নাল রেজাল্টের সাক্ষ্য: একটি ক্রিকেট ডেটা পাইপলাইনের ময়নাতদন্ত

রাত দুটোয় স্ক্রিনে টেবিলটা খুললাম। সারি আছে, কলাম আছে, হেডার নিখুঁত — কিন্তু ঘরগুলো ফাঁকা। যেখানে থাকার কথা শট ম্যাপ, সেখানে N/A। যেখানে থাকার কথা এনটিটি তালিকা, সেখানে নির্দেশ: "উপরের ইনফরমেশন পয়েন্ট থেকে চিহ্নিত করুন" — অথচ ইনফরমেশন পয়েন্টের তালিকাটাই শূন্য। ম্যাচ নেই। দল নেই। খেলোয়াড় নেই। ভেন্যু নেই। টস নেই। ডিউ নেই। সময়-সংবেদনশীলতা "মূল্যায়ন করা হয়নি"। সোর্স কোয়ালিটি "যাচাইযোগ্য নয়"। শুধু একটা লেবেল ঝুলে আছে, একটা শব্দ: cricket_world।

এই টেবিলটা যদি ক্রিকেট রিপোর্ট ভাবেন, ভুল করবেন। এটা ক্রিকেট রিপোর্ট নয়। এটা একটা ডেটা-ইন্টিগ্রিটি ব্যর্থতার সাক্ষ্য। আর আমার কাজটা যেহেতু রিপোর্ট লেখা নয়, মডেল অডিট করা — তাই আজকের বিষয়টা এই ফাঁকা টেবিলটাই। কারণ ফাঁকা টেবিলও একটা তথ্য দেয়, এবং প্রশ্নটা হলো, সেটা পড়তে জানি কি না।

শূন্যতা নিজেই একটা মাপ। যখন একটা বিশ্লেষণ-পাইপলাইন তার সব কাঠামো অটুট রেখে সব বিষয়বস্তু হারায়, তখন যা ভাঙে সেটা ক্রিকেট নয় — মাপার যন্ত্রটা।

প্রেক্ষাপট: যে ল্যান্ডস্কেপে তথ্য নিজেই দুষ্প্রাপ্য

দক্ষিণ এশিয়ার ক্রিকেট বিশ্লেষণে গঠনগত একটা শর্ত আছে, যেটা কেউ স্বীকার করতে চায় না: এখানে সমস্যাটা প্রতিভার নয়, সাকুল্যেরও নয় — সমস্যাটা scarcity-র। বল-ট্র্যাকিং ডেটা সবার হাতে পৌঁছায় না। এরা-অ্যাডজাস্টেড স্কোরকার্ড নেই। লাইন-অ্যাপ ইনফরমেশন নেই। যেটা থাকে, সেটা হলো স্কোরকার্ড, ভাষ্য, আর চোখ। এই তিনটাকে দিয়ে যদি মডেল বানাতে হয়, তবে মডেলের সবচেয়ে দামি সম্পদ হয় তার ইনপুট-শৃঙ্খলা।

আমি ২০১৮ রাশিয়া বিশ্বকাপের সময় রংপুরের এক শোবার ঘরে বসে ফ্রান্স-আর্জেন্টিনা (৪-৩) ম্যাচের প্রতিটা শট হাতে লিখে নিয়েছিলাম। এক্সেলে একটা কাঁচা xG মডেল বানালাম — শটের জায়গা আর শরীরের অংশ ধরে ভ্যালু বসালাম। ফ্রান্স ১.৮ xG তৈরি করে ৪ গোল করল; আর্জেন্টিনা ২.১ xG করে ৩ গোল করল। ২,০০০ শব্দের একটা ব্রেকডাউন বাংলাদেশি একটা ফুটবল ব্লগে দিলাম — ৪৮ ঘণ্টায় ১২,০০০ পাঠ, আর একটা মন্তব্য যা সব বদলে দিল: "How did you see this?"

