खाली शीट, पूरा फ्रेम: क्रिकेट डेटा पाइपलाइन की वह विफलता जो सबसे महंगी है
**मुख्य उत्तर:** क्रिकेट डेटा विश्लेषण का एक चरण-1 आउटपुट खाली इन्फॉर्मेशन पॉइंट्स के साथ लौटा, जिससे आठों विश्लेषण आयाम बंद हो गए। विफलता सामग्री की नहीं, निष्कर्षण की थी — वर्गीकरण चला, तथ्य नहीं निकले। **मुख्य तथ्य:** - इन्फॉर्मेशन पॉइंट्स की सूची पूरी खाली थी, एक भी प्रविष्टि दर्ज नहीं हुई। - केवल डोमेन लेबल भरा था, और वह मानक 'Cricket' से हटकर 'cricket_world' था। - एंटिटीज़ फ़ील्ड में नाम नहीं, बल्कि 'identify from the information points above' निर्देश लौटा। - लेख का प्रकार 'अवर्गीकृत' रहा; समय-संवेदनशीलता का आकलन नहीं हुआ; स्रोत की गुणवत्ता अनिर्धारित रही। - एक ही सफल निष्कर्षण दौड़ आठों आयाम एक साथ खोल देगी, क्योंकि सभी एक ही द्वार पर अटके हैं। **स्रोत:** आंतरिक क्रिकेट डेटा-पाइपलाइन ऑडिट रिपोर्ट, चरण-2 विश्लेषण आउटपुट (लेखकीय समीक्षा हेतु प्रस्तुत)। ऐतिहासिक संदर्भ तिथियां: 21 मई 2017, 27 जून 2018, 19 दिसंबर 2020। **संबंधित प्रश्नोत्तर:** प्रश्न: खाली इन्फॉर्मेशन पॉइंट्स से सभी आयाम क्यों बंद हो जाते हैं? उत्तर: क्योंकि ढांचे का हर निष्कर्ष चरण-1 के किसी तथ्य तक जुड़ा होना अनिवार्य है, और सूची खाली होने पर कोई भी लिंक सिद्ध नहीं हो सकता। प्रश्न: डोमेन लेबल क्रिकेट होने से प्रारूप मान लेना क्यों गलत है? उत्तर: प्रारूप तय किए बिना कोई भी बेंचमार्क चुनना टेस्ट, वनडे और टी20 के आंकड़ों को एक-दूसरे की जगह बैठा देता है, जो इस ढांचे की सबसे बड़ी त्रुटि मानी जाती है। प्रश्न: सुधार की लागत कितनी है? उत्तर: एक ही निष्कर्षण दौड़, क्योंकि वर्गीकरण पहले ही सफल रहा है और सभी आयाम एक ही प्रवेश-द्वार पर अवरुद्ध हैं।
सुबह दस बजे डेस्क पर एक फाइल खुली। ढांचा पूरा था — शीर्षक, उपशीर्षक, आठ आयाम, कॉन्फिडेंस टैग, रिस्क फ्लैग, 'हिडन इन्फॉर्मेशन' तक का सेक्शन। बस जहां आंकड़े बैठते हैं, वहां हर जगह 'N/A — अपर्याप्त सूचना' छपा था। सबसे ऊपर इन्फॉर्मेशन पॉइंट्स की सूची थी, और वह खाली थी। एक भी प्रविष्टि नहीं। एंटिटीज़ वाले खाने में नामों की जगह एक निर्देश बैठा था — "identify from the information points above" — यानी सिस्टम कह रहा था कि नाम ऊपर से निकाल लो, जबकि ऊपर निकालने के लिए कुछ था ही नहीं।
तेरह साल कोलकाता की एक अखबार डेस्क पर बिताने के बाद मैं यह पहचानता हूं: प्रूफ का ढांचा सही होना और पेज का खाली छप जाना, दो अलग बातें नहीं हैं। अखबार में वह गलती शर्मिंदगी थी, अगली सुबह सुधर जाती थी। एनालिटिक्स पाइपलाइन में वही खाली शीट आगे की हर मंजिल के लिए तथ्य बन जाती है — और उसे कोई सुबह नहीं सुधारती।

संदर्भ
हमारा क्रिकेट-डेटा सिस्टम दो चरणों में चलता है। पहला चरण स्रोत को तोड़ता है: शीर्षक, प्रकाशक, लेख का प्रकार, एक वाक्य का सार, लेखक का रुख, लेख का उद्देश्य, अलग-अलग काटे गए तथ्य (इन्फॉर्मेशन पॉइंट्स), डोमेन लेबल, इकाइयों के नाम, समय-संवेदनशीलता, और स्रोत की गुणवत्ता। दूसरा चरण उन तथ्यों पर आठ-आयामी ढांचा लगाता है — प्रारूप और मैच, खिलाड़ी की तकनीक, टीम का परिदृश्य, लीग का वाणिज्य, शासन, जोखिम, सार्वजनिक कथा, और उद्योग में संचरण।
