শূন্য ডেটাসেটের সততা: ক্রিকেট বিশ্লেষণে নীরবতার মূল্য

দুপুর তিনটায় ল্যাপটপ খুলে যে ফাইলটা দেখলাম, তার প্রথম আটটি ঘর খালি। শিরোনাম নেই, উৎস নেই, তথ্যবিন্দু নেই — শুধু একটা কাঠামো, প্রতিটি কোষে লেখা "অপর্যাপ্ত তথ্য"। ক্রিকেট বিশ্লেষণের আটটি মাত্রা — ফরম্যাট ও ম্যাচ, খেলোয়াড়ের কারিগরি ও ডেটা, দলের ল্যান্ডস্কেপ ও র‍্যাঙ্কিং, লিগ ও বাণিজ্যিক ইকোসিস্টেম, নিয়ম ও শাসন, ঝুঁকি, জনআখ্যান ও প্রত্যাশা, এবং শিল্প-প্রসারণ — সবই সাজানো ছিল, কিন্তু প্রতিটির ভেতরটা ফাঁকা। নয় বছরের পেশাদার পর্যবেক্ষণে আমি অসংখ্য স্কোরকার্ড, মডেল আর লোড-পূর্বাভাস দেখেছি। কিন্তু এই ফাঁকা ফ্রেমটা আমাকে থামিয়ে দিল, কারণ এখানে সবচেয়ে সৎ প্রশ্নটা স্পষ্ট: একটা খালি ডেটাসেট আসলে কী বলে?

আমি জানি সহজ উত্তরটা কী। সহজ উত্তর হলো — কিছুই বলে না, তাই এটা নিয়ে লিখব না। কিন্তু সেটা ভুল। ক্রিকেটে আমরা যাকে "বৃষ্টি-বিঘ্নিত ম্যাচ" বলি, সেটাও একরকম অসম্পূর্ণ ডেটাসেট। DLS পদ্ধতি — ডাকওয়ার্থ-লুইস-স্টার্ন — পুরো একটা অ্যালগরিদম তৈরি হয়েছে শুধু অসম্পূর্ণ তথ্য থেকে অর্থ বের করার জন্য। বৃষ্টি পড়লে আমরা ম্যাচ বাতিল করি না; আমরা মডেল দিয়ে ফাঁকটা মূল্যায়ন করি। একইভাবে, ক্রিকেট বিশ্লেষণে একটা ফাঁকা ইনপুট মানে গল্পের অনুপস্থিতি নয় — মানে একটা সংকেত, একটা রেসিডুয়াল, যাকে মূল্য দিতে হবে।

আমার কাজের পদ্ধতি সরল, কিন্তু নির্দয়: আগে মডেল, পরে অনুভূতি। ২০১৮ সালে, সতেরো বছর বয়সে, যখন উচ্চবিদ্যালয়ের ছাত্র, আমি রাশিয়া বিশ্বকাপের ৬৪টি ম্যাচের ইভেন্ট ডেটা স্ক্র্যাপ করে একটা সাধারণ xG মডেল বানিয়েছিলাম। ক্রোয়েশিয়া ছিল আমার পরীক্ষার কেস: তারা ১০.৮ xG থেকে ১৪ গোল করেছিল, আর লুকা মডরিচ ইংল্যান্ডের বিপক্ষে সেমিফাইনালে ৮৯% পাস সম্পন্ন করে ১০.৪ কিলোমিটার কভার করেছিলেন। আমি "ভাগ্য" বলে ডাকতে শিখিনি — আমি বলেছিলাম "অটেকসই ভ্যারিয়েন্স"। সেই অভ্যাস আজও আছে: প্রতিটি দাবির পেছনে একটা সংখ্যা থাকতে হবে, আর প্রতিটি আখ্যানকে মডেলের পরীক্ষায় টিকতে হবে। আমি ক্রোয়েশিয়ার xG মডেল তৈরি করেছিলাম শেখার আগেই একটা হাতছাড়া সুযোগ কীভাবে শোক করতে হয়। স্প্রেডশিট ছিল আমার মঠ; বিশ্বকাপ ছিল আমার প্রথম তীর্থযাত্রা।

