खाली डेटासेट का सबक: क्रिकेट रिसर्च में 'नल रिजल्ट' को नजरअंदाज करना सबसे बड़ा खतरा है

2026 की बात है। लिवरपूल में सुबह तीन बजे का अलार्म बजता था, और मैं हैदराबाद से आ रहे आईपीएल फाइनल को देखने के लिए उठता था। मुंबई इंडियंस बनाम राइजिंग पुणे सुपरजायंट। दो हफ्तों तक मैंने हर गेंद रोकी और 1,140 डिलीवरी को नौ फील्ड ज़ोन में कोड किया। पुणे की कवर रिंग मुंबई से 2.3 मीटर गहरी बैठी थी; मुंबई की एक रन की जीत उन ग्यारह डॉट्स से आई जो स्ट्रेट मिड-ऑफ और स्वीपर को स्क्वायर शिफ्ट करके बनाए गए। मैंने चार्ट एक क्रिकेट ब्लॉग को भेजा, जिसने उसे "from a 16-year-old in England" कैप्शन के साथ छापा। उस रात मैंने लिखना बंद किया कि किसने कितने रन बनाए, और लिखना शुरू किया कि ग्यारह लोग कहाँ खड़े थे।

यह किस्सा मैं इसलिए सुना रहा हूँ क्योंकि पिछले कुछ दिनों से मेरे पास एक ऐसा एनालिसिस रिपोर्ट आया है जिसे मैं बार-बार खोल रहा हूँ। यह आठ-आयामी (eight-dimension) फ्रेमवर्क पर बनी एक स्टेज-2 डीप प्रोफेशनल रिपोर्ट है, जिसमें फॉर्मेट, मैच, प्लेयर, टीम, लीग, गवर्नेंस, रिस्क और पब्लिक नैरेटिव — सब कुछ एनालाइज किया जाना था। रिपोर्ट खुलती है, हेडिंग्स सही हैं, टेबल्स सुंदर हैं। लेकिन हर कोशिका में एक ही वाक्य लिखा है: N/A – insufficient information. स्टेज-1 डीकंस्ट्रक्शन का आउटपुट संरचनात्मक रूप से खाली था — न शीर्षक, न स्रोत, न एंटिटी, न कोई इनफॉर्मेशन पॉइंट।

मेरे काम की शुरुआत से ही मैं हर संख्या के साथ एक हर (denominator) माँगता आया हूँ। "34 of 60" लिखता हूँ, "टीमें चेज़ करना पसंद करती हैं" नहीं। 2026 में यूएई में बंद दरवाजों के बीच हुए आईपीएल के 60 मैचों के 7,200 गेंदों को लॉग करते समय मैंने पाया कि चेज़िंग टीमों ने 60 में से 34 जीते थे, और ओवर 16-20 का दूसरी पारी का रन रेट पहली पारी से सिर्फ 0.41 ऊपर गया था — जिसने उस "ओस सब तय कर देती है" वाली स्टूडियो पैनल लाइन को हवा में उड़ा दिया। डेटा की ईमानदारी मेरे लिए स्टाइल का मामला नहीं, मेथडोलॉजी का मामला है।

इसलिए जब मैंने वह N/A भरी रिपोर्ट देखी, तो मुझे पहली नज़र में लगा कि कोई एनालिस्ट आलसी था। लेकिन दूसरी नज़र में पता चला कि मामला उल्टा है। यह रिपोर्ट अपने आप में एक बेहतरीन एनालिसिस है — बस विषय क्रिकेट नहीं, डेटा पाइपलाइन है।

सबसे बड़ी बात यह है कि खाली स्टेज-1 आउटपुट कोई एरर नहीं फेंकता। यह एक अच्छी तरह फॉर्मेटेड डॉक्यूमेंट पैदा करता है जो सतही तौर पर एनालिसिस जैसा दिखता है। इसे डाउनस्ट्रीम कोई भी व्यक्ति पढ़कर यह समझ सकता है कि "एनालिसिस में कोई बड़ा खतरा नहीं मिला" — जबकि सच यह है कि डेटा ही नहीं था। "No risk found" और "no information" के बीच का यह अंतर पूरे क्रिकेट रिसर्च इकोसिस्टम में लगातार धुंधला किया जाता है।

रिपोर्ट खुद बताती है कि टाइटल, सोर्स और आर्टिकल टाइप — तीनों एक साथ N/A होना क्रिकेट-विशिष्ट एक्सट्रैक्शन से ऊपर की विफलता है। यानी सोर्स डॉक्यूमेंट शायद कभी सफलतापूर्वक रिट्रीव हुआ ही नहीं। डोमेन लेबल "cricket_world" आया, जो निर्धारित नियंत्रित शब्दावली "Cricket" नहीं है — यह संकेत है कि क्लासिफायर ने असली टेक्स्ट पढ़ने के बजाय एक जेनेरिक अनुमान लगाया। लेखक का रुख और समय-संवेदनशीलता, जो किसी भी गद्य लेख से आसानी से निकल आते हैं, दोनों गायब हैं। यह लगभग पक्का कर देता है कि पाइपलाइन ने कोई गद्य पाया ही नहीं।

