ফাঁকা লেজারই সাক্ষ্য: ক্রিকেট ডেটা পাইপলাইনের নীরব ব্যর্থতা

গত রাতে আমার ৪৭-ভেরিয়েবলের লেজার খুললাম, আর একটা সারি পুরো ফাঁকা। ম্যাচের নাম নেই, ভেন্যু নেই, একটা তথ্যবিন্দুও নেই — শুধু ফাঁকা ঘর, আর একটা ডোমেইন-লেবেল, যা দরকার ছিল তার থেকে আলাদা। বিশ বছর আগে, এই মুহূর্তে আমার হাত চুলকাত; মাথার ভেতর থেকে একটা বিশ্বাসযোগ্য সংখ্যা বানিয়ে ফাঁকা ঘরটা ভরে দিতাম, আর সেটাকে বিশ্লেষণ বলে চালিয়ে দিতাম। আজ তা করি না। আজ ফাঁকাটাকে নিজেই লিপিবদ্ধ করি — কারণ ট্রান্সফার উইন্ডোর এই গোলমালে একটা সূত্রহীন গুজব আর একটা ফাঁকা ডেটা-সারি আসলে একই জাতের প্রাণী: দুটোই দাবি করে, দুটোই আত্মবিশ্বাসী শোনায়, আর দুটোই প্রমাণ করে শূন্য। ব্যাপারটা কীভাবে সাজানো, সেটা বোঝা দরকার। আমার কাজ দুই ধাপে চলে। প্রথম ধাপে একটা নিবন্ধ থেকে তথ্যবিন্দু (information points) বের করা হয় — কোন ম্যাচ, কোন খেলোয়াড়, কোন সংখ্যা, কোন তারিখ। দ্বিতীয় ধাপে সেই তথ্যবিন্দুগুলোর উপর গভীর বিশ্লেষণ বসে। এখানে প্রথম ধাপ থেকে ফিরেছে একটা প্রায় খালি পাতা: শিরোনাম নেই, সূত্র নেই, তথ্যবিন্দুর তালিকা ফাঁকা, সত্তা (entities) চিহ্নিত করার উপায় নেই। দ্বিতীয় ধাপের সৎ উত্তর তাই একটাই — 'যথেষ্ট তথ্য নেই', অনুমান নয়। ২০১৭ সালের মার্চের কথা মনে পড়ে। ২৯ বছর বয়সে আমি ম্যানচেস্টারের একটি বিমা-প্রতিষ্ঠানের ৩৪,০০০ পাউন্ডের ঝুঁকি-ডেস্ক ছেড়ে দিয়েছিলাম, রচডেল এএফসি-র ১৮,০০০ পাউন্ডের খণ্ডকালীন ডেটা-পদে যাওয়ার জন্য। এগারো মাসে আমি লিগ ওয়ানের ৩৮০টি ম্যাচ হাতে ট্যাগ করেছিলাম — ৪৭টি ভেরিয়েবলে, কোনো স্বয়ংক্রিয় ফিড ছাড়া, কোনো শর্টকাট ছাড়া। ঝুঁকি ডেস্ক ছাড়ার সিদ্ধান্তটাই ছিল আমার জীবনের প্রথম পরিষ্কার ডেটা-বিন্দু। তারপর সেট-পিসের অদক্ষতা নিয়ে ৪,২০০ শব্দের একটা xG বিশ্লেষণ লিখলাম, যেটা ১২ লাখ পাঠ পেল; রচডেল শেষ করেছিল ২০তম হয়ে, অবনমন থেকে চার পয়েন্ট উপরে। আসল শিক্ষাটা অবশ্য একটু পরেই। কর্নার-রুটিন ট্যাগিংয়ে একটা ভুল ধরা পড়ল আমার নিজের চোখেই; তখন থেকে আমি একটা প্রকাশ্য সংশোধন-লগ (corrections log) চালু করলাম, আর সেটা টানা নয় বছর চালিয়েছি। একটা ফাঁকা সারি আসলে সেই সংশোধন-লগেরই অংশ: খালি ঘরটা লুকিয়ে ফেলা যায়, কিন্তু লুকিয়ে ফেললে পরের প্রতিটি সংখ্যাও