खाली शीट से क्रिकेट का विश्लेषण नहीं होता: डेटा पाइपलाइन की विफलता पर एक रिपोर्ट

क्रिकेट में एक पुरानी कहावत है — स्कोरकार्ड झूठ नहीं बोलता। लेकिन यह कहावत तभी काम करती है जब स्कोरकार्ड में कुछ लिखा हो। जिस Stage-1 आउटपुट पर मुझे काम करना था, वहाँ शीर्षक 'N/A' था, स्रोत 'N/A' था, लेख का प्रकार 'Unclassified' था, एक-वाक्य सारांश खाली था, सूचना-बिंदुओं की सूची खाली थी — और इकाइयों (Entities) के कॉलम में यह निर्देश लिखा था कि 'ऊपर के सूचना-बिंदुओं से पहचानें', जबकि ऊपर कोई सूचना-बिंदु ही मौजूद नहीं था। यह 'कम जानकारी' का मामला नहीं था; यह शून्य जानकारी का मामला था।

मेरे पास बीस साल का मैदान-किनारे बैठकर मैच देखने का अनुभव है, 2026 के आईपीएल फाइनल में मैंने बुमराह की डेथ-ओवर फील्ड मैपिंग को फ्रेम-दर-फ्रेम रिप्ले लॉग से जोड़कर लिखा था, और 2026 की नीलामी में मैंने चेन्नई की खरीद को 'स्टार नाम' नहीं बल्कि 'रोल-फिट खाता' मानकर पढ़ा था। उस अनुभव से एक बात साफ हो गई है: क्रिकेट का हर दावा किसी न किसी काग़ज़ पर टिका होता है — स्कोरकार्ड, एनआरआर तालिका, रिटेंशन सूची, ब्रॉडकास्ट शेड्यूल, या मैच के बाद का प्रेस कॉन्फ्रेंस ट्रांसक्रिप्ट। जब वह काग़ज़ ही खाली हो, तो विश्लेषण नहीं, केवल अनुमान बचता है। और अनुमान को विश्लेषण कहकर छापना मेरे पेशे की सबसे पुरानी गलती है।

इस आउटपुट में एक ही वैध संकेत था — Domain Label: cricket_asia। यह केवल इतना बताता है कि विषय-क्षेत्र एशियाई क्रिकेट है। एशियाई क्रिकेट कितना बड़ा क्षेत्र है, यह किसी को बताने की ज़रूरत नहीं — इसमें एशिया कप, द्विपक्षीय सीरीज़, आईपीएल, बांग्लादेश प्रीमियर लीग, लंका प्रीमियर लीग, और कई घरेलू टूर्नामेंट आते हैं। इस एक लेबल से यह तय करना कि लेख किस मैच, किस खिलाड़ी, किस चरण का है, ठीक वैसा ही है जैसे स्टेडियम का नाम जानकर स्कोर बताने की कोशिश करना।

यहाँ एक तकनीकी बात समझनी ज़रूरी है, और मैं इसे जानबूझकर सरल भाषा में कहूँगी क्योंकि बहुत से लोग जो 'इंप्रेसिव' दिखते हैं, उन्हें भी यह बुनियादी बात चाहिए होती है। आधुनिक स्पोर्ट्स न्यूज़ पाइपलाइन तीन चरणों में चलती है: पहले एक्सट्रैक्शन (वेब पेज से कच्चा पाठ निकालना), फिर स्ट्रक्चरिंग (उस पाठ से शीर्षक, स्रोत, तथ्य, इकाइयाँ अलग करना), और अंत में एनालिसिस। जो आउटपुट मेरे सामने है, वह तीसरे चरण की विफलता नहीं, दूसरे चरण की विफलता है। और दूसरा चरण अक्सर पहले चरण की गलती का नतीजा होता है। अगर शीर्षक और स्रोत दोनों नहीं पकड़े गए, तो इसकी सबसे संभावित वजहें हैं: पेज का एन्कोडिंग गड़बड़ होना, जावास्क्रिप्ट से रेंडर होने वाली सामग्री का पार्सर तक न पहुँचना, एंटी-स्क्रैपिंग ब्लॉक, या साइट के लेआउट बदलने से पुराने सिलेक्टर का टूट जाना। इन चारों में से कोई भी कारण हो, समाधान एक ही है — पाइपलाइन दोबारा चलाना, न कि खाली आउटपुट पर 'गहरा विश्लेषण' थोपना।

यहाँ एक विरोधाभासी कोण है जो मुझे ज़रूरी लगता है। जब किसी पाइपलाइन से खाली डेटा आता है, तो संस्थागत दबाव अक्सर यह होता है कि 'कुछ तो छापो' — डेडलाइन है, स्लॉट भरा हुआ है, और खाली स्लॉट भरने का सबसे आसान तरीका है सामान्य टिप्पणी। 'एशियाई क्रिकेट में प्रतिस्पर्धा बढ़ रही है', 'युवा खिलाड़ी उभर रहे हैं' — इस तरह के वाक्य कभी गलत साबित नहीं होते, और इसीलिए वे कभी उपयोगी भी नहीं होते। एक खाली स्क्रीन ईमानदारी से भरी रिपोर्ट से कम खतरनाक है, अगर उस रिपोर्ट का हर वाक्य बिना स्रोत के हो। मेरा निजी त्रुटि-लॉग इसी सिद्धांत पर चलता है — कोई भी दावा जो सत्यापन-लॉग के बिना छपा, उसे 24 घंटे के भीतर सुधारना पड़ता है। खाली इनपुट से भरा हुआ आर्टिकल लिखना उस लॉग में एक ऐसी प्रविष्टि जोड़ना होगा जिसे सुधारा नहीं जा सकता, क्योंकि सुधारने के लिए भी तो कोई तथ्य चाहिए।

