आठ खाने भरे, तथ्य एक भी नहीं: एशियाई क्रिकेट डेटा पाइपलाइन का नल-पैकेट ऑडिट

चौदह मई की रात साढ़े नौ बजे एक दस्तावेज़ खुला। आठ खाने। हर खाने के नीचे एक टेबल। हर टेबल के दूसरे कॉलम में वही तीन अक्षर — N/A। फ़ॉर्मेट: अपर्याप्त सूचना। मैच की प्रकृति: अपर्याप्त सूचना। खिलाड़ी: कोई नाम नहीं। रोल: N/A। टीम: कोई नाम नहीं। लीग: अपर्याप्त सूचना। शासन-स्तर: अपर्याप्त सूचना।

दस्तावेज़ के शीर्ष पर एक फ़ील्ड भरी हुई थी। Domain Label: cricket_asia।

बस इतना ही। एक भी खिलाड़ी नहीं, एक भी मैच नहीं, एक भी स्कोर नहीं, एक भी ओवर नहीं, एक भी अनुबंध नहीं, एक भी नियम-परिवर्तन नहीं। जिस सामग्री का यह एनालिसिस होना था, वह सामग्री ही नहीं थी। मुझे लेबल मिल गया। जिस चीज़ पर वह लेबल चिपका था, वह नहीं मिली।

आठ खानों वाला टेम्पलेट पूरा भरा हुआ लौटा। काम शून्य लौटा। और यही जोड़ी — पूरा दिखने वाला ढाँचा और खाली पड़ा तथ्य — क्रिकेट डेटा के इस पूरे कारोबार की सबसे महँगी चूक है, जिस पर कभी बायलाइन नहीं लिखी जाती।

मैं 2026 से क्रिकेट के नंबरों को फ़ाइल की तरह पढ़ता हूँ, हेडलाइन की तरह नहीं। वानखेड़े की उस ठंडी दोपहर में, सोलह साल की उम्र में, मैंने मुंबई बनाम तमिलनाडु के रणजी मैच की दोनों पारियों के पाँच सौ छियालीस रन एक कॉपी में हाथ से कोड किए थे — डॉट-बॉल का दबाव, स्ट्राइक रोटेशन, गेंदबाज़ की स्पेल की लंबाई, फ़ील्ड बदलाव और शॉट ज़ोन। तीन रातें, उन्नीस घंटे, फिर सब कुछ स्प्रेडशीट में। सूर्यकुमार यादव की उस पारी का छप्पन भी उसी शीट में था, और मैं उसी से यह जाँच रहा था कि स्कोरकार्ड का सपाट स्ट्राइक रेट उनके असली जोखिम-प्रोफ़ाइल से मेल खाता है या नहीं। पाँच सौ छियालीस रन, हाथ से कोड किए गए, क्योंकि फ़ाइल खुद को समझा नहीं सकती थी।

तब से मेरा एक ही नियम है: किसी भी नंबर को उद्धृत करने से पहले बॉल-बाय-बॉल लॉग माँगो, और किसी भी निष्कर्ष से पहले उसका लेखा-जोखा माँगो कि वह नंबर कैसे बना।

क्रिकेट की डेटा सप्लाई चेन तीन परतों में चलती है। सबसे नीचे कच्चा कच्चा माल — स्कोरकार्ड, बॉल-बाय-बॉल लॉग, टॉस रिपोर्ट, फ़ील्डिंग मैप। बीच में एक्सट्रैक्शन की परत, जो किसी टेक्स्ट या पेज से तथ्यों को निकालकर एक साफ़ ढाँचे में डालती है। ऊपर एनालिसिस की परत, जो उन तथ्यों पर दावे बनाती है। जब लोग 'डेटा-ड्रिवन क्रिकेट राइटिंग' की बात करते हैं, वे लगभग हमेशा सबसे ऊपर की परत की बात करते हैं। गड़बड़ हमेशा बीच की परत में होती है, और वह कभी शोर नहीं करती।