সেই মুহূর্তে আমি গোল বর্ণনা করা বন্ধ করলাম। I built the first xG model in a Rangpur bedroom, and it taught me to distrust the eye. যন্ত্রের বিরুদ্ধে আমার আস্থা তৈরি হয়েছিল একটা যন্ত্র বানিয়েই। অথচ আজ আমি সেই যন্ত্রের ব্যর্থতা নিয়ে লিখছি — এবং এটাই পদ্ধতিগত সততার আসল পরীক্ষা।

কেন? কারণ বিশ্লেষণ-পাইপলাইন দুটো ধাপে চলে। প্রথম ধাপে কাঁচা উৎস থেকে তথ্য ভাঙা হয় — কোন দল, কোন ফরম্যাট, কোন খেলোয়াড়, কী বলেছে, কোন সংখ্যা। দ্বিতীয় ধাপে সেই ভাঙা তথ্যকে মাপকাঠির ভেতরে বসিয়ে বিশ্লেষণ হয়। এখানে একটা লোহার নিয়ম: দ্বিতীয় ধাপের প্রতিটা সিদ্ধান্তকে প্রথম ধাপের কোনো ইনফরমেশন পয়েন্টের হাওয়ালা দিতে হবে। হাওয়ালা যদি না থাকে, সিদ্ধান্তটার অস্তিত্বও নেই।

এবং আজকের ইনপুটে হাওয়ালাই নেই।

কোর: ফাঁকা টেবিলের ভেতরের স্থাপত্য

চারটা হেডার প্রথম ধাপ থেকেই পেয়েছি: শিরোনাম — N/A; সোর্স — N/A; আর্টিকেল টাইপ — "Unclassified"; আর ডোমেইন লেবেল — cricket_world। শেষটা ছাড়া বাকি সব ফাঁকা। ইনফরমেশন পয়েন্টের তালিকা — শূন্য। এনটিটি — অনুমানযোগ্য নয়। সময়-সংবেদনশীলতা — মূল্যায়িত হয়নি। সোর্স কোয়ালিটি — বিচারযোগ্য নয়।

এখানে একটা বিষয় পরিষ্কার করা জরুরি, কারণ এটাই গোটা অডিটের কেন্দ্র। তিনটা আলাদা জিনিসকে মানুষ এক করে ফেলে: ডেটা নেই (missing), ডেটা এসেছে কিন্তু সিগন্যাল নেই (null), আর যন্ত্র কাজ করেনি (broken)। তিনটার তিন রকম অর্থ, তিন রকম প্রতিকার।

যদি শুধু ডেটা না থাকত — ধরুন, ম্যাচের স্কোরকার্ড পাওয়া যায়নি — তাহলে সমাধান হতো সোর্স খোঁজা। যদি ডেটা থাকত কিন্তু কোনো পরিসংখ্যানগত সিগন্যাল না মিলত — ধরুন, হোম-অ্যাডভান্টেজ শূন্য — তাহলে সমাধান হতো প্রশ্ন বদলানো। কিন্তু এখানে যা ঘটেছে তা তৃতীয় শ্রেণির: কাঠামো ঠিক আছে, কিন্তু বিষয়বস্তু পৌঁছায়নি। কলামগুলো আছে, কিন্তু কোনো সারির কোনো ঘরে মান নেই। এটা "নাল রেজাল্ট" নয় — এটা নাল রেজাল্টের আগের অবস্থা। এটা মাপার আগেই মাপার যন্ত্র আটকে যাওয়া।

এই পার্থক্যটা কেন এত জরুরি? কারণ নাল রেজাল্ট একটা বৈজ্ঞানিক ফলাফল — এটা প্রকাশযোগ্য, এটা সিদ্ধান্তমূলক। আর "পাইপলাইন আটকে গেছে" একটা প্রকৌশলগত ব্যর্থতা — এটা প্রকাশযোগ্য নয়, এটা মেরামতযোগ্য। যিনি দুটোকে গুলিয়ে ফেলেন, তিনি আটকে যাওয়া যন্ত্রকে পরাজিত সিদ্ধান্ত বলে চালিয়ে দেন।

