खाली फ़ाइल, भरा हुआ दावा: क्रिकेट कवरेज की एनालिसिस पाइपलाइन में जहाँ डेटा मरता है

पिछले साल दिसंबर में मैंने एक ऐसा रिकॉर्ड खोला जिसमें बारह फ़ील्ड थीं। ग्यारह खाली थीं। बारहवीं में सिर्फ़ चार शब्द लिखे थे — cricket_world। यही वह पल है जब पत्रकारिता में मेरा तीस साल का तजुर्बा मुझसे एक ही सवाल पूछता है: जब दस्तावेज़ खाली हो, तो रिपोर्ट किस चीज़ पर लिखी जाए?

मैं ब्रिस्बेन से बैठकर भारतीय क्रिकेट बोर्ड के कागज़ात पढ़ता हूँ — टेंडर, अनुलग्नक (annexure), मैच-फ़ीस की बहीखाता। मेरी आदत है कि मैं हर प्रेस रिलीज़ को सिर्फ़ कवर नोट मानता हूँ और असली दस्तावेज़ उसके पीछे ढूँढ़ता हूँ। पिछले कुछ साल से इसी तरीक़े से मैं क्रिकेट-संबंधी एनालिसिस पाइपलाइनों को भी पढ़ रहा हूँ, क्योंकि आज क्रिकेट की कहानी का बड़ा हिस्सा सीधे मैदान से नहीं, बल्कि उन सिस्टम से आता है जो मैदान की जानकारी इकट्ठा करते हैं।

यह रिपोर्ट उसी पाइपलाइन की है। और यह उसकी सबसे साफ़ नाकामी का रिकॉर्ड है।

संदर्भ: क्रिकेट-डोमेन का लेबल, और उसके पीछे कुछ नहीं

जिस रिकॉर्ड की बात हो रही है, उसमें एनालिसिस का पहला चरण (Stage-1) पूरी तरह खाली लौटा। लेख का शीर्षक नहीं, स्रोत नहीं, लेख का प्रकार अवर्गीकृत, एक-वाक्य सारांश खाली, लेखक का रुख़ तय नहीं, उद्देश्य तय नहीं। सबसे अहम — सूचना-बिंदु (Information Points) की सूची शून्य थी। इकाइयाँ (entities) उसी सूची से निकालनी थीं, जो सूची ही नहीं थी। समय-संवेदनशीलता का आकलन नहीं हुआ। स्रोत की गुणवत्ता का आकलन इस निर्देश के साथ छोड़ दिया गया कि "स्रोत फ़ील्ड से अंदाज़ा लगाइए" — जबकि स्रोत फ़ील्ड मौजूद ही नहीं थीं।

इसे ऐसे समझिए: एक अदालत में केस की सुनवाई शुरू होती है, और दस्तावेज़ों की सूची में सिर्फ़ एक शब्द लिखा मिलता है — "आपराधिक"। न मुक़दमे का नंबर, न तारीख़, न गवाह, न कोई सबूत। जज चाहे कितना ही अनुभवी हो, वह कुछ नहीं कर सकता। मेरी दृष्टि से क्रिकेट कवरेज की यह एनालिसिस पाइपलाइन उसी मुक़दमे की तरह है जिसमें वकील आ गया, जज बैठ गया, माइक लग गया — लेकिन फ़ाइल थमाने वाला खाली हाथ लौट गया।

यहाँ एक ज़रूरी बात है, और यही इस पूरी घटना की रीढ़ है: खाली फ़ाइल एनालिसिस की नाकामी नहीं है। खाली फ़ाइल एनालिसिस से पहले की नाकामी है। जो सिस्टम तथ्य इकट्ठा करता है, वह अगर कुछ नहीं लाया, तो विश्लेषण स्तर पर बैठा व्यक्ति या मॉडल कुछ भी "गहरा" नहीं कर सकता — सिवाय इसके कि वह कहानी गढ़ दे। और कहानी गढ़ना मेरे पेशे में सबसे बड़ा अपराध है।

कोर: चार जगह टूटती है जानकारी, और हर जगह का अपना फ़िंगरप्रिंट होता है

क्रिकेट की ख़बरें जब किसी पाइपलाइन से गुज़रती हैं — चाहे वह बोर्ड की प्रेस रिलीज़ हो, फ्रेंचाइज़ी की मीडिया रिपोर्ट हो, या एजेंसी का डिस्पैच — तो तथ्य चार मोड़ों पर मर सकते हैं। मैं हर मोड़ का "फ़िंगरप्रिंट" देखता हूँ, क्योंकि खाली आउटपुट यह कभी नहीं बताता कि वह कहाँ मरा।

