খালি পেলোড, খালি ম্যাচ নয়: ক্রিকেট ডেটা পাইপলাইনে নাল-গেটের অপারেটিং প্রোটোকল

সকাল সাতটা। চট্টগ্রামের বারান্দায় বসে ল্যাপটপ খুললাম। টুর্নামেন্ট চলছে; গত রাতে একটা ম্যাচ হয়েছে, আজ সন্ধ্যায় আরেকটা। ড্যাশবোর্ডে চারটি কলাম — পাওয়ারপ্লের রান রেট, মিডল ওভারের বাউলিং ইকোনমি, ডেথ ওভারে স্ট্রাইক রেট, থার্ড-ম্যান অঞ্চলে সেভ হওয়া রান। তিন সপ্তাহ ধরে প্রতিদিন সকালে এই চার কলামেই সংখ্যা নামত। আজ চারটাই ফাঁকা।

ফাঁকা আর শূন্য এক জিনিস নয়। শূন্য একটা সংখ্যা, তা নিয়ে কাজ চলে। ফাঁকা মানে ঘরটাই নেই।

স্কোরবোর্ডে ম্যাচ ছিল। ডেটাবেসে ম্যাচ ছিল না।

২০১৭ সালের আগস্টে সমস্যাটা উল্টো দিক থেকে এসেছিল। স্ট্যামফোর্ড ব্রিজে চেলসির xG ছিল ২.৩, বার্নলির ০.৯, তবু বার্নলি ৩-২ জিতল। সেদিন সংখ্যা এসেছিল, কিন্তু সংখ্যা গল্পটা বলছিল না। "The xG map said 2.7, but Burnley" — ম্যাপ ভুল ছিল, কিন্তু ম্যাপটা অন্তত ছিল। আজ ম্যাপটাই নেই। — Root: Chattogram xG blog after Burnley

ব্যর্থতার দুই রকম রূপ, আর চিকিৎসাও দুই রকম। প্রথমটা মডেলের ভুল — সেখানে মডেল আপডেট হয়, কনটেক্সট যোগ হয়, এরর বার বসে। দ্বিতীয়টা পাইপলাইনের ভুল — সেখানে মডেল আপডেট করে লাভ নেই, কারণ মডেলকে খাওয়ানোর মতো কিছুই পৌঁছায়নি।

আজকের আলোচনা দ্বিতীয় ধরনের ব্যর্থতা নিয়ে। ক্রিকেট বিশ্লেষণের পরিভাষায় যার নাম নাল-গেট।

সংখ্যা কোথা থেকে আসে, সেটা আগে জানা দরকার

একটা ক্রিকেট সংখ্যা ড্যাশবোর্ডে পৌঁছানোর আগে লম্বা রাস্তা পাড়ি দেয়। মাঠের স্কোরার বল-বল রেকর্ড করেন। সেই ফিড ডেটা প্রোভাইডারের সার্ভারে যায়। প্রোভাইডারের API একটা ফাইল ছাড়ে। নিষ্কাশন স্তর (এক্সট্র্যাকশন লেয়ার) সেই ফাইল থেকে কয়েকটা নির্দিষ্ট তথ্য টেনে বের করে। তারপর বিশ্লেষক বসেন।

এই নিষ্কাশন স্তরের আউটপুটে চারটি বাধ্যতামূলক ঘর থাকে — তথ্য-বিন্দু, এনটিটি, ফরম্যাট ট্যাগ, টাইমস্ট্যাম্প। 'তথ্য-বিন্দু' মানে একটি আলাদা সত্য: টস কে জিতেছে, কোন বোলার কত ওভারে কত রান দিয়েছে। 'এনটিটি' মানে নাম ধরে চিহ্নিত মানুষ, দল, ভেন্যু। 'ফরম্যাট ট্যাগ' মানে টেস্ট, ওয়ানডে, টি-টোয়েন্টি — কোনটা। 'টাইমস্ট্যাম্প' মানে কখন ঘটেছে।

চারটির কোনোটাই ফাঁকা থাকলে বিশ্লেষকের হাতে যা আসে, সেটা দুর্বল তথ্যসেট নয় — সেটা তথ্যসেটই নয়।

