अठारह पन्ने, शून्य तथ्य: क्रिकेट कवरेज की उस पाइपलाइन का ऑडिट जो खाली फ़ाइल को साफ़ रिपोर्ट में बदल देती है

अठारह पन्ने हैं। आठ डाइमेंशन हैं। हर टेबल भरी हुई है। हर पंक्ति में एक मान है, हर मान के आगे एक कॉन्फ़िडेंस टैग है, हर टैग के आगे एक एविडेंस ब्रैकेट है। और जब आप सब जोड़ते हैं तो योग शून्य निकलता है — शाब्दिक शून्य, क्योंकि हर सेल में एक ही शब्द बैठा है: N/A।

यह कोई मज़ाक नहीं है, और यह कोई खराब रिपोर्ट भी नहीं है। यह एक बहुत अच्छी रिपोर्ट है, जिसे सबूत के नाम पर कुछ नहीं मिला। जो चीज़ मिली, वह एक टैग है — cricket_asia। एक क्लासिफ़ायर। एक शब्द जो बताता है कि दस्तावेज़ किस बारे में हो सकता था, यह नहीं कि वह किस बारे में है।

मैं नौ साल से क्रिकेट के आँकड़े उलट रहा हूँ, और मुझे ऐसे दस्तावेज़ कभी-कभी ही मिलते हैं जो अपनी नाकामी को इतनी साफ़गोई से दर्ज करते हैं। इसलिए यह लिखने से पहले मैं एक बात स्पष्ट कर दूँ: नीचे जो है, वह क्रिकेट की कोई टुकड़ी-विश्लेषण नहीं है। यह उस मशीनरी का ऑडिट है जो क्रिकेट का विश्लेषण बनाती है — और जो, इस बार, कुछ भी बना सकने से पहले ही थम गई। पाँच सौ छियालीस रन, हाथ से कोड किए, क्योंकि फ़ाइल ख़ुद को समझा नहीं सकती थी। यहाँ फ़ाइल ख़ुद को समझा भी नहीं पाई, और किसी ने उससे पूछा भी नहीं।

संदर्भ: पाइपलाइन कैसे काम करती है, और वह कहाँ टूटती है

क्रिकेट कवरेज 2026 में दो मंज़िलों पर चलती है। पहली मंज़िल निष्कर्षण करती है — कच्चे लेख, कमेंट्री ट्रांसक्रिप्ट, स्कोरकार्ड, बॉल-बाय-बॉल लॉग से छोटे-छोटे तथ्य-परमाणु निकालती है: कौन, कितना, किस फ़ॉर्मैट में, किस मैदान पर, किस ओवर में। दूसरी मंज़िल उन परमाणुओं पर आठ-आयामी ढाँचा लगाती है — फ़ॉर्मैट, खिलाड़ी तकनीक, टीम परिदृश्य, लीग अर्थशास्त्र, शासन, जोखिम, सार्वजनिक कथा, और उद्योग संचरण।

पहली मंज़िल अगर फेल हो जाए और दूसरी मंज़िल को इसका पता न चले, तो जो निकलता है वह विश्लेषण नहीं होता — वह सजावट होती है। ढाँचा अपने आप भरता नहीं, लेकिन ढाँचे का आकार अपने आप बना रहता है, और आकार ही सबसे भरोसेमंद चीज़ लगती है। यही इस पूरे मामले का केंद्र है।

मेरा अपना तरीका इससे उलटा है, और उलटा होने की एक तकनीकी वजह है। 2026 में वानखेड़े की स्टैंड्स में बैठकर मैंने मुंबई बनाम तमिलनाडु रणजी मैच की दोनों पारियों के 546 रन हाथ से कोड किए — डॉट-बॉल प्रेशर, स्ट्राइक रोटेशन, गेंदबाज़ की स्पेल लंबाई, फ़ील्ड बदलाव, स्कोरिंग ज़ोन। पहले नोटबुक में, फिर स्प्रेडशीट में। उन्नीस घंटे, तीन रातों में। सूर्यकुमार यादव की पहली पारी का 56 भी उसी में था, और मैं उससे यह जाँच रहा था कि क्या उनका रिस्क प्रोफ़ाइल स्कोरकार्ड के सपाट स्ट्राइक रेट से मेल खाता है।

