खाली कॉलम, भरा हुआ भरोसा: क्रिकेट एशिया की डेटा पाइपलाइन से जो लौटा, वह एक लेबल था

सात पंक्तियों की एक तालिका मेरे सामने खुली थी। छह में एन/ए, सातवीं में एक शब्द — खाली। जो एक पंक्ति कुछ कह रही थी, वह यह थी: डोमेन लेबल — क्रिकेट_एशिया। एक ऐसी प्रणाली, जिसे क्रिकेट का एक लेख पढ़कर उसके तथ्य निकालने थे, उसने एक पूरा महाद्वीप लौटाया और शून्य तथ्य। न शीर्षक, न स्रोत, न प्रकाशन तिथि, न सूचना-बिंदु, न इकाई, न समय-संवेदनशीलता, न स्रोत-गुणवत्ता का आकलन।

अगर आप क्रिकेट पर ग्यारह-बारह साल से लिख रहे हैं, तो इस तालिका की आदत आपको पहले से पता होगी। यह वही तालिका है जो हर घरेलू स्कोरशीट में छपी मिलती है: कॉलम के शीर्षक मौजूद, पंक्तियाँ खाली। मैंने ऐसी शीटें गिनी हैं। स्टेडियम खाली था। मैं नब्बे मिनट रुकी और गिनती करती रही। जो लौटा, वह मेरे नोटबुक में था, स्कोरबोर्ड पर नहीं।

यह रिपोर्ट उस लेख के बारे में नहीं है जो गुम हुआ — वह लेख मेरे पास कभी आया ही नहीं। यह रिपोर्ट उस पाइपलाइन के बारे में है जिसने उसे खोया, और उस आदत के बारे में जिसकी वजह से एक खाली तालिका भरी हुई रिपोर्ट जैसी दिखती है।

संदर्भ: स्टेज-1 से क्या माँगा गया था, और क्या मिला

स्टेज-1 का काम साहित्य नहीं, ढाँचा है। उसे गद्य को सूचना-बिंदुओं में तोड़ना होता है — हर बिंदु के साथ यह बताना होता है कि वह बिंदु स्रोत के किस फ़ील्ड से आया। इसके साथ शीर्षक, प्रकाशक, प्रकाशन तिथि, पहचानी गई इकाइयाँ, लेखक का रुख़ और लेख का उद्देश्य। यह एक साधारण नियम है जिस पर मेरा पूरा काम टिका है: स्टेज-2 की गुणवत्ता उस सूचना-बिंदु की बारीकी से बँधी होती है जो स्टेज-1 ने सौंपी। अगर स्टेज-1 ने एक लेबल सौंपा है, तो स्टेज-2 एक लेबल के ऊपर खड़ा महल बनाएगा — और वह महल गिरेगा।

जो मिला, वह यह था: शीर्षक — एन/ए। स्रोत — एन/ए। लेख का प्रकार — अवर्गीकृत। एक वाक्य का सारांश — खाली। लेखक का रुख़ — एन/ए। उद्देश्य — एन/ए। सूचना-बिंदु — एक भी सूचीबद्ध नहीं। इकाइयाँ — निर्देश मिला कि ऊपर के सूचना-बिंदुओं से पहचानें, जबकि ऊपर कोई बिंदु मौजूद ही नहीं। समय-संवेदनशीलता — आँकी नहीं गई। स्रोत-गुणवत्ता — आँकी नहीं जा सकती।

और फिर वह अंतिम अनुच्छेद, जिसने मेरा ध्यान सबसे ज़्यादा खींचा: अतिरिक्त टिप्पणियाँ। उसमें लिखा था — इकाइयाँ पहचानें, स्रोत-गुणवत्ता का आकलन करें। यह नतीजा नहीं, निर्देश है। जब किसी रिपोर्ट का अंतिम खंड परिणाम की जगह अनुदेश बोलने लगे, तो समझिए कि टेम्पलेट भरा ही नहीं गया। घरेलू क्रिकेट में मैंने यह सैकड़ों बार देखा है: विकेट कॉलम का शीर्षक छपा होता है, और उसके नीचे तेरह खाली दराज़ें। फ़ॉर्मैट पूरा है, सामग्री शून्य।