কিন্তু একটা বিশ্লেষণী কাঠামো — যে আটটি মাত্রা আমি উপরে সাজিয়ে বসেছিলাম — আসলে একটা ইনপুট-নির্ভর যন্ত্র। প্রতিটি মাত্রার নিজস্ব ডেটা-ক্ষুধা আছে। ফরম্যাট-মাত্রা জানে ম্যাচটা টেস্ট, ওয়ানডে, টি-টোয়েন্টি নাকি দ্য হান্ড্রেড — কারণ ফরম্যাট বদলালে বেঞ্চমার্ক বদলায়। পাওয়ারপ্লের প্রথম ছয় ওভার, ডেথ ওভারের ১৬–২০, টেস্টের প্রথম সেশন, ওয়ানডের দ্বিতীয় পাওয়ারপ্ল — এই ফেজগুলো আলাদা আলাদা মডেল চায়। খেলোয়াড়-মাত্রা চায় অ্যাভারেজ, স্ট্রাইক রেট বা ইকোনমি, সিচুয়েশনাল স্প্লিট, এবং সাম্প্রতিক ট্রেন্ড। দল-মাত্রা চায় আইসিসি র‍্যাঙ্কিং, হোম-অ্যাওয়ে প্রোফাইল, ব্যাটিং গভীরতা, বোলিং কম্বিনেশন, বেঞ্চ ডেপথ, বয়স-স্ট্রাকচার। লিগ-মাত্রা চায় ব্রডকাস্ট-অধিকার মূল্য, ফ্র্যাঞ্চাইজ ভ্যালুয়েশন, খেলোয়াড় বেতন, আর নিলাম বা RTM-এর হিসাব। শাসন-মাত্রা চায় ক্ষমতা-বণ্টন, খেলার নিয়ম বিতর্ক, দুর্নীতি-প্রতিরোধ, যোগ্যতা ও নির্বাচন। ঝুঁকি-মাত্রা চায় ছয়টি শ্রেণি — স্পোর্টিং, কর্মী, বাণিজ্যিক, নিয়ম-সততা, জনমত, সিস্টেমিক। জনআখ্যান-মাত্রা চায় প্রত্যাশা আর বাস্তবের ব্যবধান। আর শিল্প-প্রসারণ-মাত্রা চায় আপস্ট্রিম থেকে ডাউনস্ট্রিম পর্যন্ত একটা শৃঙ্খল।

এই আটটি মাত্রার প্রতিটিই একটা প্রশ্ন। আর প্রতিটি প্রশ্নের উত্তর দিতে গেলে অন্তত একটা তথ্যবিন্দু দরকার। যখন সেই তথ্যবিন্দুর সংখ্যা শূন্য, তখন প্রতিটি মাত্রা কেবল একটা ফাঁকা ঘর হয়ে দাঁড়ায়। এখানেই আসল শিক্ষাটা লুকিয়ে আছে।

একটা ফাঁকা ইনপুট আসলে আপস্ট্রিম ডেটা-পাইপলাইনের ত্রুটির সংকেত। এই সিদ্ধান্তটাই আজকের সবচেয়ে জরুরি। যদি বিশ্লেষণের কাঁচামাল না আসে, তাহলে সমস্যাটা বিশ্লেষকের মাথায় নয়, সমস্যাটা ডেটা-ইনজেশনে। হয় নিবন্ধটা সিস্টেমে ঢোকেনি, হয় পার্সিং ফেল করেছে, হয় ফিল্ড-ম্যাপিং ভুল হয়েছে। একজন ক্রিকেট ডেটা বিশ্লেষক হিসেবে আমার প্রথম দায় হলো এই ফাঁকটাকে সঠিক নাম দেওয়া: এটা সৃজনশীলতার সুযোগ নয়, এটা একটা সিস্টেম-ত্রুটি।

আমি এই ফাঁদটা চিনি, কারণ আমি নিজেই একবার এর কিনারায় দাঁড়িয়েছিলাম। ২০২০ সালে, উনিশ বছর বয়সে, যখন বিশ্বজুড়ে খেলা বন্ধ, আমি বিশ্ববিদ্যালয়ের ডেটা ল্যাবে বুন্দেসলিগার প্রকল্প পুনরায় শুরু নিয়ে কাজ করেছিলাম। খালি স্টেডিয়ামের আগে-পরে হোম জয়ের হার ৪৩.৩% থেকে ৩৩.৩%-এ নামল। আমি একটা রিগ্রেশন মডেল বানিয়ে দেখালাম, দর্শক-অনুপস্থিতিতে অ্যাওয়ে দল প্রতি ম্যাচে ০.১৮ xG বেশি পেয়েছে। খালি স্টেডিয়াম আমাকে শিখিয়েছিল — নীরবতা একটি ভেরিয়েবল, অনুপস্থিতি নয়। সেই অভিজ্ঞতা আমাকে শেখাল, একটা ফাঁকা স্টেড আর একটা ফাঁকা স্প্রেডশিটের মধ্যে একটা গভীর মিল আছে: দুটোই সংকেত দেয়, যদি আপনি সেটা পড়তে জানেন।