ढांचे का नियम साफ है: हर निष्कर्ष को पहले चरण के किसी तथ्य तक वापस जाना होगा। यह नियम सजावट नहीं है। मैंने 2026 में मैच को कीमतों के क्रम के रूप में पढ़ना सीखा था, 812 आईपीएल पारियों पर बना मॉडल, और उसी साल 21 मई को हैदराबाद में मुंबई इंडियंस को पारी-ब्रेक पर केवल 34 प्रतिशत जीत दिया था — एक रन के अंतर ने उसे तोड़ दिया। उसके बाद से हर फाइल के साथ मेरा 'दिखाओ अपना काम' बॉक्स चलता है: मॉडल, डेटा विंडो, कॉन्फिडेंस बैंड। जिस दिन वह बॉक्स खाली आता है, उस दिन रिपोर्ट नहीं छपती।
इस बार बॉक्स खाली ही आया, और टुकड़े-टुकड़े में।
कोर विश्लेषण
ऑडिट का पहला निष्कर्ष यह है कि समस्या सामग्री की नहीं, निष्कर्षण की है। जिन ग्यारह खानों की उम्मीद थी, उनमें से एक भी भरा नहीं आया — लेख का प्रकार 'अवर्गीकृत' था, समय-संवेदनशीलता का आकलन ही नहीं हुआ था, और स्रोत की गुणवत्ता विश्लेषक पर छोड़ दी गई थी, जबकि ग्रेड करने के लिए कोई प्रकाशक का नाम ही मौजूद नहीं था। केवल एक खाना भरा था: डोमेन लेबल। और वह भी मानक से हटकर — 'क्रिकेट' की जगह 'cricket_world'।
यही असंगति सबसे बड़ा सुराग है। जब वर्गीकरण चल जाता है और निष्कर्षण नहीं चलता, तो आउटपुट शून्य नहीं, 'स्कीमा-वैध शून्य' बनता है — ढांचा सही, मूल्य गायब। यह दोष पूरी तरह सुधार्य है, क्योंकि वर्गीकरण दोबारा करने की जरूरत नहीं; केवल निष्कर्षण दोबारा चलाना है। मगर यही दोष सबसे खतरनाक भी है, क्योंकि स्वचालित जांच इसे पास कर देती है।
आठ आयामों का हिसाब देखिए। प्रारूप तय नहीं, इसलिए टेस्ट का नई-गेंद का तर्क, वनडे का मध्य ओवर, और टी20 का डेथ ओवर — तीनों बंद। खिलाड़ी का नाम नहीं, इसलिए स्ट्राइक रेट या इकॉनमी की कोई बेंचमार्क तुलना असंभव; बेंचमार्क तो प्रारूप पर निर्भर है, बिना प्रारूप के कोई बेंचमार्क चुनना ही क्रॉस-फॉर्मेट गड़बड़ी है। टीम नहीं, इसलिए होम-अवे का वह अंतर, जो क्रिकेट की सबसे बड़ी संदर्भ-चर है, लागू ही नहीं हो सकता। लीग नहीं, इसलिए आईपीएल, बीबीएल, द हंड्रेड, पीएसएल, एसए20 — सब खुले पड़े हैं और किसी को श्रेणी नहीं दी जा सकती। नियम-शासन का कोई ट्रिगर नहीं, इसलिए अनुपालन जोखिम की रेटिंग ही नहीं दी जा सकती; शून्य साक्ष्य पर 'कम जोखिम' लिखना भी उतना ही फर्जी है जितना 'उच्च'।
सबसे चुभने वाली बात यह है कि आठों आयाम एक ही दरवाजे पर अटके हैं। यह जोड़-घटाव वाली विफलता नहीं, एक ही विफलता है। एक सफल निष्कर्षण दौड़ आठों आयाम एक साथ खोल देगी — सुधार की मेहनत जोड़ी नहीं जाती, एक बार चुकाई जाती है। यही इस रिपोर्ट की एकमात्र अच्छी खबर है, और इसे दर्ज रखना जरूरी है ताकि सुधार की लागत को बढ़ा-चढ़ाकर पेश न किया जाए।