ऊपर वाला दस्तावेज़ उसी बीच की परत का उत्पाद था — आठ आयामों वाला एक टेम्पलेट, जिसे सही-सही भरा गया था, बस भरने के लिए सामग्री नहीं थी। इसलिए यहाँ कोई खिलाड़ी नहीं है, कोई टीम नहीं है, कोई स्कोर नहीं है। यहाँ सिर्फ़ एक ऑडिट है — और वह ऑडिट अगले साल के हर एशियाई क्रिकेट आँकड़े पर लागू होता है।

पहला सबक यह है कि फ़ॉर्मेट की पहचान कोई औपचारिकता नहीं, बल्कि हर क्रिकेट निर्णय का दरवाज़ा है। टेस्ट, वनडे, टी20 और द हंड्रेड — चारों के मीट्रिक एक-दूसरे पर ले जाए ही नहीं जा सकते। टी20 में सात से नीचे की इकॉनमी बेहतरीन मानी जाती है; टेस्ट में उसी गेंदबाज़ की सफलता उसकी इकॉनमी से नहीं, उसकी बॉलिंग स्ट्राइक रेट और स्पेल की लंबाई से तय होती है। एक फ़िनिशर का मूल्यांकन 180 से ऊपर के स्ट्राइक रेट पर होता है; एक टेस्ट ओपनर का मूल्यांकन औसत और टिकने की क्षमता पर। जिस दस्तावेज़ में फ़ॉर्मेट ही तय न हो, वहाँ यह भी तय नहीं हो सकता कि कौन-सा मीट्रिक देखना है। और जिस मीट्रिक का चुनाव ही नहीं हुआ, वह मीट्रिक किसी बहस का हिस्सा नहीं बन सकता। जो मीट्रिक अनुवाद नहीं हो सकता, वह मीट्रिक इस्तेमाल भी नहीं हो सकता।

इसी तरह आईसीसी की रैंकिंग एक तालिका नहीं, तीन अलग तालिकाएँ हैं। टेस्ट की रैंकिंग, वनडे की रैंकिंग, टी20 की रैंकिंग — तीनों के गणित, वेटिंग और मैच-विंडो अलग हैं। जिस रिपोर्ट में टीम का नाम ही न हो, वहाँ 'कौन-सी रैंकिंग' का सवाल हास्यास्पद लग सकता है, लेकिन यही सवाल पूरी एनालिटिक्स इंडस्ट्री की नींव है। हर साल दर्जनों कॉलम ऐसे छपते हैं जिनमें तीनों फ़ॉर्मेट के नंबर एक ही वाक्य में घुसा दिए जाते हैं, और पाठक को यह कभी नहीं बताया जाता कि यह मिलावट किसने की।

दूसरा सबक ज़्यादा महँगा है: 'कोई संकेत नहीं' का मतलब 'कोई जोखिम नहीं' कभी नहीं होता। उस दस्तावेज़ में स्पष्ट लिखा था — compliance risk level: undetermined। यह 'low' नहीं था। यह अंतर कागज़ी नहीं है। अगर ऐसा पैकेट किसी स्कोरिंग सिस्टम या रैंकिंग पाइपलाइन में चला जाए, तो खाली डिब्बा शून्य के रूप में दर्ज हो जाएगा, और शून्य का मतलब 'साफ़' पढ़ा जाएगा। क्रिकेट में इस गलती की कीमत इतिहास ने तीन बार चुकाई है — 2026 का हैंसी क्रोन्ये मामला, 2026 का लॉर्ड्स स्पॉट-फ़िक्सिंग कांड, और 2026 का आईपीएल स्पॉट-फ़िक्सिंग। तीनों में सवाल यह नहीं था कि डेटा गलत था; सवाल यह था कि जो डेटा नहीं था, उसे 'कुछ नहीं हुआ' मान लिया गया। एसीयू की पूरी मेहनत इसी एक भ्रम को तोड़ने में लगी है।

और यही नियम घुटनों पर भी लागू होता है। एक गेंदबाज़ के तीन मैच में सिर्फ़ चार ओवर फेंकने का मतलब यह नहीं कि वह फ़ॉर्म में नहीं है — हो सकता है वह चोट प्रबंधन के दौर से गुज़र रहा हो, और क्लब ने वह जानकारी साझा न करने का फ़ैसला किया हो। मेडिकल गोपनीयता और टीम के शेयरधारक हित अक्सर एक ही दिशा में चलते हैं, और पाठक के पास सिर्फ़ स्कोरकार्ड बचता है। उस स्कोरकार्ड से चोट का निष्कर्ष निकालना वही गलती है — अनुपस्थिति को शून्य पढ़ लेना।

