অজানার অডিট: ক্রিকেট বিশ্লেষণে খালি ঘরগুলোর নীরব সাক্ষ্য

স্প্রেডশিটের ওই কলামটির নাম ছিল "Source"। পাঁচটি ঘর, পাঁচটিতেই লেখা "N/A"। পাশের কলামে ফজলহক ফারুকীর পাওয়ারপ্লে ইকোনমি, রিলিজ পয়েন্টের উচ্চতা, ডেথ ওভারে ইয়র্কারের শতাংশ — সংখ্যাগুলো পরিপাটি, দশমিকের পরে দুই ঘর পর্যন্ত মিলিয়ে দেওয়া। কিন্তু কোন ম্যাচ থেকে, কোন ডেটাবেস থেকে, কে ট্যাগ করেছে, কে ক্রস-চেক করেছে — এই তিন প্রশ্নের একটিরও উত্তর ওই ফাইলে নেই। রাত দুটোয় আমি ফাইলটি বন্ধ করলাম, কারণ একটি সংখ্যা যত সুন্দরই হোক, তার পেছনে উৎসের শৃঙ্খল না থাকলে সেটি বিশ্লেষণ নয়, অলংকার।

পরদিন সকালে হাতে এল একটি স্টেজ-টু ডিকনস্ট্রাকশন রিপোর্ট। ডোমেইন লেখা "ক্রিকেট_ওয়ার্ল্ড", আর তার নিচে ছয় শব্দের একটি পতাকা: insufficient source information। বাকি আটটি অধ্যায় — ফরম্যাট, খেলোয়াড়, দল, লিগ, প্রশাসন, ঝুঁকি, ন্যারেটিভ, শিল্প-প্রসারণ — সবটিতেই একই সুর: "Cannot assess"। একটি প্রতিবেদন যখন এত সৎ হয় যে সে নিজের অক্ষমতা স্বীকার করে নেয়, তখন সেটি ব্যর্থতা নয়, সেটি একটি নমুনা।

Shot maps are memory with coordinates. কিন্তু স্থানাঙ্কহীন স্মৃতিকে আমি ম্যাপ বলি না। গত এক দশকে আমি শট ম্যাপ, পিচ ম্যাপ, পাসিং নেটওয়ার্ক আর ভ্যালুয়েশন মডেল নিয়ে কাজ করেছি — এবং প্রতিবার একই দেয়ালে এসে দাঁড়িয়েছি: তথ্যের ঘাটতি আসলে তথ্যের অভাব নয়, এটি একটি স্বতন্ত্র তথ্য। যে ঘরটি খালি, সেটি নিজের খালিপনার কথা বলে। প্রশ্ন হলো, আমরা সেই নীরবতাকে পড়তে জানি কি না।

এই লেখাটি ক্রিকেটের কোনো ম্যাচ রিপোর্ট নয়। এটি একটি পদ্ধতিগত প্রতিবেদন — কীভাবে একটি অসম্পূর্ণ সূত্র-নথি কাজের সবচেয়ে বড় শিক্ষা মনে করিয়ে দিল: বিশ্লেষণের প্রথম দায়িত্ব সিদ্ধান্তে পৌঁছানো নয়, বরং কোন প্রশ্নের উত্তর এখনও দেওয়া যায় না তা চিহ্নিত করা।

প্রসঙ্গ: "ক্রিকেট_ওয়ার্ল্ড" একটি ঠিকানা, বিষয় য়

যে রিপোর্টটি আমার হাতে এসেছে, সেখানে ম্যাচের ফরম্যাট নেই, ভেন্যু নেই, স্কোরকার্ড নেই, খেলোয়াড়ের নাম নেই, লিগের নাম নেই, প্রকাশের তারিখও নেই। শুধু একটি ডোমেইন লেবেল। ডেটা সায়েন্সের ভাষায় এটি একটি খালি স্কিমা — টেবিলের কাঠামো আছে, সারি নেই। এই অবস্থায় কোনো উপসংহার টানা মানে কল্পনাকে বিশ্লেষণের পোশাক পরানো।