ক্রিকেট ফুটবলের চেয়ে এই জায়গায় বেশি বিপজ্জনক। ফুটবলে একটা প্রধান ফরম্যাট, একটা ঘড়ি, এক ধরনের গোল। ক্রিকেটে তিনটি আন্তর্জাতিক ফরম্যাট, দুই ইনিংসের আলাদা গঠন, ডিএলএস, টস, শিশির, ঘরের মাঠ-বাইরের মাঠ, পিচের চরিত্র। ফরম্যাট ট্যাগ ছাড়া ক্রিকেটের সংখ্যা আসলে সংখ্যা নয় — দশমিক বসানো একটা গুজব। ১৪৫ স্ট্রাইক রেট ওয়ানডেতে অসাধারণ, টি-টোয়েন্টিতে সাধারণ, টেস্টে অর্থহীন।

রাত এগারোটায় ঢাকার একটি ডেস্কে চারশো শব্দের ম্যাচ রিপোর্ট চাই। "আমাদের ডেটা ফিড ফেল করেছে" — এই সৎ বাক্যে কলাম ভরে না। তাই কলাম ভরে ওঠে আবেগ দিয়ে। ঠিক এখানেই নাল-গেটের প্রয়োজন।

তিনটি গেট, তিনটি সিদ্ধান্তের নিয়ম

নাল-গেট কোনো দর্শন নয়, এটি একটি বাধ্যতামূলক যাচাই ধাপ। আমার স্প্রেডশিটে তিনটি গেট আছে, এবং প্রতিটির একটা পরিষ্কার সিদ্ধান্ত-নিয়ম আছে।

গেট এক — এনটিটি গেট। পেলোডে অন্তত একটি নাম ধরে চিহ্নিত এনটিটি (খেলোয়াড়, দল, ভেন্যু) আছে কি? না থাকলে বিশ্লেষণ শুরুর অনুমতি নেই। কারণ এনটিটি ছাড়া কোনো পরিসংখ্যান কোনো কারও সাথে যুক্ত হয় না।

গেট দুই — ফরম্যাট গেট। প্রতিটি পরিসংখ্যানের পাশে ফরম্যাট লেখা আছে কি? না থাকলে সেই সংখ্যা বেঞ্চমার্কের সাথে মেলানো যাবে না। টেস্টের গড় আর টি-টোয়েন্টির স্ট্রাইক রেট একই ছকে বসিয়ে যে বিশ্লেষণ লেখা হয়, সেটি ভুলের চেয়েও খারাপ — সেটি আত্মবিশ্বাসী ভুল।

গেট তিন — টাইমস্ট্যাম্প গেট। তথ্যটি কোন তারিখ ও সময়ের, তা লেখা আছে কি? টুর্নামেন্ট সাইকেলে এই গেট সবচেয়ে বেশি কাজে দেয়, কারণ ফর্ম সপ্তাহে সপ্তাহে বদলায়, আর দুই মাস পুরনো ফর্মকে 'সাম্প্রতিক' বলে চালিয়ে দেওয়া সহজ।

তিনটির যেকোনোটিতে আটকালে বিশ্লেষণ বন্ধ হয়, এবং বন্ধ হওয়ার কারণটি লগে লেখা হয়। ফাঁকা ঘর অনুমান দিয়ে ভরাট করা হয় না — ফাঁকা ঘর নথিবদ্ধ করা হয়।

ফাঁকা পেলোডে যা প্রকাশ করা যায় — ডিগ্রেডেড মোড

এখানে একটা সূক্ষ্ম বিষয় আছে, যা নাল-গেটের কঠোর পাঠ ভাঙে। ফাঁকা পেলোড মানে নিরাপদে প্রকাশযোগ্য কিছুই নেই — তা নয়। যেসব তথ্য পেলোডের বাইরে থেকে স্বতন্ত্রভাবে যাচাইযোগ্য, সেগুলো প্রকাশ করা যায়: সূচি, ভেন্যু, টসের সময়, পয়েন্ট টেবিলের স্থিতি, আগের মুখোমুখি লড়াইয়ের ফলাফল।

