आठ खंड, इकतीस खाने, शून्य तथ्य: क्रिकेट डेटा पाइपलाइन का नल रिज़ल्ट और उसकी असली कीमत

रात के दो बजकर चालीस मिनट, और एक रिपोर्ट जो पूरी थी

फ़ाइल के सबसे ऊपर वर्ज़न नंबर लिखा है — v0.9 — और उसके नीचे एक पंक्ति: "डेटा सत्यापन लंबित।" मैं चेन्नई में अपनी मेज़ पर बैठा हूँ, स्क्रीन पर क्रिकेट डोमेन की स्टेज-2 विश्लेषण रिपोर्ट खुली है। आठ खंड हैं। फ़ॉर्मैट और मैच विश्लेषण, खिलाड़ी तकनीक और डेटा, टीम परिदृश्य और रैंकिंग, लीग और वाणिज्यिक पारिस्थितिकी, नियम और शासन, जोखिम पक्ष, सार्वजनिक कथा और अपेक्षा, और उद्योग संचरण। हर खंड में तालिका है, हर तालिका में खाने भरे हुए हैं। इकतीस प्रमुख सेल।

इकतीसों में एक ही वाक्यांश लिखा है: "N/A – अपर्याप्त जानकारी।"

यह कोई तकनीकी खराबी का स्क्रीनशॉट नहीं है। यह एक पूरी रिपोर्ट है — संरचनात्मक रूप से त्रुटिहीन, शीर्षक-दर-शीर्षक, उपशीर्षक-दर-उपशीर्षक। और उसमें क्रिकेट के बारे में एक भी तथ्य नहीं है। स्टेज-1 का पेलोड जो लौटा, उसमें लेख का शीर्षक N/A था, स्रोत N/A था, लेख का प्रकार "अवर्गीकृत" था, और सूचना बिंदुओं की सूची — वह सूची जिस पर पूरा दूसरा स्टेज खड़ा होता है — खाली थी।

मुझे यह लिखने में कोई सुख नहीं है, पर यही इस पीस का निष्कर्ष है: एक खाली तालिका, जो भरी हुई दिखती है, किसी गलत संख्या से ज़्यादा ख़तरनाक है। गलत संख्या पर बहस होती है, सुधार होता है, चैंजलॉग बनता है। खाली तालिका समीक्षा से निकल जाती है, क्योंकि वह देखने में काम पूरा होने का सबूत है।

संदर्भ: दो स्टेज का ढाँचा, और उसकी एक शर्त

क्रिकेट एनालिटिक्स की जो पाइपलाइन आज काम कर रही है, वह दो हिस्सों में बँटी है। पहला स्टेज कच्चे स्रोत से तथ्य निकालता है — शीर्षक, स्रोत, प्रकाशन तिथि, लेख का प्रकार, सूचना बिंदु, नामित इकाइयाँ (टीम, खिलाड़ी, बोर्ड, लीग), समय-संवेदनशीलता और स्रोत की गुणवत्ता। दूसरा स्टेज उसी बहीखाते पर तर्क करता है — प्रारूप क्या है, किस चरण में क्या हुआ, कौन सा मेट्रिक मायने रखता है, टीम किस स्तर पर है, अनुबंध और राजस्व की संरचना क्या कहती है, नियामक जोखिम कहाँ है, कथा किस चक्र में है, और उद्योग में असर किस दिशा में जाएगा।

इस ढाँचे की एक ही शर्त है, और वह साफ़ है: स्टेज-2 तथ्य पैदा नहीं कर सकता, वह सिर्फ़ स्टेज-1 की बही पर तर्क कर सकता है। जैसे किसी मैच की कमेंट्री स्कोरकार्ड के बिना नहीं हो सकती।