এখন অডিটের আসল অংশ। প্রথম ধাপ শূন্য হলে দ্বিতীয় ধাপের সঠিক আচরণ কী? উত্তরটা বিতর্কের ঊর্ধ্বে: প্রতিটা মাত্রার কাঠামো অক্ষত রাখো, কিন্তু বিষয়বস্তুর জায়গায় লিখো "N/A — অপর্যাপ্ত তথ্য, মূল্যায়ন সম্ভব নয়"। কেন? কারণ দ্বিতীয় ধাপে কোনো সংখ্যা, এনটিটি বা বর্ণনা বানানো হলে সেটা আর বিশ্লেষণ থাকে না — সেটা কল্পকাহিনি হয়।

ভাবুন, পাইপলাইনটা যদি একটা ম্যাচ বানিয়ে ফেলত। ধরুন cricket_world লেবেল দেখে অনুমান করল: "নিশ্চয়ই কোনো বড় টুর্নামেন্ট, নিশ্চয়ই ভারত-অস্ট্রেলিয়া, নিশ্চয়ই কেউ জিতেছে।" এটা চট করে বিশ্বাসযোগ্য শোনায়। এখানেই বিপদ। একটা ডোমেইন লেবেল কখনো একটা ম্যাচ, দল, খেলোয়াড়, লিগ, ইভেন্ট বা সময়-অ্যাঙ্কর সরবরাহ করে না। "ক্রিকেট" জানা আর "কোন ক্রিকেট" জানা — এই দুইয়ের মধ্যে বিশাল ফারাক, এবং যন্ত্রটা সেই ফারাকটা মেনে নিয়েছে। এটাই তার সবচেয়ে সৎ আচরণ।

রিস্ক-ম্যাট্রিক্স যেটা নিজেই ডেটা

দ্বিতীয় ধাপ তার ঝুঁকি-ম্যাট্রিক্সে চারটা ফ্ল্যাগ তুলেছে, এবং প্রতিটা ফ্ল্যাগের ভাষা নিজেই শিক্ষণীয়:

• [উচ্চ] প্রথম ধাপ শূন্য → নিচের প্রতিটা বিশ্লেষণে ফেব্রিকেশন বা বানানো তথ্যের ঝুঁকি। প্রতিকার: উৎস নিবন্ধে প্রথম ধাপ আবার চালাও।
• [উচ্চ] সোর্স-কোয়ালিটি ঘর ফাঁকা, সোর্স = N/A → উৎসের বিশ্বাসযোগ্যতা যাচাই করা যায় না। প্রতিকার: মূল URL/প্রকাশক আর প্রকাশের তারিখ ধরে রাখো।
• [মধ্যম] আর্টিকেল টাইপ "Unclassified", আর ডোমেইন লেবেল "cricket_world" — অথচ স্পেক চায় "Cricket"। এটা সম্ভবত স্কিমা-মিসম্যাচ বা পার্সার ত্রুটি। প্রতিকার: লেবেল-সেট মিলিয়ে নাও।
• [নিম্ন] কোনো এনটিটি নেই → ডাউনস্ট্রিম এনটিটি-লিংকিং চলতেই পারে না। প্রতিকার: এনটিটি-এক্সট্র্যাকশন ধাপটা আদৌ চলেছিল কি না নিশ্চিত হও।

এই চারটার মাঝে একটা কথা লুকিয়ে আছে: "Unclassified" আর "cricket_world" পাশাপাশি থাকা মানে হলো, লেবেলিং স্তরটা নিজের ভেতরেই অসামঞ্জস্যপূর্ণ। একজন ক্রিকেট কোয়ান্টের কাছে এটা শুধু টাইপিং ভুল নয়। এটা হলো সেই ক্লাসিক সংকেত যে পাইপলাইনের একটা স্তর অন্যটার সাথে কথা বলছে না। আর যে পাইপলাইনের স্তরগুলো পরস্পরের সাথে কথা বলে না, তার আউটপুট যত সুন্দরই হোক, তার উপর ভরসা করা যায় না।

ঘোস্ট গেমস: কেন নিয়ন্ত্রিত পরীক্ষা ছাড়া কিছুই দাঁড়ায় না

এখন আপনি জিজ্ঞেস করতে পারেন, একটা ফাঁকা আউটপুট নিয়ে এত আয়োজন কেন? কারণটা আমার কাছে পুরোনো।

