খালি ডেটাসেটের সততা: ক্রিকেট বিশ্লেষণে 'তথ্য নেই' কেন সবচেয়ে দামি উত্তর

যে ম্যাচের কোনো স্কোরকার্ড নেই

চট্টগ্রামের ডেস্কে রাত তখন এগারোটা। স্ক্রিনে আটটি ডাইমেনশন, আটটি কলাম, প্রতিটির জন্য আলাদা ঘর বরাদ্দ করা একটি বিশ্লেষণী কাঠামো। পাইপলাইন সবুজ সংকেত দিল — কাজ সম্পন্ন। কিন্তু ঘরগুলোর ভেতরে ক্রিকেটের কোনো তথ্য নেই। ম্যাচের ফরম্যাট লেখা 'তথ্য অপর্যাপ্ত, মূল্যায়ন সম্ভব নয়'। ভেন্যু নেই, ইনিংসের কাঠামো নেই, পাওয়ারপ্লের রান রেট নেই, কোনো বোলারের ইকোনমি নেই, কোনো দলের র‍্যাঙ্কিং নেই, কোনো সম্প্রচার চুক্তির অঙ্ক নেই। আটটি বিশ্লেষণী স্তম্ভ দাঁড়িয়ে আছে, আর তাদের প্রতিটির নিচে শূন্য।

এমন রিপোর্ট প্রথম দেখলে হাত চুলকায়। মস্তিষ্ক নিজে থেকেই ফাঁকা ঘর ভরতে শুরু করে — ধরে নেয় এটা নিশ্চয় টি-টোয়েন্টি, নিশ্চয় ওপেনার ডানহাতি, নিশ্চয় ডেথ ওভারে ইকোনমি নয়ের উপরে। আমার এগারো বছরের ম্যাচ দেখার অভিজ্ঞতা বলে, এই চুলকানিটাই ক্রিকেট বিশ্লেষণের সবচেয়ে বড় ফাঁদ। কারণ ভরা ঘর যাচাইযোগ্য, আর ভরে দেওয়া ঘর অযাচাইযোগ্য।

বিশ্লেষণ মানে এখন একটি পাইপলাইন, একটি কলাম নয়

ক্রিকেট বিশ্লেষণ আজ আর সাংবাদিকের নোটবুক নির্ভর কাজ নয়। এটি দুই স্তরের কারখানা। প্রথম স্তর ডিকনস্ট্রাকশন — মূল লেখা বা সম্প্রচার থেকে পরমাণু-তথ্য (atomic information points) ছেঁয়ে বের করা: কে খেলেছে, কত রান, কোন ওভারে, কোন ভেন্যুতে, কোন তারিখে। দ্বিতীয় স্তর সেই পরমাণুগুলোকে আটটি মাত্রায় বসিয়ে অর্থ তৈরি করা — ফরম্যাট ও ম্যাচ বিশ্লেষণ, খেলোয়াড়ের টেকনিক ও ডেটা, দলের ল্যান্ডস্কেপ ও র‍্যাঙ্কিং, লিগ ও বাণিজ্যিক ইকোসিস্টেম, নিয়ম ও গভর্ন্যান্স, ঝুঁকির ম্যাট্রিক্স, জন-আখ্যান ও প্রত্যাশার ফারাক, এবং শিল্প-সঞ্চালন।

এই কারখানার ইতিহাস আমার নিজের কাছেই আছে। ২০১৭ সালের আগস্টে, আঠারো বছর বয়সে চট্টগ্রাম থেকে 'Chattogram xG' ব্লগ শুরু করি। চেলসির মাঠে বার্নলির ৩-২ জয়ের ম্যাচে চেলসির xG ছিল ২.৩, বার্নলির ০.৯ — তবু স্কোরবোর্ড বলল অন্য কথা। ব্লগের হেডারে আমি লিখে রেখেছিলাম, 'The xG map said 2.7, but Burnley'। মেসেজটা স্পষ্ট ছিল: xG চেলসির ডিফেন্সিভ ধস দেখিয়েছে, বার্নলির ভাগ্য নয়। সেই পোস্টে ৫০০ ভিউ আর ১২টি কমেন্ট এল, আর আমি একটি টেমপ্লেট দাঁড় করালাম — প্রতি ম্যাচে xG, শট অন টার্গেট, PPDA।

