेज से हर स्पेल गिनना पड़ा। उस काम ने मुझे एक आदत दी: जब तक स्कोरबुक में मैन्युअल काउंट न दिखूं, तब तक किसी मॉडल पर भरोसा नहीं। पिछले हफ्ते अहमदाबाद के डेटा डेस्क पर मेरे सामने एक अलग तरह का खालीपन आया। किसी मैच का स्कोरशीट खाली नहीं था — खाली तो खुद एनालिसिस पाइपलाइन थी। स्टेज-1 डीकंस्ट्रक्शन का पेलोड आया, और उसमें क्रिकेट की एक भी सत्यापन-योग्य इकाई नहीं थी। न शीर्षक, न स्रोत, न प्रकाशन तिथि, न खिलाड़ी, न टीम। सिर्फ एक लेबल — cricket_world — जो हमारे तय टैक्सोनॉमी कॉलम Cricket से मेल नहीं खाता था।

क्रिकेट डेस्क पर ऐसा पेलोड किसी बड़े संकट की तरह आता है, लेकिन यह विकेट नहीं गिरता — यह कवरेज गिरती है। मॉनिटरिंग सेट से एक आर्टिकल चुपचाप गायब हो जाता है। अगर वह आर्टिकल किसी रिटायरमेंट, नीलामी रिकॉर्ड या अनुशासनात्मक कार्रवाई का था, तो नुकसान सामग्री का है, फॉर्म का नहीं। डेटा डेस्क की दुनिया में सबसे खतरनाक चीज़ गलत नंबर नहीं होती; सबसे खतरनाक चीज़ है वह नंबर जो कभी सिस्टम में दाखिल ही नहीं हुआ।

पाइपलाइन की जांच में तीन संभावनाएं सामने आईं। पहली, स्रोत आर्टिकल इमेज, वीडियो, पेवॉल या लाइव-स्कोर विजेट रहा होगा, जिससे टेक्स्ट एक्सट्रैक्टर कुछ नहीं निकाल पाया। दूसरी, यूआरएल किसी प्लेसहोल्डर पर रिज़ॉल्व हुआ हो। तीसरी, एक्सट्रैक्टर चला तो हो, पर आउटपुट पेलोड इन्फॉर्मेशन-पॉइंट ऐरे से पहले ही कट गया हो। इन्फॉर्मेशन-पॉइंट क्या होते हैं? एक आर्टिकल से निकली वे परमाणु-इकाइयां जो सत्यापन-योग्य होती हैं — एक आंकड़ा, एक कोट, एक नामित घटना। स्टेज-2 की हर इकलौती निष्कर्ष-पंक्ति इन्हीं इकाइयों पर खड़ी होती है। जब ऐरे खाली हो, तो फॉर्मेट, खिलाड़ी, टीम, नीलामी, गवर्नेंस — आठों आयाम मूक हो जाते हैं।

सबसे बड़ा संकेत यह था कि एक भी नामित इकाई नहीं निकली — न बोर्ड, न लीग, न ब्रॉडकास्टर। क्रिकेट के किसी भी कॉमर्शियल या गवर्नेंस आर्टिकल से स्टेज-1 सामान्यतः कम से कम एक नाम तो निकाल ही लेता है। शून्य इकाइयों का मतलब यह नहीं कि क्लासिफिकेशन फेल हुआ; मतलब यह है कि टेक्स्ट पढ़ा ही नहीं गया। यह फेच/पार्स लेयर की विफलता है, आर्टिकल लेवल की नहीं।

मुझे यहां फोर्मेट-संदर्भ की अनुपस्थिति सबसे ज्यादा खटकी। क्रिकेट मेट्रिक्स में फॉर्मेट पहला और अनिवार्य फ्रेम होता है — टेस्ट, वनडे, टी20। औसत, स्ट्राइक रेट और इकॉनमी रेट तीनों फॉर्मेट में तुलनीय नहीं होते। बिना फॉर्मेट के कोई बेंचमार्क लागू करना मॉडल को हवा में खड़ा करना है। मैं यह गलती पहले भी देख चुका हूं — 2026 में रूस से पहले मैंने 32 टीमों का xG और PPDA मॉडल बनाया था, और फ्रांस को चौथे स्थान पर रखा था क्योंकि उन्होंने सात मैचों में केवल छह गोल खाए थे, गेंद भी कम रखी थी। लुज़्निकी फाइनल में फ्रांस ने 34 प्रतिशत possession के साथ क्रोएशिया को 4-2 से हराया। उस नोट को लोगों ने "उलटफेर" कहा। मैंने "Possession Is a Lagging Indicator" लिखा। सबक यही था — फॉर्मेट और फेज़ का फ्रेम तय न हो, तो नतीजा भी सिर्फ शोर बनता है।