ক্রিকেটে এই পাঠের সরাসরি প্রয়োগ আছে। ধরুন একটা বৃষ্টি-বিঘ্নিত টি-টোয়েন্টিতে DLS পদ্ধতি দিয়ে লক্ষ্য সংশোধন করা হলো। এখানে বিশ্লেষক যদি বলেন "অসম্পূর্ণ তথ্যের কারণে কিছু বলা যায় না", তাহলে তিনি DLS-এর পুরো যুক্তিটাই অস্বীকার করলেন। DLS আসলে স্বীকার করে যে ডেটা অসম্পূর্ণ, তারপর সেই অসম্পূর্ণতাকে গাণিতিকভাবে মূল্য দেয় — উইকেট হারানো আর বল বাকি থাকার সমন্বয়ে। একইভাবে, একটা খালি Stage-1 আউটপুট মানে আমরা বলতে পারি: "এই নিবন্ধের বিষয়বস্তু অনির্ধারিত, তাই বিশ্লেষণ স্থগিত।" কিন্তু আমরা এও বলতে পারি: "এই অনির্ধারিততাটাই একটা সনাক্তযোগ্য ত্রুটি, যার নিজস্ব মূল্য আছে।"

দ্বিতীয় শিক্ষা আরও সূক্ষ্ম। খেলোয়াড়-সম্পদ মূল্যায়নের দৃষ্টিতে, একটা খালি ডেটাসেট আর একটা কৃত্রিমভাবে ভরা ডেটাসেটের মধ্যে ঝুঁকি এক নয়। ফাঁকা ডেটাসেট ক্ষতিকর নয়; মিথ্যা আত্মবিশ্বাস ক্ষতিকর। যদি আমি খালি ঘরগুলো নিজের কল্পনায় ভরে ফেলি — বানানো একটা অ্যাভারেজ, বানানো একটা নিলাম-মূল্য, বানানো একটা র‍্যাঙ্কিং — তাহলে আমি পাঠককে একটা মিথ্যা নিরাপত্তা দিচ্ছি। গত এক দশকে ক্রিকেট-বিশ্লেষণের সবচেয়ে বড় ক্ষতি হয়েছে তথ্যের অভাব থেকে নয়, বরং অনুমানের আত্মবিশ্বাস থেকে।

আমি পেদ্রির কেসটা প্রায়ই মনে করি, যদিও সেটা ফুটবলের। ২০২১ সালে, বিশ বছর বয়সে, বিশ্ববিদ্যালয়ের ইন্টার্ন হিসেবে আমি পেদ্রিকে ইউরো ২০২০ আর টোকিও অলিম্পিকজুড়ে ট্র্যাক করেছিলাম। তিনি ২০২০-২১ মৌসুমে ৭৩টি ম্যাচ খেলেছিলেন। ইউরোতে তাঁর পাস-সম্পন্নতার হার ছিল ৯২.৩%। টোকিওতে অতিরিক্ত সময়ে তাঁর হাই-ইনটেনসিটি দূরত্ব ১১% কমে গিয়েছিল। আমি সেই ক্লান্তিকে একটা বাণিজ্যিক ও প্রতিযোগিতামূলক হুমকি হিসেবে চিহ্নিত করেছিলাম, তারপর একটা লোড-ম্যানেজমেন্ট ড্যাশবোর্ড বানিয়েছিলাম। এটাই ছিল আমার প্রথম পারিশ্রমিক-ভিত্তিক বিশ্লেষণ প্রকল্প। শিক্ষাটা হলো: বোঝা কখনো কল্পনা করা যায় না, মাপতে হয়। ডেটার অভাব হলে আমার উচিত বলা "আমি জানি না", বানানো নয়।

তৃতীয় শিক্ষা — শাসন ও ঝুঁকি-মাত্রা আমাদের শেখায় কেন ফাঁকা তথ্য কখনো কখনো একটা নিয়ন্ত্রণ-সংকেত। ক্রিকেটের নিয়ম-কাঠামো — পাওয়ার/রেভিনিউ বণ্টন, খেলার নিয়ম বিতর্ক, সততা-বিরোধী ব্যবস্থা, যোগ্যতা ও নির্বাচন — এসব এমনই ক্ষেত্র, যেখানে একটা ভুল তথ্য একটা ভুল সিদ্ধান্তে পরিণত হয়। যদি কোনো বিশ্লেষণে একটা নিলাম-মূল্য বা একটা র‍্যাঙ্কিং বানানো হয়, তাহলে সেটা শুধু একটা ভুল লেখা নয় — সেটা একটা সিদ্ধান্ত-শৃঙ্খলে দূষণ ছড়ায়।