অবিশ্বাস্য হয়ে যায়। এই ফাঁকা রেকর্ড আমার কাছে তিনটা জিনিস প্রমাণ করে, আর তিনটাই ডেটা-পাইপলাইনের স্বাস্থ্য-সংকেত। প্রথমত, একটা খালি এক্সট্রাকশন সাধারণত নিবন্ধে কিছু না থাকার লক্ষণ নয় — এটা আপস্ট্রিম ইঞ্জেস্টেশন বা পার্সিং ব্যর্থতার লক্ষণ। নিবন্ধটা হয়তো ছিল, কিন্তু পাইপলাইনে ঢোকেনি। এই পার্থক্যটা বিশাল: প্রথমটা সাংবাদিকতার সমস্যা, দ্বিতীয়টা আমাদের নিজেদের সিস্টেমের সমস্যা। দ্বিতীয়ত, ডোমেইন-লেবেল 'cricket_world' লিখে এসেছে, অথচ কাঠামো চেয়েছিল 'Cricket' — ছোট একটা অসঙ্গতি, কিন্তু এটাই বলে দেয় প্রথম ধাপ আর দ্বিতীয় ধাপের কনফিগ এক জায়গায় মিলছে না। তৃতীয়ত, তথ্যবিন্দু শূন্য মানে আটটি বিশ্লেষণ-মাত্রার একটিও প্রমাণের ভিত্তিতে চালানো সম্ভব নয়। এখন কথা হলো, প্রমাণের ভিত্তিতে বিশ্লেষণ দেখতে কেমন হয়, সেটা এই ফাঁকা পাতার ঠিক উল্টো দিকে। ২০১৮ সালের রাশিয়া বিশ্বকাপে ড্যানিশ ফুটবল অ্যাসোসিয়েশনের হয়ে আমি ৩২টি দলের জন্য পিপিডিএ এবং দ্বিতীয়-পর্যায়ের সেট-পিস প্রোফাইল বানিয়েছিলাম, ৬৪টি ম্যাচ ধরে। আমার মডেল দেখিয়েছিল, ক্রোয়েশিয়া দ্বিতীয়-পর্যায়ের প্রতি কর্নার থেকে ০.১৪ xG ছাড়ে। নিঝনি নোভগোরোডে ডেনমার্ক ঠিক সেই প্যাটার্ন থেকেই ৫৭ সেকেন্ডের মধ্যে গোল করেছিল; ম্যাচ ১-১ ড্র হয়, আর নকআউট পর্বে তারা পেনাল্টিতে ৩-২ হেরে বিদায় নেয়। প্রতিটি ম্যাচ-পূর্ব ব্রিফ আমি ৪০০ শব্দে সীমাবদ্ধ রেখেছিলাম, সঙ্গে একটা মাত্র চার্ট — কারণ কোচ বাসে বসে পড়েন, আরাম-কেদারায় বসে সমকক্ষ কেউ পড়েন না। ৪০০ শব্দের একটা ব্রিফ হাজার ঘণ্টার নীরবতা লুকিয়ে রাখতে পারে; সেটা দুর্বলতা নয়, সেটা সংযম। আরেকটা উদাহরণ। ২০২০ সালের জানুয়ারিতে আমার সারভাইভাল-মডেল চার্লটন অ্যাথলেটিককে ৭১ শতাংশ অবনমনের সম্ভাবনা দিয়েছিল, যদি না তারা তাদের ডিফেন্সিভ লাইন উঁচু করে। সুপারিশটা ফিরিয়ে দেওয়া হয়েছিল। স্প্রেডশিট স্টেডিয়ামের আগেই অবনমন জেনে গিয়েছিল — চার্লটন শেষ করেছিল ২২তম হয়ে, ৪৮ পয়েন্টে। এর কিছুদিন পরেই লকডাউন, আর আমি ইউরোপের শীর্ষ পাঁচ লিগের ২০০টি ম্যাচ বিশ্লেষণ করে দেখলাম, হোম-উইন হার ৪৫.৬ শতাংশ থেকে নেমে ৪১.২ শতাংশে এসেছে, আর হোম-গোল সুবিধা ০.৩৭ থেকে ০.