यहाँ बात सिर्फ एक खराब पेज की नहीं है। जब एक ही एनालिसिस के सभी फील्ड — शीर्षक से लेकर एंटिटी तक — एक साथ खाली आते हैं, तो यह सिस्टमिक इंटीग्रेशन फेलियर की तरफ इशारा करता है। स्कोरकार्ड, वीडियो पेज, पेवॉल या कंसेंट-वॉल वाला HTML शेल — यही सबसे संभावित कारण हैं। और अगर सोर्स वाकई एक स्कोरकार्ड था, तो "कोर व्यूप्रॉइंट्स" निकालने की कोशिश ही गलत रणनीति थी; वहाँ स्ट्रक्चर्ड स्टैट एक्सट्रैक्शन की जरूरत थी।

अब वह हिस्सा जो शायद सबसे जरूरी है, और जिसे इस रिपोर्ट ने बखूबी उठाया है — दूसरे दर्जे का खतरा। असली डर खाली डेटा नहीं है, असली डर यह है कि आठ खानों वाला टेम्पलेट भरने का दबाव बनाता है। जिस पल एक डाउनस्ट्रीम एनालिस्ट या AI मॉडल सोचता है कि इन खाली जगहों को "भरना" है, वहीं फैब्रिकेशन शुरू हो जाता है। क्रिकेट में यह खतरा इसलिए खास है क्योंकि तीनों फॉर्मेट — टेस्ट, वनडे, टी20 — के मेट्रिक्स एक-दूसरे में ट्रांसफर नहीं होते। कोई गढ़ी हुई "स्ट्राइक रेट 150" वाली बात या कोई मनगढ़ंत नीलामी आंकड़ा आम पाठक कभी क्रॉस-चेक नहीं कर पाएगा, और वह महीनों तक फैन डिस्कोर्स में घूमता रहेगा। 2026 में अहमदाबाद के उस फाइनल में, 92,453 लोगों के पीछे प्रेस बॉक्स में बैठे हुए, मेरा मॉडल भारत को 68% मौका दे रहा था — ट्रैविस हेड ने 120 गेंदों में 137 बनाए और ऑस्ट्रेलिया ने छह विकेट से जीत लिया। मैंने मॉडल गलत साबित होने की बात मैच रिपोर्ट से पहले फाइल कर दी, क्योंकि मैं मानता हूँ कि सही होने से ज्यादा ईमानदार होना जरूरी है।

इस रिपोर्ट ने यही ईमानदारी दिखाई है। इसने खाली जगहों को नकली नैरेटिव से नहीं भरा। इसके बजाय इसने अपनी सबसे बड़ी खोज यह बनाई कि मूल सामग्री ही मौजूद नहीं थी, और इस विफलता को एक डेटा-क्वालिटी इंसिडेंट के रूप में दर्ज किया। इसकी सिफारिशें भी उसी दिशा में हैं: स्टेज-1 पर एक हार्ड वैलिडेशन गेट लगाओ जो शून्य इनफॉर्मेशन पॉइंट, खाली टाइटल या गैर-मानक डोमेन लेबल वाले रिजल्ट को रिजेक्ट कर दे। यानी प्रक्रिया में ही एक ऐसा तंत्र, जो "कोई निष्कर्ष नहीं" और "कोई जानकारी नहीं" के बीच की सीमा रेखा पर पहरा दे।

मैंने 2026 के मेगा ऑक्शन में भी यही सबक सीखा था। 590 शॉर्टलिस्टेड खिलाड़ियों में से 217 बिके। मैंने कीमतों का पीछा करने के बजाय दो सीजन के बॉल-बाय-बॉल डेटा से एक रोल-स्कार्सिटी इंडेक्स बनाया — 130 से ऊपर की स्ट्राइक रेट वाले 34 ओपनर, और सिर्फ 11 गेंदबाज जो ओवर 17-20 में नौ से कम इकॉनमी पर गेंदबाजी कर सकते थे। बाजार प्रतिभा के लिए कीमत नहीं चुका रहा था, वह कमी के लिए चुका रहा था। "बारगेन" और "ओवरप्राइस्ड" शब्द मैंने अपनी शब्दावली से हटा दिए, क्योंकि वे उस ढांचागत छेद को छिपाते हैं जिसे बोली भर रही थी। उसी तरह, इस रिपोर्ट की N/A भरी हर कोशिका एक ढांचागत छेद को उजागर करती है, हर उस एनालिस्टीकल नतीजे को जो हम खाली डेटा से निकालने की कोशिश करते हैं।

अगली बार जब कोई एनालिसिस रिपोर्ट सामने आए और उसमें हर जगह N/A लिखा हो, तो उसे पलटकर देखिए। उसे आलस न मानिए। वह शायद उस दिन का सबसे सच्चा दस्तावेज हो — एक साफ इनकार, जिसने अटकलबाजी को रोका। असली सवाल यह नहीं है कि रिपोर्ट कितनी भरी हुई है। असली सवाल यह है कि पाइपलाइन को भरोसा दिलाने के लिए हम कितनी जल्दी खाली डेटा से कहानियाँ बुनना शुरू कर देते हैं।