কিন্তু এখানেই একটি সূক্ষ্ম ফাঁদ লুকিয়ে আছে। "তথ্য নেই" বলা এবং "তথ্য পাওয়া impossibile" বলা — এই দুটি এক নয়। প্রথমটি সাংবাদিকতার ব্যর্থতা, দ্বিতীয়টি জ্ঞানের সীমা। আমার অভিজ্ঞতায় বেশিরভাগ "তথ্য নেই" আসলে প্রথম শ্রেণির। ২০১৭ সালে জাকার্তায় বসে লিগা ১-এর ১,১৪০টি শট হাতে ট্যাগ করার সময় আমার কাছে কোনো অপ্টা ডেটাবেস ছিল না। ছিল ইউটিউবের আর্কাইভ, ম্যাচ রিপোর্ট, আর একটি গুগল শিট। চ্যাম্পিয়ন ভায়াংকারা এফসি যে এক্সজি-এর তুলনায় ৯.৭ গোল বেশি করেছে, সেটি আমি বের করেছিলাম সম্পূর্ণ অসম্পূর্ণ তথ্য থেকে — শুধু তিনটি সূত্র মিলিয়ে দেখার শৃঙ্খলা রেখেছিলাম।

২০১৮ সালে রাশিয়া বিশ্বকাপের ৬৪টি ম্যাচে পিপিডিএ ও ফিল্ড টিল্ট যোগ করলাম। নকআউট পর্বে ফ্রান্স মাত্র ০.৮২ এক্সজি পার ম্যাচ দিয়েছিল। সেই ৪৭ টুইটের থ্রেডটি ভাইরাল হয়েছিল, কিন্তু ভাইরাল হওয়ার কারণ পরিসংখ্যান নয় — কারণ প্রতিটি সংখ্যার পাশে উৎস লেখা ছিল।

A live dashboard is a heartbeat with a refresh rate. আর ক্রিকেটে সেই হৃদস্পন্দন মাপার আগে আমাদের ঠিক করতে হয়, আমরা কোন সংস্করণের হৃদস্পন্দন শুনছি — টেস্ট, ওয়ানডে, না টি-টোয়েন্টি।

কোর: চারটি স্তরে খালি ঘর পড়া

এক — ফরম্যাট একটি চলক, প্রসঙ্গ নয়।

অনেক ক্রিকেট লেখায় ফরম্যাটকে ব্যাকগ্রাউন্ড ধরে নেওয়া হয়। একটি ব্যাটসম্যানের স্ট্রাইক রেট ১৪০ — টি-টোয়েন্টিতে এটি মাঝারি, ওয়ানডেতে অসাধারণ, টেস্টে কল্পনাতীত। অর্থাৎ একটি সংখ্যা তিনটি ভিন্ন বেঞ্চমার্কে তিনটি ভিন্ন অর্থ বহন করে। যে রিপোর্টে ফরম্যাট নেই, সেখানে খেলোয়াড়ের মূল্যায়ন শুধু অসম্ভব নয়, বিভ্রান্তিকর।

আরও গভীরে গেলে দেখি, ফরম্যাট শুধু স্কোরিংয়ের নিয়ম বদলায় না, বদলায় ঝুঁকির হিসাব। টেস্টে একজন ফাস্ট বোলারের ওয়ার্কলোড পরিমাপ হয় স্পেলের দৈর্ঘ্যে, টি-টোয়েন্টিতে ওভার-ব্লকের ঘনত্বে, ওয়ানডেতে মাঝের ওভারের ECONOMY-তে। একই পেসার তিন ফরম্যাটে তিন সম্পদ — এবং তিনটি আলাদা দাম। ট্রান্সফার মার্কেটে এই পার্থক্যটিই সবচেয়ে বেশি ভুলভাবে দাম পায়।

