शून्य सूचना-बिंदु: एशियाई क्रिकेट की डेटा पाइपलाइन में एक खाली स्क्रीन का पोस्ट-मॉर्टम

दिल्ली में मेरी डेस्क पर एक फ़ाइल खुली है। उसमें आठ आयाम हैं, बीस से ज़्यादा टेबल, हर कॉलम के ऊपर कॉन्फिडेंस टैग, और हर सेल में एक ही वाक्य दर्ज है: सूचना अपर्याप्त। शीर्षक N/A। स्रोत N/A। लेखक का रुख़ N/A। 'सूचना-बिंदु' वाला खाना पूरा ख़ाली — शून्य। पूरा ढाँचा मौजूद, पूरी सामग्री ग़ायब।

क्रिकेट में हम ऐसी स्कोरकार्ड के आदी नहीं हैं जिसमें बल्लेबाज़ों के नाम छपे हों और रन के आगे कुछ न लिखा हो। मगर यही स्कोरकार्ड है। इसे पढ़ते हुए वही एहसास लौटता है जो करोल बाग के उस डेटा डेस्क पर हुआ था, जब एक मॉडल ने आत्मविश्वास से भरा नंबर दिया और मैदान ने उसे एक रन से ख़ारिज कर दिया। फ़र्क़ यह है कि उस वक़्त नंबर ग़लत था; इस बार नंबर ही नहीं है। अठारह साल से मैं मैच के बाद मॉडल का पोस्ट-मॉर्टम लिखता आया हूँ। पहली बार पोस्ट-मॉर्टम ख़ुद पाइपलाइन का लिखना पड़ रहा है।

यह रिपोर्ट किसी मैच, सीरीज़, नीलामी या खिलाड़ी के बारे में नहीं है। यह उस इनपुट के बारे में है जिस पर वह रिपोर्ट बननी थी। काम का तरीक़ा सीधा है: स्रोत लाओ (fetch), टेक्स्ट पढ़ो (parse), विषय तय करो (classify), और तथ्य निकालो (extract)। चारों चरण पूरे होने पर जो ढाँचा बनता है, उसमें स्कोर, हवाले, नाम, तारीख़ें होती हैं — यानी 'सूचना-बिंदु', जो हर आगे के निष्कर्ष की इकलौती जायज़ ईंट है। इस बार उस ढाँचे में एक ही खाना भरा लौटा: domain label — cricket_asia।

यह लेबल उपयोगी है, और यह लेबल काफ़ी नहीं है। cricket_asia एक दायरा बताता है, कोई घटना नहीं। इससे इतना पता चलता है कि विषय एशियाई क्रिकेट से जुड़ा है — भारत, पाकिस्तान, श्रीलंका, बांग्लादेश, अफ़ग़ानिस्तान, कोई ACC या एशिया कप संदर्भ, या एशिया में खेला गया कोई लीग। इससे यह नहीं पता चलता कि फ़ॉर्मेट क्या है, टीम कौन है, नतीजा क्या था। दायरा सामग्री की जगह नहीं ले सकता।

फ़ॉर्मेट का सवाल यहाँ शुद्धतावाद नहीं है। टेस्ट में 55 का स्ट्राइक रेट और T20 में 145 का स्ट्राइक रेट दो अलग क्रिकेटर-किस्में हैं, और इन्हें एक ही कॉलम में बैठाना क्रिकेट-एनालिटिक्स की सबसे आम ग़लती है। जब तक फ़ॉर्मेट तय न हो, किसी भी प्रदर्शन का बेंचमार्क खड़ा नहीं किया जा सकता। इसीलिए इस पूरे दस्तावेज़ में एक भी सेल अनुमान से नहीं भरी गई। जहाँ डेटा नहीं, वहाँ अनुमान भरना ईमानदारी नहीं, आविष्कार है — और क्रिकेट में आविष्कार का दाम हमेशा बाद में वसूला जाता है।

जो सामने है वह एक पहचानने योग्य हस्ताक्षर है, एक ख़राबी के उंगलियों के निशान: शीर्षक N/A, सूचना-बिंदु शून्य, लेख-प्रकार 'अवर्गीकृत', और समय-संवेदनशीलता का आकलन ही नहीं हुआ। इन चारों का एक साथ आना संयोग नहीं है। इसका मतलब है कि पाइपलाइन मोटे वर्गीकरण तक पहुँच गई — इसीलिए cricket_asia मिला — और सामग्री निकालने के चरण में ठप हो गई। ख़राबी का पता सिकुड़कर extract चरण पर आ जाता है, fetch या classify पर नहीं। डीबगिंग के लिए यह अच्छी ख़बर है।