The ghost games of 2026 didn't just empty the stadiums; they emptied my old assumptions. মে ২০২০-তে বুন্ডেসলিগা আবার শুরু হলে আমি ২০ বছরের, ঘরে আটকে। সেই মৌসুমের বন্ধ দরজার পেছনে খেলা ৮৩টা ম্যাচের ডেটা টেনে আনলাম, আর তুলনা করলাম আগের ৩০৬টা দর্শক-উপস্থিত ম্যাচের সাথে। হোম-উইন রেট ৪৩.২% থেকে নামল ৩৩.৭%-এ। গড় গোল ৩.১ থেকে ২.৭-তে। তখন লিখলাম ৪,০০০ শব্দের একটা লেখা — যুক্তি দিলাম, হোম-অ্যাডভান্টেজের একটা অংশ ভিড়-চালিত, শুধু ভ্রমণ-ক্লান্তি নয়। ঢাকার একটা স্পোর্টস-অ্যানালিটিক্স নিউজলেটার সেটা পুনঃপ্রকাশ করল।

আজকের ফাঁকা টেবিলটার সাথে সেই অভিজ্ঞতার যোগসূত্রটা সরাসরি। ঘোস্ট গেমস আমাকে শিখিয়েছিল, পরিবেশগত চলক (ভিড়, আবহাওয়া, ভ্রমণ) আর কৌশলগত মেট্রিককে আলাদা না করলে প্রতিটা সিদ্ধান্ত বিষাক্ত হয়ে যায়। তাই এখন আমি যেকোনো ডেটাসেটে সিদ্ধান্তে পৌঁছানোর আগে একটা "context integrity" নোট বসাই। আর সেই নোটের প্রথম লাইন আজকের ক্ষেত্রে হবে: এই ডেটাসেটে কোনো মান নেই, তাই কোনো পরিবেশগত চলকও নেই, তাই কোনো সিদ্ধান্তও নেই।

এখানেই লুকিয়ে আছে আজকের সবচেয়ে বড় শিক্ষা। ২০২০ সালের ৮৩ বনাম ৩০৬ ম্যাচের তুলনাটা কাজ করেছিল, কারণ দুই দিকেই ডেটা ছিল। নিয়ন্ত্রিত পরীক্ষার শক্তি তথ্যের প্রাচুর্যে, অভাবের মধ্যে নয়। আর আজকের আউটপুট হলো সেই পরীক্ষার ঠিক উল্টো প্রান্ত — যেখানে এক পাশের পাল্লাই খালি। খালি পাল্লা নিয়ে দোলনা কখনো দোলে না; সেটা শুধু ঝুলে থাকে।

ইতালির PPDA আর একটা লেজার-বই

২০২১ ইউরোয় (যেটা খেলা হয় ২০২০-তে) মাঞ্চিনির ইতালির প্রেসিং-কাঠামো সাতটা ম্যাচ ধরে ট্র্যাক করলাম। তাদের PPDA ছিল ৭.২ — টুর্নামেন্টের সর্বনিম্ন। জর্জিনিয়োর প্রোগ্রেসিভ পাস (সাত ম্যাচে ৪৮টা) ম্যাপ করে একটা ড্যাশবোর্ড বানালাম, যেখানে দেখা গেল কীভাবে ইতালির মিডফিল্ড প্রতিপক্ষ মিডলাইন পার হওয়ার আগেই জায়গা সংকুচিত করে। Italy's PPDA machine showed me that pressing is not chaos; it is a ledger.