वैध पेलोड कैसा दिखता है, यह मुझे पता है क्योंकि मैंने सालों ऐसे पेलोड हाथ से भरे हैं। सन् 2026 में, चेन्नई की एक बायोमेकैनिक्स लैब में जूनियर शोध पद पर बैठे हुए ग्यारह हफ़्ते में मैंने तमिलनाडु प्रीमियर लीग के बत्तीसों मैच ब्रॉडकास्ट फ़ीड से हाथ से कोड किए — 4,112 गेंदें, हर एक पर रिलीज़ हाइट, रिवॉल्यूशन और पिच ज़ोन का टैग। उस बही ने कहा कि चेपॉक का पहली पारी का पार 148 था, वह 165 नहीं जिसके पीछे टीमें भागती रहीं; और यह कि ओवर 7 से 15 के बीच गिरे 58 प्रतिशत विकेट पाँचवीं स्टंप लाइन पर आने वाली गेंदों पर गिरे। चेपॉक सुपर गिलीज़ ने ख़िताब जीता, और वह संख्या किसी ने नहीं छापी जो उसे समझाती थी। मैंने छापी — 900 शब्दों में, उस साइट के लिए जो ₹1,500 देती थी।

यह घटना इस पीस के लिए ज़रूरी है, क्योंकि उसी सर्दी से मेरी एक आदत बनी: कोई भी दावा तब तक प्रकाशित नहीं होता जब तक उसके साथ एक मापी जा सकने वाली संख्या, एक नमूना आकार और एक तारीख़ न हो। यही वजह है कि मैं "स्पिन-अनुकूल पिच" जैसे वाक्यांश पर शारीरिक रूप से सिकुड़ जाता है — पिच अनुकूल नहीं होती, पिच निर्देशांक होती है।

अब उसी कसौटी पर इस रिपोर्ट को रखिए। शीर्षक N/A। स्रोत N/A। लेख का प्रकार अवर्गीकृत। सूचना बिंदु शून्य। नामित इकाई कोई नहीं। समय-संवेदनशीलता: "स्टेज-1 में आँकी नहीं गई।" यानी जिस बही पर दूसरा स्टेज तर्क करता है, वह बही खाली है।

और इस खालीपन में एक बारीकी है जो पाइपलाइन-विश्लेषण से आगे जाती है। डोमेन लेबल cricket_world लौटा, मानक Cricket नहीं। लेख का प्रकार "अवर्गीकृत" लौटा। दोनों मिलकर बताते हैं कि निष्कर्षण परत घटी हुई कॉन्फ़िगरेशन में चली — यह मंशा की ग़लती नहीं, मशीनरी की ग़लती है। मैंने यह पहले भी देखा है। सन् 2026 में इंग्लैंड दौरे के पाँचों टेस्ट की 6,354 गेंदें दर्ज करते वक़्त, बीच में सीम डेटाबेस रूस की ओर इशारा करने लगा — क्योंकि उसी खिड़की में मैंने फ़ुटबॉल विश्व कप की एक समानांतर शीट बनाई थी, जहाँ फ़्रांस ने 39 प्रतिशत गेंदबाज़ी के साथ क्रोएशिया को 4-2 से हराया था। दो खेल, एक सवाल: जो गेंद/बॉल नियंत्रित नहीं करता, वह जगह कैसे नियंत्रित करता है? बही में दो स्रोत घुल गए थे। यह डेटा की ग़लती नहीं थी, संरचना की थी।

मुख्य विश्लेषण: जब "N/A" जवाब नहीं, आवाज़ बन जाता है

प्रारूप अज्ञात है, तो बाकी सब अनुपयोगी है

क्रिकेट के मेट्रिक्स की सबसे बुनियादी शर्त है: प्रारूप अलग, मापदंड अलग। टेस्ट में बल्लेबाज़ी औसत मायने रखता है; टी-20 में स्ट्राइक रेट; और टी-20 गेंदबाज़ के लिए इकॉनमी। कोई संख्या एक प्रारूप से दूसरे में स्थानांतरित नहीं होती। अब अगर प्रारूप ही पता न हो, तो यह नियम लागू करने का सवाल नहीं — यह नियम लागू ही नहीं हो सकता। और यह इस पाइपलाइन की पहली चुपचाप मौत है।

यह मुझे वह क्षण याद दिलाता है जब बत्तीसवें मैच तक स्पिन-एंगल नक्शा मुझसे सहमत होना बंद कर चुका था। मैंने उस नक्शे से रिलीज़ एंगल, ड्रिफ़्ट, टर्न और बल्लेबाज़ के रीच एनवलप को जोड़ा था — स्पिन को एक कोणीय समस्या की तरह, न कि "रहस्यमय स्पिनर" की कहानी की तरह। तीस मैचों तक नक्शा भविष्यवाणी करता रहा। बत्तीसवें पर नहीं किया। फ़र्क़ यह था कि तब मेरे पास भविष्यवाणी थी जो विफल हुई — यानी मेरे पास एक परिणाम था। इस रिपोर्ट में भविष्यवाणी ही नहीं है, इसलिए विफलता का भी कोई रिकॉर्ड नहीं बनता। यही सबसे बड़ा अंतर है।

