खाली पेलोड, खाली रिपोर्ट: क्रिकेट एनालिसिस पाइपलाइन में डेटा विफलता की खुली किताब

हुक

सोमवार की दोपहर मैंने स्टेज-1 का पेलोड खोला। स्कीमा पूरा था — शीर्षक, स्रोत, लेख-प्रकार, सूचना-बिंदु, मुख्य दृष्टिकोण, इकाइयाँ। हर फ़ील्ड मौजूद। और हर फ़ील्ड खाली। यह वह क्षण था जब क्रिकेट एनालिसिस का आठ-आयामी ढाँचा एक अनोखी स्थिति में पहुँचा: विश्लेषण करने के लिए लेख ही नहीं था। मेरी पहली प्रवृत्ति गिनती करना है, दूसरी गिनती दोहराना। यहाँ गिनती का नतीजा साफ़ था — शून्य सूचना-बिंदु, शून्य इकाइयाँ, शून्य निष्कर्ष। क्रिकेट की दुनिया में ऐसी रिपोर्ट किसी मैच की कहानी नहीं, बल्कि एक पाइपलाइन की कहानी है। और उस कहानी को छिपाने के बजाय दर्ज करना ज़रूरी है।

संदर्भ

क्रिकेट डोमेन का स्टेज-2 ढाँचा आठ आयामों पर चलता है — प्रारूप और मैच विश्लेषण, खिलाड़ी तकनीक और डेटा, टीम परिदृश्य और रैंकिंग, लीग और वाणिज्यिक पारिस्थितिकी, नियम और शासन, जोखिम, सार्वजनिक कथा, और उद्योग संचरण। हर आयाम का अपना न्यूनतम इनपुट है। प्रारूप (टेस्ट/वनडे/टी20/द हंड्रेड) तय न हो तो खिलाड़ी के आँकड़े बेमानी हैं — टेस्ट के काउंटर-अटैकर के लिए 145 की स्ट्राइक रेट कुछ और है, टी20 फिनिशर के लिए कुछ और। टीम न हो तो घरेलू-विदेशी अंतर, जो क्रिकेट मूल्यांकन का सबसे भेदी चर है, नापा ही नहीं जा सकता। लीग न हो तो राइट्स का आँकड़ा, फ्रैंचाइज़ी मूल्यांकन, नीलामी की कीमत — सब अधूरे। इस बार आयामों को भरने के लिए ज़रूरी हर चीज़ अनुपस्थित थी। डोमेन लेबल cricket_world था, जबकि स्कीमा Cricket माँगता है। यह छोटी सी दिखने वाली असंगति बड़ी बात कहती है: जिस मॉडल ने लेख पढ़ा, उसे शायद लेख मिला ही नहीं।

कोर विश्लेषण

मैंने 2026 की आईपीएल नीलामी की बही पहले खोली थी; कहानी उस कॉलम में थी जिसे किसी ने पढ़ा ही नहीं। इस बार बही ही खाली थी। तीन चरण, एक स्प्रेडशीट, और वह विसंगति जो औसत से बाहर निकलने से इनकार कर रही थी — यहाँ विसंगति यह थी कि स्कीमा मान्य था और सामग्री शून्य। मेरी पहली प्रवृत्ति गिनती करना है; गिनती ने बताया कि सूचना-बिंदुओं की सूची खाली है, मुख्य दृष्टिकोण खाली है, और इकाइयाँ उसी खाली सूची से निकाली जानी थीं, इसलिए वे भी खाली हैं। यानी विफलता एक जगह नहीं, श्रृंखला में है — पहले लेख का पाठ नहीं आया, फिर उससे इकाइयाँ नहीं निकलीं, फिर खिलाड़ी और टीम का विश्लेषण असंभव हो गया।

विश्लेषण का सबसे बड़ा खतरा यहाँ यह नहीं है कि डेटा कम है। सबसे बड़ा खतरा यह है कि एक अच्छी तरह सजी-धजी रिपोर्ट खाली इनपुट पर भी स्कीमा-वैलिडेशन पास कर जाती है। ऑटोमेटेड निगरानी उसे "सफल" मान लेती है, जबकि उसमें एक भी तथ्य नहीं होता। मेरे अनुभव में क्रिकेट की रिपोर्टिंग में यही समस्या सबसे ज़्यादा नुकसान करती है — साफ़-सुथरा कॉलम (स्ट्राइक रेट, औसत, नीलामी की कीमत) उद्धरण-योग्य होता है, और गंदा कॉलम (हरकत में हरकत का हिसाब) मेहनत माँगता है। जब इनपुट ही खाली हो, तो साफ़ कॉलम भरने का लालच सबसे तेज़ होता है। मैंने उस लालच को ठुकराया।