उस काम की एक ख़ूबी थी जिसे मैंने बाद में ही अर्थ दिया: जब आप हाथ से कोड करते हैं, तो आपको पता रहता है कि क्या छूट रहा है, क्योंकि खालीपन उँगलियों में महसूस होता है। जिस ओवर का फ़ील्ड मैप नहीं बना, वह आपको याद रहता है। मशीन को यह एहसास नहीं होता। मशीन एक स्वरूपित पंक्ति लौटा देती है, उसमें N/A भर देती है, और स्वरूपण ही आश्वासन बन जाता है।

इस फेलियर का एक पेशेवर नाम है — एक्सट्रैक्शन फेलियर। वह तब होता है जब स्रोत तक पहुँच तो हो जाती है, लेकिन तथ्य पार्स नहीं होते। सबसे आम वजहें हैं: पेवॉल, इमेज-ओनली रेंडरिंग, ग़ैर-लैटिन स्क्रिप्ट, या फ़ेच का बीच में कट जाना। इस मामले में एक चौथी संभावना भी उठती है, और वह रिपोर्ट ने ख़ुद उठाई है: पार्सिंग लेयर की गड़बड़ी, स्रोत की नहीं।

कोर: आठ आयाम, आठ खाली कमरे

चलिए दस्तावेज़ को उसकी अपनी शर्तों पर पढ़ते हैं।

शीर्षक नहीं है। स्रोत नहीं है। लेख का प्रकार वर्गीकृत नहीं हुआ। सूचना-बिंदुओं की सूची खाली है। मुख्य दृष्टिकोण खाली है। लेखक का रुख़ दर्ज नहीं है। इकाइयाँ निकाली ही नहीं गईं — कोई टीम, कोई खिलाड़ी, कोई बोर्ड, कोई आयोजन। समय-संवेदनशीलता का आकलन नहीं हुआ। स्रोत की गुणवत्ता का आकलन नहीं हुआ। बचा है सिर्फ़ डोमेन टैग।

सबसे घातक चूक स्रोत का N/A होना है, क्योंकि जिस प्रकाशन का नाम आप नहीं जानते, उसकी विश्वसनीयता आप किस आधार पर तौलेंगे। बाक़ी सब इसी एक चूक की शाखाएँ हैं। खिलाड़ी का आकलन नहीं हो सकता, क्योंकि खिलाड़ी का नाम नहीं है। टीम का आकलन नहीं हो सकता, क्योंकि टीम का नाम नहीं है। वाणिज्यिक आकलन नहीं हो सकता, क्योंकि कोई अधिकार-मूल्य, कोई फ़्रैंचाइज़ी मूल्यांकन, कोई नीलामी क़ीमत मौजूद नहीं है। शासन का आकलन नहीं हो सकता, क्योंकि कोई नियम-विवाद, कोई बोर्ड निर्णय, कोई पात्रता मामला सामने नहीं रखा गया।

यहाँ रिपोर्ट ने एक बहुत बारीक रेखा खींची है, और वह रेखा मेरे लिए इस पूरे दस्तावेज़ की सबसे मूल्यवान चीज़ है। कम्प्लायंस जोखिम को "कम" नहीं लिखा गया; उसे N/A लिखा गया। कारण साफ़ है: एक खाली दस्तावेज़ में आरोपों का न होना सुशासन का सबूत नहीं है। यह वही गलती है जो क्रिकेट की टिप्पणी में हर रोज़ होती है — जब किसी खिलाड़ी के ख़िलाफ़ कोई शिकायत दर्ज नहीं होती, तो हम उसे "संदेह से परे" लिख देते हैं, जबकि सच यह है कि हमने कभी जाँचा ही नहीं।

ओवरऑल जोखिम रेटिंग भी N/A है। रिपोर्ट ने इसे "कम" में बदलने से इनकार कर दिया। यह इनकार तकनीकी नहीं, नैतिक है — जोखिम का अनुपस्थित होना और जोखिम का अनआकलित होना दो अलग चीज़ें हैं, और इन्हें एक ही सेल में नहीं लिखा जा सकता।