अब वह हिस्सा जो सचमुच ठोस था। एक पंक्ति: डोमेन लेबल — क्रिकेट_एशिया। इससे मुझे इतना पता चला कि विषय एशियाई संदर्भ में क्रिकेट है। बस इतना। मैं इससे कोई दृष्टिकोण, दावा, इकाई या साक्ष्य नहीं बना सकती, और बनाऊँगी नहीं।

मूल विश्लेषण: एक लेबल और एक तथ्य के बीच का फ़ासला

तीन परीक्षण हैं जो मैं हर सूचना-बिंदु पर लगाती हूँ। पहला — ट्रेसबिलिटी: यह बिंदु स्रोत के किस वाक्य से आया, और वह वाक्य किसने छापा। दूसरा — इकाई-समाधेयता: इसमें जिस खिलाड़ी, टीम, तारीख़ या आयोजन का नाम है, वह पूरे नाम के साथ मौजूद है या सर्वनाम में घुल गया है। तीसरा — समय-एंकर: घटना कब हुई, पूरी तारीख़ के साथ। क्रिकेट_एशिया तीनों में फ़ेल है। यह एक शेल्फ़ है, किताब नहीं। यह बताता है कि किताब किस अलमारी में रखी जाएगी, यह नहीं कि किताब में क्या लिखा है।

इस फ़ासले को मैं रोज़ देखती हूँ, क्योंकि एशिया दुनिया का सबसे ज़्यादा क्रिकेट खेलने वाला और सबसे कम दर्ज करने वाला इलाक़ा है। आईसीसी के सौ से अधिक सदस्य देश हैं, और उनमें से अधिकांश एशिया और अफ़्रीका में हैं। इनमें से ज़्यादातर एसोसिएट क्रिकेट की गेंद-दर-गेंद रिकॉर्ड सार्वजनिक रूप से कहीं दर्ज नहीं होती। महिलाओं का घरेलू टूर्नामेंट चले और स्कोरकार्ड सिर्फ़ राज्य संघ की वेबसाइट के एक पीडीएफ़ में हो — यह सामान्य है, अपवाद नहीं।

मेरे पास इसका एक निजी उदाहरण है। चौंसठ मैच, एक हॉस्टल का कमरा, और एक स्प्रेडशीट जिसे कोई कभी नहीं देखेगा। 2026 में, उन्नीस साल की उम्र में, मैंने बेंगलुरु के एक हॉस्टल कमरे से विश्व कप के चौंसठों मैच हाथ से कोड किए — 1,584 शॉट, हर एक पर xG, PPDA और तय की गई दूरी। बारह पन्नों की कोडबुक लिखी, दस प्रतिशत प्रविष्टियाँ दोबारा जाँचीं। मेरा पोस्टर रणनीति पर नहीं, कोडिंग की विश्वसनीयता पर था।

इसका एक ही कारण था: मुझे ब्लैक-बॉक्स इवेंट फ़ीड पर भरोसा नहीं था। जो डेटा मुझे खुद नहीं गिनना आता, उस पर मैं दावा नहीं करती। और यही नियम आज इस तालिका पर लगता है। क्रिकेट_एशिया ने मुझे बताया कि सामग्री किस बर्तन में है, यह नहीं कि बर्तन में क्या है। उस पर रिपोर्ट लिखने का मतलब होगा — बिना गिने आँकड़ा छापना। स्ट्राइक-रेट उद्धृत करने से पहले पूछिए कि गेंदें किसने बैठकर गिनीं।