तीसरा सबक टैक्सोनॉमी का है। उस पैकेट में जो एकमात्र फ़ील्ड ज़िंदा बची थी, वह थी cricket_asia — यानी खेल और भूगोल का जोड़ा हुआ लेबल। यह तकनीकी रूप से साफ़-सुथरी चीज़ लगती है, लेकिन एनालिटिक्स में यह ज़हर है। जब भूगोल और खेल एक ही फ़ील्ड में मिला दिए जाते हैं, तो हर तुलना दूषित हो जाती है। फिर 'क्रिकेट' और 'क्रिकेट_एशिया' के आँकड़े अलग-अलग डिब्बों में जमा होते हैं और किसी भी क्रॉस-आर्टिकल इंडेक्स का मतलब खत्म हो जाता है। एक अच्छा वर्गीकरण वह है जिसमें खेल एक फ़ील्ड हो, भूगोल दूसरी, और फ़ॉर्मेट तीसरी।

इस दस्तावेज़ के मामले में, उस अकेले लेबल ने यह भी बता दिया कि गड़बड़ कहाँ हुई। जिस परत ने लेबल दिया, वह चल रही थी। जिस परत ने तथ्य निकालने थे, वह बंद थी। यह एक संकीर्ण खड़खड़ाहट है, पूरी मशीन का ढहना नहीं। लेकिन इसी संकीर्ण खड़खड़ाहट से वह पूरा आठ-खाना टेम्पलेट भर गया, और यहीं से सबसे बड़ा खतरा पैदा होता है।

मेरे पास एक ही व्याख्या बचती है, और मैं उसे अटकल के रूप में ही दर्ज कर रहा हूँ: स्रोत पेज किसी पेवॉल के पीछे था, या जावास्क्रिप्ट से रेंडर हो रहा था, या एनकोडिंग में मर गया। तीनों हालत में फेचर को खाली टेक्स्ट मिलता है, क्लासिफायर को लेबल लगाने के लिए इतना शब्द मिल जाता है कि वह 'क्रिकेट_एशिया' कह दे, और एक्सट्रैक्टर के हाथ कुछ नहीं लगता। यह लेखक की गलती नहीं है। यह उस पाइपलाइन की गलती है जिसने एक्सट्रैक्शन की विफलता को 'लेख में कुछ नहीं था' के रूप में रिपोर्ट कर दिया।

यह पूरा प्रकरण मुझे 2026 की उस गर्मी में ले जाता है, जब रूस विश्व कप के बाद मैंने फ़ुटबॉल का अपेक्टेड-गोल्स लॉजिक टी20 क्रिकेट पर लादने की कोशिश की थी। मैंने शॉट लोकेशन, गेंदबाज़ के प्रकार, मैच फ़ेज़ और बल्लेबाज़ के हाथ — चार चरों से एक अपेक्टेड-रन मॉडल बनाया और मुंबई के 2026-19 सैयद मुश्ताक अली अभियान पर आज़माया। बारह सौ अड़तालीस गेंदें हाथ से कोड हुईं, जिनमें बड़ौदा के खिलाफ़ सूर्यकुमार यादव की 39 गेंदों पर 72 रन की पारी भी थी। मॉडल ने उनके शॉट-चयन को लापरवाह नहीं, टिकाऊ बताया — जो अकेला स्ट्राइक रेट कभी नहीं बता सकता था। लेकिन उस मॉडल की एक शर्त थी जिसे मैंने पहले दिन ही लिख दिया था: अगर शॉट-लोकेशन का डेटा तीन मैदानों से ज़्यादा पर उपलब्ध न हो, तो नतीजा किसी दूसरे मैदान पर लागू नहीं होगा। जिस दिन शर्त टूटती है, मॉडल मर जाता है — और मरना चाहिए।

यही अनुशासन उस खाली पैकेट पर भी लागू होता है। मेरे पास एक लेबल था और शर्त थी कि सामग्री मिलेगी। शर्त टूट गई। इसलिए नतीजा कोई नहीं।