अब वह आयाम जहाँ ढाँचा सबसे सख़्त है: फ़ॉर्मैट। टेस्ट, वनडे, टी20 और द हंड्रेड — चार अलग-अलग प्रतियोगिता-संरचनाएँ, और इनके बीच हर बुनियादी आँकड़ा अर्थ बदल देता है। जिस गेंदबाज़ का टेस्ट में इकॉनमी 2.8 है, उसका टी20 में 9.4 होना कोई गिरावट नहीं, अलग खेल है। जो स्ट्राइक रेट 50-ओवर में शानदार है, वह 20-ओवर में औसत हो सकता है। मीट्रिक का अर्थ उसके फ़ॉर्मैट में तय होता है, और जिस मीट्रिक का अनुवाद नहीं हो सकता, वह मीट्रिक इस्तेमाल के लायक नहीं। इस दस्तावेज़ में फ़ॉर्मैट कहीं नहीं है। इसका मतलब यह है कि अगर कल कोई विश्लेषक इस पेलोड पर भरोसा करके कोई निष्कर्ष निकालता, तो वह फ़ॉर्मैट-अंधा निष्कर्ष होता — क्रिकेट टिप्पणी की सबसे आम और सबसे महँगी गलती।

डोमेन टैग वाला हिस्सा अलग से समझना चाहिए। cricket_asia का मतलब हो सकता है बीसीसीआई, पीसीबी, एसएलसी, बीसीबी, एसीसी, आईपीएल, पीएसएल, एशिया कप — या इनमें से कुछ भी नहीं। यह एक टैक्सोनॉमी आर्टिफ़ैक्ट है। इसका साक्ष्य-भार लगभग शून्य है, और रिपोर्ट ने यही लिखा है। पर असली ख़तरा टैग में नहीं, टैग के इस्तेमाल में है। रिपोर्ट एक ख़ास जाल की तरफ़ इशारा करती है: भारत-पाकिस्तान और सरकारी हस्तक्षेप वाले उदाहरण एशियाई क्रिकेट की टिप्पणी में सबसे ज़्यादा दुरुपयोग किए जाने वाले टेम्पलेट हैं। सिर्फ़ इसलिए कि टैग में "एशिया" लिखा है, आप उन्हें नहीं घसीट सकते। टेम्पलेट का पाठ करना विश्लेषण नहीं है, और स्रोत जिस चीज़ के बारे में कुछ नहीं कहता, उस पर कुछ कहना टेम्पलेट का पाठ करना है।

यही अनुशासन रिपोर्ट ने उद्योग-संचरण वाले हिस्से में भी बरता। भारतीय बाज़ार का वैश्विक क्रिकेट राजस्व में सत्तर प्रतिशत से ऊपर का हिस्सा — यह उद्योग-सर्वसम्मति का स्थायी संदर्भ-नोट है, इस लेख का निष्कर्ष नहीं। रिपोर्ट ने इसे स्पष्ट रूप से "संदर्भ, निष्कर्ष नहीं" कहकर रखा, और मेरे ख़याल से यह इस पूरे काम का सबसे अनुशासित वाक्य है। क्योंकि सत्तर प्रतिशत वाला आँकड़ा किसी भी क्रिकेट चर्चा में घुसाया जा सकता है और वहाँ वह हमेशा सच लगेगा, भले ही वह उस चर्चा से किसी भी तरह जुड़ा न हो। मुझे वह संख्या डेटासेट में मिली। जिसने उसे उस दस्तावेज़ से जोड़ा, वह नहीं मिला।

बेटिंग और फ़ैंटेसी सेगमेंट के बारे में रिपोर्ट ने साफ़ शर्त लिखी है: इस ढाँचे में पैसे का बहाव सिर्फ़ एक सूचना-संकेत है, कभी सट्टे की सलाह नहीं। कोई ऑड्स नहीं दिए गए, कोई बाज़ार-हलचल नहीं दी गई, और किसी स्पॉन्सरशिप विवरण का ज़िक्र नहीं है। यह सही है, और इसका उल्टा भी सही होता — अगर ऑड्स दिए गए होते, तब भी उनका इस्तेमाल सिर्फ़ इसी तरह होना चाहिए था।