दूसरा उदाहरण। 2026 में मैं उस अध्ययन में शामिल हुई जो उसी कोडबुक से निकला था। हमने आईपीएल के 60 मैच, जो 2026 में यूएई में खेले गए, की तुलना 2026 के 60 घरेलू-और-बाहर मैचों से की। तीन चीज़ें दर्ज कीं: घरेलू जीत की दर, चरण-वार स्कोरिंग, विकेट की प्रायिकता। घरेलू जीत की दर 55 प्रतिशत से गिरकर 47 प्रतिशत हुई, और डेथ ओवरों में स्कोरिंग प्रति ओवर 0.4 रन बढ़ी।

ये तीन आँकड़े तब ही उद्धरण-योग्य बने जब हमने नमूना, स्थल और कोडिंग नियम साथ छापे। उस मंच पर अकेली महिला मैं थी, इसलिए घबराहट की जगह आँकड़े साथ ले गई। पाँच लोगों के पैनल में एक वरिष्ठ कोच ने पूछा कि क्या मैंने मैच सचमुच देखे हैं। मैंने कोडबुक निकालकर जवाब दिया। बाद में एक क्रिकेट डेटा फ़र्म ने उस अध्ययन का हवाला दिया और मुझे जूनियर एनालिस्ट की नौकरी दी।

तीसरा उदाहरण, जो इस बहस का केंद्र है। 2026 में, आईपीएल मेगा नीलामी से पहले, मैंने एक मेमो लिखा जिसकी किसी ने माँग नहीं की थी। 2026 के डेथ-ओवर डेटा पर खड़ा वह मेमो एक सीमा तय करता था: ऐसे भारतीय तेज़ गेंदबाज़ जिनकी इकॉनमी 8.5 से कम और कंट्रोल प्रतिशत 60 से ऊपर है, औसतन 1.2 करोड़ कम पर बिक रहे हैं। मैंने वह मेमो दस फ़्रैंचाइज़ियों को भेजा। किसी ने जवाब नहीं दिया। मेरी फ़र्म ने उसे एक क्लाइंट ब्रीफ़िंग में इस्तेमाल किया, एक डिजिटल एडिटर ने वह डेक देखा, और मेमो अंदरूनी मिसाल बन गया। मैंने वह मेमो लिखा जो किसी ने नहीं माँगा था। छह महीने बाद नीलामी ने जवाब दिया।

अब ध्यान दीजिए कि उस मेमो में क्या था जो क्रिकेट_एशिया में नहीं है। तीन चीज़ें: पूर्वानुमान की सीमा (8.5 और 60 प्रतिशत), नमूना (2026 डेथ ओवर, एक स्पष्ट प्रतियोगिता-संदर्भ), और विफलता की शर्त (कौन-सा डेटा मुझे ग़लत साबित करेगा)। जो दावा अपनी विफलता की शर्त नहीं बताता, वह दावा नहीं, मिज़ाज है।

खालीपन दो तरह का होता है, और दोनों को अलग लेबल चाहिए

पहला खालीपन वैध है: वह जानकारी जो कभी दर्ज ही नहीं हुई। जिस मैच का गेंद-दर-गेंद रिकॉर्ड किसी भी सार्वजनिक डेटाबेस में नहीं, उसके बारे में सही नतीजा यही है — रिकॉर्ड मौजूद नहीं। यह अज्ञान नहीं, एक खोज है। मैं ऐसे मैचों की तलाश में खाली स्टेडियम तक जाती हूँ।

दूसरा खालीपन दोषपूर्ण है: वह जानकारी जो मौजूद थी और पाइपलाइन से गिर गई। दोनों का दिखने में एक ही रूप है — एन/ए — और यही इस पूरे मामले की केंद्रीय समस्या है। अगर आप दोनों को एक ही फ़ॉर्मैट में छापते हैं, तो पाठक और आपकी अगली प्रणाली दोनों यही मान लेंगी कि जानकारी कभी थी ही नहीं। वैध खालीपन को लेबल चाहिए — तथ्य उपलब्ध नहीं। दोषपूर्ण खालीपन को त्रुटि-सूचना चाहिए — एक्सट्रैक्शन फ़ेल। एक भी वाक्य में फ़र्क़ है, और उसका असर महीनों तक रहता है।