चौथा सबक: साफ़-सुथरा दिखने वाला टेम्पलेट खुद एक दावा है। आठ आयाम, आठ टेबल, हर टेबल में एक 'Notes' कॉलम, और ऊपर एक 'Audit conclusion' — यह सब पढ़कर किसी भी एडिटोरियल सिस्टम को यही लगेगा कि कवरेज हो गई। यही सबसे खतरनाक चीज़ है। एक खाली पेज साफ़-साफ़ कहता है कि वह खाली है; एक भरा हुआ टेम्पलेट झूठ बोलता है। मैंने अपने करियर में कई बार यह देखा है — जब डेटा नहीं मिलता, तो लोग टेम्पलेट को भर देते हैं। जब टेम्पलेट भर जाता है, तो किसी को याद नहीं रहता कि अंदर कुछ था या नहीं।

इसी वजह से मैं अपने हर टुकड़े के साथ एक छोटा 'कैसे गिना गया' नोट छापता हूँ, और इस लेख में भी छापूँगा। सैंपल साइज़, कोडिंग नियम, ज्ञात अंतराल, और वे शर्तें जिनके टूटने पर निष्कर्ष गिर जाएगा। यह नोट सजावट नहीं है। यह वह रसीद है जो पाठक को यह जाँचने का हक देती है कि मैंने नंबर बनाया है या नहीं।

कैसे गिना गया, इस लेख के लिए: यहाँ कोई खिलाड़ी-आँकड़ा, कोई टीम-रिकॉर्ड, कोई मैच-परिणाम उद्धृत नहीं है, क्योंकि स्रोत पैकेट में शून्य सूचना-बिंदु थे। जो आठ आयाम यहाँ चर्चा में हैं, वे उस ऑडिट दस्तावेज़ की संरचना से आए हैं, किसी मैच से नहीं। मेरे व्यक्तिगत हाथ-कोडिंग के दो आँकड़े — 546 रन और 1,248 गेंदें — मेरे अपने लॉग से हैं और उनका इस लेख के मुख्य निष्कर्ष से कोई कारण-संबंध नहीं है; वे सिर्फ़ यह दिखाने के लिए हैं कि मैं किस अनुशासन से बोल रहा हूँ। और हाँ, यह भी दर्ज रहे: यह पूरा लेख एक ऐसी कमी पर है जो क्रिकेट की नहीं, डेटा की है। मैंने इससे ज़्यादा नहीं कहा, क्योंकि इससे ज़्यादा कहने के लिए सबूत नहीं थे।

उलटा कोण यह है कि यह खाली पैकेट इस पूरे फ़ोल्डर की सबसे ईमानदार चीज़ है। सोचिए, अगर एक्सट्रैक्टर ज़रा भी 'उदार' होता। अगर उसने एशिया फ़ीड के सामान्य ढाँचे से अनुमान लगाकर एक संभावित खिलाड़ी का नाम, एक संभावित सीरीज़ का नाम, एक संभावित इकॉनमी रेट भर दिया होता, तो आज यह लेख उस भरे हुए नाम पर एक खूबसूरत टिप्पणी होती — और वह टिप्पणी पूरी तरह हवा में होती। उद्योग में यही होता है। जानकारी की कमी को साहस से भरा जाता है, और उस भराव को 'इनसाइट' कहा जाता है। इस लिहाज़ से देखें तो वह दस्तावेज़, जिसमें हर जगह N/A छपा था, अपनी पूरी कठोरता के साथ करियर का सबसे विश्वसनीय दस्तावेज़ साबित हुआ — क्योंकि उसने वह किया जो कोई एडिटर नहीं करता: उसने मना कर दिया।

