जब डेटा ही गायब हो: क्रिकेट विश्लेषण की सबसे बड़ी चूक वह नहीं जो मैदान पर होती है

दिसंबर 2026 की उस रात वानखेड़े की गैलरी में बैठकर मैंने 546 रन हाथ से कोड किए थे — तीन रातें, उन्नीस घंटे, एक नोटबुक और एक स्प्रेडशीट। उस वक्त मुझे लगा था कि क्रिकेट विश्लेषण की सबसे बड़ी समस्या अधूरा डेटा है। सात साल बाद, एक अलग तरह का सबक मिला: कभी-कभी समस्या डेटा की कमी नहीं होती, समस्या यह होती है कि आपको यह भी नहीं पता कि आप किस चीज़ का डेटा देख रहे हैं।

पिछले कुछ दिनों में मेरे डेस्क पर एक विश्लेषण-फ़ाइल आई जिसमें आठ अलग-अलग विश्लेषण खंड मौजूद थे — प्रारूप (फ़ॉर्मेट), खिलाड़ी तकनीक, टीम परिदृश्य, लीग वाणिज्यिक पारिस्थितिकी, शासन-नियम, जोखिम मैट्रिक्स, सार्वजनिक कथा और उद्योग-ट्रांसमिशन। खंडों का ढाँचा पूरा था, तालिकाएँ साफ़ थीं, शीर्षक औपचारिक थे। केवल एक चीज़ गायब थी: मैच। न कोई टीम, न कोई खिलाड़ी, न कोई तारीख, न कोई स्रोत, न कोई स्कोर।

यहीं से असली रिपोर्ट शुरू होती है।

संदर्भ: जब खाली फ़ाइल खुद को विश्लेषण कहती है

उस फ़ाइल में हर जगह एक ही वाक्य दोहराया गया था — "अपर्याप्त जानकारी"। प्रारूप अज्ञात, स्थल अज्ञात, टॉस अज्ञात, खिलाड़ी अज्ञात, स्रोत अज्ञात। लेकिन फ़ाइल में आठ खंड थे, और हर खंड में एक मज़बूत निष्कर्ष भी था। यही विरोधाभास मेरे लिए दिलचस्प बन गया।

मैंने अपने कोडिंग लॉग की आदत के अनुसार एक सरल परीक्षण किया। मैंने फ़ाइल के हर "निष्कर्ष" को हटा दिया और केवल उन तथ्यों को रखा जिन्हें सत्यापित किया जा सकता था। बचा क्या? कुछ नहीं। शून्य सत्यापन-योग्य बिंदु। इकहत्तर वाक्य थे, और उनमें से एक भी ऐसा नहीं था जिसे किसी बॉल-बाय-बॉल लॉग, स्कोरकार्ड या आधिकारिक विज्ञप्ति से जोड़ा जा सके।

यह वही गलती है जिसकी चेतावनी मैं अपने खुद के काम में देता रहा हूँ। टाइडी डेटासेट भरोसेमंद दिखता है ठीक इसलिए कि वह टाइडी है। और जब आप खुद उसे बनाया हो, तो उसकी खामियाँ आपको अपनी निजी गलती लगती हैं — प्रकाशित करने लायक विषय नहीं। उस फ़ाइल ने यही सिद्ध किया, उलटी दिशा में।

मुख्य विश्लेषण: अनुपस्थिति भी एक डेटा-बिंदु है

जब मैं 2026 में फुटबॉल के अपेक्षित-गोल (xG) तर्क को टी20 क्रिकेट पर लागू कर रहा था — सैयद मुश्ताक अली ट्रॉफी के 1,248 डिलीवरीज़ को कोड करते हुए — तब मैंने एक नियम बनाया था: जो मीट्रिक अनुवाद न हो सके, वह मीट्रिक उपयोगी नहीं है। उस फ़ाइल पर वही नियम लागू होता है। जो टीम पहचानी नहीं जा सकती, उसका घरेलू-विदेशी प्रदर्शन तुलनात्मक नहीं हो सकता। जो खिलाड़ी नामांकित नहीं है, उसकी स्ट्राइक रेट पर टिप्पणी करना केवल अनुमान है — और डेटा पत्रकारिता में अनुमान का कोई कॉलम नहीं होता।

यहाँ असली खोज यह है कि ऐसी फ़ाइल का सबसे खतरनाक हिस्सा उसका रिक्त होना नहीं है, बल्कि उसका आत्मविश्वास है। फ़ाइल ने खुद को आठ परतों में प्रस्तुत किया — जोखिम मैट्रिक्स, शासन-चेकलिस्ट, ट्रांसमिशन मैप — और हर परत ने पूर्णता का भ्रम पैदा किया। यदि कोई संपादक केवल शीर्षक और तालिकाओं की सुंदरता देखता, तो वह इसे तैयार सामग्री मान लेता। लेकिन तालिका का रिक्त स्थान भरा हुआ नहीं होता, वह केवल साफ़ दिखता है।