इसलिए जो अगला कदम तर्कसंगत है, वह स्पष्ट है और उसे प्राथमिकता के क्रम में रखा जाना चाहिए। सबसे अच्छा विकल्प है मूल लेख का पूरा पाठ — उससे मैं एक्सट्रैक्शन और स्ट्रक्चरिंग दोनों चरण स्वयं कर सकती हूँ, और किसी अपस्ट्रीम परिणाम पर निर्भर नहीं रहना पड़ेगा। दूसरा विकल्प है पूरा किया गया Stage-1 आउटपुट, जिसमें कम से कम ये हों: लेख का शीर्षक, प्रकाशक मीडिया, प्रकाशन तिथि, लेख का स्वरूप (ब्रेकिंग न्यूज़ / मैच रिपोर्ट / कमेंट्री / साक्षात्कार / डेटा विश्लेषण), तीन से दस सूचना-बिंदु जिनमें से प्रत्येक के साथ मूल पाठ का अंश हो, और संबंधित इकाइयाँ — टीमें, खिलाड़ी, टूर्नामेंट, संस्थाएँ, राष्ट्रीय बोर्ड। तीसरा विकल्प यह बताना है कि अपस्ट्रीम एक्सट्रैक्शन किस बिंदु पर विफल हुआ — क्या पेज खुला ही नहीं, क्या पाठ खाली आया, क्या सिलेक्टर बदल गए। अगर पाइपलाइन स्वचालित है, तो Stage-1 दोबारा चलाना, खाली आउटपुट पर ज़ोर-ज़बरदस्ती विश्लेषण करने से हमेशा बेहतर परिणाम देगा।

जब सामग्री मिल जाएगी, तो मेरा काम स्पष्ट होगा। मैं तथ्यों की परत बनाऊँगी — कौन-सा कथन सत्यापन-योग्य है और कौन-सा राय या अनुमान, और हर तथ्य के साथ उसका स्रोत। मैं समय-संवेदनशीलता तय करूँगी — लेख मैच से पहले, मैच के दौरान, या मैच के बाद का है, और क्या उसमें ऐसी कोई बात है जो अगले दिन पुरानी पड़ जाएगी, जैसे Playing XI, रैंकिंग या अंक तालिका। मैं लेखक की स्थिति और मंशा पढ़ूँगी — मीडिया की प्रकृति किसी खबर के ढाँचे को कैसे बदलती है, और उद्धरण किसने दिया, किसे उद्धृत नहीं किया गया। मैं स्रोत की गुणवत्ता छाँटूँगी — प्राथमिक स्रोत जैसे बोर्ड की विज्ञप्ति और आधिकारिक साक्षात्कार, बनाम द्वितीयक स्रोत जैसे समाचार एजेंसी की कॉपी, बनाम बिना स्रोत वाला पुनर्कथन। और अंत में मैं अंतरालों की सूची बनाऊँगी — वे चर जो लेख में नहीं हैं पर फैसले को प्रभावित करते हैं, जैसे पिच की स्थिति, मौसम, यात्रा कार्यक्रम, या चोट की स्थिति।

टूर्नामेंट चक्र में एक और बात याद रखनी चाहिए। बड़े टूर्नामेंट के दौरान भावना संकुचित होती है — झंडा और कहानी पाठक को बहा ले जाते हैं, और ऐसे समय में विश्लेषक का काम यह है कि वह मैदान पर जो हो रहा है उसी को पकड़े रहे, कथा को नहीं। लेकिन मैदान पर जो हो रहा है, उसे पकड़ने के लिए भी एक ठोस इनपुट चाहिए। खाली आउटपुट के साथ मैं यह भी नहीं बता सकती कि कौन-सा मैदान, कौन-सा ओवर, कौन-सा खिलाड़ी। और जो विश्लेषक यह नहीं बता सकता, उसे चुप रहना चाहिए — क्योंकि क्रिकेट में चुप्पी भी एक दस्तावेज़ है।

अगली बार जब कोई पाइपलाइन खाली आउटपुट लौटाए, तो उसे लेखक की समस्या मत समझिए; उसे सिस्टम की समस्या समझिए। क्योंकि रिकॉर्ड में जो दर्ज नहीं हुआ, वह मैच में घटा ही नहीं — लेकिन रिकॉर्ड तभी पूरा होता है जब पहले किसी ने स्कोरकार्ड ठीक से भरा हो। सवाल यह है कि हम खाली शीट को भरने की जल्दबाज़ी करेंगे, या पहले यह पक्का करेंगे कि पेन काम कर रहा है।