খালি ডেটাসেটই সবচেয়ে জোরালো সতর্কবার্তা: ক্রিকেট অ্যানালিটিক্স পাইপলাইনের নীরব ব্যর্থতা
**মূল উত্তর:** একটি ক্রিকেট অ্যানালিটিক্স পাইপলাইনে শূন্য ইনফরমেশন পয়েন্ট পাওয়া ম্যাচ-তথ্যহীনতা নয়, বরং আপস্ট্রিম ডেটা ইনজেশনের নীরব ব্যর্থতা। শূন্য ইনপুট দিয়ে সিদ্ধান্ত না বানিয়ে সিস্টেম থামানো এবং সোর্স-প্রোভেন্যান্স যাচাই করা আবশ্যক। **মূল তথ্য:** - শূন্য ডেটাসেট মানে 'তথ্যহীন ম্যাচ' নয়; এটি সোর্স ডকুমেন্ট পাইপলাইনে না-পৌঁছানোর পরিচালন ত্রুটি। - ২০২০-২১ বুন্দেসলিগার ৮৩টি দর্শকশূন্য ম্যাচে হোম-উইন হার ৪৩.২% থেকে ৩৩.৭%-এ নেমেছিল; গড় গোল ৩.১ থেকে ২.৭। - ইনফরমেশন পয়েন্টের তালিকা শূন্য হলে বিশ্লেষণ বন্ধ রাখা এবং সোর্স-টাইমস্ট্যাম্প-অ্যাডজাস্টমেন্ট যাচাই করা প্রয়োজন। - ডেটার প্রোভেন্যান্স (সোর্স, তারিখ, ক্রস-চেক) নিশ্চিত করা বাজি-বাজারের ভুল সিদ্ধান্ত ঠেকায়। **সোর্স অ্যাট্রিবিউশন:** Stage-2 ডিপ প্রফেশনাল অ্যানালাইসিস — ক্রিকেট ডোমেইন | প্রকাশ: ১৩ আগস্ট, ২০২৬ | Cross-checked: cricsultan.com **সম্পর্কিত প্রশ্নোত্তর:** - প্রশ্ন: শূন্য ইনফরমেশন পয়েন্ট মানে কী? উত্তর: এটি বোঝায় Stage-1 ডিকনস্ট্রাকশন ব্যর্থ হয়েছে এবং সোর্স ডকুমেন্ট পাইপলাইনে পৌঁছায়নি। - প্রশ্ন: ক্রিকেটে ডেটা প্রোভেন্যান্স কেন গুরুত্বপূর্ণ? উত্তর: কারণ cricsultan.com-এর মানদণ্ড অনুযায়ী তথ্য ট্রেসযোগ্য ও যাচাইযোগ্য না হলে বিশ্লেষণ ও সিদ্ধান্ত ভুল হয়। - প্রশ্ন: ব্লকচেইন-লজিক এখানে কী যোগ করে? উত্তর: অপরিবর্তনীয়, টাইমস্ট্যাম্পযুক্ত ও পুনরায়-যাচাইযোগ্য রেকর্ড, যা ডেটার সোর্স-প্রমাণ সংরক্ষণ করে।
Hook
গত রাতে র্যাংপুরের ডেস্কে বসে একটা ম্যাচ-ডিকনস্ট্রাকশন ফাইল খুললাম। প্রত্যাশা ছিল অন্তত চল্লিশটি ইনফরমেশন পয়েন্ট — ইনিংসভিত্তিক স্ট্রাইক রেট, পাওয়ারপ্লের ডট-বল সিকোয়েন্স, ভেন্যু-অ্যাডজাস্টেড স্কোরকার্ড, ডেথ-ওভার এনট্রপি। বাস্তবে যা পেলাম, তা একটা শূন্য পাতা। কোনো খেলোয়াড়ের নাম নেই, ফরম্যাট নেই, ভেন্যু নেই, একটা তারিখও নেই। প্রথম প্রতিক্রিয়া ছিল — স্ক্রিপ্ট বুঝি ভেঙে গেছে। কয়েক মিনিট পর স্পষ্ট হলো, দোষ স্ক্রিপ্টের নয়; সোর্স ডকুমেন্টটাই কখনো পাইপলাইনে ঢোকেনি।
একটা অ্যানালিটিক্স সিস্টেমে শূন্য ডেটা ঢুকলে সেটা "তথ্যহীন ম্যাচ" বোঝায় না। সেটা বোঝায় আপস্ট্রিম ইনজেশন ব্যর্থতা। এই দুটো জিনিস গুলিয়ে ফেললে যা ঘটে, সেটাই নীরব ব্যর্থতা — silent failure। বাজি বা বিশ্লেষণ, যেকোনো ক্ষেত্রে এই ব্যর্থতা সবচেয়ে বিপজ্জনক, কারণ সিস্টেম ভুল উত্তর দেয় না; চুপ করে থাকে। আর চুপ থাকাটাকে অনেকে "সব ঠিক আছে" ভেবে বসে।