इस रिपोर्ट की एकमात्र ठोस उपलब्धि परिचालन-स्तरीय है: स्टेज-1 की निष्कर्षण विफलता की पहचान। साक्ष्य सीधा है — लेख का शीर्षक अनुपलब्ध, स्रोत अनुपलब्ध, सूचना-बिंदु खाली, मुख्य दृष्टिकोण खाली, समय-संवेदनशीलता का आकलन नहीं हुआ, स्रोत-गुणवत्ता का आकलन नहीं हुआ। यह पैटर्न — मान्य स्कीमा, सर्व-शून्य मान, और मेल न खाता डोमेन लेबल — पेडवॉल, जावास्क्रिप्ट-रेंडर पेज या 403 ब्लॉक जैसी फ़ेच-लेयर विफलता से सबसे ज़्यादा मेल खाता है। मेरी राय में यह विश्लेषण-लेयर की विफलता नहीं, फ़ेच-लेयर की विफलता है।

कंट्रेरियन एंगल

स्वाभाविक प्रतिक्रिया यह होगी कि रिपोर्ट को फिर से चलाया जाए और देखा जाए कि क्या निकलता है। लेकिन मेरा पहला सवाल अलग है: क्या यह अकेली विफलता है? डोमेन लेबल का cricket_world से Cricket तक का फ़ासला बताता है कि स्टेज-1 का प्रॉम्प्ट या लेबल-मैपिंग पुरानी या गलत कॉन्फ़िगरेशन में है। अगर ऐसा है, तो इसी बैच के दूसरे आइटम भी प्रभावित हो सकते हैं। एक आइटम को दोबारा चलाना समस्या को छिपा सकता है; पूरे बैच का ऑडिट ज़रूरी है। मेरा अनुभव कहता है कि पाइपलाइन की गलतियाँ अकेले नहीं आतीं — वे एक ही कॉन्फ़िगरेशन से जन्म लेती हैं और एक साथ कई जगह दिखती हैं।

दूसरा उलटा निष्कर्ष यह है कि "अनुपलब्ध" को "स्वच्छ" न समझा जाए। शासन और सत्यनिष्ठा के आयाम इस रिपोर्ट में अनुपलब्ध हैं, साफ़ नहीं। यह अंतर बहुत मायने रखता है। एक अनुपलब्ध सत्यनिष्ठा-स्थिति एक जीवित अज्ञात है; एक स्वच्छ स्थिति नहीं। अगर डाउनस्ट्रीम पाठक इस मौन को मंज़ूरी समझ ले, तो रिपोर्ट अपनी सबसे बड़ी ज़िम्मेदारी में चूक जाएगी। इसीलिए मैंने हर आयाम में स्पष्ट रूप से "अपर्याप्त सूचना" दर्ज किया है, खाली जगह नहीं छोड़ी।

तीसरा उलटा पहलू: अगर स्रोत स्कोरकार्ड, लाइव-स्कोर या वीडियो पेज है, तो पाठ-निष्कर्षण मॉडल उसे कभी नहीं पढ़ पाएगा। ऐसे स्रोत के लिए संरचित-डेटा पार्सर सही उपकरण है। यानी समस्या सिर्फ़ "डेटा नहीं आया" नहीं है; समस्या यह भी है कि स्रोत-वर्ग के अनुसार उपकरण का चयन नहीं हुआ।

टेकअवे

आगे का सवाल यह नहीं है कि इस लेख में क्या था। आगे का सवाल यह है कि अगली बार जब पाइपलाइन खाली पेलोड पर पूरी रिपोर्ट बना दे, तो उसे कौन रोकेगा। मेरा सुझाव सीधा है: स्टेज-1 और स्टेज-2 के बीच एक कठोर द्वार लगाइए। अगर सूचना-बिंदु खाली हैं या शीर्षक अनुपलब्ध है, तो स्टेज-2 को पूरा ढाँचा भरने के बजाय EXTRACTION_FAILURE का अलर्ट लौटाना चाहिए। मेरे अनुभव में क्रिकेट की सबसे भरोसेमंद रिपोर्ट वह नहीं है जो सब कुछ बता दे, बल्कि वह है जो बता दे कि उसे क्या नहीं पता। यह रिपोर्ट उसी सिद्धांत पर खड़ी है। अगली बार जब किसी मैच की कहानी लिखी जाए, तो पहले यह जाँचिए कि स्कोरकार्ड सचमुच पहुँचा है या नहीं। क्योंकि जो कॉलम खाली है, वह झूठ नहीं बोलता — पर जो रिपोर्ट उसे भर देती है, वह ज़रूर बोलती है।