खाली पेलोड के सामने सबसे बड़ा प्रलोभन यह होता है कि एनालिस्ट विश्वसनीय क्रिकेट कहानी भर दे, ताकि टेम्पलेट पूरा दिखे। यह ठीक वही जाल है जिससे मैंने खुद को वर्षों में रोका है। 2026 में यूएई में बंद दरवाजों के बीच खेले गए 60 आईपीएल मैचों पर मैंने जांच की थी कि खाली स्टैंड्स टॉस और ओस के फायदे को समतल कर देते हैं या नहीं। चेज़ करने वाली टीमों की जीत-दर 58 प्रतिशत तक पहुंची। 19 दिसंबर 2026 को भारत के एडिलेड में 36 रन पर ऑलआउट होने पर मैंने सभी 21.2 ओवर फ्रेम-दर-फ्रेम कोड किए और हर बल्लेबाज का फ्रंट-फुट लैंडिंग चार्ट किया। नतीजा कॉलम में नहीं, तीन-स्तरीय कोलैप्स-फॉरेंसिक्स टेम्पलेट में लिखा — परिस्थितियां, निर्णय की गुणवत्ता, निष्पादन। जिस दिन आंकड़ा नहीं है, उस दिन कोलैप्स की व्याख्या नहीं की जाती। उस दिन विफलता दर्ज की जाती है।

यहां विफलता दर्ज करने का मतलब यह नहीं कि हाथ खड़े कर दिए जाएं। इसका मतलब है कि कवरेज-गैप को मटीरियल स्टोरी से अलग रखा जाए। अगर यह आर्टिकल किसी नीलामी-रिकॉर्ड या प्रतिबंध का था, तो मॉनिटरिंग सेट में उसकी अनुपस्थिति एक ऑपरेशनल जोखिम है, स्पोर्टिंग जोखिम नहीं। दोनों को एक ही रिपोर्ट में मिलाना उसी तरह की गलती है जैसे आईपीएल की छोटी-सैंपल स्ट्राइक रेट को बहु-वर्षीय अंतरराष्ट्रीय आउटपुट के खिलाफ बेंचमार्क मान लेना।

मेरे मॉडल की एक आदत है जो यहां काम आई — "1,214 ओवर बाद ही मॉडल"। यानी पहले मैन्युअल काउंट, प्रक्रिया, सैंपल साइज़ और त्रुटि-सीमा; उसके बाद ही कोई प्रोजेक्शन। इस मामले में मैन्युअल काउंट ने शून्य बताया, इसलिए मॉडल को अंदर आने का कोई अधिकार नहीं मिला। नतीजा यह हुआ कि रिपोर्ट अपने-आप एक डेटा-क्वालिटी दस्तावेज बन गई। यही साफ और ऑडिट-योग्य संकेत है कि पाइपलाइन अपनी विफलता पकड़ सकती है। प्रश्न यह नहीं कि एनालिसिस क्यों नहीं हुआ; प्रश्न यह है कि यह पता कैसे चला कि एनालिसिस नहीं हो पाएगा।

सुधार की राह साफ है। फॉलबैक एक्सट्रैक्टर से स्टेज-1 दोबारा चलाना — पहले आरएसएस बॉडी टेक्स्ट, फिर एएमपी पेज, फिर आर्काइव स्नैपशॉट। साथ ही, स्रोत यूआरएल और शीर्षक मैन्युअली लॉग करना, ताकि 72 घंटे की खबर-खिड़की बंद होने से पहले आर्टिकल वापस खोजा जा सके। बैच-लेवल नल-रेट चेक जरूरी है — किसी एक आउटलेट के लिए 5 प्रतिशत से ऊपर नल-रेट सिस्टमिक रिग्रेशन का संकेत है, अकेले आर्टिकल की समस्या नहीं। डोमेन लेबल भी सामान्य करने होंगे; cricket_world जैसा गैर-मानक लेबल आर्टिकल को गलत टेम्पलेट पर रूट कर देगा।

अगर वाकई आर्टिकल मैच रिपोर्ट न होकर कॉमर्शियल या गवर्नेंस आइटम निकला, तो रिकवरी के बाद प्राथमिकता बदल जाएगी — तब आयाम 4 और 5 मुख्य ट्रैक बनेंगे, और पहले दो आयाम सिकुड़ जाएंगे। यह निर्णय मैन्युअल रिकवरी के बाद ही लिया जा सकता है, अनुमान से नहीं।

क्रिकेट डेस्क पर हम अक्सर नतीजे की जांच करते हैं, प्रक्रिया की नहीं। यह मामला उलटा है। कल अगर इसी बैच के कई और आर्टिकल खाली पेलोड लौटाते हैं, तो समस्या किसी एक आर्टिकल की नहीं, हमारे पढ़ने के तरीके की होगी। और जिस दिन हम यह नहीं पकड़ पाएंगे कि हमने पढ़ा नहीं, उस दिन आंकड़े सही होंगे या गलत — यह सवाल भी बेमानी हो जाएगा।

स्कोरबुक को भीड़ से पहले सच पता था। लेकिन इस बार स्कोरबुक खुली ही नहीं।