শিল্প-প্রসারণের একটা নকশা কল্পনা করুন: আপস্ট্রিমে থাকে ডেটা-সরবরাহ — স্কোরকার্ড, বল-বাই-বল লগ, ট্র্যাকিং; মিডস্ট্রিমে থাকে বিশ্লেষণ-সংস্থা আর মিডিয়া; ডাউনস্ট্রিমে থাকে দর্শক, ফ্যান্টাসি খেলোয়াড়, স্পন্সর আর বাজার। যদি আপস্ট্রিমে ফাঁকা তথ্য ঢোকে, তাহলে মিডস্ট্রিমে অনুমান তৈরি হয়, আর ডাউনস্ট্রিমে সেই অনুমানই সত্য হিসেবে বিক্রি হয়। একটা ফাঁকা Stage-1 তাই শুধু একটা প্রযুক্তিগত ত্রুটি নয় — এটা একটা সরবরাহ-শৃঙ্খল সংকট। সম্প্রচার, দক্ষিণ এশিয়ার হৃদয়ভূমি বাজার, প্রতিভা-সরবরাহ শৃঙ্খল, পুঁজি-নেটওয়ার্ক, বেটিং-ফ্যান্টাসি আর ডেরিভেটিভ বাজার — প্রতিটি অংশ এই দূষণটা বহন করে।

চতুর্থ শিক্ষাটা পদ্ধতিগত। ন্যাচারাল এক্সপেরিমেন্টের সুযোগ আমার কাছে লোভনীয় — খালি স্টেডিয়াম, নিরপেক্ষ ভেন্যু, বায়ো-বাবল, বৃষ্টি-বিঘ্ন, ঠাসা ক্যালেন্ডার। কিন্তু সেই লোভের মধ্যে একটা ফাঁদ আছে: চেরি-পিকিং। একটা বৃষ্টি-বিঘ্নিত ম্যাচ দিয়ে যদি আমি দাবি করি "DLS পক্ষপাতদুষ্ট", তাহলে আমি একটা ঘটনাকে প্রমাণ বানিয়ে ফেলছি। সঠিক পদ্ধতি হলো আগে থেকে তুলনা নির্ধারণ করা, বেস রেট দেখানো, আর নাল কেসও রিপোর্ট করা। অর্থাৎ, যেসব ম্যাচে আমার মডেল ব্যর্থ হলো, সেগুলোও প্রকাশ করা।

এখানে আরেকটা সতর্কতা জরুরি। খেলোয়াড়কে শুধু সম্পদ হিসেবে দেখা — workload আর depreciation-এর ভাষায় — একটা নৈতিক ঝুঁকি বহন করে। লোড-পূর্বাভাস আর সম্পদ-মূল্যায়নের চশমা আমাকে শেখায় খেলোয়াড়কে মিনিট আর হাই-ইনটেনসিটি দূরত্বে দেখতে; কিন্তু একজন ক্রিকেটারের দেহ শুধু একটা ব্যালান্স-শিট নয়। তাই আমার নিয়ম: লোড-মডেলের পাশে রাখতে হয় খেলোয়াড়ের নিজের সাক্ষ্য, সম্মতি, আর গুণগত ফ্যাক্টর। মডেল বলে "কতটা", মানুষ বলে "কতটা সহ্য করা যায়"।

ব্যবহারিকভাবে ফাঁকা তথ্যকে মূল্য দেওয়ার একটা সরল পদ্ধতি আছে। প্রথমে ফাঁকটাকে শ্রেণিবদ্ধ করুন: এটা কি অনুপস্থিত, না অপ্রাপ্ত, না দূষিত? দ্বিতীয়ত, প্রতিটি শ্রেণির জন্য আলাদা প্রতিক্রিয়া ঠিক করুন — অনুপস্থিত তথ্যের জন্য আবার অনুরোধ, অপ্রাপ্ত তথ্যের জন্য স্বীকারোক্তি, দূষিত তথ্যের জন্য সংশোধন। তৃতীয়ত, যতক্ষণ ফাঁকটা না ভরে, ততক্ষণ কোনো সংখ্যা প্রকাশ করবেন না। ক্রিকেটে যেখানে WTC পয়েন্ট, নিলাম-মূল্য আর র‍্যাঙ্কিং একসঙ্গে একটা সিদ্ধান্ত-নেটওয়ার্ক তৈরি করে, সেখানে এই কাঠামো ছাড়া বিশ্লেষণ মানে দূষিত ইনপুটে ভরসা করা।