स्टेज-2 ने तीन अलग-अलग जगहों पर यही बात दर्ज की है, और हर बार ठीक लिखा है: प्रारूप अज्ञात होने से टेस्ट/वनडे/टी-20/द हंड्रेड में से कुछ भी तय नहीं हो सकता; पावरप्ले, मध्य ओवर, डेथ ओवर या टेस्ट की नई गेंद की सुबह — कोई भी चरण निर्धारित नहीं किया जा सकता; स्थल, पिच रिपोर्ट, मौसम, ओस और डीएलएस संदर्भ — सब अनुपस्थित हैं।

यहाँ एक बात साफ़ कहनी है, क्योंकि यही इस पूरे मामले को नैतिक बनाती है: यह रिपोर्ट इसलिए उपयोगी है कि इसने मना किया। एक कम कुशल पाइपलाइन यहाँ पावरप्ले की औसत दर, एक काल्पनिक हैमर प्राइस और एक बनावटी रैंकिंग के साथ आगे बढ़ जाती। बही में कुछ नहीं था, और रिपोर्ट ने कुछ नहीं बनाया।

"बिना जाँच" और "साफ़" एक चीज़ नहीं हैं

जोखिम मैट्रिक्स में छह श्रेणियाँ हैं — खेलगत, कार्मिक, वाणिज्यिक, नियम/सत्यनिष्ठा, जनमत, प्रणालीगत। छहों के आगे N/A है, और शमन-उपाय के खाने में एक ही इंजीनियरिंग-सलाह है: "स्टेज-1 दोबारा चलाएँ।"

समस्या यह है कि इस तालिका को दो तरह से पढ़ा जा सकता है। पहला पाठ: "कोई जोखिम नहीं मिला।" दूसरा पाठ: "जोखिम की जाँच ही नहीं हुई।" पहला पाठ ग़लत है, और वही पाठ आम है। शासन वाले खंड में यह और भी तेज़ हो जाता है — वहाँ कोई बोर्ड (आईसीसी, बीसीसीआई, ईसीबी, सीए) नामित ही नहीं है, इसलिए अनुपालन जोखिम शून्य भी सिद्ध नहीं होता और मौजूद भी सिद्ध नहीं होता। सिग्नल का अभाव, जोखिम के अभाव का प्रमाण नहीं है।

क्रिकेट में नियामक जोखिम असममित है — यह मैं सामान्य सिद्धांत के तौर पर कह रहा हूँ, किसी मामले के संदर्भ में नहीं। एक सत्यनिष्ठा की खबर पूरी लीग का मूल्यांकन बदल देती है। सन् 2026 का क्रोएंजे मामला, 2026 का पाकिस्तान स्पॉट-फ़िक्सिंग प्रकरण, 2026 का आईपीएल सट्टेबाज़ी मामला — ये तीनों इस बात के उदाहरण हैं कि एक घटना कितनी जल्दी पूरे तंत्र की क़ीमत तय कर देती है। इसलिए जब कोई रिपोर्ट "N/A" लौटाती है, तो उसे "स्वच्छ" नहीं, "अपरीक्षित" पढ़ा जाना चाहिए। यह अंतर छोटा लगता है, पर यही अंतर है जिस पर एक संपादकीय निर्णय टिकता है।

गुम ओवर वाली बीमारी, अब फ़ाइलों में

मेरा सबसे पुराना और सबसे ज़िद्दी तर्क यह रहा है कि भारतीय घरेलू क्रिकेट की कवरेज व्यवस्थित रूप से वे चरण छोड़ देती है जो मैच तय करते हैं — मध्य ओवर, दूसरी स्पेल, गीली गेंद के नीचे डेथ बॉलिंग। और छूटना संरचनात्मक है, संयोग नहीं। सीम डेटाबेस तब तक पूरा दिखता रहा, जब तक गुम ओवर दोहराने नहीं लगे।