जोखिम मैट्रिक्स का हर छह सेल N/A है: खेल-संबंधी, कार्मिक, वाणिज्यिक, नियम-सत्यनिष्ठा, जनमत, प्रणालीगत। इनमें से कोई भी चेक चलाया नहीं जा सका, क्योंकि हर चेक को एक पहला तथ्य चाहिए जिससे चिपके। तेज़ गेंदबाज़ों के स्ट्रेस फ़्रैक्चर की जाँच, ऑलराउंडर के दोहरे कार्यभार की जाँच, टी20 से टेस्ट में फ़ॉर्म-स्थानांतरण की जाँच, बुज़ुर्ग कोर के रिटायरमेंट क्लिफ़ की जाँच — चारों उपलब्ध नहीं हैं, क्योंकि एक भी खिलाड़ी का नाम नहीं है। और यहीं एक बात दर्ज करनी ज़रूरी है: ऐसी जाँचों का न होना सुरक्षा का प्रमाण नहीं, जाँच का अभाव है।

एक ऐसी रेटिंग है जिससे मैं पूरी तरह सहमत नहीं हूँ, और वह है संदर्भ-मूल्य वाली एक स्टार। रिपोर्ट ने अपने चारों आयामों को एक-एक स्टार दिया है — खेल मूल्य, उद्योग मूल्य, समयबद्धता मूल्य, संदर्भ मूल्य। पहले तीन पर मैं सहमत हूँ। चौथे पर नहीं। यह दस्तावेज़ जिस एक काम को अंजाम दे रहा है, वह है एक हैलुसिनेशन घटना को रोकना — और वह काम स्पोर्टिंग मूल्य से नहीं, डायग्नोस्टिक मूल्य से नापा जाना चाहिए। एक रिग्रेशन टेस्ट को मैच रिपोर्ट के पैमाने पर नहीं तौला जाता। इस दस्तावेज़ का असली उपयोग यह है कि इसे पाइपलाइन के वैलिडेटर के सामने रखा जाए और तीन शर्तें जाँची जाएँ: information_points खाली न हो, article_source null न हो, और format की पहचान हो चुकी हो। जो तीन में से एक भी फेल हो, प्रकाशन रुक जाना चाहिए।

और एक ठोस, जाँची जा सकने वाली बात जो रिपोर्ट ने ख़ुद कही है और जिसे मैं दोहराना चाहूँगा: डोमेन टैग सही भरा गया, जबकि सूचना-बिंदु शून्य हैं। यह संयोजन अपने आप में एक सुराग़ है। इसका सबसे संभावित मतलब यह है कि फ़ेच कहीं तो पहुँचा — क्लासिफ़ायर तक कुछ पहुँचा, तभी उसने टैग दिया — लेकिन पार्सिंग लेयर वहाँ से कुछ निकाल नहीं पाई। यदि ऐसा है, तो लेख संभवतः अभी भी उपलब्ध है। मरम्मत का लक्ष्य स्रोत नहीं, पार्सर है। यह एक परखने योग्य दावा है, और इसे परखा जाना चाहिए, न कि मान लिया जाना चाहिए।

विपरीत पक्ष: रिपोर्ट सही चुप हुई, पर ग़लत सवाल पर चुप हुई

अब वह हिस्सा जो मुझे इस दस्तावेज़ में सबसे कम पसंद है।

यह रिपोर्ट अपनी पूरी लंबाई यह साबित करने में लगा देती है कि वह विश्लेषण नहीं कर सकती। यह ईमानदार है, और ज़रूरी भी था। लेकिन इसमें एक भी पंक्ति उस फ़ेच लॉग के बारे में नहीं है जिसने यह तय किया कि क्या आया और क्या नहीं। एचटीटीपी स्टेटस कोड क्या था? टाइमस्टैम्प क्या था? पार्सर का वर्ज़न कौन-सा चल रहा था? कैरेक्टर एनकोडिंग क्या थी — UTF-8 थी या नहीं? दस्तावेज़ में देवनागरी थी या नहीं? यूज़र एजेंट किसने भेजा था? फ़ेच लॉग के बिना एक्सट्रैक्शन फेलियर एक अफ़वाह है, निष्कर्ष नहीं।

दूसरी बात। रिपोर्ट ने जोखिम को ईमानदारी से HIGH दर्ज किया है — हैलुसिनेशन प्रसार का जोखिम। लेकिन उसका सुझाया उपाय है: Stage-2 आउटपुट को ब्लॉक करो। यह उपाय जोखिम को हल नहीं करता, छुपाता है। जिस आर्टिफ़ैक्ट ने हैलुसिनेशन को रोका, उसे ही हटा देने से अगली बार वही फेलियर बिना गवाह के गुज़र जाएगा। सही उपाय यह है कि इस आउटपुट को वैलिडेटर का हिस्सा बनाया जाए, प्रकाशन से बाहर रखकर।

