क्रिकेट विश्लेषण की पहली पारी ही शुरू नहीं हुई: खाली इनपुट ने खोली डेटा पाइपलाइन की कमजोरी

हुक: स्कोरबोर्ड पर शून्य, लेकिन मैच भी नहीं

किसी क्रिकेट रिपोर्ट की विश्वसनीयता को परखने के लिए हमेशा औसत, स्ट्राइक रेट या विकेटों की संख्या से शुरुआत नहीं करनी चाहिए। कभी-कभी पहला सवाल इससे पहले आता है: हमारे पास विश्लेषण करने के लिए सामग्री है भी या नहीं?

इस मामले में उत्तर साफ है। Stage-1 से Stage-2 को भेजे गए विश्लेषण में सूचना बिंदुओं की संख्या शून्य थी। शीर्षक नहीं था, स्रोत नहीं था, लेख का प्रकार निर्धारित नहीं था, एक-वाक्यीय सारांश खाली था और मुख्य दृष्टिकोण भी दर्ज नहीं था। किसी खिलाड़ी, टीम, मैच, श्रृंखला, टूर्नामेंट, स्थल या नियम विवाद का नाम उपलब्ध नहीं था।

क्रिकेट की भाषा में यह 0/0 की स्थिति है। रन नहीं बने, विकेट नहीं गिरे, लेकिन सबसे गंभीर गलती यह होगी कि कोई मॉडल खाली स्कोरकार्ड को अपनी कल्पना से भर दे।

मैंने 2026 में बेंगलुरु के एक हॉस्टल कमरे से रूस विश्व कप के 64 मैच हाथ से कोड किए थे। 1,584 शॉट्स के साथ काम करते हुए सबसे कठिन हिस्सा xG निकालना नहीं था; कठिन हिस्सा यह तय करना था कि कौन-सी प्रविष्टि वास्तव में देखी और सत्यापित की गई है। उसी अनुभव से एक नियम निकला: डेटा कम हो सकता है, पर डेटा का भ्रम स्वीकार्य नहीं हो सकता।

संदर्भ: क्रिकेट में प्रारूप केवल लेबल नहीं है

क्रिकेट के तीन प्रमुख प्रारूपों में एक ही संख्या का अर्थ अलग हो सकता है। टेस्ट क्रिकेट में बल्लेबाजी औसत, साझेदारी की अवधि और नई गेंद के खिलाफ जीवित रहने की क्षमता महत्वपूर्ण हो सकती है। वनडे में पावरप्ले, मध्य ओवरों की रन गति और विकेट बचाकर अंतिम दस ओवरों में हमला करने की क्षमता अलग संदर्भ बनाती है। टी20 में स्ट्राइक रेट, गेंद-दर-गेंद मैचअप, डेथ ओवरों की अर्थव्यवस्था और पावरप्ले की दक्षता का वजन बदल जाता है।

इसी कारण format context किसी रिपोर्ट का सजावटी हिस्सा नहीं, बल्कि विश्लेषण की बुनियादी शर्त है। उपलब्ध Stage-1 में यह भी पता नहीं था कि विषय टेस्ट, वनडे, टी20, द हंड्रेड या किसी अन्य प्रतियोगिता से जुड़ा था। इसलिए किसी खिलाड़ी की औसत, स्ट्राइक रेट, इकॉनमी, पावरप्ले प्रदर्शन या डेथ ओवरों की तुलना करना पद्धतिगत रूप से असंभव था।

स्थिति को और कठिन बनाता है कि domain label के रूप में cricket_world दर्ज था, जबकि अपेक्षित लेबल Cricket था। यह अंतर अपने-आप में किसी मैच की सूचना नहीं देता, लेकिन यह संकेत जरूर देता है कि Stage-1 का आउटपुट किसी अलग prompt या schema संस्करण से आया हो सकता है। शीर्षक, स्रोत, सूचना बिंदु और दृष्टिकोण का एक साथ गायब होना किसी एक छोटी extraction error से अधिक व्यापक ingestion या schema समस्या की ओर इशारा करता है।

2026 के खाली-स्टेडियम अध्ययन में मैंने IPL के 60 UAE मैचों की तुलना 2026 के 60 home-and-away मैचों से की थी। उस काम में भी पहला चरण यह तय करना था कि कौन-सा मैच नमूने में है, कौन-सा नहीं और किस नियम से घटना दर्ज की जाएगी। जब inclusion rule अस्पष्ट हो, तब बड़ी तालिका भी केवल बड़ी दिखती है।

मुख्य विश्लेषण: खाली Stage-1 से क्या साबित होता है

पहला निष्कर्ष यह है कि कोई मैच-ऑब्जेक्ट मौजूद नहीं है। उपलब्ध रिकॉर्ड में fixture, innings, result, series या tournament का उल्लेख नहीं है। इसलिए किसी जीत, हार, टॉस, पिच, मौसम, ओस, DLS, DRS या ओवर-रेट दंड पर चर्चा करना समाचार नहीं, अनुमान होगा। किसी भी मैच विश्लेषण की शुरुआत कम-से-कम इन बुनियादी इकाइयों से होती है: कौन खेला, कब खेला, कहाँ खेला और किस प्रारूप में खेला। चारों अनुपस्थित हैं।