यही बीमारी अब डेटा पाइपलाइन में है, और यह और ज़्यादा घातक है। क्योंकि क्रिकेट का स्कोरकार्ड अधूरा होने पर भी स्कोरकार्ड जैसा दिखता है। बारह ओवर दर्ज हों या पचास, तालिका का आकार वही रहता है। फ़ाइल में इकतीस खाने थे, इकतीस थे, और इकतीस भरे हुए थे। संरचना की पूर्णता सामग्री की पूर्णता का प्रमाण नहीं है, और हमारा पूरा पाइपलाइन-स्वास्थ्य-तंत्र संरचना की जाँच करता है।

इसी वजह से स्टेज-2 का जोखिम-निष्कर्ष अपने आप में एक अलग खोज है। रेटिंग "उच्च" दी गई है — पर वह क्रिकेट-जोखिम नहीं, विश्लेषण-सत्यनिष्ठा का जोखिम है। रिपोर्ट यह साफ़ कहती है: अगर इस इनपुट से कोई ठोस क्रिकेटीय दावा बनाया गया, तो झूठे तथ्य की संभावना लगभग 100 प्रतिशत है। यह एक प्रक्रिया-जोखिम है। मैं इसे इस तरह लिखूँगा: पाइपलाइन की सबसे बड़ी ख़तरा वह क्रैश नहीं है जो शोर करता है, बल्कि वह पास है जो चुपचाप साफ़-सुथरा दिखता है।

ढाँचा खुद एक भ्रष्टाचार-दबाव है

यहाँ एक बात कहनी ज़रूरी है जो पाइपलाइन-इंजीनियरिंग से बड़ी है। सात-आयामी, आठ-खंडीय, इकतीस-सेल वाला ढाँचा एक ऐसा कमरा है जिसमें हर दीवार पर एक सवाल लिखा है। ऐसे कमरे में खड़े विश्लेषक पर दबाव होता है कि वह हर सवाल का जवाब दे — और जब उसके पास जवाब न हो, तो वह जवाब गढ़ता है। काल्पनिक स्ट्राइक रेट, बनावटी नीलामी क़ीमत, हवा में तैरती रैंकिंग।

फ़ुटबॉल से उधार लिया गया एक मॉडल यहाँ काम आता है, और मैं उसका मैपिंग साफ़ लिख रहा हूँ ताकि यह भी साफ़ रहे कि वह कहाँ टूटता है। 2026 विश्व कप में फ़्रांस ने 39 प्रतिशत गेंदबाज़ी के साथ फ़ाइनल जीता था; उस मॉडल का सबक यह नहीं था कि गेंद रखना ज़रूरी नहीं, बल्कि यह था कि जगह रखना गेंद रखने से अलग कौशल है। एक ढाँचा जो सारी जगह रखता है और सारी सामग्री छोड़ देता है, वह भी जगह ही रख रहा है — बस खाली जगह।

टूटने की जगह यह है: फ़ुटबॉल में खेल सतत है, इसलिए एक बार स्थान खोया तो पूरा ढाँचा हिलता है। क्रिकेट असतत है — हर गेंद एक नया रीसेट, अपनी अवस्था के साथ। इसलिए क्रिकेट में एक गुम गेंद वापस पाई जा सकती है, पर एक गुम फ़ील्ड नहीं — क्योंकि फ़ील्ड गुम होने पर हर गेंद की अवस्था अज्ञात हो जाती है। यही इस रिपोर्ट में हुआ। गेंदें गुम नहीं थीं; गेंद का कोई ज़िक्र ही नहीं था।

ट्रांसफ़र विंडो का सबक़: स्रोत-स्तर एक फ़िल्टर है, सजावट नहीं

इस वक़्त ट्रांसफ़र विंडो चल रही है, और यही विफलता वहाँ सबसे महँगी है। विंडो में अफ़वाहों की बाढ़ आती है और हर अफ़वाह एक ही कपड़े में आती है। जो चीज़ उन्हें अलग करती है, वह अफ़वाह की रोचकता नहीं — स्रोत-स्तर है। सरकारी बोर्ड की घोषणा, नामित पत्रकार, सामान्य मीडिया, ट्रैफ़िक के लिए चलने वाला अज्ञात हैंडल। चारों एक जैसे नहीं हैं, और एक चौथे स्तर की खबर को पहले स्तर की तरह पढ़ना वही ग़लती है जो क्रिकेट कवरेज में रोज़ होती है।