मेरे अनुभव में, इस तरह की फ़ाइलें तीन तरीकों से बनती हैं। पहला, ऑटोमेटेड एक्सट्रैक्शन जिसमें स्रोत लेख ही क्रिकेट-विशिष्ट सामग्री से रहित था। दूसरा, ऐसा विश्लेषण जो फ़ॉर्मेट की पहचान से पहले ही संरचना बना लेता है। तीसरा — और यह सबसे आम है — विश्लेषक की यह आदत कि वह खाली जगह को "अपर्याप्त जानकारी" लिखकर बंद कर देता है, बजाय यह स्वीकार करने के कि आगे बढ़ने का कोई आधार ही नहीं है।

दिलचस्प बात यह है कि उस फ़ाइल में एक संकेत मौजूद था: cricket_asia लेबल। यह क्षेत्रीय संदर्भ की ओर इशारा करता है, लेकिन किसी राष्ट्रीय टीम, लीग या मुकाबले की पुष्टि नहीं करता। 2026-13 के बाद से भारत-पाकिस्तान द्विपक्षीय क्रिकेट जमे हुए हैं, और इस श्रेणी की हर कहानी को मैं एक मात्रा के रूप में मापता हूँ, मूड के रूप में नहीं। लेकिन इस लेबल से यह अनुमान लगाना कि विषय एशियाई कप था या कोई एशियाई लीग — यह वही गलती होगी जिसकी मैं समीक्षा कर रहा हूँ।

एक और बात जो मुझे उस फ़ाइल में चुभी: उसके जोखिम मैट्रिक्स में "रेटिंग: उच्च" लिखा था। वह सही था, पर कारण गलत दिशा में समझा जा सकता था। जोखिम खेल में नहीं था — जोखिम इस बात में था कि विश्लेषण किसी ऐसी घटना के बारे में हो सकता है जिसका अस्तित्व ही सिद्ध नहीं हुआ। उच्च जोखिम का मतलब यहाँ "सट्टेबाजी में अनिश्चितता" नहीं, बल्कि "स्रोत की विफलता" है। इन दोनों को एक ही शब्दावली में रखना खतरनाक है।

विपरीत दृष्टिकोण: क्या खाली जगह भरना कभी उचित है?

यहाँ एक तर्क दिया जा सकता है, और मैंने उसे गंभीरता से तौला: क्या एक विश्लेषक को उपलब्ध संदर्भ से सबसे संभावित परिदृश्य मान लेना चाहिए और उसे स्पष्ट रूप से "धारणा" का लेबल लगाकर आगे बढ़ना चाहिए? समाचार-क्षेत्र में यह सामान्य अभ्यास है। डेडलाइन दबाव डालती है, और रिक्त स्थान छोड़ना संपादक को असहयोग लगता है।

मैं इसका उत्तर अपने सबसे सख्त मानक से देता हूँ: केवल तभी, जब धारणा को सत्यापन-योग्य बनाया जा सके। यदि आप कहें "यह संभवतः टी20 मुकाबला था" और उसके बाद उसी वाक्य में टी20-विशेष मेट्रिक्स — पावरप्ले स्कोरिंग दर, डेथ ओवर इकॉनमी — का हवाला दें, तो आपने धारणा को प्रमाण में बदल दिया। यह वही चीज़ है जिसकी मैं जाँच करता हूँ, और वही जिसे मैं कभी नहीं लिखता।

दूसरा पहलू: उस फ़ाइल में तीन ऐसे जोखिम-झंडे सक्रिय थे जो आमतौर पर असली विश्लेषण में दिखते हैं — छोटे नमूने से अति-निष्कर्ष, घरेलू मैदान का पूर्वाग्रह, और टॉस/DLS जैसे भाग्य-कारकों को अलग न करना। इनका सक्रिय होना ही बताता है कि फ़ाइल का टेम्पलेट किसी वास्तविक खेल-विश्लेषण ढाँचे से आया था। समस्या टेम्पलेट में नहीं, टेम्पलेट को खाली डेटा पर चलाने में है। यह वही त्रुटि है जो तीन दशमलव स्थानों वाली सटीकता पैदा करती है — और सटीकता, शुद्धता नहीं होती।

निष्कर्ष: अगली बार जब फ़ाइल साफ़ दिखे

मैं उस फ़ाइल को एक अस्वीकृति के रूप में दर्ज कर रहा हूँ, किसी निष्कर्ष के रूप में नहीं। जिस क्षण स्रोत लेख, तारीख, प्रकाशक और कम से कम एक नामांकित इकाई उपलब्ध होगी, उसी क्षण यह विश्लेषण फिर से खुलेगा — और तब मैं पहले नमूने का आकार पूछूँगा, दशमलव बाद में।

जो पाठक इस कॉलम को नियमित रूप से पढ़ते हैं, उनके लिए एक व्यावहारिक संकेत: किसी भी क्रिकेट विश्लेषण को पढ़ते समय पहले यह देखें कि उसमें "कैसे गिना गया" वाला एक वाक्य है या नहीं। यदि नहीं है, तो उसकी सुंदर तालिकाएँ आपके लिए साक्ष्य नहीं, सजावट हैं।

546 रन हाथ से कोड करने के बाद मैंने यह सीखा था कि स्कोरकार्ड तटस्थ साक्ष्य नहीं होता। आज उसमें एक और पंक्ति जुड़ गई है: जो फ़ाइल खुद को नहीं समझा सकती, उसके निष्कर्षों को किसी और को समझाने का अधिकार नहीं है।