দুই — খেলোয়াড়ের ক্রীড়া মূল্য আর বাণিজ্যিক মূল্য এক নয়।

২০২২ সালে বেনফিকার এনজো ফার্নান্দেজকে আমি ১৮ মিলিয়ন ইউরোয় মডেল করেছিলাম, কাতার বিশ্বকাপের আগে। টুর্নামেন্ট শেষে চেলসি দিল ১২১ মিলিয়ন। ব্যবধানটি ফুটবলের, কিন্তু যুক্তিটি ক্রিকেটেরও। I do not predict transfers; I reconcile the lag between rumor and contract. ক্রিকেটে এই ল্যাগ আরও বড়, কারণ আইএলটি২০, বিপিএল, সিপিএল আর ঘরোয়া টি-টোয়েন্টি — প্রতিটি বাজারে একই খেলোয়াড়ের দাম আলাদা, কারণ প্রতিটি বাজারের চাহিদার কাঠামো আলাদা।

২০২৪ টি-টোয়েন্টি বিশ্বকাপে ফজলহক ফারুকী ১৭ উইকেট নিয়ে টুর্নামেন্টের শীর্ষ উইকেট-শিকারিদের একজন হন, রহমানুল্লাহ গুরবাজ ২৮১ রান নিয়ে সর্বোচ্চ রান-সংগ্রাহক। আফগানিস্তান প্রথমবার সেমিফাইনালে পৌঁছায়, সেন্ট ভিনসেন্টে অস্ট্রেলিয়াকে ২১ রানে হারায়। টুর্নামেন্টের পর খেলোয়াড়ের বাজারদর লাফিয়ে ওঠে। প্রশ্ন হলো, লাফটির কতটা খেলার গুণে, কতটা দৃশ্যমানতার পুরস্কারে — সে উত্তর দেওয়ার জন্য দরকার ফরম্যাট-ভিত্তিক, ভেন্যু-ভিত্তিক, প্রতিপক্ষ-ভিত্তিক বিভাজন। যে রিপোর্টে প্রতিপক্ষের নাম নেই, সেখানে সেই বিভাজন গড়া যায় না।

তিন — দলের ল্যান্ডস্কেপ কোন ফরম্যাটে দাঁড়িয়ে আছে, সেটাই নির্ণায়ক।

আইসিসি র‍্যাঙ্কিং একটি সংক্ষিপ্ত সূচক, সম্পূর্ণ সত্য নয়। একটি দল টেস্টে তিন নম্বরে থেকে টি-টোয়েন্টিতে নয় নম্বরে থাকতে পারে — কারণ র‍্যাঙ্কিং তিন ফরম্যাটে আলাদাভাবে ওজন করা হয়, কিন্তু পাঠক একটি সংখ্যা দেখে তিনটি সিদ্ধান্তে পৌঁছে যান। ২০২৩ ওয়ানডে বিশ্বকাপে বাংলাদেশ নয় ম্যাচের মধ্যে দুইটি জিতেছিল; সেই ফলাফল দিয়ে দলের টি-টোয়েন্টি ভবিষ্যৎ মাপা যায় না, যেমন যায় না ঘরোয়া লিগের ফর্ম দিয়ে জাতীয় দলের ব্যাটিং ার হিসাব।

স্কোয়াড কাঠামোর ক্ষেত্রে আমার সবচেয়ে প্রিয় প্রশ্নটি হলো বয়স-কাঠামো। একটি দলের ১১ জনের গড় বয়স বলবে না তার ভেতরের তারকা-কেন্দ্রিকতা কেমন। কেন্দ্রীভূত দলে একজন চলে গেলে সিস্টেম ভাঙে; বিতরণকৃত দলে সেটি ঘটে না। এই পার্থক্য মাপার জন্য দরকার মিনিট-ভিত্তিক ডেটা, ওভার-ভিত্তিক ডেটা, আর স্পষ্টভাবে লেখা বয়স-বক্ররেখার অনুমান। নির্দিষ্ট খেলোয়াড় ও দল না জানলে এই পুরো স্তরটিই অনুমানের জমি।