असली कहानी यहाँ रिलीज़ क्लॉज़ की संरचना और वेज बिल है — कौन सा अनुबंध कब टूटता है, किस खिलाड़ी पर क्लब का नियंत्रण कितने महीने का है, और किस स्थान पर विकल्प कितना महँगा है। यह सब बोरिंग लगता है, और यही असली संकेत है।

अब इस रिपोर्ट की ओर लौटिए। स्टेज-1 का "स्रोत" खाना N/A है और "स्रोत की गुणवत्ता" का खाना भी। इसका मतलब साफ़ है: जिस पाइपलाइन के पास स्रोत-स्तर नहीं, उसके पास अफ़वाह और सरकारी बयान में फ़र्क़ करने का कोई साधन नहीं। ऐसे तंत्र में एक रोपी हुई लीक बोर्ड की विज्ञप्ति जितनी ही विश्वसनीय दिखती है। स्रोत-स्तर कोई सजावटी फ़ील्ड नहीं, वह पूरे तंत्र की प्रतिरक्षा-प्रणाली है।

जो संख्याएँ भरोसे लायक़ हैं, वे हाथ से बनी हैं

इस पूरे मामले में मेरी सबसे व्यक्तिगत टिप्पणी यह है। मैंने अपने करियर का सबसे उपयोगी काम तब किया जब मेरे पास कोई ढाँचा नहीं था और मुझे सब कुछ हाथ से गिनना पड़ा। चेन्नई के उन ग्यारह हफ़्तों में मैंने जो संख्याएँ निकालीं — पहली पारी का पार 148, मध्य ओवरों के 58 प्रतिशत विकेट पाँचवीं स्टंप लाइन पर — वे आज भी मेरे काम की रीढ़ हैं, क्योंकि उनके साथ हर वक़्त तीन चीज़ें आती हैं: नमूना (4,112 गेंदें), विधि (ब्रॉडकास्ट फ़ीड से मैनुअल कोडिंग) और सीमा (एक सीज़न, एक टीम, एक मैदान-समूह)।

मैं नक्शे पर तभी भरोसा करता हूँ जब उसे बदहाल हालत में अपने हाथ से दोबारा बना चुका होता हूँ। इस रिपोर्ट ने मुझे वही सिखाया है, उल्टी दिशा से: एक रिपोर्ट जिसके पास नमूना, विधि और सीमा — तीनों की जगह N/A है, वह संख्याओं के बिना भी रह सकती है, पर तब उसे विश्लेषण नहीं कहना चाहिए।

विरोधाभासी कोण: ग़लती मॉडल में नहीं, तालिका के गर्व में है

सबसे आसान निष्कर्ष यह निकालना है कि स्टेज-1 विफल हुआ। मेरा पाठ इससे अलग है। ग़लती उस जगह है जहाँ कोई ग़लती नहीं ढूँढता — फ़ॉर्मैट में।

सोचिए समीक्षा कैसे होती है। एक कच्ची नोटबुक में अगर बीच में एक पंक्ति खाली छूट जाए, तो संपादक उसे तुरंत पकड़ता है। वहीं, एक संरेखित तालिका जिसमें इकतीस खाने हैं और हर खाने में वैध-दिखने वाला पाठ है, समीक्षा से पार निकल जाती है। यही विरोधाभास है: जितना साफ़-सुथरा आउटपुट, उतनी कम जाँच। डेटा की गुणवत्ता की जाँच के उपकरण हमारे पास हैं; फ़ॉर्मैट की गुणवत्ता की जाँच का कोई उपकरण नहीं।