जोखिम मैट्रिक्स का जो हिस्सा यहां असली है, वह खेल का नहीं, प्रक्रिया का है। फैब्रिकेशन का जोखिम उच्च है — यानी डोमेन लेबल 'क्रिकेट' देखकर मन से टीम, प्रारूप और आंकड़े भर देने का लालच। क्रॉस-फॉर्मेट संदूषण का जोखिम उच्च है — स्मृति से खाली जगह भरने की कोशिश में टेस्ट, वनडे और टी20 के आंकड़े एक-दूसरे की जगह बैठ जाएंगे। साइलेंट फेलियर का जोखिम उच्च है और वह पहले ही सिद्ध हो चुका है — पाइपलाइन ने खाली आउटपुट लौटाया और कोई अलार्म नहीं बजा। स्रोत-सत्यता का जोखिम उच्च है, क्योंकि क्रिकेट में स्रोत का दर्जा अक्सर पूरा निष्कर्ष तय करता है: बोर्ड की आधिकारिक घोषणा, स्तरीय पत्रकार की लीक, और ट्रैफिक खींचने वाले अकाउंट की अफवाह — तीनों एक वाक्य में नहीं बैठाए जा सकते।
और फिर वह कमी जो सुधार के बाद भी बनी रहेगी: समय-संवेदनशीलता का आकलन न होना। क्रिकेट में दावे तेजी से पुराने होते हैं — फॉर्म, रैंकिंग, फिटनेस, नीलामी की कीमत, चोट की स्थिति, किसी भी हफ्ते बदल सकती है। बिना प्रकाशन तिथि और बिना घटना की तिथि, किसी भी दावे की 'आयु' नापी ही नहीं जा सकती।

कंट्रारियन कोण
सबसे खतरनाक रिपोर्ट वह नहीं होती जो साफ-साफ गलत हो। स्पष्ट गलती पकड़ी जाती है, लौटाई जाती है, ठीक की जाती है। सबसे खतरनाक वह होती है जो देखने में पूरी हो — शीर्षक भरे हुए, तालिकाएं बनी हुईं, कॉन्फिडेंस टैग लगे हुए, और भीतर से पूरी खाली। पाठक के लिए यह दोनों एक जैसी दिखती हैं। यह अंतर पाइपलाइन की गलती नहीं, पाइपलाइन की डिज़ाइन-गलती है: हमने अखबार से यह सीखा कि खाली जगह में '—' छाप दो, पेज टूटता नहीं। एनालिटिक्स में वही आदत जहर है।
यहां एक और बात साफ कर देना जरूरी है, क्योंकि यही वह जगह है जहां ईमानदारी खर्च होती है। डोमेन लेबल क्रिकेट का है — इससे आगे कुछ नहीं। न प्रारूप, न टीम, न खिलाड़ी, न मैदान, न स्कोरलाइन। मैं स्मृति से खाली जगह भर सकता था, और वह पढ़ने में इस पूरी रिपोर्ट से बेहतर लगती। मैंने नहीं भरी, क्योंकि भरी हुई रिपोर्ट असली रिपोर्ट से अलग पहचानी नहीं जा सकती। 36 ऑल आउट, पैंतालीस मिनट में, और मेरे भरोसे का हर मॉडल चुप हो गया — उस सुबह मैंने यह सबक महंगा खरीदा था कि गलत नंबर सही नंबर की जगह बैठ जाए तो नुकसान दुगना होता है, क्योंकि आप उसे जांचते नहीं।
उसी तर्क से, यह ऑडिट उस टिप्पणीकार पर हमला नहीं है जिसने यह फाइल भेजी। दोष व्यक्ति का नहीं, अनुबंध का है — ऐसा करार जो खाली सूची को भी वैध मानकर पास कर देता है। ठीक वैसे ही जैसे 2026 में मैंने पजेशन प्रतिशत को रिटायर कर दिया था, और डेस्क पर किसी ने ध्यान नहीं दिया; असली कहानी वह मेट्रिक नहीं थी जो हटी, बल्कि वह जांच थी जिसने उसे हटाया। यहां भी नायक ऑडिट है, खाली शीट नहीं।
टेकअवे
सुधार की सूची छोटी है और सब कुछ पहले चरण में ही तय हो जाता है: इन्फॉर्मेशन पॉइंट्स की सूची खाली हो तो आउटपुट अस्वीकार, यानी एक अनिवार्य 'नॉन-एम्प्टी' शर्त; 'एंटिटीज़' खाने में निर्देश नहीं, नाम; डोमेन लेबल के लिए सख्त सूची; स्रोत ग्रेडिंग को अवरोधक क्षेत्र बनाना; और प्रकाशन तिथि व घटना तिथि की जोड़ी। अगली पाइपलाइन दौड़ में जो एक संकेत मैं देखूंगा: क्या इन्फॉर्मेशन पॉइंट्स की सूची में कम-से-कम एक प्रविष्टि है, और क्या उसमें प्रारूप नामित है। जिस दिन यह सूची फिर खाली आए और सिस्टम शोर करे — उस दिन हम डेटा पत्रकारिता की असली परीक्षा पास करेंगे। जिस दिन वह चुप रहे, उस दिन हम खाली पन्ने को विश्लेषण कहकर छाप रहे होंगे।