दूसरा निष्कर्ष यह है कि कोई खिलाड़ी-स्तरीय दावा नहीं बनाया जा सकता। खिलाड़ी की पहचान उपलब्ध नहीं है, भूमिका उपलब्ध नहीं है और समय-सीमा भी नहीं है। किसी बल्लेबाज के खराब फॉर्म, किसी गेंदबाज की नियंत्रण क्षमता, किसी ऑलराउंडर के workload या किसी युवा खिलाड़ी के चयन की चर्चा के लिए नाम के अलावा मैच नमूना और भूमिका-विशिष्ट डेटा चाहिए। यहां एक भी सत्यापन योग्य performance point नहीं है।

कई क्रिकेट रिपोर्टें milestone को पूरी कहानी की तरह पेश करती हैं। शतक, पांच विकेट या तेज पारी के बाद तकनीक, विरासत और भविष्य पर लंबे निष्कर्ष लिख दिए जाते हैं। लेकिन इस इनपुट में milestone भी नहीं है। अतः किसी प्रसिद्ध खिलाड़ी या संभावित सितारे को जोड़ना खास तौर पर जोखिमपूर्ण होगा। नाम जोड़ते ही पाठ सुगठित दिख सकता है, पर वह स्रोत-आधारित नहीं रहेगा।

तीसरा निष्कर्ष टीम या रैंकिंग से जुड़ा है। किसी टीम की batting depth, bowling combination, bench strength या home-away profile का आकलन तभी किया जा सकता है जब टीम, प्रतियोगिता और venue की जानकारी हो। टेस्ट, वनडे और टी20 की टीम संरचना को एक ही पैमाने पर नहीं मापा जा सकता। इसी तरह ICC ranking का उल्लेख भी प्रारूप के बिना अधूरा है। उपलब्ध सामग्री में कोई टीम नहीं है, इसलिए tier classification या points-table positioning देना अनुचित होगा।

चौथा निष्कर्ष व्यावसायिक और लीग विश्लेषण पर लागू होता है। IPL auction price, contract value, broadcast rights, franchise valuation या salary cap का एक भी आंकड़ा नहीं दिया गया। इसलिए किसी खिलाड़ी के commercial value और sporting value के बीच अंतर पर निष्कर्ष नहीं निकाला जा सकता। मैंने 2026 के mega auction से पहले भारतीय seamers पर एक memo तैयार किया था, जिसमें economy under 8.5 और control percentage above 60% जैसे thresholds इस्तेमाल किए गए थे। उस memo का अर्थ इसलिए था क्योंकि sample, role और comparison window दर्ज थे। यहां वे तीनों नहीं हैं।

पांचवां निष्कर्ष governance risk से संबंधित है। DRS विवाद, slow over-rate penalty, NOC conflict, eligibility switch, anti-corruption जांच या भारत-पाकिस्तान scheduling जैसे विषय तभी उठ सकते हैं जब कोई विशिष्ट घटना दर्ज हो। Stage-1 में ऐसा कोई trigger नहीं है। Integrity risk को भी बिना reported case या anomalous pattern के चिह्नित नहीं किया जा सकता। संदेह का माहौल बनाना और evidence-based risk assessment दो अलग प्रक्रियाएं हैं।

छठा और सबसे महत्वपूर्ण निष्कर्ष प्रक्रिया-जोखिम है। आठों analytical dimensions का template भरा जा सकता है, भले ही उसके भीतर हर substantive field में N/A लिखा हो। यही संरचनात्मक पूर्णता का भ्रम पैदा करती है। एक लंबी तालिका, कई headings और risk matrix पाठक को यह मानने पर मजबूर कर सकते हैं कि गंभीर विश्लेषण हुआ है। वास्तव में यहां उपलब्ध एकमात्र मजबूत finding यह है कि विश्लेषण शुरू करने से पहले input validation ने प्रक्रिया रोक दी।

इस failure को database में NULL_INPUT के रूप में दर्ज किया जाना चाहिए। इसे publishable cricket analysis नहीं, pipeline diagnostic मानना चाहिए। Raw article text की लंबाई जांचनी होगी। यह देखना होगा कि body prompt तक पहुंची थी या नहीं, extraction parser ने fields गिराए थे या schema mismatch हुआ था। साथ ही Stage-1 prompt version और output schema की तुलना करनी होगी।

डेटा की सीमा: जो पता चल सकता है, और जो नहीं

यह कहना कि सामग्री अनुपस्थित है, underlying article के अस्तित्व पर अंतिम निर्णय नहीं है। संभव है कि मूल लेख मौजूद हो, लेकिन वह Stage-1 में पहुंचा ही न हो। संभव है कि parser ने पूरा पाठ पढ़ा हो, पर किसी validation rule ने fields खाली कर दिए हों। उपलब्ध रिकॉर्ड से इनमें से किसी संभावना को निश्चित नहीं किया जा सकता।