শর্ত একটাই — প্রতিটি দাবির পাশে আত্মবিশ্বাসের মাত্রা লেখা থাকতে হবে। আমি তিন স্তর ব্যবহার করি: উচ্চ (একাধিক স্বতন্ত্র সূত্র), মধ্যম (এক সূত্র, যুক্তিসঙ্গত), নিম্ন (অনুমান, যাচাই হয়নি)। নিম্ন স্তরের দাবি বাক্যে ঢুকতে পারে, কিন্তু তার আগে অবশ্যই 'যাচাই হয়নি' লেখা থাকবে।

এই লেবেল বসানোর অভ্যাসটি আমি শিখেছি ২০১৮ সালের জুলাইয়ে, রাশিয়া বিশ্বকাপে ফ্রান্স আর্জেন্টিনাকে ৪-৩ হারানোর পর। ফ্রান্সের xG ২.১, আর্জেন্টিনার ১.৯, কিন্তু ফ্রান্সের চার গোল এসেছিল ছয়টি অন-টার্গেট শট থেকে। দ্য ডেইলি স্টারের জন্য লেখা সেই ১২০০ শব্দের লেখায় এমবাপের ওপেন প্লে থেকে ১.২ xG দেখিয়ে আমি আর্জেন্টিনার হাই লাইন ভাঙার গল্পটা লিখেছিলাম। সম্পাদক ৩০০০ টাকা দিয়েছিলেন। টাকাটা মনে আছে, কিন্তু তার চেয়ে বেশি মনে আছে সম্পাদকের প্রশ্নটা: "এই সংখ্যাগুলো কতটা নিশ্চিত?" সেই প্রশ্নের উত্তর দিতে গিয়েই আমি নকআউট ম্যাচের জন্য আলাদা স্প্রেডশিট বানাই, যেখানে প্রতিটি সংখ্যার পাশে কনফিডেন্স লেবেল বাধ্যতামূলক। — Root: Experience 2 and xG dissection for first paid column | Scenario: opening a deep match breakdown

সঠিক পেলোড কেমন দেখতে হয় — একটি টেমপ্লেট

ধরা যাক, একটি টি-টোয়েন্টি ম্যাচের পর নিষ্কাশন স্তর সঠিকভাবে কাজ করেছে। তখন পেলোডে ছয় থেকে দশটি তথ্য-বিন্দু থাকবে, এবং প্রতিটি এই রকম দেখাবে:

প্রথম বিন্দু — ফরম্যাট: টি-টোয়েন্টি; ভেন্যু: চট্টগ্রাম; টস: দল ক জিতেছে এবং ফিল্ডিং বেছে নিয়েছে। দ্বিতীয় বিন্দু — পাওয়ারপ্লেতে প্রথম দলের স্কোর: ৬ ওভারে ৫২ রান, দুই উইকেট। তৃতীয় বিন্দু — তাসকিন আহমেদের প্রথম স্পেল: চার ওভার, ইকোনমি ৭.৫। চতুর্থ বিন্দু — মেহেদী হাসান মিরাজের ওভার-স্পেল: পাওয়ারপ্লের ভেতরে দুই ওভার। পঞ্চম বিন্দু — শাকিব আল হাসানের ব্যাটিং অবস্থান: তিন নম্বরে। ষষ্ঠ বিন্দু — ডেথ ওভারে মুশফিকুর রহিমের স্ট্রাইক রেট: ১৫০-এর বেশি।

লক্ষ্য করুন, প্রতিটি বিন্দুতে চারটি ঘর ভরা। কোনোটিতে 'দুর্দান্ত', 'অসাধারণ', 'চাপে' — এই শব্দগুলো নেই। কারণ এগুলো মাপা যায় না, এবং মাপা না গেলে সেগুলো তথ্য-বিন্দু হতে পারে না, সেগুলো মত।

এখন কল্পনা করুন, এই ছয়টি বিন্দুর জায়গায় পেলোড ফাঁকা ফিরে এসেছে। নাল-গেট তখন কী করে? সে লেখে: 'আজকের ম্যাচে বোলিং ইকোনমি ও ব্যাটিং পজিশন সংক্রান্ত কোনো তথ্য পাওয়া যায়নি; কারণ — ফিড নিষ্কাশন ব্যর্থতা।' এই এক লাইনই পাঠককে সৎ রাখে, এবং কালকের বিশ্লেষককে সতর্ক করে।