— Root: Chattogram xG blog after Burnley

২০১৮ সালের রাশিয়া বিশ্বকাপে ফ্রান্স-আর্জেন্টিনা ৪-৩ ম্যাচে ফ্রান্সের xG ছিল ২.১, আর্জেন্টিনার ১.৯, কিন্তু ফ্রান্সের চার গোল এসেছিল ছয়টি শট অন টার্গেট থেকে। ১,২০০ শব্দের সেই কলামে আমি দেখিয়েছিলাম, এমবাপ্পের ওপেন-প্লে xG ১.২ আর্জেন্টিনার হাই লাইন ভেঙে দিয়েছে। সম্পাদক ৩,০০০ টাকা দিলেন, আর আমি সব নকআউট ম্যাচের xG হিসাব করার স্প্রেডশিট বানালাম।

— Root: Experience 2 and xG dissection for first paid column

২০২০ সালের মে মাসে ফাঁকা স্টেডিয়ামে বুন্দেসলিগা ফিরল। বায়ার্ন মিউনিখ ৫-০ জিতল শালকের বিরুদ্ধে। আমি দূরত্ব মাপলাম — বায়ার্ন ১১৮.৬ কিলোমিটার, শালকে ১১২.৩ কিলোমিটার; PPDA বায়ার্ন ৬.২, শালকে ১৪.৮। ফাঁকা স্টেডিয়াম হোম অ্যাডভান্টেজ প্রায় ০.৩ xG কমিয়ে দেয় বলে লিখলাম। পাঁচটি লিগের জন্য একটি ড্যাশবোর্ড বানালাম, আর দূরত্ব-কভারেজকে ক্রস-লিগ তুলনার মাপকাঠি বানালাম।

— Root: Experience 3 and empty-stadium metric work

আটটি মাত্রা, একটি পরমাণু-স্তর

পাইপলাইনের যুক্তিটা সরল। আটটি মাত্রার প্রতিটিই একটি প্রশ্ন, আর প্রতিটি প্রশ্নের উত্তর দিতে নির্দিষ্ট ইনপুট লাগে। ফরম্যাট মাত্রার জন্য দরকার — টেস্ট, ওয়ানডে, টি-টোয়েন্টি, নাকি দ্য হান্ড্রেড; ভেন্যু, পিচের চরিত্র, শিশির বা ডিএলএসের প্রভাব। খেলোয়াড় মাত্রার জন্য দরকার নাম, ভূমিকা, অ্যাভারেজ, স্ট্রাইক রেট বা ইকোনমি, সিচুয়েশনাল স্প্লিট, সাম্প্রতিক ট্রেন্ড এবং বয়স-বক্ররেখার অবস্থান। দল মাত্রার জন্য দরকার আইসিসি র‍্যাঙ্কিং, হোম-অ্যাওয়ে প্রোফাইল, ব্যাটিং গভীরতা, বোলিং কম্বিনেশন, বেঞ্চের গভীরতা। লিগ মাত্রার জন্য দরকার সম্প্রচার-স্বত্বের মূল্য, ফ্র্যাঞ্চাইজি ভ্যালুয়েশন, নিলামের দাম, রিটেনশন ও RTM সিদ্ধান্ত। গভর্ন্যান্স মাত্রার জন্য দরকার নিয়ম-বিতর্ক, যোগ্যতা, অখণ্ডতা, রাজনৈতিক চাপ। ঝুঁকি মাত্রার জন্য দরকার ইনজুরি ইতিহাস, সূচির চাপ, ফরম্যাট-পারাপারের ফর্ম স্থানান্তর। জন-আখ্যান মাত্রার জন্য দরকার বাজারের প্রত্যাশা, ফ্রেঞ্জি বা প্যানিকের সংকেত, আর ফান্ডামেন্টালের সঙ্গে সেই সংকেতের ফারাক।

খালি ইনপুট কোনো বিশ্লেষণী ব্যর্থতা নয়, এটি একটি প্রক্রিয়া-নিয়ন্ত্রণ সংকেত। কারণ আটটি মাত্রাই নির্ভর করে তার নিচের পরমাণু-স্তরের উপরে। পরমাণু-তথ্যের তালিকা শূন্য হলে আটটি মাত্রা গণিতের নিয়মেই শূন্য — এটি মতামত নয়, এটি কাঠামোর বাধ্যবাধকতা।