ঠিক তেমনি, একটা বিশ্লেষণ-পাইপলাইনও একটা লেজার। প্রতিটা ইনফরমেশন পয়েন্ট একটা এন্ট্রি। এন্ট্রি না থাকলে ব্যালান্স শূন্য — কিন্তু এই শূন্য সৎ শূন্য, জাল শূন্য নয়। A model is a monastery: you enter with noise, and you leave with discipline. আজকের আউটপুট সেই মঠের শৃঙ্খলাটাই দেখিয়েছে — শব্দ নিয়ে ঢুকে সে শব্দটাকে মেরে ফেলেনি, বরং শব্দটার অস্তিত্ব স্বীকার করে বেরিয়ে গেছে।

তথ্য-মূল্য রেটিং: চার তারা শূন্য

দ্বিতীয় ধাপ চারটা মাত্রাকে এক থেকে পাঁচ তারায় বিচার করেছে, আর প্রতিটাই দিয়েছে এক তারা — অর্থাৎ সবচেয়ে নিচু। খেলাধুলা-মূল্য ★☆☆☆☆, ইন্ডাস্ট্রি-মূল্য ★☆☆☆☆, সময়োপযোগীতা ★☆☆☆☆, তথ্যসূত্র-মূল্য ★☆☆☆☆।

কেউ হয়তো ভাববেন, এটা ব্যর্থতা। আমি বলি, এটা ব্যর্থতার সঠিক মাপ। যখন এনটিটি বা তথ্য-পয়েন্ট না থাকে, তখন ফলাফল উদ্ধৃতযোগ্য হয় না — এবং এই না-উদ্ধৃতযোগ্যতা ঘোষণা করা নিজেই একটা তথ্য-শৃঙ্খলার কাজ। যে সিস্টেম জানে সে কতটা জানে না, সেটা অর্ধেক পথ পেরিয়ে গেছে।

তথ্য উৎসের প্রশ্ন: কে বলছে, আর কবে বলছে

একটা বিশ্লেষণের ওজন নির্ভর করে দুটো জিনিসের উপর: কে বলছে (provenance), আর কবে বলছে (timeliness)। আজকের ক্ষেত্রে দুটোই শূন্য। সোর্স = N/A মানে আমি জানি না এই তথ্য কোথা থেকে এল। প্রকাশের তারিখ নেই মানে আমি জানি না এটা পুরোনো না নতুন।

প্রমাণের চেইন যেখানে শুরুই হয় না, সেখানে সিদ্ধান্তের চেইন কখনো গড়া যায় না। এটা সাংবাদিকতার প্রাথমিক পাঠ, এবং ডেটা-সাংবাদিকতার ক্ষেত্রে এটা আরও কঠোর। কারণ একটা ভুল সংখ্যা শুধু ভুল নয় — সেটা পরে আরও দশটা সিদ্ধান্তের ভিত্তি হয়ে যায়। আজকের পাইপলাইন অন্তত সেই ভুলটা করেনি।

কনট্রারিয়ান: নাল-পূজার ফাঁদ

এখানে আমাকে নিজের বিরুদ্ধে একটা কথা বলতে হবে, নইলে লেখাটা অসম্পূর্ণ থাকবে।

আমি এতক্ষণ যুক্তি দিলাম যে শূন্য আউটপুট সৎ আউটপুট, আর ফেব্রিকেশন সবচেয়ে বড় পাপ। এই অবস্থান সঠিক। কিন্তু এর একটা বিপরীত ফাঁদ আছে, যেটা পেশাদার বিশ্লেষকরা প্রায়ই এড়িয়ে যান: নাল-রেজাল্ট-পূজা।

ভাবুন, একটা পাইপলাইন যদি প্রতিবারই বলে — "অপর্যাপ্ত তথ্য, মূল্যায়ন সম্ভব নয়"। সেটা কি ভালো পাইপলাইন? না। সেটা অকেজো পাইপলাইন, যে তার দায় এড়ানোর জন্য শূন্যতাকে ঢাল বানিয়েছে। সততা আর অলসতা দেখতে একই রকম, কিন্তু কাজে সম্পূর্ণ আলাদা। সৎ পাইপলাইন বলে: "ডেটা নেই, তাই উত্তর নেই — কিন্তু এই কারণেই ডেটা আনতে হবে।" অলস পাইপলাইন বলে: "ডেটা নেই, তাই উত্তর নেই — দায় আমার নয়।"