এরর বার ছাড়া মডেল অসম্পূর্ণ

২০২০ সালের মে মাসে বুন্দেসলিগা খালি স্টেডিয়ামে ফিরেছিল। বায়ার্ন মিউনিখ শালকে-কে ৫-০ হারায়। আমি কাভার করা দূরত্ব দেখেছিলাম: বায়ার্ন ১১৮.৬ কিলোমিটার, শালকে ১১২.৩ কিলোমিটার; পিপিডিএ (প্রতিপক্ষের পাসের সংখ্যা অনুযায়ী চাপ) বায়ার্নের ৬.২, শালকের ১৪.৮। সেই লেখায় আমি বলেছিলাম, দর্শকশূন্য মাঠ ঘরের সুবিধা প্রায় ০.৩ xG কমিয়ে দেয়।

এখানে গুরুত্বপূর্ণ অংশটা হলো 'প্রায়' শব্দটি। খালি স্টেডিয়ামের তথ্য সীমিত ছিল, নমুনা ছিল কয়েকটি ম্যাচের, তাই আমি নিশ্চিত দাবি করিনি। মডেলের পাশে এরর বার না থাকলে মডেল সিদ্ধান্ত নেওয়ার যন্ত্র নয়, সেটা নিছক প্রত্যয়। — Root: Experience 3 and empty-stadium metric work | Scenario: introducing a new tracking metric in long-form

সেই কাজটাই আমাকে শিখিয়েছিল, ফাঁকা ডেটার সাথে সৎভাবে চলার একটা পদ্ধতি আছে। খালি স্টেডিয়ামে যা মাপা যেত না, তা না মেপে বাদ দেওয়া হয়েছিল। নাল-গেট আসলে সেই একই নীতির প্রাতিষ্ঠানিক রূপ।

যে জায়গায় আমার নিজের টেমপ্লেট ভেঙেছে

প্রতিটি লেখার শেষে আমি একটা 'ব্যতিক্রম-লগ' রাখি — কোন বিষয়টা আমার ছকে বসেনি। এখানে ব্যতিক্রমটা স্পষ্ট: নাল-গেট তথ্য-শৃঙ্খলা রক্ষা করে, কিন্তু টুর্নামেন্ট সাইকেলে পাঠকের একটি সিদ্ধান্ত দরকার। ফ্যান্টাসি ম্যানেজারকে আজ রাতেই দল সাজাতে হবে, নির্বাচককে কাল সকালেই স্কোয়াড ঘোষণা করতে হবে। 'তথ্য নেই' বলে দিলে তার কাজ থামে না, সে অনুমান করে — এবং সেই অনুমান আমার চেয়েও দুর্বল সূত্রে গড়া হয়।

এই টানাপোড়েন থেকেই জন্ম নেয় সবচেয়ে বিপজ্জনক ভুলটি: নাল-হ্যান্ডলিংকে নাল-পাবলিশিং বানিয়ে ফেলা। অর্থাৎ, সততা রক্ষার নামে সম্পূর্ণ নীরব হয়ে যাওয়া। সেটাও একটি ব্যর্থতা, এবং সেটি পাঠককে ঠেলে দেয় আরও খারাপ সূত্রের দিকে। — Root: ESTJ rigor and Data Monk discipline | Scenario: methodology caveat section

সংশ্লিষ্টতা আর কার্যকারণ গুলিয়ে ফেলার ফাঁদ

এখানেই আসল বিপদটা লুকিয়ে আছে। পাইপলাইনের নীরব ব্যর্থতা দেখতে হুবহু 'কোনো ঝুঁকি নেই' এর মতো। উপরের স্তরে যদি লেখা থাকে 'কোনো সতর্কতা পাওয়া যায়নি', নিচের স্তরের কেউ সেটাকে পড়বে 'সব ঠিক আছে' হিসেবে। অথচ সত্য হলো, সতর্কতাটা কখনো তৈরি হয়নি।

এই পার্থক্যটা ধরার উপায় একটাই — নাল-গেটের আউটপুটে দুটি আলাদা অবস্থা লিখতে হবে: 'যাচাই করা হয়েছে, ঝুঁকি নেই' এবং 'যাচাই করা যায়নি'। প্রথমটা একটি সিদ্ধান্ত। দ্বিতীয়টা একটি অসম্পূর্ণ কাজ। দুটোকে একই বাক্সে রাখলে সিস্টেমটি মিথ্যা বলবে না — সিস্টেমটি নিরুত্তাপ থাকবে, যা আরও খারাপ।