আসল সূক্ষ্মতা এখানেই। 'তথ্য নেই' তিন ধরনের হতে পারে। প্রথমত, যা এখনো জানা যায়নি কিন্তু জানা সম্ভব — যেমন আগামী কালকের নিলামের চূড়ান্ত দাম। দ্বিতীয়ত, যা প্রযোজ্য নয় — যেমন একটি টেস্ট ম্যাচে ডেথ-ওভার ইকোনমি। তৃতীয়ত, যা সরবরাহ করা হয়নি — অর্থাৎ উপরের স্তরেই ফিল্টার হয়ে গেছে। এই তিনটিকে এক করে ফেললে বিশ্লেষণ দেউলিয়া হয়ে যায়, কারণ একটির জন্য অপেক্ষা করতে হয়, অন্যটি বাদ দিতে হয়, তৃতীয়টির জন্য পাইপলাইন থামাতে হয়।

শিল্প-সঞ্চালনের মানচিত্রও একই যুক্তিতে দাঁড়ায় — উপরের ধাপে যুব উন্নয়ন ও প্রতিভা সরবরাহ, মাঝের ধাপে জাতীয় দল ও লিগ, নিচের ধাপে সম্প্রচার, বাণিজ্যিক অংশীদারিত্ব, ফ্যান্টাসি ও ডেরিভেটিভ বাজার। কোনো নির্দিষ্ট ঘটনা চিহ্নিত না হলে এই মানচিত্রের তিনটি স্তম্ভই ফাঁকা থাকে। একটি ক্রিকেট বোর্ডের কেন্দ্রীয় চুক্তির অঙ্ক জানা না থাকলে বেতন-কাঠামোর প্রবণতা বলা অসম্ভব; আর চুক্তির অঙ্ক না জেনে 'তারকা খেলোয়াড়রা লিগ ছেড়ে দিচ্ছেন' — এমন সিদ্ধান্তে পৌঁছানো বিশ্লেষণ নয়, অনুমান।

এখানেই ডেটা-প্রকোভেন্যান্স বা উৎস-শৃঙ্খলের প্রশ্ন আসে। ডিস্ট্রিবিউটেড লেজার-প্র্যাকটিস থেকে ধার করা ধারণাটি সহজ: প্রতিটি দাবির সঙ্গে একটি পয়েন্টার থাকবে — কোন মূল নথি থেকে, কোন টাইমস্ট্যাম্পে, কোন সম্পাদনায় সেই তথ্য এসেছে। ইনপুট পেলোডের একটি হ্যাশ সংরক্ষণ করা হবে, আর প্রতিটি পরবর্তী স্তরকে সেই হ্যাশ রেফার করতে হবে। হ্যাশ যদি কোনো খালি পেলোডের দিকে দেখায়, তাহলে সিস্টেম নিজেই থেমে যাবে। এতে দুটি লাভ — দাবি আর তার উৎসের মধ্যে বিচ্ছেদ ঘটে না, এবং ভুল ধরা পড়লে সেটি কোথা থেকে এসেছে তা পিছনে অনুসরণ করা যায়। ক্রিকেটে ফ্যান্টাসি প্ল্যাটফর্ম, স্কাউটিং ডেটাবেস আর সম্প্রচার গ্রাফিক্স এই আউটপুটই খায়। ভিত্তিহীন একটি সংখ্যা একবার ঢুকে গেলে সেটি ছড়িয়ে পড়ে, এবং পরে সেটিকে খণ্ডন করতে যে শ্রম লাগে, তা সেই সংখ্যা তৈরি করতে লাগা শ্রমের বহুগুণ।

যে ব্যর্থতা অনুমান নয়, প্রকৌশল

এখন কন্ট্রার-ইনটিউটিভ অংশটি। খালি রিপোর্ট দেখে আমরা সাধারণত দুই ধরনের প্রতিক্রিয়া দিই — হয় বিশ্লেষকের সততার প্রশংসা করি, নয়তো ডিকনস্ট্রাকশন ধাপটিকে দোষ দিই। দুটিই আরামদায়ক, আর দুটিই লক্ষ্যভ্রষ্ট।

যে রিপোর্ট আটটি মাত্রায় 'তথ্য নেই' বলে, সেটি বিশ্লেষকের ব্যর্থতা নয়; যে পাইপলাইন সেই শূন্যতাকে এক ধাপ এগোতে দেয়, সেটিই প্রকৌশলী ত্রুটি। এখানে পারস্পরিক সম্পর্ক আর কারণকে গুলিয়ে ফেলার সুযোগ আছে। কেউ বলবেন, খালি পেলোডই দূষণের কারণ। তা নয়। কারণটি হলো দুই স্তরের মাঝখানে কোনো ভ্যালিডেশন গেট না থাকা। গেট থাকলে দ্বিতীয় স্তর কখনো শুরুই হতো না, এবং আটটি মাত্রায় 'তথ্য নেই' লেখা একটি রিপোর্ট কখনো তৈরি হতো না।