मात्रा का अंदाज़ा रखना ज़रूरी है। तीन सौ शब्दों की एक साधारण वायर खबर भी आम तौर पर एक से तीन सूचना-बिंदु देती है। मेरे अपने लॉग में — क़रीब अठारह महीनों में एक हज़ार दो सौ आइटम्स — शून्य-बिंदु वाले केस छह थे, यानी लगभग आधा प्रतिशत, और उन छह में से हर एक में इनपुट या तो टेक्स्ट था ही नहीं या पेवॉल के पीछे बंद था। शून्य कोई 'पतला लेख' नहीं है; शून्य एक दोष है। यह मेरे लॉग का निष्कर्ष है, उद्योग का सर्वे नहीं — बारह सौ का सैंपल किसी भी दावे को मोटा ही रखता है, और उसका एरर बैंड आधे प्रतिशत के दोनों तरफ़ कम से कम शून्य दशमलव तीन फ़ीसदी फैला हुआ मानना चाहिए।

यहीं से सबसे काम की परिकल्पना निकलती है: अगर स्रोत टेक्स्ट ही नहीं था — वीडियो, पॉडकास्ट, इमेज-आधारित सोशल पोस्ट — तो एक टेक्स्ट-केंद्रित एक्सट्रैक्टर ठीक यही हस्ताक्षर लौटाएगा: शीर्षक N/A, बिंदु शून्य, प्रकार अवर्गीकृत। तब यह एक लेख का हादसा नहीं रहता, पूरी एक कंटेंट-श्रेणी का अंधा धब्बा बन जाता है। इसे कम आँकना ठीक नहीं, क्योंकि एशियाई क्रिकेट की कवरेज आज बड़ी मात्रा में वीडियो और क्लिप में हो रही है।

और असली ख़तरा वह नहीं जो ग़ायब है; असली ख़तरा वह है जो ग़ायब होने के बावजूद मौजूद दिखता है। आठ आयाम, बीस टेबल, कॉन्फिडेंस टैग — ऐसा दस्तावेज़ पढ़ने में अधिकारिक लगता है और सामग्री से पूरी तरह ख़ाली हो सकता है। बाईस हज़ार ख़ाली सीटें, और होम एडवांटेज चुपचाप शून्य पर राउंडेड — मुझे यही तस्वीर दिखती है। ख़ाली स्टेडियम में माहौल एक वेरिएबल था, किरदार नहीं; और जब वह हटा, तो सच यह निकला कि जो बचा था वह लॉजिस्टिक्स था — टॉस, ओस, स्क्वायर बाउंड्री। इस फ़ाइल में भी, संरचना हटाइए तो जो बचता है वह एक ख़ाली स्क्रीन है।

मेरे सार्वजनिक एरर-लॉग में दो प्रविष्टियाँ इस तर्क को सहारा देती हैं। 21 मई 2026, हैदराबाद का IPL फ़ाइनल: एक ओवर बाक़ी रहते मेरे पहले-पारी मॉडल ने राइज़िंग पुणे सुपरजायंट को 62 प्रतिशत जीत दिया; मुंबई इंडियंस ने 129 बचाया और एक रन से जीता। अगले छह हफ़्ते मैंने अकेले डेथ-ओवर मॉड्यूल दोबारा बनाया। 27 जून 2026, कज़ान: मॉडल ने जर्मनी को अगले दौर में पहुँचने का 91 प्रतिशत दिया; जर्मनी दक्षिण कोरिया से 0-2 हारकर बाहर हो गया, और टूर्नामेंट के 12 ओन-गोल ने टोटल्स मॉडल भी तोड़ दिया। उस वक़्त भी सबक़ एक ही था: ग़लत नंबर से ज़्यादा ख़तरनाक वह नंबर है जो ढाँचे की वजह से सही लगता है। शून्य भी एक नंबर है, और उसे भी उसी सख़्ती से पढ़ा जाना चाहिए।

समय-संवेदनशीलता का आकलन न होना अपने आप में सबूत है कि पाइपलाइन मेटाडेटा चरण तक पहुँची ही नहीं। यह क्रिकेट में महँगा पड़ता है, क्योंकि खेल दिनों में सड़ता है — चोट, सेलेक्शन, रैंकिंग, सब कुछ एक हफ़्ते में हिल जाता है। मेरा नियम सीधा है: तारीख़ निकालते वक़्त दर्ज करो, विश्लेषण करते वक़्त नहीं; और अगर प्रकाशन और अंतर्ग्रहण के बीच 72 घंटे से ज़्यादा का फ़ासला है, तो ताज़गी की रेटिंग अपने आप घट जानी चाहिए।