তাই আমি একটা নিয়ম মেনে চলি, যাকে আমি বলি "শূন্যের সততা"। তথ্য না থাকলে আমি তথ্য বানাই না। আমি ফাঁকটাকে নাম দিই, তার কারণ খুঁজি, আর সেটাকে ট্র্যাকিং-সংকেত হিসেবে দাঁড় করাই। এটা দুর্বলতা নয়, এটা কঠোরতা। আমি ভূত ম্যাচগুলো মেপেছিলাম, তারপর মেপেছিলাম সেগুলো পায়ে কী করল — কিন্তু কখনো এমন ম্যাচ মাপিনি যেটা আসলে ঘটেনি।

এখানে একটা অস্বস্তিকর সত্য আছে, যেটা বিশ্লেষণ-শিল্প প্রায়ই এড়িয়ে যায়: আমাদের সবচেয়ে বড় সমস্যা তথ্যের অভাব নয় — তথ্যের প্রতি অতিরিক্ত আত্মবিশ্বাস। আট-মাত্রার একটা কাঠামো দেখতে খুব পেশাদার লাগে। কিন্তু একটা কাঠামো যদি ফাঁকা ঘর দিয়ে ভরা হয়, তাহলে সেটা বিশ্লেষণ নয় — সেটা বিশ্লেষণের অভিনয়। আর এই অভিনয়টাই সবচেয়ে বিপজ্জনক, কারণ এটা বিশ্বাসযোগ্য দেখায়।

আরও একটা পাল্টা-যুক্তি আছে। আমরা ধরে নিই ফাঁকা মানে খারাপ। কিন্তু ক্রিকেটের ন্যায্যতা-বিচারে ফাঁকা তথ্য কখনো কখনো সবচেয়ে সৎ অবস্থান। ধরুন একটা টস-নির্ভর রাতে ডিউ পড়ল, একটা রান-আউট বিতর্ক হলো, একটা DRS সিদ্ধান্ত প্রশ্নবিদ্ধ। যদি আমার হাতে শুধু ফাইনাল স্কোরকার্ড থাকে, আমি ম্যাচের আসল কারণটা ব্যাখ্যা করতে পারব না। তখন সৎ উত্তর হলো: "এই ম্যাচের ফলাফল নির্ধারণে আমার পর্যাপ্ত পরিবেশগত তথ্য নেই।" এটা অসম্পূর্ণ বিশ্লেষণ নয় — এটা ভুল বিশ্লেষণ এড়ানোর সিদ্ধান্ত।

কিন্তু একটা সতর্কতা জরুরি। ফাঁকা তথ্যের অজুহাতে হাত গুটিয়ে বসে থাকাও ভুল। ক্রিকেট বিশ্লেষণে "সবকিছু অনিশ্চিত" বলে দিলে সেটা প্রায় "কিছুই জানা যায় না"-র সমান, আর সেটা ভুল। নীরবতা আর অজ্ঞতা এক নয়। নীরবতা হলো একটা ইনপুট, যাকে মাপা যায়; অজ্ঞতা হলো একটা শূন্যতা, যাকে স্বীকার করতে হয়। আমার কাজ হলো পার্থক্যটা বজায় রাখা — যেখানে মডেল চলে, সেখানে মডেল চালানো; যেখানে চলে না, সেখানে সেটা বলা।

তাহলে পরবর্তী সংকেত কী? আমার কাছে উত্তরটা পরিষ্কার: ক্রিকেট বিশ্লেষণে তথ্য-উৎসের অখণ্ডতা হবে পরের বড় যুদ্ধক্ষেত্র। কোনো সংখ্যা কতটা নির্ভরযোগ্য, সেটা কীভাবে যাচাই করা যায় — এই প্রশ্নটা নিলাম-মূল্য বা র‍্যাঙ্কিংয়ের চেয়ে কম গুরুত্বপূর্ণ নয়। যে বিশ্লেষক নিজের ইনপুটের অখণ্ডতা প্রমাণ করতে পারবে, সে-ই টিকবে; যে শুধু চকচকে ফ্রেম দেখাবে, সে-ই ধরা পড়বে। আমার প্রথম প্রশ্নটা তাই থাকবে: এই তথ্যটা কোথা থেকে এলো, আর কে এর জামিন দেবে? কারণ একটা ফাঁকা ঘরও যদি সৎভাবে ব্যাখ্যা করা যায়, তাহলে সেটা বানানো তথ্যের চেয়ে অনেক বেশি মূল্যবান।