যারা এই পাইপলাইনের শেষ প্রান্তে বসে — সম্পাদক, ফ্যান্টাসি খেলোয়াড়, কোচ, সম্প্রচারক — তাদের জন্য এই পার্থক্যটাই আজকের সবচেয়ে দামি তথ্য। কারণ বাজেট বরাদ্দ হয় মডেল বানানোর জন্য, স্কিমা যাচাইয়ের জন্য নয়। ক্লাব লাখ লাখ খরচ করে প্লেয়ার-ভ্যালুয়েশন মডেলে, কিন্তু যে ঘরটি সেই মডেলকে খাওয়ায়, তার গায়ে কোনো লেবেল নেই।

নারী ক্রিকেটে এই ঘরটা আরও খালি। বেসলাইন ডেটা সেখানে পাতলা, বল-বল ইতিহাস কম, তাই নাল-গেট সেখানে প্রায় প্রতিদিনই আটকায়। যে সিস্টেম নারীদের ক্রিকেটকে দেখানোর সুযোগ হিসেবে ব্যবহার করে অথচ পেছনের তথ্য-পরিকাঠামোয় বিনিয়োগ করে না, সেখানে বিশ্লেষক একা লড়েন — এবং বেশিরভাগ দিন হেরে যান।

পরের ম্যাচের জন্য সিগন্যাল

সেই ফাঁকা সকালের পর আমি তিনটি কাজ করেছিলাম। এক, ব্যর্থ পেলোডটি তারিখ ধরে সংরক্ষণ করলাম, যাতে প্যাটার্ন ধরা পড়ে — এই মাসে চারবার একই জায়গায় ফিড ভেঙেছে। দুই, প্রতিটি প্রকাশিত সংখ্যার পাশে ফরম্যাট ট্যাগ ও কনফিডেন্স স্তর বাধ্যতামূলক করলাম। তিন, 'যাচাই করা যায়নি' শব্দবন্ধটিকে আমার লেখার শব্দভান্ডারের স্থায়ী অংশ বানালাম।

পরের টুর্নামেন্ট চক্রে ডেটা আরও বাড়বে, অটোমেশন আরও বাড়বে, আর পাইপলাইন আরও জটিল হবে। যত জটিল হবে, ফাঁকা ঘরের সংখ্যাও তত বাড়বে। পার্থক্যটা তৈরি হবে তাদের মধ্যে, যারা সংখ্যা বানাতে পারে, আর তাদের মধ্যে, যারা সংখ্যার সাথে সাথে সংখ্যার নিশ্চয়তাও প্রকাশ করতে পারে।

প্রশ্নটা তাই বিশ্লেষকের দক্ষতা নিয়ে নয়। প্রশ্নটা হলো — যখন ঘরটা ফাঁকা, আপনি কি সেটা স্বীকার করার সাহস রাখেন, নাকি সুন্দর একটা অনুমান লিখে পাঠককে খুশি করেন?

সহজ ভাষায় — xG (এক্সপেক্টেড গোল): কোন শট থেকে কত গোল হওয়ার কথা ছিল তার সম্ভাব্যতা। PPDA: প্রতিপক্ষ কত পাস করতে দিচ্ছেন, তার মাপকাঠি; সংখ্যা কম মানে বেশি চাপ। DLS: বৃষ্টিতে ম্যাচ ছোট হলে লক্ষ্য পুনর্নির্ধারণের গাণিতিক পদ্ধতি। API: দুই সফটওয়্যারের মধ্যে তথ্য বিনিময়ের দরজা। এনটিটি: নাম ধরে চিহ্নিত মানুষ, দল বা ভেন্যু।

এই লেখাটি কেবল ডেটা-পাইপলাইনের রেফারেন্সের জন্য, এবং এটি কোনো বাজি-সংক্রান্ত পরামর্শ নয়। খেলার ফলাফল উচ্চ অনিশ্চয়তায় ভরা; বিশ্লেষণী সিদ্ধান্ত যুক্তিসঙ্গতভাবে নিন।