ক্রিকেট ডেটা পাইপলাইনে প্রথম ধাপের খালি ফলাফল: গভীর বিশ্লেষণ কেন শুরুই করা যায়নি

একটি ক্রিকেট-সংক্রান্ত ডেটা বিশ্লেষণ প্রবাহের প্রথম ধাপের (Stage-1) ফলাফল পর্যালোচনা করে দেখা গেছে, ওই প্রতিবেদনে বিশ্লেষণের জন্য ব্যবহারযোগ্য কোনো উপাদানই নেই। ডোমেইন লেবেল হিসেবে শুধু 'cricket_world' উল্লেখ আছে; তার বাইরে শিরোনাম, সূত্র, প্রতিবেদনের ধরন, মূল দৃষ্টিভঙ্গি, তথ্যবিন্দু, সংশ্লিষ্ট সত্তা—সবই খালি অথবা 'প্রযোজ্য নয়' হিসেবে চিহ্নিত। ফলে ওই ফলাফলকে ভিত্তি করে কোনো গভীর বিশ্লেষণ তৈরি করা সম্ভব নয়, এবং জোর করে তৈরি করলে তা মূল প্রতিবেদনের সঙ্গে সম্পর্কহীন সাধারণ লেখায় পরিণত হবে। প্রতিবেদনটিতে যে সমস্যাটি উঠে এসেছে, তা আসলে ক্রিকেট বিষয়ক কোনো ঘটনার বিবরণ নয়; এটি একটি বিষয়বস্তু-নিষ্কাশন (কনটেন্ট এক্সট্রাকশন) ব্যবস্থার ব্যর্থতার বিবরণ। একটি ক্রীড়া সংবাদমাধ্যম যদি স্বয়ংক্রিয়ভাবে বিভিন্ন সূত্র থেকে ক্রিকেট সংবাদ সংগ্রহ করে বিশ্লেষণ তৈরি করতে চায়, তাহলে এই ধরনের ব্যর্থতা সরাসরি তার উৎপাদন শৃঙ্খলকে থামিয়ে দেয়। তাই ঘটনাটিকে ক্রীড়া-সাংবাদিকতার অবকাঠামো সংকট হিসেবেই দেখা উচিত। প্রথমেই যা স্পষ্ট হওয়া দরকার: সমস্যাটি 'নিম্নমানের বিশ্লেষণ' নয়, বরং 'শূন্য ইনপুট'। দুটির মধ্যে ব্যবধান বিরাট। নিম্নমানের বিশ্লেষণ সংশোধনযোগ্য; শূন্য ইনপুট মানে বিশ্লেষণের কোনো কাঁচামালই নেই। প্রতিবেদনে ব্যবহৃত সারণি অনুযায়ী পরিস্থিতি এই রকম: প্রতিবেদনের শিরোনাম, সূত্র ও ধরন—তিনটিই অনুপস্থিত, ফলে এটি সংবাদ, মন্তব্য, ম্যাচ রিপোর্ট নাকি পরিসংখ্যান—তা নির্ধারণ করা যায় না, এবং সেই কারণেই কোন বিশ্লেষণী কাঠামো ব্যবহার করা হবে তা ঠিক করা অসম্ভব। মূল দৃষ্টিভঙ্গি অর্থাৎ এক বাক্যে সারসংক্ষেপ, লেখকের অবস্থান ও লেখার উদ্দেশ্য—সবই খালি। তথ্যবিন্দুর তালিকায় কোনো নেই, তাই কোনো তথ্য, পরিসংখ্যান বা উদ্ধৃতি যাচাই করা যায় না। সংশ্লিষ্ট সত্তা চিহ্নিত করার নির্দেশ দেওয়া হয়েছে 'উপরের তথ্যবিন্দু থেকে', অথচ উপরে কোনো তথ্যবিন্দু নেই—ফলে নির্দেশটি কার্যকর হয় না। সময়-সংবেদনশীলতা মূল্যায়ন হয়নি, আর