दूसरी उलटी बात यह है कि 'एशियाई क्रिकेट' को कम कवर किया जा रहा है, यह मान लेना भी गलत होगा। असल में देखा जाए तो एशिया वैश्विक क्रिकेट की आमदनी का सबसे बड़ा हिस्सा पैदा करता है, आईपीएल फ़्रैंचाइज़ियाँ SA20, ILT20 और MLC में मालिकाना रखती हैं, और 2028 के लॉस एंजिल्स ओलंपिक में क्रिकेट की एंट्री इसी बाज़ार के लॉजिक से जुड़ी है। जिस बाज़ार का इतना पैसा हो, उसका कंटेंट कम नहीं, बल्कि अत्यधिक होता है। समस्या मात्रा की नहीं, पहुँच की है — पेवॉल, जियो-ब्लॉक, भाषा, और रेंडरिंग। जब पाइपलाइन उस आवाज़ तक नहीं पहुँच पाती, तो वह उसे 'कोई खबर नहीं' लिख देती है। यह कवरेज-बायस का सबसे चुपचाप चलने वाला रूप है, और यह हर उस तुलनात्मक इंडेक्स को बिगाड़ देता है जो इसी पाइपलाइन से बनाया गया हो।

तीसरी उलटी बात नंबरों की सफ़ाई को लेकर है। इस दस्तावेज़ में शून्य नंबर थे, इसलिए शुद्धता का कोई सवाल नहीं। लेकिन मुझे अपने पुराने काम से पता है कि साफ़-सुथरी फ़ाइलें सबसे भरोसेमंद इसलिए लगती हैं क्योंकि उन्हें हमने खुद साफ़ किया होता है, और उनकी गलतियाँ हमारी निजी संपत्ति बन जाती हैं। तीन दशमलव स्थानों वाला कोई औसत, जो कुछ सौ गेंदों के हाथ से कोड किए नमूने से आया हो, रिगर जैसा दिखता है और एडिटर को भी रिगर जैसा ही लगता है। इसलिए मेरा नियम सीधा है: दशमलव से पहले नमूना-आकार और अंतराल लिखो, और जितना डेटा सहन कर सके उतना ही दशमलव रखो।

अब आगे की बात, जिसे मैं पहले से दर्ज कर रहा हूँ ताकि बाद में इसे घुमाया न जा सके। अगली इनजेशन साइकिल में मैं तीन थ्रेसहोल्ड पहले से तय कर रहा हूँ। पहला: किसी भी साप्ताहिक खिड़की में कम से कम एक सूचना-बिंदु वाले पैकेट का अनुपात नब्बे प्रतिशत से नीचे नहीं गिरना चाहिए; अगर गिरे, तो यह सामग्री की समस्या नहीं, सिस्टम की समस्या है और उसे उसी हफ़्ते रिपोर्ट होना चाहिए। दूसरा: जिन पैकेटों में फ़ॉर्मेट की पहचान न हो, उन्हें किसी भी क्रॉस-फ़ॉर्मेट तुलना में प्रवेश नहीं मिलेगा, चाहे उनमें कितने ही खिलाड़ी-नाम क्यों न हों। तीसरा: कोई भी नल-पैकेट किसी जोखिम-स्कोर में शून्य के रूप में दर्ज नहीं होगा — वह 'अनिर्धारित' ही रहेगा, हमेशा।

हमने पूर्वानुमान पहले मैच से पहले छाप दिया था, ताकि सीज़न हमें ग्रेड कर सके। यही यहाँ भी है। अगर अगले चार हफ़्तों में उसी डोमेन से फिर खाली पैकेट आते हैं, तो कारण सामग्री नहीं, पहुँच होगा — और तब सवाल यह नहीं उठेगा कि 'एशियाई क्रिकेट में कुछ हुआ ही नहीं', बल्कि यह उठेगा कि हमारी खिड़की उस तरफ़ बंद क्यों है। एशियाई क्रिकेट में कोई दिन ऐसा नहीं होता जिसमें कुछ न हुआ हो। अगर हमारे सिस्टम को कुछ नहीं मिला, तो वह सिस्टम के बारे में एक तथ्य है, खेल के बारे में नहीं।

हर घंटा लेजर में दर्ज हुआ, उन घंटों सहित जिन्हें मैं गिनना नहीं चाहता था। उस रात का सबसे उपयोगी काम यह नहीं था कि मैंने कोई नया तथ्य खोजा। सबसे उपयोगी काम यह था कि मैंने यह दर्ज किया कि तथ्य था ही नहीं — और उसे एक ऐसी फ़ाइल में लिखा जिसे कोई भविष्य में 'कवरेज' समझकर न पढ़ बैठे।