तीसरी बात, और मेरे लिए सबसे असहज। यह पूरा दस्तावेज़ जिस चीज़ की जाँच नहीं करता, वह है अपनी ख़ुद की मशीनरी। लेख का प्रोवेनेंस तो पूछा गया — कौन लिख रहा है, किस प्रकाशन से, कितना भरोसेमंद है। लेकिन पाइपलाइन का प्रोवेनेंस नहीं पूछा गया। किस वेंडर का पार्सर है? किसने पाइपलाइन चलाई? किस दिन यह जॉब शेड्यूल हुई थी? जब आप स्रोत का हिसाब माँगते हैं पर औज़ार का नहीं, तो आप आधा ऑडिट कर रहे हैं — और आधा ऑडिट पूरे ऑडिट से ज़्यादा ख़तरनाक है, क्योंकि वह पूरा दिखता है।

यह वही जाल है जिसमें मैं ख़ुद फँसता हूँ। अपनी हाथ से कोड की गई फ़ाइलें मुझे भरोसेमंद लगती हैं ठीक इसलिए कि वे साफ़-सुथरी हैं — और क्योंकि मैंने बनाई हैं, उनकी गलतियाँ मेरा निजी मामला लगती हैं, सार्वजनिक नहीं। इसलिए मैंने अपनी कोडिंग लॉग सार्वजनिक करनी शुरू की, स्कीमा के साथ, और एक नमूना दूसरे कोडर से क्रॉस-चेक कराया, और असहमति की दर निष्कर्ष के साथ छापी। यह प्रक्रिया सुंदर नहीं है। हर घंटा बहीखाते में गया, उन घंटों समेत जिन्हें मैं गिनना नहीं चाहता था।

एक और बात जो इस रिपोर्ट में नहीं है और होनी चाहिए थी: दस्तावेज़ अनडेटेड है। समय-संवेदनशीलता का आकलन नहीं हुआ, इसलिए यह न ताज़ा है न पुराना — यह तारीख़ से बाहर है। क्रिकेट में यह बहुत मायने रखता है। अगर यह फेलियर एशिया कप से तीन हफ़्ते पहले हुआ है, तो यह एक ऑपरेशनल घटना है। अगर यह छह महीने पुराना है, तो यह एक प्रणालीगत विफलता है जिसे छह महीने तक किसी ने नहीं देखा। एक ही N/A, दो बिल्कुल अलग कहानियाँ।

टेकअवे: अगले चक्र में क्या देखना है

जो संकेत मैं ट्रैक करूँगा, वह यह है: क्या इसी डोमेन टैग वाले दो और लेखों में वही null पैटर्न दिखता है। एक घटना फ़ेच की गलती है। दो या अधिक घटनाएँ टैक्सोनॉमी और निष्कर्षण के बीच की संरचनात्मक असंगति हैं, और वह पाइपलाइन मालिक का मामला है, पत्रकार का नहीं।

इसीलिए मैं यह चाहूँगा कि वैलिडेटर सीज़न से पहले छप जाए, उसी तरह जैसे मैं बड़े टूर्नामेंट से पहले अपनी थ्रेशोल्ड छापता हूँ। हमने पूर्वानुमान पहले मैच से पहले छाप दिया, ताकि सीज़न हमें ग्रेड कर सके। इस बार पूर्वानुमान यह है: यदि information_points शून्य है, तो पाइपलाइन को शोर मचाना चाहिए, चुपचाप N/A नहीं भरना चाहिए। और जब वह शोर मचाए, तो हमें पूछना चाहिए वह सवाल जो इस अठारह-पन्ने के दस्तावेज़ ने नहीं पूछा — फ़ेच लॉग कहाँ है?

डेडलाइन काम की दुश्मन नहीं है; डेडलाइन ही काम है। पर डेडलाइन के नाम पर एक खाली फ़ाइल को साफ़ रिपोर्ट में बदल देना काम नहीं है। वह उस काम का उल्टा है जिसके लिए यह पेशा बना था।