पहला मोड़: लेख का शरीर (body) कभी आया ही नहीं। यह सबसे आम वजह है। पेपरवॉल, जावास्क्रिप्ट से बना पेज, बॉट-ब्लॉक, या खाली content फ़ील्ड — इनमें से कोई भी एक लेख को सिर्फ़ एक शीर्षक और एक URL में बदल देता है। सिस्टम को "कुछ मिला" जैसा महसूस होता है, लेकिन जो मिला वह रिपोर्ट नहीं, बिज़नेस कार्ड है। उस कार्ड से कोई सूचना-बिंदु नहीं बन सकता, इसलिए Stage-1 खाली लौटता है — तकनीकी रूप से सही, और व्यावहारिक रूप से बेकार।

दूसरा मोड़: एक्सट्रैक्टर को सिर्फ़ मेटाडेटा मिला। शीर्षक, तारीख़, बायलाइन, श्रेणी — यह सब "लेख के बारे में" है, "लेख के अंदर" नहीं। जब एक्सट्रैक्टर के पास केवल यही होता है, तो वह जिस चीज़ को विभाजित (segment) करेगा, वह पाठ नहीं होगा; वह खाली जगह होगी। और खाली जगह का सेगमेंटेशन हमेशा सफल दिखता है, क्योंकि उसमें ग़लत होने के लिए कुछ है ही नहीं।

तीसरा मोड़: स्कीमा या लेबल की गड़बड़ी। cricket_world लेबल मिला, लेकिन कोई इकाई नहीं। यह मेरे लिए सबसे दिलचस्प फ़िंगरप्रिंट है। अगर लेख सच में क्रिकेट का होता और उसमें सामग्री होती, तो भी कम से कम दो-तीन नाम, एक संस्था, एक तारीख़, एक आँकड़ा निकलता। शून्य इकाइयाँ बताती हैं कि यह लेबल सामग्री से नहीं, बल्कि URL, सेक्शन या शीर्षक के कीवर्ड से लगाया गया अनुमान है। यानी लेबल यहाँ विश्लेषण का नतीजा नहीं, एक अनुमान है जिसे नतीजे की जगह रख दिया गया।

चौथा मोड़: ट्रंकेशन। सूचना-बिंदुओं का सेक्शन लिखे जाने से पहले सिस्टम कट गया — टोकन सीमा, टाइमआउट, या आउटपुट बफ़र। यह अलग है क्योंकि यहाँ एक्सट्रैक्शन सफल रहा होगा, पर आउटपुट अधूरा रह गया। फ़र्क़ यह है कि तीसरे मोड़ में सिस्टम को कुछ मिला ही नहीं था; चौथे में उसे सब मिला था और उसने पूरा लिखा ही नहीं। दोनों का इलाज अलग है, इसलिए दोनों को अलग पहचानना ज़रूरी है।

यहाँ एक और बात जोड़ना चाहूँगा, क्योंकि मैंने यह 2026 में रूस में सीखा था। वहाँ मैंने सभी 64 मैचों में वीडियो असिस्टेंट रेफ़री के हर हस्तक्षेप को हाथ से दर्ज किया। फीफा ने बाद में 455 चेक और 29 पेनल्टी की पुष्टि की; मेरी बही ने 29 में से 27 मिलाए। दो क्यों छूटे? क्योंकि मेरी काउंटिंग का तरीक़ा उन दो मामलों को "चेक" की श्रेणी में नहीं गिन रहा था। वह अनुभव मुझे सिखाता है कि शून्य का मतलब सिर्फ़ "कुछ नहीं हुआ" नहीं होता — शून्य कभी-कभी "काउंटिंग का तरीक़ा गलत था" होता है। खाली Stage-1 के मामले में भी यही काम करता है: असली सवाल यह नहीं कि कितने बिंदु मिले — असली सवाल यह है कि हमने क्या गिनना चुना था।

प्रति-सहज दृष्टिकोण: जो लोग कहते हैं "मॉडल ने विश्लेषण क्यों नहीं किया"

इस रिकॉर्ड को देखकर ज़्यादातर लोगों की पहली प्रतिक्रिया यही होगी कि एनालिसिस मॉडल कमज़ोर है, या उसने "मेहनत नहीं की"। मैं इस पढ़ने के तरीक़े से सहमत नहीं हूँ, और मेरे पास इसके लिए सबूत-आधारित वजह है।