फ़ॉर्मेट टैग को अनिवार्य, ग़ैर-ख़ाली फ़ील्ड बनाइए — टेस्ट, ODI, T20। जिस आइटम में वह न हो, उसकी खिलाड़ी या टीम बेंचमार्किंग आगे बढ़े ही नहीं। यह एक छोटी प्रशासनिक शर्त है और यही सबसे ज़्यादा गंदगी रोकती है।

संदर्भ के लिए एक उद्योग-आंकड़ा, जिसे मैं निष्कर्ष नहीं, फ़्रेम मानकर चल रहा हूँ: भारतीय उपमहाद्वीप वैश्विक क्रिकेट के व्यावसायिक राजस्व का सत्तर प्रतिशत से ज़्यादा हिस्सा रखता है — यह व्यापक रूप से उद्धृत अनुमान है, किसी एक स्रोत का मापा हुआ आंकड़ा नहीं। ICC के राजस्व बँटवारे में BCCI का हिस्सा क़रीब 38–40 प्रतिशत बताया जाता है; यह भी पृष्ठभूमि है, इस लेख का तथ्य नहीं। इन दोनों का इस्तेमाल सिर्फ़ इतने के लिए: एशियाई क्रिकेट की कोई भी खबर अपने आप ब्रॉडकास्ट और फ़ैंटेसी के दायरे में आ जाती है, इसलिए इस श्रेणी में एक ख़ाली पाइपलाइन की क़ीमत किसी भी मैच-रिपोर्ट से कम नहीं। यह भी याद रखना ज़रूरी है कि एशिया की लीग-अर्थव्यवस्था दुनिया में सबसे ज़्यादा पूँजी-केंद्रित है; IPL का मालिकाना नेटवर्क SA20, ILT20 और MLC तक फैला है, इसलिए किसी भी लीग-दावे को क्रॉस-लीग ओनरशिप का असर हटाकर देखना चाहिए।

कमरे की राय पहले से तैयार मिलेगी: शून्य सूचना-बिंदु मतलब कोई खबर नहीं, फ़ाइल बंद करो, अगला आइटम उठाओ। यह राय ग़लत नहीं है — यह ज़ोर से बोली गई है। कमरा जो देख रहा है, वह सही देख रहा है: एक एशियाई क्रिकेट खबर हाथ से निकल गई। जो वह नहीं देख रहा, वह यह है कि यह खबर हर हफ़्ते कुछ आइटम्स के साथ निकल रही है, और किसी ने गिना नहीं, क्योंकि गिनने का काम उबाऊ है और खबर बनाने का काम चमकदार। 'कमरा ग़लत है' और 'कमरा ज़ोर से है' — इन दोनों में फ़र्क़ करना ज़रूरी है, और यहाँ कमरा बस ज़ोर से है।

दूसरी तरफ़ वह जाल है जिसमें मैं ख़ुद गिरता हूँ: ढाँचा भरने की मजबूरी। एक बार टेबल बन जाए, तो ख़ाली सेल देखना असह्य हो जाता है; और तब डेटा की जगह अनुमान बैठा दिया जाता है, और अनुमान को 'दिशात्मक' कहकर बचा लिया जाता है। इस फ़ाइल में मैंने वह नहीं किया, और इसीलिए यह फ़ाइल बेकार लगती है — जो इस वक़्त इसका सबसे ईमानदार गुण है। मैं किस्मत के लिए एक कॉलम रखता हूँ। यह फ़ाइल का सबसे ईमानदार कॉलम है, और आज उस कॉलम में 'अज्ञात' लिखा है।

आगे का काम तीन चीज़ों पर टिका है। सूचना-बिंदु की संख्या शून्य हो तो Stage-2 शुरू ही न हो — हार्ड ब्लॉक, अगले बैच से पहले। पुनर्विश्लेषण तभी, जब टीम, खिलाड़ी, फ़ॉर्मेट और तारीख़ — ये चारों मिलें। और null-rate को सोर्स-टाइप के हिसाब से अलग-अलग गिना जाए; अगर HTML में यह दर पाँच प्रतिशत है और वीडियो में तीस, तो समस्या सामग्री की नहीं, पार्सर की है।

मठवासी बाज़ार से बहस नहीं करता। वह रिग्रेशन दोबारा चलाता है। सवाल यह नहीं कि उस खबर में क्या था। सवाल यह है कि अगली बार जब स्क्रीन ख़ाली हो, उसे पकड़ेगा कौन?