সূত্রের মান নির্ভর করছে তথ্যবিন্দুর 'source' ক্ষেত্রের ওপর, যে ক্ষেত্রটির অস্তিত্বই নেই। এর মানে দাঁড়ায়, বিশ্লেষণের প্রতিটি স্তম্ভ একই সঙ্গে ভেঙে পড়েছে। শিরোনাম না থাকলে বিষয়বস্তুর সীমানা নেই; সূত্র না থাকলে নির্ভরযোগ্যতা নেই; তথ্যবিন্দু না থাকলে যাচাই নেই; সত্তা না থাকলে খেলোয়াড় ও দলের সম্পর্কচিত্র নেই; সময়-সংবেদনশীলতা না থাকলে সংবাদটি পুরোনো নাকি নতুন তা বোঝার উপায় নেই। এই পরিস্থিতিতে যদি কেউ 'ক্রিকেট' শব্দটি ধরে সাধারণ আলোচনা লিখে দেয়—যেমন সিরিজের গুরুত্ব, দল নির্বাচনের কৌশল, ব্যাটিং-বোলিং ভারসাম্য—তাহলে সেটি দেখতে বিশ্লেষণের মতো লাগবে, কিন্তু মূল উপাদানের সঙ্গে তার কোনো সম্পর্ক থাকবে না। সাংবাদিকতায় এটিকে সবচেয়ে বড় অপরাধগুলোর একটি ধরা হয়: অনুমানকে তথ্যের মর্যাদা দেওয়া। তাই এই প্রতিবেদনের লেখক স্পষ্টভাবে গভীর বিশ্লেষণ তৈরি করতে অস্বীকৃতি জানিয়েছেন। এখন প্রশ্ন হলো, কেন এমন হলো। প্রতিবেদনে চারটি সম্ভাব্য কারণ চিহ্নিত করা হয়েছে, এবং সেগুলো একে অপরের সঙ্গে সম্পর্কিত। প্রথম কারণ, উৎস থেকে সংগৃহীত বিষয়বস্তু ফাঁকা ফিরে আসা। ওয়েবসাইটের অ্যান্টি-স্ক্র্যাপিং ব্যবস্থা ৪০৩ পৃষ্ঠা ফেরত দিতে পারে, পেওয়াল লেখাটি মাঝপথে কেটে দিতে পারে, একক-পৃষ্ঠা অ্যাপ্লিকেশন (এসপিএ) হয়তো রেন্ডারই হয়নি, কিংবা মূল লেখাটি জাভাস্ক্রিপ্টের ভেতরে লুকানো থাকতে পারে। যেসব ক্রীড়া সাইট ভারী জাভাস্ক্রিপ্ট ব্যবহার করে, সেখানে সরল এইচটিটিপি অনুরোধে প্রায়ই মূল লেখা আসে না—শুধু কাঠামো আসে। দ্বিতীয় কারণ, মূল লেখার অবস্থান নির্ণয়ের নিয়ম মেলেনি। নিষ্কাশক যে সিএসএস বা এক্সপাথ সিলেক্টর ব্যবহার করে, তা ওই সাইটের ডকুমেন্ট কাঠামোর সঙ্গে মেলে না। সাইট যদি নিজের ডিজাইন বদলায়, ক্লাসের নাম পরিবর্তন করে, বা লেখাকে ভিন্ন কোনো পাত্রে ঢুকিয়ে দেয়, তাহলে পুরোনো সিলেক্টর ফাঁকা নোড ধরে ফেলে। ফলাফল—ব্যর্থতা নয়, বরং 'সফলভাবে শূন্য'। এটাই সবচেয়ে ধোঁকাবাজ ব্যর্থতা, কারণ ব্যবস্থা কোনো ত্রুটি বার্তা দেয় না। তৃতীয় কারণ, প্রথম ধাপের নির্দেশনা বা স্কিমার সঙ্গে মডেলের আউটপুটের অসঙ্গতি। মডেল