फिर भी दो बातें उच्च विश्वास के साथ कही जा सकती हैं। पहली, इस आउटपुट से कोई क्रिकेट-विशिष्ट निष्कर्ष समर्थित नहीं है। दूसरी, इसे सामान्य मैच रिपोर्ट की तरह इस्तेमाल करना fabrication risk पैदा करेगा। मध्यम विश्वास के साथ यह भी कहा जा सकता है कि समस्या upstream ingestion या schema handling में है, क्योंकि शीर्षक, स्रोत, type, summary और सभी information points एक साथ अनुपस्थित हैं।

यहां sample-size का सवाल भी अलग तरह से सामने आता है। सामान्य क्रिकेट विश्लेषण में हम पूछते हैं कि नमूना दो मैचों का है या दो सत्रों का। इस मामले में sample size शून्य है। इसलिए छोटे नमूने की चेतावनी भी पर्याप्त नहीं होगी। छोटा sample कुछ सीमित संकेत दे सकता है; शून्य sample कोई sporting signal नहीं देता।

स्रोत पारदर्शिता का यही अर्थ है कि हर दावा किसी specific information point से जुड़ा हो। अगर source उपलब्ध नहीं, तो publication date, event date और timeliness भी अज्ञात रहेंगे। इसी कारण यह तय नहीं किया जा सकता कि विषय ताजा मैच था, पुरानी घटना थी, चयन चर्चा थी या archive material।

प्रतिकूल कोण: खाली रिपोर्ट भी उपयोगी हो सकती है

पहली नजर में यह आउटपुट विफलता जैसा दिखता है, और publishable content के स्तर पर यह सच है। लेकिन pipeline testing के स्तर पर इसका दूसरा अर्थ है। यह एक उपयोगी negative test fixture हो सकता है। अगर सिस्टम को खाली Stage-1 पर भी किसी खिलाड़ी का नाम, स्कोर, auction value या match result उत्पन्न करने का प्रलोभन होता है, तो ऐसी जांच उसे पकड़ सकती है।

यहां contrarian point यह है कि null result हमेशा कम गुणवत्ता का परिणाम नहीं होता। जब evidence नहीं है, तब रुक जाना कभी-कभी सबसे उच्च-गुणवत्ता वाला निर्णय होता है। समस्या तब शुरू होती है जब null handling को failure message की जगह polished analysis में छिपा दिया जाता है। N/A से भरी आठ-dimensional template पाठक को पूर्णता का संकेत दे सकती है, जबकि उसका वास्तविक संदेश होना चाहिए: analysis not performed.

फिर भी null handling को भी कठोर बनाया जाना चाहिए। केवल insufficient information लिख देना पर्याप्त नहीं है। सिस्टम को यह बताना चाहिए कि कौन-से mandatory fields अनुपस्थित हैं, किस न्यूनतम input पर प्रक्रिया आगे बढ़ेगी और कौन-से निष्कर्ष अभी निषिद्ध हैं। इस मामले में न्यूनतम पुनर्प्राप्ति सूची स्पष्ट है: article title, article source, कम-से-कम तीन verifiable information points, एक core viewpoint, format identification, entities involved, time-sensitivity assessment और corrected domain label Cricket।

मानवीय judgement भी पूरी तरह हटाया नहीं जा सकता। Threshold उपयोगी है, लेकिन हर qualitative signal को शोर कहना सही नहीं होगा। कोई coach role change या workload issue पहचान सकता है जो box score में देर से दिखे। उस input को भी दर्ज, नामित और source-qualified करना होगा। जो दर्ज नहीं हुआ, उसे तथ्य की तरह प्रस्तुत नहीं किया जा सकता; जो दर्ज हुआ, उसे केवल इसलिए हटाया नहीं जा सकता कि वह spreadsheet में फिट नहीं बैठता।

आगे का संकेत

इस रिकॉर्ड से किसी टीम की जीत, किसी खिलाड़ी का चयन या किसी लीग की दिशा का अनुमान नहीं निकलेगा। आगे का वास्तविक signal cricket मैदान से पहले data pipeline में दिखाई देगा: क्या raw article body सुरक्षित है, क्या Stage-1 दोबारा चलाने पर कम-से-कम तीन information points लौटते हैं, क्या format स्पष्ट रूप से पहचाना जाता है और क्या कम-से-कम एक खिलाड़ी, टीम या प्रतियोगिता का नाम स्रोत सहित सामने आता है?

मैंने कई बार देखा है कि एक memo महीनों बाद auction table पर परखा जाता है। लेकिन memo से पहले ledger आता है। जब ledger खाली हो, तब भविष्यवाणी नहीं, पुनः-संग्रह जरूरी है। अगली रिपोर्ट का पहला सवाल यही होना चाहिए: हमारे पास क्रिकेट की कहानी है, या केवल उसका schema बचा है?