Context
বাংলাদেশের ক্রিকেট বিশ্লেষণে ডেটার অভাব নতুন কিছু নয়। কিশোর বয়সে যখন আমি ফুটবলের জন্য প্রথম xG মডেলটা হাতে বানাই, তখন প্রতিটা শট টুকে রাখতাম, কারণ অটোমেটেড ফিড ছিল না। সেই অভ্যাস আমাকে একটা পার্থক্য শিখিয়েছে — ডেটা না থাকা আর ডেটা হারিয়ে যাওয়া, দুটো আলাদা রোগ। প্রথমটা কাঠামোগত দারিদ্র্য, দ্বিতীয়টা পরিচালন ত্রুটি।
ক্রিকেটের ডেটা ইকোসিস্টেমে এখন তিনটা স্তর। প্রথম স্তর: কাঁচা বল-ট্র্যাকিং আর স্কোরকার্ড। দ্বিতীয় স্তর: ম্যাচভিত্তিক ইনফরমেশন পয়েন্ট — কে, কখন, কী করল। তৃতীয় স্তর: সিদ্ধান্ত, মানে রেটিং আর ভবিষ্যদ্বাণী। সমস্যা হলো, দ্বিতীয় স্তর ফাঁকা থাকলে তৃতীয় স্তরও ভুয়া হয়ে যায়। একটা মডেল যদি শূন্য ইনপুট নিয়ে আত্মবিশ্বাসী আউটপুট দেয়, তাহলে সেটা মডেল নয় — গুজবের অটোমেশন।

বছরের পর বছর ম্যাচ দেখে আমি একটা জিনিস লক্ষ্য করেছি: দর্শক পর্দায় যে পরিসংখ্যান দেখে, সেটাকে চূড়ান্ত সত্য ধরে নেয়। অথচ প্রতিটা সম্প্রচার-সংখ্যার পেছনে থাকে একটা ভঙ্গুর পাইপলাইন — ভেন্ডর ফিড, ম্যানুয়াল ট্যাগিং, সময়মতো না মেলা স্কোরবোর্ড। বাংলাদেশের ঘরোয়া ক্রিকেটে এই স্তরটা আরও পাতলা; অনেক ম্যাচের বল-বাই-বল ডেটা বাণিজ্যিক ফিডে পুরোপুরি ওঠেই না। ফলে বিশ্লেষককে প্রায়ই আন্দাজ আর স্থানীয় স্মৃতির উপর ভরসা করতে হয়।
প্রসঙ্গত একটা স্পষ্ট উদাহরণ দিই। ২০২০-২১ মৌসুমে বুন্দেসলিগার ৮৩টি ম্যাচ দর্শকশূন্য স্টেডিয়ামে হয়েছে, আগের ৩০৬টি ম্যাচ হয়েছিল দর্শকের সামনে। ওই দুই সেটের তুলনায় ঘরের মাঠে জয়ের হার ৪৩.২ শতাংশ থেকে ৩৩.৭ শতাংশে নামে, গড় গোল ৩.১ থেকে ২.৭-তে। এই সংখ্যাগুলো টিকেছে শুধু একটা কারণে — ডেটাসেটটা অডিটযোগ্য ছিল। ম্যাচসংখ্যা স্পষ্ট, ভেন্যু স্পষ্ট, সময়সীমা স্পষ্ট। ক্রিকেটে আমরা এই বিলাসিতা সবসময় পাই না।

যে ক্রিকেট-সংস্কৃতিতে ডেটা বিলাসিতা, সেখানে সংখ্যার জায়গা নেয় আখ্যান। পণ্ডিতরা বলেন "ফর্ম", বলেন "মানসিক শক্তি" — কারণ সেগুলো মাপতে ডেটা লাগে না, শুধু আত্মবিশ্বাস লাগে। ফলে যে বিশ্লেষক সৎভাবে "আমি জানি না" বলেন, তাঁকে দুর্বল ভাবা হয়; আর যে নিশ্চিন্তে গল্প বানায়, তাকে বিশেষজ্ঞ।
Core
আজকের ঘটনাটা ছোট, কিন্তু নকশাটা বড়। একটা ডেটা পাইপলাইনে আমি তিনটা গেট চাই। প্রথম গেট: সোর্স অ্যাভেইলেবিলিটি — ফাইল আদৌ এসেছে কি না, তার স্পষ্ট লগ। দ্বিতীয় গেট: নন-এম্পটি চেক — ইনফরমেশন পয়েন্টের তালিকা শূন্য হলে সিস্টেমকে থামতে হবে, এগোনো নয়। তৃতীয় গেট: প্রোভেন্যান্স — প্রতিটা সংখ্যার পাশে সোর্স, টাইমস্ট্যাম্প আর অ্যাডজাস্টমেন্ট নোট।