চার — খালি ঘর নিজেই একটি ডেটাসেট।

The silence of empty stadiums became my loudest dataset. ২০২০ সালে স্টেডিয়াম খালি হয়ে যাওয়ার পর আমি লিগা ১-এর ২০১৬–২০১৯ সময়ের ১,৮০০ খেলোয়াড়-রেকর্ড স্ক্র্যাপ করি — মিনিট, বয়স, এক্সজি আর বেতনের ফাঁস হয়ে আসা তথ্য মিলিয়ে একটি ভ্যালুয়েশন মডেল দাঁড় করাই। মডেল সাতটি ক্লাবকে দেউলিয়াত্বের ঝুঁকিতে চিহ্নিত করে; আঠারো মাসের মধ্যে তিনটি অবনমিত হয় বা নিষ্ক্রিয় হয়ে পড়ে। এগারো সপ্তাহ মডেলটিকে পলিশ করতে গিয়ে একটি পিচের ডেডলাইন হাতছাড়া করেছি — সেটি ছিল আমার সবচেয়ে দামি ভুল, কারণ সেই ভুলটাই আমাকে শিখিয়েছিল ন্যূনতম কার্যকর মডেল আর নিখুঁত অসম্পূর্ণ মডেলের পার্থক্য।

ক্রিকেটে এই শিক্ষার প্রতিরূপ আছে। যে ম্যাচের স্কোরকার্ড পাওয়া যায় না, সেখানে স্কোরকার্ডের অনুপস্থিতি নিজেই একটি সংকেত — যদি আপনি রেকর্ড রাখেন কোন সূত্র কোন দাবি সমর্থন করেছে। তিন-সূত্র যাচাইয়ের নিয়মটি আমার কাছে তাই এখন ধর্মতুল্য: একটি সংখ্যা প্রথমে ম্যাচ আর্কাইভে মিলিয়ে দেখি, তারপর ম্যাচ রিপোর্টে, তারপর স্বাধীন পরিসংখ্যান ডেটাবেসে। তিনটির একটিও না মিললে সংখ্যাটি খসড়ায় থাকে, প্রকাশিত লেখায় যায় না।

The database did not replace the game; it translated it. অনুবাদের সবচেয়ে বড় ঝুঁকি হলো ভুল অনুবাদ — এবং ভুল অনুবাদ ধরার একমাত্র উপায়, মূলপাঠে ফিরে যাওয়া। যে রিপোর্টে মূলপাঠ নেই, সেখানে অনুবাদ যত সুন্দরই হোক, সেটি ক্রিকেটের নয়, অনুবাদকের কথা বলে।

কনট্র্যারিয়ান: "তথ্য অপর্যাপ্ত" একটি বৈধ রায়, কিন্তু সুবিধাজনক আশ্রয়ও

এখানেই আমাকে নিজের বিরুদ্ধে দাঁড়াতে হবে। "অপর্যাপ্ত তথ্য" লেখা সহজ, নিরাপদ, এবং প্রায়শই বুদ্ধিবৃত্তিক কাপুরুষতা। কারণ তথ্যের অভাব এবং জানার অসম্ভাব্যতা — এই দুইয়ের মধ্যে সীমারেখাটি আমি নিজেই টানি, এবং সেই রেখা টানার ক্ষমতা আমার একার হাতে থাকলে আমি সবসময় নিরাপদ দিকেই থাকব।

তিন বছর আগে জাকার্তার একটি ক্লাবের জন্য আমি এক্সজি-ভিত্তিক একটি শর্টলিস্ট বানাই। শীর্ষ সুপারিশ ছিল এক ২৪ বছরের স্ট্রাইকার — প্রতি ৯০ মিনিটে ০.৫৮ এক্সজি, ৪.১ প্রেস। ক্লাব বদলে ৩৪ বছরের এক অভিজ্ঞ খেলোয়াড়কে বেশি বেতনে নেয়। তিনি ১৬ ম্যাচে ২ গোল করেন, দল চতুর্থ থেকে একাদশে নেমে যায়। সহজ গল্পটি হলো — ডেটা ঠিক ছিল, সিদ্ধান্ত ভুল ছিল। কিন্তু সৎ গল্পটি হলো, আমার মডেলের প্রয়োজনীয়তার অনুমানগুলোর মধ্যে একটি — লিগের গতি ঠিক কতটা দ্রুত — আমি আন্তরিকভাবে যাচাই করিনি। আমার কোনো প্রতিদ্বন্দ্বী রিভিউয়ার ছিল না। Solitary verification একটি শৃঙ্খলা, কিন্তু একই সঙ্গে একটি ঝুঁকি: নিজের যাচাই নিজের কাছে ধরা পড়ে না।