मुझे यह भी साफ़ कहना है कि मेरी अपनी विधि पर क्या आरोप लग सकता है। मेरा डेटासेट उन्हीं मैचों का है जहाँ मैं खुद पहुँच सकी। यही उसका पूर्वाग्रह है — और वह पूर्वाग्रह मेरा बनाया हुआ है, इसलिए मुझे सबसे आख़िर में दिखता है। इसलिए हर तालिका के साथ समावेशन-नियम छपता है: कौन-से मैदान, कौन-से सीज़न, कितने मैच छूटे। जो तालिका अपना समावेशन-नियम नहीं बताती, वह तालिका नहीं, एक दलील है।

उलटा कोण: पाइपलाइन ख़राब नहीं हुई, उसने वही किया जो उसका ढाँचा इजाज़त देता है

यहाँ सबसे असुविधाजनक निष्कर्ष यह है कि जिस प्रणाली ने खाली तालिका लौटाई, उसने अपराध नहीं किया। उसका स्कीमा ही ऐसा है जिसमें हर फ़ील्ड को खाली छोड़ा जा सकता है। जिस ढाँचे में खालीपन जायज़ है, उस ढाँचे से खालीपन आएगा ही — देर-सवेर, किसी न किसी लेख पर। समस्या स्रोत में नहीं, टेम्पलेट में है। और वह टेम्पलेट हमने बनाया है।

दूसरा उलटा कोण यह है कि खाली नतीजा अपने आप में एक खोज हो सकता है। अगर स्टेज-1 ने कहा होता — इस आलेख का मूल पाठ प्राप्त नहीं हुआ, या यह लेख केवल प्रिंट संस्करण में है और किसी ऑनलाइन सूचकांक में नहीं है — तो वह एक सुर्ख़ी होती। यह जानकारी अपने आप में मूल्यवान है, क्योंकि वह उस रिकॉर्ड-अंतराल की ओर इशारा करती है जिस पर मेरा पूरा काम टिका है। लेकिन उसके लिए प्रणाली को यह कहना पड़ता है: मैं फ़ेल हुई हूँ, दावा मत करो।

और यहीं आकर एक ऐसी चीज़ खड़ी होती है जो मेरा मॉडल नहीं देख सकता। कोई भी पाइपलाइन यह नहीं बता सकती कि एक स्थानीय स्ट्रिंगर ने उस लेख की कतरन अपनी फ़ाइल में रखी हुई है, या मैदान पर बैठे स्कोरर की डायरी में वह ओवर दर्ज है जो किसी स्क्रीन पर कभी नहीं आया। प्रक्रिया डेटा गिन सकती है, उपस्थिति नहीं। मैं उस साक्ष्य के सामने अपनी सीमा मानूँगी — शर्त एक: स्रोत के साथ पूरा नाम और तारीख़ हो; शर्त दो: कम से कम दो स्वतंत्र लोग उसकी पुष्टि करें। इन दोनों के बिना वह फ़ाइल में अप्रमाणित श्रेणी में जाती है, चाहे कितनी भी विश्वसनीय आवाज़ में कही गई हो।

आगे के लिए: अगली बार क्या सीमा तय है

मैं आज ही अपनी शर्त सार्वजनिक कर रही हूँ, ताकि बाद में कोई यह न कह सके कि मैंने नतीजा देखकर अपना पैमाना बदला। अगर भरा हुआ स्टेज-1 आता है — कम से कम आठ सूचना-बिंदु, हर बिंदु के साथ स्रोत-फ़ील्ड, शीर्षक, प्रकाशक और पूरी तारीख़ — तो मैं स्टेज-2 दूँगी। अगर फिर सिर्फ़ एक लेबल आया, तो मेरा नतीजा वही रहेगा जो आज है: विश्लेषण संभव नहीं। एक महाद्वीप का नाम किसी पारी का स्कोरकार्ड नहीं होता।