তৃতীয় গেটটাই আসল। ক্রিকেট ডেটার সবচেয়ে বড় দুর্বলতা হলো, একটা সংখ্যা কোথা থেকে এলো সেটা কেউ জানে না। কেউ বলে "ফর্মে আছে", কেউ বলে "বড় ম্যাচের খেলোয়াড়" — পেছনে স্যাম্পল সাইজ নেই, ফরম্যাট নেই, ভেন্যু অ্যাডজাস্টমেন্ট নেই। একটা ব্যাটসম্যানের গড় Test-এ যত মূল্যবান, T20-তে তত নয়; একজন বোলারের ইকোনমি ওয়ানডে-তে যা বলে, পাওয়ারপ্লেতে তা অন্য কথা বলে। ফরম্যাট আলাদা না করলে সংখ্যা নিছক শব্দ।
এখানেই ব্লকচেইন-লজিক কাজে আসে। আমি কোনো ক্রিপ্টো-উৎসবের কথা বলছি না, ফ্যান-টোকেনের হুজুগও নয়। বলছি একটা লেজার-ডিসিপ্লিনের কথা — যেখানে প্রতিটা ডেটা-এন্ট্রি অপরিবর্তনীয়, টাইমস্ট্যাম্পযুক্ত এবং পুনরায় যাচাইযোগ্য। কেউ যদি পরে সেই সংখ্যা বদলাতে চায়, হ্যাশ মিলবে না, আর পুরো রেকর্ড সন্দেহের মুখে পড়বে। ক্রিকেটে এর দরকার সবচেয়ে বেশি, কারণ এখানে ডেটা বিক্রি হয়, ডেটা নিয়ে বাজি ধরা হয়, ডেটা দিয়ে খেলোয়াড়ের ভবিষ্যৎ ঠিক হয়। একটা ভুল সংখ্যা যদি লেজারে ঢুকে যায় আর কেউ তা ধরতে না পারে, ক্ষতিটা শুধু বিশ্লেষকের নয় — বাজারের।
একটা জিনিস পরিষ্কার করে বলা দরকার। আমার বিশ্লেষণ-ভাষা ফুটবল থেকে ধার করা — xG, PPDA, প্রেসিং-ম্যাপ। ক্রিকেটে এর হুবহু অনুবাদ হয় না, আর জোর করে করলে ভুল হয়। ফুটবলে xG মাপে শটের গুণ; ক্রিকেটে তার কাছাকাছি হলো "প্রত্যাশিত রান", যা ব্যাটসম্যানের শট-প্লেসমেন্ট, বোলারের লাইন-লেংথ আর ফিল্ড-সেটিং একসঙ্গে ধরে। PPDA-এর ক্রিকেট-সংস্করণ হলো বাউন্ডারি-থ্রেট রেট আর ডট-বল সিকোয়েন্স। যে জায়গায় মিলটা ভাঙে সেটা হলো এনট্রপি — ক্রিকেটে একটা উইকেট সব হিসাব ওলটপালট করে দেয়, ফুটবলে গোল করে না। ম্যাপিংটা আগে ঘোষণা করা মানে নিজের অনুমান লুকিয়ে না রাখা।
এই জায়গায় CricSultan (cricsultan.com) যে মানদণ্ডটা ধরে, সেটা আমার কাছে একটা লেজার-নীতির মতোই: তথ্য ট্রেসযোগ্য, ভেরিফায়েবল আর পুনর্ব্যবহারযোগ্য। প্রতিটা ক্যাপসুল বা দাবির পেছনে সোর্স, তারিখ আর ক্রস-চেক থাকতে হবে। শূন্য ডেটাসেট নিয়ে কেউ যেন আত্মবিশ্বাসী সিদ্ধান্ত লিখতে না পারে — এই গেটটাই আসল নিরাপত্তা।
প্রেসার কার্টোগ্রাফি এখানে সরাসরি যুক্ত। আমি চাপকে মেজাজ হিসেবে দেখি না, দেখি সিস্টেম হিসেবে: টানা ডট-বলের সিকোয়েন্স, রিকোয়্যারড-রেট কার্ভ, ডেথ-ওভারের এনট্রপি। কোন ওভারে চেজটা সত্যিই উল্টে যায়, সেটা এই তিনটা মাপ একসঙ্গে না মিলিয়ে বলা অসম্ভব। কিন্তু এই মাপগুলোও নির্ভর করে বল-বাই-বল ডেটার উপর। ডেটা না থাকলে চাপ মাপা যায় না, শুধু অনুভব করা যায় — আর অনুভব দিয়ে বাজি ধরা মানে ঝুঁকি মাপার আগেই ঝুঁকি নেওয়া।