০৬-তে। ওই ৯,০০০ শব্দের কাগজটা চারটি ক্লাব উদ্ধৃত করেছিল। খালি স্টেডিয়াম আমাকে শিখিয়েছে ভিড় যা ঢাকে তা মাপতে — ঠিক যেমন একটা খালি ডেটাসেট শেখায়, একটা ভরা ডেটাসেট কী ঢেকে রাখে। এখান থেকেই আমার চারটি নিয়ম এসেছে, আর ফাঁকা সারিটা চারটিকেই পরীক্ষা করে। এক, আমি আগেই একটা সিদ্ধান্ত-সীমা (threshold) নিবন্ধিত করে রাখি; আত্মবিশ্বাস সেই রেখা না ছাড়ালে লেখা প্রকাশ পায় না — তাই এই খালি রেকর্ড বিশ্লেষণ হিসেবে নয়, রোগনির্ণয় হিসেবে বেরোয়। দুই, প্রতিটি লেখায় একটা সহগকে মানুষের stakes-এ অনুবাদ করি: ০.১৪ xG আলাদা করে শুনলে শুকনো সংখ্যা, কিন্তু সেটা আসলে একটা পেনাল্টি-শুটআউট, একটা টুর্নামেন্ট-বিদায়, একটা ড্রেসিংরুমের নীরবতা। তিন, আমি লিখে রাখি কী আমার মন বদলাবে — প্রথম ধাপ আবার চলে যদি তথ্যবিন্দু ভরে ওঠে, তাহলে পুরো রায় উল্টে যাবে। চার, প্রতিটি সহগের সঙ্গে একটা রূপান্তর-সতর্কতা দিই: নমুনা, ডোমেইন, স্থিতিশীলতা। ৩৮০টি লিগ ওয়ান ম্যাচ আর ৬৪টি বিশ্বকাপ ম্যাচ এক জিনিস নয়; একটা সহগ এক ডোমেইন থেকে আরেক ডোমেইনে বিনা সতর্কতায় বয়ে নিয়ে গেলে সেটা বিশ্লেষণ নয়, জোচ্চুরি। এখানেই উল্টো কথাটা। সবাই ভাবে একটা খালি রেকর্ড মানে ব্যর্থতা। আমি বলি, একটা খালি রেকর্ড একটা ভরা-দেখতে-ভরা মিথ্যা বিশ্লেষণের চেয়ে অনেক বেশি দামি। আসল বিপদটা ফাঁকা ঘরে নয়; আসল বিপদ হলো সেই আত্মবিশ্বাসী পাতায়, যা কিছুই দাঁড়ায়নি তার উপর দাঁড়িয়ে গল্প বলে ফেলে। ট্রান্সফার উইন্ডোতে বাজার এই কাজটাই করে: একটা সূত্রহীন গুজবের দাম চলে, কেউ জিজ্ঞেস করে না তার তথ্যবিন্দু কোথায়। গুজব-ভলিউম ডেডলাইন ডে-র সঙ্গে সম্পর্কযুক্ত, কিন্তু প্রকৃত ট্রান্সফারের সঙ্গে তার সম্পর্ক প্রায় শূন্য। তথ্যবিন্দুহীন দাবিকে বিশ্লেষণ বলে চালিয়ে দেওয়াই একমাত্র বিশ্লেষণাত্মক দূষণ, যা সিস্টেমের ভেতরে থেকে সিস্টেমকেই নষ্ট করে। তাই এই ফাঁকা রেকর্ডের সঠিক ব্যবহার হচ্ছে এটাকে থামানো, নিচের দিকে পাঠানো নয়। সামনের চক্রে আমি তিনটি সংকেত ট্র্যাক করছি: প্রথম ধাপে খালি রেকর্ডের হার, ডোমেইন-লেবেলের মিল, আর সূত্র-ক্ষেত্র ভরা আছে কি না। খালি হার বেসলাইনের উপরে উঠলে বুঝব সমস্যাটা ব্যক্তিগত নয়, সিস্টেমিক। আমার সিদ্ধান্ত-সীমা এখনো ছোঁয়া হয়নি, তাই এই লেখাটা ভবিষ্যদ্বাণী নয় — এটা একটা অসমাপ্ত সারির সাক্ষ্য, যা হয়তো পরের চক্রে নিজেই নিজের উত্তর দেবে।