পার্থক্যটা তৈরি হয় একটা গেট দিয়ে। আজকের কেসে সঠিক আচরণটা হলো: প্রথম ধাপ শূন্য দেখে দ্বিতীয় ধাপ থেমে গেছে, এবং থামার কারণটা লিখে দিয়েছে। এটা গেট। কিন্তু এই গেট যদি স্থায়ী হয়, তবে কাজটা আর এগোবে না। গেটের কাজ থামানো নয়, ছাঁকানো — খাঁটি ইনপুট ঢুকলে গেট খুলে যেতে হবে।

দ্বিতীয় ফাঁদটা আরও সূক্ষ্ম। ENTJ মেজাজ আর চোখের উপর প্রশিক্ষিত অবিশ্বাস — এই দুটো মিলে আমাকে সহজেই প্রলুব্ধ করে নজর-সাক্ষ্যকে পুরোপুরি খারিজ করে দিতে। এটা ভুল। চোখের সাক্ষ্য এখানে দর্শক নয়, সাক্ষী — তাকে জেরা করা যায়, বিচারক বানানো যায় না। আজকের ফাঁকা টেবিলে চোখ বলবে, "কিছু একটা বাদ পড়েছে।" মডেল বলবে, "কী বাদ পড়েছে জানি না।" দুটোই সত্য, এবং দুটোর মাঝের টানাপোড়েনটাই আসল গবেষণা।

তৃতীয় প্রলোভনটা আর্থিক। বাজার অনিশ্চয়তার জন্য টাকা দেয় না; বাজার দেয় নিশ্চয়তার জন্য। The market is pricing vibes; the model is pricing variance. একটা নিশ্চিত ভুল উত্তর সবসময় একটা সৎ "জানি না"-র চেয়ে বেশি বিক্রি হয়। এখানেই তথ্য-শিল্পের গঠনগত বিকৃতি — এবং এই বিকৃতিটাই সবচেয়ে বেশি নাল রেজাল্টকে গোপন করতে প্ররোচিত করে। যে বিশ্লেষক এই প্রলোভন চিনতে পারেন, তিনিই কেবল মডেল অডিট করতে পারেন, মডেল বানাতে পারেন না।

টেকঅ্যাওয়ে: পরের চক্রে কী দেখবেন

আজকের ফাঁকা টেবিল একটা ম্যাচের গল্প নয়, একটা পদ্ধতির গল্প। আর পরের চক্রে এই পদ্ধতির তিনটা সংকেত আমি নজরে রাখব।

এক: প্রথম ধাপ আবার চালালে ইনফরমেশন পয়েন্টের তালিকা খালি থেকে ভরে ওঠে কি না। ভরে উঠলে গোটা বিশ্লেষণ সম্ভব; না উঠলে সমস্যা উৎসে, পাইপলাইনে নয়। দুই: সোর্স আর প্রকাশের তারিখের ঘর পূরণ হয় কি না — কারণ সেটাই ঠিক করে দেবে তথ্যের বিশ্বাসযোগ্যতার স্তর। তিন: "cricket_world" বনাম "Cricket" — লেবেল-সেট আদৌ স্পেকের সাথে মেলে কি না।

এগুলো প্রযুক্তিগত বিবরণ মনে হতে পারে। কিন্তু আমার অভিজ্ঞতায় এই বিবরণগুলোই ঠিক করে দেয়, একটা বিশ্লেষণ সত্যি কথা বলছে, নাকি সুন্দর মিথ্যা বলছে। রংপুরের সেই শোবার ঘর থেকে আজ পর্যন্ত যা শিখেছি তার সারমর্ম একটাই: সংখ্যা তখনই মূল্যবান, যখন তার পেছনের শূন্যতাটা স্বীকার করা হয়।

সুতরাং পরের বার যখন কেউ একটা নিখুঁত ক্রিকেট বিশ্লেষণ দেখিয়ে বলবে — "দেখুন, সব মিলে গেছে" — তখন একটা প্রশ্ন করুন। জিজ্ঞেস করুন, ইনফরমেশন পয়েন্টের তালিকাটা কোথায়? কারণ যে বিশ্লেষণ তার নিজের সূত্র দেখাতে পারে না, সেটা বিশ্লেষণ নয় — সেটা শুধু একটা টেবিল, যার ঘরগুলো হয়তো খালি নয়, কিন্তু ভিত্তিটা খালি।