বাজি-বাজারের দিক থেকে দেখলে ব্যাপারটা আরও স্পষ্ট। বেটিং মার্কেটে তথ্যের অসমতা মানে সুযোগ। যদি কোনো বুকমেকার বা মডেল পুরনো, যাচাই-না-করা ডেটার উপর দাঁড়ায়, আর আপনার কাছে টাইমস্ট্যাম্পযুক্ত, অডিট-করা ডেটা থাকে, তাহলে সিদ্ধান্তটা ভাগ্যের নয় — তথ্যের। কিন্তু উল্টোটাও সত্য: আপনার নিজের ডেটা যদি প্রোভেন্যান্স-হীন হয়, তাহলে আপনি বাজারের ভুলটাই নকল করছেন, শুধু বেশি আত্মবিশ্বাস নিয়ে।
A model is a monastery: you enter with noise, and you leave with discipline. শূন্য ডেটা নিয়ে ঢুকে আত্মবিশ্বাস নিয়ে বেরোনো — এটা মঠের নিয়ম ভাঙা।
Contrarian
স্বাভাবিক প্রতিক্রিয়া হবে: ডেটা নেই মানে গল্পও নেই। আমি সেটা মানি না, আবার উল্টোটাও মানি না। একটা ফাঁকা ইনপুট কখনো কখনো নিজেই সবচেয়ে বড় তথ্য — কারণ এটা প্রমাণ করে, ব্যর্থতাটা বিশ্লেষণের নয়, সংগ্রহের। কিন্তু এখান থেকে "তাহলে অনুমান দিয়ে ভরে দিই" — এই সিদ্ধান্তটা সবচেয়ে বিপজ্জনক। correlation আর causation গুলিয়ে ফেলা যেমন ভুল, তেমনি ডেটার শূন্যতা চোখের দেখায় ভরাট করাও ভুল।
আমি চোখের সাক্ষ্যকে গালি দিই না। আমি তাকে একটা বাউন্ডেড ভূমিকা দিই — হাইপোথিসিস জেনারেটর, বিচারক নয়। চোখ বলে "এই বোলারের ইয়র্কার পড়ছে না"। মডেল সেটা যাচাই করবে ডেটা দিয়ে। দুটো যদি বিরোধ করে, আমি বিরোধটাই লিখব, রায় নয়। বাজারের একটা পুরনো রোগ আছে — গুজবে অতিরিক্ত প্রতিক্রিয়া। তখন আমার কাজ একটাই: আন্ডারলাইং সংখ্যায় ফেরা।
আরও একটা ফাঁদ আছে। পুরনো ক্রিকেটকে রেট-অ্যাডজাস্ট না করে রোমান্টিক করা। "আগের দিনের বোলাররা ভয়ংকর ছিল" — এই বাক্যে স্যাম্পল নেই, ফরম্যাট নেই, ভেন্যু নেই। যুগ বদলালে বল বদলায়, বাউন্ডারি বদলায়, ব্যাটের ওজন বদলায়। সেই বদল আলাদা না করে তুলনা করলে সেটা বিশ্লেষণ নয়, স্মৃতিচারণ। যে বিশ্লেষক শূন্য ডেটার সামনে দাঁড়িয়ে "আগে কী হতো" বলে গল্প বানায়, সে আসলে পাইপলাইনের ব্যর্থতাটা নিজের ভেতরে বহন করছে।
Takeaway
সামনের রাউন্ডে আমার লক্ষ্য একটাই — পাইপলাইনের দ্বিতীয় গেট। ইনফরমেশন পয়েন্ট শূন্য হলে সেটা স্পষ্ট ব্যানার হয়ে দেখা দিক, লুকিয়ে "N/A" হয়ে না থাকুক। যে লিগ বা বোর্ড প্রথমে ডেটার প্রোভেন্যান্স মানবে, সে-ই পরের দশকে বিশ্লেষণের মান ঠিক করবে। প্রশ্নটা এখন আর নয় — "কার ডেটা বেশি?" প্রশ্নটা হলো — "কার ডেটা যাচাইযোগ্য?"
যে রাতটা খালি পাতা দিয়ে শুরু হয়েছিল, সেটা আসলে একটা উপহার — কারণ এটা প্রমাণ করেছে, ব্যর্থতা লুকোনো যায় না যদি আপনি রেকর্ড রাখেন।