দ্বিতীয় অন্ধ বিন্দুটি সাংস্কৃতিক। বিশ্লেষণ-বাজার আউটপুটের আয়তন মাপে। সম্পাদক ১,২০০ শব্দের জন্য টাকা দেন, 'তথ্য নেই' লেখা তিন লাইনের জন্য নয়। এই প্রণোদনাই বিশ্লেষককে ফাঁকা ঘর প্যাড করতে ঠেলে দেয়। ২০১৮ সালের ফ্রান্স-আর্জেন্টিনা কলামটি লেখার সময় আমার সামনে ছয়টি শট অন টার্গেট আর ২.১ বনাম ১.৯ xG-এর মতো একটি সরু ব্যবধান ছিল। ছয়টি শট থেকে এমবাপ্পের একটি মহাকাব্য দাঁড় করানো সহজ ছিল; কঠিন ছিল স্পষ্টভাবে লেখা, 'এটি ছোট নমুনা'। আমি দ্বিতীয়টি করেছিলাম, কিন্তু স্বীকার করি, প্রলোভনটি বাস্তব।

২০২০ সালের বুন্দেসলিগা ফিরতি ম্যাচে ঠিক উল্টো সমস্যা হয়েছিল। একটি ম্যাচ, একটি ফাঁকা স্টেডিয়াম-জানালা — তার উপর ভিত্তি করে আমি দূরত্ব-কভারেজকে একটি মানক মাপকাঠি বানিয়ে ফেললাম। টেমপ্লেট-নির্মাতার স্বাভাবিক প্রবণতা হলো একটি ব্যতিক্রমকে নিয়মে রূপ দিয়ে ফেলা। এখানেই ব্যতিক্রম-লগ (exception log) রাখা জরুরি: কোন তথ্যটি আমার কাঠামোয় বসেনি? উত্তর — শিশির, বৃষ্টি, ডিএলএস-হ্রাস, উইকেটের ঘাসের স্তর, এবং রাতের ম্যাচে আলোর প্রভাব। এগুলোর কোনো একটিও মাপা না থাকলে দূরত্ব-তুলনা আধা-সত্য।

পেশাদার পরিভাষার ক্ষেত্রেও একই শৃঙ্খলা দরকার। বাক্সে রাখি, পরিষ্কার বাংলায় — xG মানে প্রত্যাশিত গোল-মডেলের ক্রিকেট-সংস্করণ, অর্থাৎ একটি শট বা ডেলিভারি থেকে ঐতিহাসিক হারে কত রান বা উইকেট প্রত্যাশিত; PPDA মানে প্রতিপক্ষের প্রতি পাসে কতটি ডিফেন্সিভ অ্যাকশন — চাপ কতটা তীব্র তার মাপকাঠি; DLS মানে বৃষ্টি-বিঘ্নিত ম্যাচে লক্ষ্য পুনর্নির্ধারণের গাণিতিক পদ্ধতি; WTC মানে বিশ্ব টেস্ট চ্যাম্পিয়নশিপের পয়েন্ট-কাঠামো; NOC মানে বোর্ডের অনাপত্তিপত্র, যা ছাড়া কোনো খেলোয়াড় বিদেশি লিগে যেতে পারেন না; RTM মানে নিলামে নিজের ছাড়া খেলোয়াড় ফেরানোর অধিকার। যে পাঠক সিলেক্টর বা ফ্যান্টাসি ম্যানেজার, তিনি সিদ্ধান্ত নেওয়ার আগে এই সংজ্ঞাগুলো জানা চান, আখ্যান নয়।

পরের রাউন্ডের সংকেত

— Root: ESTJ rigor and Data Monk discipline

পরের রাউন্ডে আমি তিনটি সংকেত দেখব। প্রথমত, ডিকনস্ট্রাকশন ধাপটি পুনরায় চালানো হলে পরমাণু-তথ্যের তালিকা কি সত্যিই ভরে? দ্বিতীয়ত, মূল নথিটি আদৌ আহরণ করা হয়েছিল কি না — সোর্স-ফিল্ড পূরণ হলেই বোঝা যাবে বিশ্লেষণটি সম্ভব। তৃতীয়ত, ডোমেইন-নিশ্চিতকরণ — অন্তত একটি ক্রিকেট-সত্তা (দল, খেলোয়াড়, লিগ বা ইভেন্ট) নাম ধরে আসছে কি না; না এলে ভুল শাখায় রিপোর্ট যাওয়ার আশঙ্কা থাকে।