ক্রিকেট বিশ্লেষণে এই ঝুঁকির রূপটি হলো মিথ্যা নির্ভুলতা (false precision)। একটি দশমিক-দুই ঘরের সংখ্যা পাঠকের মনে আস্থা তৈরি করে, যদিও তার ভিত্তি এক ম্যাচের সাত বল। ছোট নমুনা, হোম-গ্রাউন্ডের পক্ষপাত, ফরম্যাট মিশ্রণ — এই তিনটি ভুল একসঙ্গে ঘটে, এবং প্রতিটি সংখ্যাকে আত্মবিশ্বাসী দেখায়। বিপরীত ঝুঁকিটিও সমান বাস্তব: মিথ্যা পক্ষাঘাত। "তথ্য নেই" বলে চুপ করে থাকলে কেউ জবাবদিহি করে না, কিন্তু প্রশ্নটি অমীমাংসিত থেকে যায়।

আমার নিজের সমাধান হলো অনুমানগুলো প্রকাশ্যে লেখা। প্রতিটি মডেলের শেষে একটি অনুমান-তালিকা থাকা উচিত: কোন ভেরিয়েবল বাদ দিয়েছি, কেন বাদ দিয়েছি, কী ঘটলে মডেল ভুল প্রমাণিত হবে। প্রতিটি মডেলের শেষে একটি অনুমান-তালিকা থাকা উচিত: কোন ভেরিয়েবল বাদ দিয়েছি, কেন বাদ দিয়েছি, কী ঘটলে মডেল ভুল প্রমাণিত হবে। যে মডেল নিজের মৃত্যুর শর্ত লিখে দিতে পারে না, সেটি মডেল নয়, বিশ্বাস।

টেকঅ্যাওয়ে: পরের রাউন্ডে যা দেখতে হবে

সামনের ম্যাচগুলোতে আমি তিনটি সংকেত ধরে রাখব। প্রথমত, ফরম্যাট-ভিত্তিক বিভাজনের প্রকাশ — কোনো খেলোয়াড়ের সামগ্রিক পরিসংখ্যান নয়, বরং ফরম্যাটের ভেতরে ভেন্যু ও প্রতিপক্ষ ধরে ভাঙা সংখ্যা; যেখানে এই ভাঙন নেই, সেখানে মূল্যায়ন অসম্পূর্ণ। দ্বিতীয়ত, উৎসের শৃঙ্খল — যে প্রতিবেদনে দাবির পাশে উৎস, তারিখ আর পদ্ধতি লেখা থাকে না, সেটি দ্রুত পড়ার যোগ্য নয়, দ্রুত পড়ার অযোগ্য। তৃতীয়ত, সূচকের গতি (rate of change), সূচকের মান নয়; একটি দলের পিপিডিএ তিন ম্যাচে ২.১ বেড়ে গেলে সেটি যেকোনো একক সংখ্যার চেয়ে বড় সংকেত।

প্রশ্নটি শেষ পর্যন্ত পদ্ধতির প্রশ্ন। ক্রিকেটের ডেটা বাড়ছে, অথচ যাচাইয়ের সংস্কৃতি তত দ্রুত বাড়ছে না। যে ঘরগুলো খালি, সেগুলো আমাদের অপমান করে না — সেগুলো আমাদের আমন্ত্রণ জানায়। আমরা সেখানে কিছু লিখব, নাকি স্বীকার করব যে আমরা এখনও জানি না?