হয়তো কিছু লিখেছে, কিন্তু প্রত্যাশিত কাঠামোয় নয়; পার্সার তা পড়তে পারেনি এবং নীরবে সেটিকে খালি তালিকায় নামিয়ে এনেছে। এই 'নীরব অবনমন' (সাইলেন্ট ডিগ্রেডেশন) ডেটা প্রবাহে সবচেয়ে বিপজ্জনক, কারণ ত্রুটি লগে ওঠে না—শুধু ফলাফল হঠাৎ ফাঁকা হয়ে যায়। চতুর্থ কারণ, ইনপুট দৈর্ঘ্য সীমা ছাড়িয়ে যাওয়া। দীর্ঘ লেখা কেটে দেওয়া হলে তা শূন্য বা অত্যন্ত ছোট অংশে পরিণত হতে পারে। ক্রিকেটে ম্যাচ-পরবর্তী বিশ্লেষণ বা লম্বা সাক্ষাৎকার প্রায়ই বহু হাজার শব্দের হয়; এই ধরনের লেখা দৈর্ঘ্য সীমায় আটকে গেলে নিষ্কাশন প্রক্রিয়া কার্যত কিছুই পায় না। প্রতিবেদনে যাচাইয়ের একটি নির্দিষ্ট ক্রমও প্রস্তাব করা হয়েছে, এবং সেটি যুক্তিসঙ্গত। প্রথমে দেখতে হবে উৎস থেকে সংগৃহীত কাঁচা লেখার দৈর্ঘ্য কত এবং তার প্রথম দুইশত অক্ষরে কী আছে। যদি কাঁচা লেখাই ফাঁকা হয়, তাহলে বাকি সব পরীক্ষা অর্থহীন—সমস্যা প্রথম ধাপে। যদি কাঁচা লেখা ঠিক থাকে, তাহলে দ্বিতীয় ধাপে দেখতে হবে প্রথম স্তরের কাঁচা প্রতিক্রিয়া (raw response) কী এসেছিল। তৃতীয় ধাপে দেখতে হবে পার্স করার পর কাঠামোটি ঠিকঠাক তৈরি হয়েছে কি না। প্রতিবেদন অনুযায়ী, বেশিরভাগ ক্ষেত্রেই সমস্যা প্রথম বা তৃতীয় ধাপে। এই ক্রমটি মেনে চলার সুবিধা হলো—এটি অনুমানভিত্তিক মেরামত এড়ায় এবং প্রতিটি স্তরে যাচাইযোগ্য প্রমাণ দেয়। লেখক সামনে তিনটি পথ রেখেছেন। প্রথম পথ, মূল লেখাটি অথবা প্রথম ধাপের কাঁচা প্রতিক্রিয়া সরবরাহ করা—তাহলে গভীর বিশ্লেষণ করা যাবে এবং একই সঙ্গে প্রথম ধাপ কী বাদ দিয়েছে তা খতিয়ে দেখা যাবে। এটি সুপারিশকৃত পথ, কারণ এতে বিশ্লেষণ ও ব্যবস্থা-পর্যালোচনা একসঙ্গে হয়। দ্বিতীয় পথ, সংগ্রহের প্রক্রিয়া বা নিষ্কাশনের নিয়ম ঠিক করে প্রথম ধাপ আবার চালানো, তারপর দ্বিতীয় ধাপে যাওয়া। তৃতীয় পথ, মূল লেখা না পাওয়া গেলে শুধু ক্রিকেট বিষয়ক সাধারণ বিশ্লেষণ-মাত্রার একটি তালিকা দেওয়া—যেমন প্রতিযোগিতার ধরন ও স্তর, পরিসংখ্যানের সংজ্ঞা ও নমুনার আকার, খেলোয়াড় ও দলের সত্তা-সম্পর্ক, সূচির সময়-সংবেদনশীলতা। কিন্তু লেখক নিজেই স্পষ্ট করেছেন, এটি কেবল একটি