তথ্যের উৎস-শৃঙ্খল ছাড়া যেকোনো সিদ্ধান্ত সেবা অন্ধ। ক্রিকেট পাইপলাইন যখন একটি সংখ্যা প্রকাশ করবে, তখন সে কি সংখ্যার পাশে তার প্রকোভেন্যান্স হ্যাশও প্রকাশ করবে? না পারলে একজন সিলেক্টর আর একজন ফ্যান্টাসি ম্যানেজার — দুজনেই একই অন্ধকারে অনুমান করছেন।

নিচে কিছু তথ্য থাকলেও বাকিটা ফাঁকা হলে কী হবে?

একটি উদাহরণ ভেবে দেখুন। ধরা যাক, একটি বিশ্লেষণী রিপোর্টে ম্যাচের ফরম্যাট, ভেন্যু আর ইনিংসের কাঠামো পাওয়া গেল, কিন্তু খেলোয়াড়-স্তরের কোনো ডেটা নেই। তখন প্রথম ও তৃতীয় মাত্রা আংশিকভাবে ভরবে, দ্বিতীয় মাত্রা সম্পূর্ণ ফাঁকা থাকবে। এ অবস্থায় দলীয় কৌশল নিয়ে লেখা সম্ভব, কিন্তু কারও টেকনিক বা ফর্ম নিয়ে একটি বাক্যও লেখা সম্ভব নয়। রিপোর্টে সেটি আলাদা করে চিহ্নিত করা দরকার — কোন সিদ্ধান্ত তথ্যের উপরে দাঁড়িয়ে আছে, আর কোন সিদ্ধান্ত কেবল কাঠামোর উপর। এই বিভাজন না করলে পাঠক আংশিক সত্যকে সম্পূর্ণ সত্য ভেবে নেন, আর সেটিই সবচেয়ে বিপজ্জনক দূষণ।

ছোট নমুনার সমস্যাটি অমীমাংসিত

আমি ব্লগে লিখেছিলাম, 'Sample size is a seatbelt. Wear it.' — তবে ব্লগের বাইরে এই সত্যটি আরও কঠিন। ছয়টি শট অন টার্গেট, একটি ফাঁকা স্টেডিয়ামের ম্যাচ, একটি ফিরতি টুর্নামেন্টের প্রথম রাউন্ড — এগুলো থেকে দীর্ঘমেয়াদি প্রবণতা বের করা যায় না, কেবল অনুমানের সীমা নির্ধারণ করা যায়। যে বিশ্লেষক তার নমুনার আকার স্পষ্ট লেখেন, তিনি আসলে তার নির্ভরযোগ্যতার সীমাও স্পষ্ট লিখে দেন। এবং ক্রিকেটে, বিশেষ করে টুর্নামেন্ট-চক্রে, সেই সীমারেখা জানাটাই একটি সিদ্ধান্ত-সেবার সবচেয়ে বড় মূল্য।

কেন এই শূন্যতা আসলে একটি অর্জন

একটি খালি ডেটাসেট আসলে এক ধরনের পরীক্ষা। সিস্টেম যদি সৎভাবে বলে 'আমি জানি না', তবে সেটি ভুল বলার চেয়ে অনেক ভালো। আজকের ক্রিকেট ইকোসিস্টেমে যেখানে প্রতিটি গ্রাফিক্স, প্রতিটি প্রেডিকশন-প্যানেল আর প্রতিটি নিলাম-মূল্যায়ন একটির উপর একটি সংখ্যা চাপিয়ে দেয়, সেখানে একটি আট-মাত্রিক রিপোর্ট যদি গোটা কাঠামো জুড়ে 'প্রমাণ নেই' লিখতে পারে, তবে সেটি কোনো লজ্জা নয় — এটি একটি প্রক্রিয়ার সাফল্য। শর্ত একটাই: পরের ধাপে যাওয়ার আগে সেই শূন্যতাকে একটি গেট হিসেবে স্বীকৃতি দিতে হবে।