एक अच्छा विश्लेषक खाली फ़ाइल देखकर भी सही रास्ता चुनता है, और वह रास्ता विश्लेषण नहीं, इनकार होता है। जिस आउटपुट की आप बात कर रहे हैं, उसने ठीक यही किया — उसने मना किया, और साथ में यह बताया कि नाकामी कहाँ हुई। अपने मानकों के हिसाब से यह सही व्यवहार है। जो वाक़ई चिंता की बात है, वह है उसके आगे का सिस्टम — वे लोग और प्रक्रियाएँ जो खाली रिकॉर्ड को "हो गया" मानकर आगे बढ़ जाती हैं। मैंने अपने करियर में यह बहुत देखा है: बोर्ड के फ़ाइलों में कोई अनुलग्नक ग़ायब होता है, और प्रेस कॉन्फ़्रेंस में उसे "प्रक्रियागत देरी" कह दिया जाता है। चेकलिस्ट में एक खाना खाली रहता है, और रिपोर्ट में वह "लागू नहीं" हो जाता है। खाली डेटा जब दिखता है, तब सबसे ज़्यादा खतरनाक होता है — क्योंकि खाली जगह में किसी की भी कहानी फ़िट हो सकती है।

दूसरी बात जो आलोचक छोड़ देते हैं, वह है यह कि इस शून्य की एक व्यवस्थागत वजह हो सकती है। अगर एक ही तरह के रिकॉर्ड बार-बार खाली लौट रहे हैं, तो यह मॉडल का मिज़ाज नहीं, डेटा-स्रोत का मिज़ाज है — कुछ फ़ीड्स पेपरवॉल के पीछे हैं, कुछ साइटें बॉट को रोकती हैं, कुछ एजेंसियाँ सिर्फ़ हेडलाइन देती हैं और शरीर शुल्क के बदले देती हैं। क्रिकेट की आर्थिक संरचना में यही तो हो रहा है: सूचना मुफ़्त नहीं है, और जो मुफ़्त दिखती है, वह अक्सर सिर्फ़ एक शीर्षक होती है। जो पाइपलाइन मुफ़्त फ़ीड पर खड़ी हो, उसकी रिपोर्टें भी शीर्षक जितनी गहरी होंगी।

तीसरी बात, और यह मेरे लिए सबसे अहम है: इस घटना में कोई संस्थागत दोष नहीं है कि किसी ने झूठ बोला। बल्कि उलटा — किसी ने सच कहा कि उसके पास कुछ नहीं है। यही अंतर मायने रखता है। मीडिया की दुनिया में सबसे बड़ी विफलता झूठ नहीं होती; सबसे बड़ी विफलता यह होती है कि जब दस्तावेज़ नहीं मिला, तब भी कहानी छप जाए। और ऐसा होता है क्योंकि पाठक को "एक और क्रिकेट ख़बर" चाहिए, प्रकाशक को "एक और ट्रैफ़िक पेज" चाहिए, और बीच में खड़े एनालिसिस सिस्टम पर दबाव पड़ता है कि वह किसी तरह भर दे।

टेकअवे: 2026 में सवाल यह नहीं कि मॉडल कितना स्मार्ट है, सवाल यह है कि उसकी फ़ाइल कितनी भरी है

यह पूरा घटनाक्रम एक साधारण नियम पर आकर रुकता है: एक पाइपलाइन की गहराई उसके सबसे ऊपरी चरण से तय होती है, और अगर सबसे ऊपरी चरण खाली है, तो नीचे के हर चरण की बुद्धि बेकार है। अगले सत्र में जब कोई क्रिकेट-कवरेज सिस्टम यह दावा करे कि वह "गहन विश्लेषण" करता है, तो मेरा सवाल एक ही होगा — मुझे वह एक रिकॉर्ड दिखाइए जिसमें इकाइयाँ मौजूद थीं, स्रोत फ़ील्ड भरी थीं, और तारीख़ें लिखी थीं। क्योंकि जो सिस्टम खाली फ़ाइल पर "मना" कह सकता है, वह भरोसेमंद है; जो खाली फ़ाइल पर भी अनुलग्नक जोड़ देता है, वह पहले नंबर का ही पुराना रोग है — बस अब वह माइक्रोसेकंड में होता है।

मैं तारीख़ों पर ट्रांसक्रिप्ट से ज़्यादा भरोसा करता हूँ, और यहीं तारीख़ सबसे ज़्यादा बोलती है: खाली फ़ाइल का शून्य, अगर सही जगह गिना जाए, तो वह भी एक आँकड़ा है। सवाल सिर्फ़ यह है कि उसे गिनने वाला कोई बैठा है या नहीं।