दूसरा उलटा कोण, और यह मुझ पर भी लागू होता है। मेरी आदत है — दस्तावेज़ों पर वर्ज़न नंबर और तारीख़ लगाना, और हर दावे को बाद में संशोधित करने लायक़ रखना। इस आदत में एक ख़तरा है: तीसरा ड्राफ़्ट हमेशा बेहतर लगता है, और लेख अपनी डेडलाइन से आगे फिसल जाता है। सन् 2026 में यूएई आईपीएल वाला पीस नौ दिन देर से गया — 60 मैच, 19 सितंबर से 10 नवंबर, दुबई में मुंबई इंडियंस ने दिल्ली कैपिटल्स को पाँच विकेट से हराया, और मेरी बही कह रही थी कि 60 में से 37 मैच दूसरी बल्लेबाज़ी करने वाली टीम ने जीते — यानी टूर्नामेंट ओस तय कर रही थी, रणनीति नहीं। उसके बाद 19 दिसंबर 2026 को अडिलेड में भारत 21.2 ओवरों में 36 पर ढेर हो गया — जोश हेज़लवुड 5/8, पैट कमिंस 4/21 — और मैंने 128 गेंदें दोबारा देखीं, शॉट-सिलेक्शन नक्शा बनाया, और नौ दिन देर से फ़ाइल भेजी। संपादक ने छाप दिया।

उस देरी ने नौकरी जाने से ज़्यादा चोट दी। इसलिए मैंने नियम बनाया — 72 घंटे से ज़्यादा कोडिंग नहीं, फिर जो डेटा कहता है वही लिखो — और ढाँचा पहले छापना शुरू किया, निष्कर्ष बाद में, ताकि पाठक मशीनरी देख सके। मेरी फ़ाइलिंग दर दोगुनी हुई; पूर्णतावाद ख़त्म नहीं हुआ, बस शेड्यूल हो गया।

यही नियम अब इस नल रिज़ल्ट पर लगता है। इस पीस को यह साबित करने के लिए लिखना कि पाइपलाइन खराब है, आसान और बेईमान होता। इसे वैसे ही छापना पड़ता है जैसे आया — "यहाँ कुछ नहीं है, और यह ठीक से जानना एक निष्कर्ष है" — भले ही संपादक कहे कि इसमें कोई फ़ैसला नहीं है। संपादक फ़ैसला माँगता है; तंत्र फ़ैसला माँगता नहीं। हम दोनों को एक ही चीज़ समझ लेते हैं, यही असली विफलता है।

अगला क़दम: एक ऐसा जाँच-मानक जो पहले से तय हो

मेरी आदत है कि नॉकआउट में पहुँचने से पहले तीन विफलता-मोड गिनकर रखता हूँ। यहाँ उसका उल्टा लागू होता है, और इसे मैं छपाई से पहले तय कर रहा हूँ, बाद में नहीं: अगले रन में अगर प्रारूप, तीन ठोस सूचना बिंदु और एक नामित इकाई मौजूद हो, और फिर भी आयाम 2 से 4 में N/A आए — तो दोष स्टेज-1 पर नहीं, स्टेज-2 के तर्क पर है। यही असली परीक्षा है, और इसी को मैं विफल होने के लिए पहले से नाम दे रहा हूँ।

तुरंत करने लायक़ तीन चीज़ें हैं, और तीनों सस्ती हैं: स्रोत-स्तर भरो, समय-संवेदनशीलता भरो, और कम से कम तीन सूचना बिंदु भरो। रिपोर्ट के अपने आकलन के मुताबिक़ इन तीन से ढाँचे का क़रीब 60 प्रतिशत हिस्सा चलने योग्य हो जाता है। यह कोई बड़ा उद्यान-सुधार नहीं, तीन खाने भरना है।

और जो सवाल सबसे ज़्यादा चुभता है, वह यह है — मेरे संग्रह में कितनी "पूरी" रिपोर्टें इसी आकार की हैं? खाने भरे, शीर्षक लगे, निष्कर्ष टाइप हुए, और नीचे कहीं एक पंक्ति में "संदर्भ: उपलब्ध नहीं"? मुझे लगता है जवाब शून्य नहीं है। और अगली बार जब कोई रिपोर्ट "अपर्याप्त जानकारी" लौटाए, तो उसे कचरा न कहिए — उसे उस दुर्लभ चीज़ की तरह पढ़िए जो अपने ही अंतरालों को मान रही है। क्योंकि एक तंत्र जो अपने गुम ओवर गिन सकता है, वह एक तंत्र जो उन्हें छिपा देता है, से हमेशा बेहतर होता है।