ছাঁচ, এই প্রতিবেদনের বিশ্লেষণ নয়, এবং এর মূল্য সীমিত। ক্রীড়া সংবাদ উৎপাদনের দৃষ্টিকোণ থেকে এই ব্যর্থতার গুরুত্ব কম নয়। আধুনিক ক্রীড়া প্রতিবেদন ডেটার ওপর নির্ভর করে—রান-রেট, স্ট্রাইক-রেট, অর্থোডক্স পরিসংখ্যান, ম্যাচআপ ইতিহাস, ফর্মের ধারা। এই সবকিছুর ভিত্তি হলো যাচাইযোগ্য তথ্যবিন্দু। তথ্যবিন্দু না থাকলে বিশ্লেষণ দাঁড়ায় না; আর বিশ্লেষণ দাঁড়ালে সাংবাদিকতা হয়ে যায় মন্তব্য। এছাড়া সময়-সংবেদনশীলতা না মাপলে পুরোনো ম্যাচের পরিসংখ্যান নতুন সিরিজের প্রাক্কলন হিসেবে চালিয়ে দেওয়ার ঝুঁকি তৈরি হয়—যা ক্রীড়া সাংবাদিকতায় বহুল প্রচলিত ভুল। আরেকটি দিক হলো সূত্রের মান। প্রতিবেদনে উল্লেখ আছে, সূত্রের মান নির্ভর করে তথ্যবিন্দুর source ক্ষেত্রের ওপর। অর্থাৎ প্রতিটি তথ্যের পাশে তার উৎস লিখে রাখার নিয়মটি এখানে মৌলিক। ক্রিকেটে পরিসংখ্যান সংক্রান্ত অসঙ্গতি প্রায়ই ঘটে ভিন্ন ভিন্ন সূত্রের ভিন্ন সংজ্ঞা থেকে—যেমন কোন বলকে 'ডট বল' ধরা হবে, কিংবা কোন ম্যাচকে 'প্রতিযোগিতামূলক' ধরা হবে। উৎস চিহ্নিত না থাকলে এই পার্থক্য ধরা পড়ে না এবং বিশ্লেষণ নিঃশব্দে ভুল হয়ে যায়। সব মিলিয়ে দেখা যায়, এই প্রতিবেদনটি আসলে একটি সতর্কবার্তা: বিশ্লেষণের আগে ইনপুটের অখণ্ডতা যাচাই করা অপরিহার্য। ফাঁকা ফলাফলকে 'দুর্বল বিশ্লেষণ' ভেবে এগিয়ে যাওয়া সবচেয়ে বড় ফাঁদ। সঠিক পদ্ধতি হলো থামা, কাঁচা উপাদান যাচাই করা, ত্রুটির স্তর চিহ্নিত করা, তারপর আবার চালানো। লেখক শেষে একটি ব্যবহারিক পরামর্শও দিয়েছেন—সংগ্রহ লগ থেকে content_length এবং এইচটিটিপি স্ট্যাটাস কোড দেওয়া হলে তিনি সম্ভবত প্রথম ধরনের সমস্যা কি না তা সরাসরি বলে দিতে পারবেন। এটি দেখায়, সমস্যা নির্ণয়ে অনুমানের বদলে পরিমাপযোগ্য সংকেত ব্যবহার করা উচিত। সংক্ষেপে, ঘটনাটি কোনো ম্যাচের ফলাফল নিয়ে নয়, বরং একটি বিশ্লেষণ প্রবাহ কেন শুরুই হতে পারেনি তা নিয়ে। শিরোনাম, সূত্র, তথ্যবিন্দু ও সত্তা—সব ফাঁকা থাকায় বিশ্লেষণ অসম্ভব। কারণ সম্ভবত সংগ্রহের ব্যর্থতা, সিলেক্টরের অমিল, স্কিমার অসঙ্গতি বা দৈর্ঘ্য-সীমা। সমাধান অনুমান নয়, ধাপে ধাপে যাচাই।