ফাঁকা ডেটাসেটের পাঠ: ক্রিকেট বিশ্লেষণে ব্লকচেইন-ধাঁচের প্রমাণ কেন অপরিহার্য

গত রাতে ম্যাচ রিপোর্টের ফাইলটা খুললাম। প্রত্যাশা ছিল চেনা দৃশ্য — ওভারভিত্তিক রান, উইকেটের পতন, এক্সজি কার্ভ, পিডিপিএ-র ওঠানামা। কিন্তু যা পেলাম তা ভিন্ন কিছু: একটা টেবিল, যার প্রতিটি ঘর শূন্য। শিরোনাম নেই, সোর্স নেই, তথ্যবিন্দু নেই। বিশ্লেষণের দ্বিতীয় ধাপ চালু করার আগে প্রথম ধাপ থেকে ফিরে এলো একটাই বাক্য — পর্যাপ্ত তথ্য নেই, মূল্যায়ন সম্ভব নয়। একজন ডেটা সাংবাদিকের কাছে এর চেয়ে অস্বস্তিকর দৃশ্য কমই আছে, কারণ আমার পুরো পেশা দাঁড়িয়ে আছে এক সরল চুক্তির উপর: যা মাপা যায়, কেবল তা-ই বলা যায়।

প্রথমে ভাবলাম ফাইলটা ভুল ফোল্ডারে আছে। দ্বিতীয়বার ভাবলাম, সার্ভার ঠিকঠাক সিঙ্ক হয়নি। তৃতীয়বার, যখন দেখলাম টেবিলের প্রতিটি সারি একই ভাবে ফাঁকা, তখন বুঝলাম সমস্যাটা ফাইল বা সার্ভারে নয় — সমস্যাটা পাইপলাইনে। ক্রিকেট ডেটা বিশ্লেষণে আমরা দুটো ধাপে কাজ করি। প্রথম ধাপ কাঁচা ম্যাচ থেকে তথ্যবিন্দু ছেঁকে আনে — কে কত বল খেলল, কোন ওভারে কী ঘটল, টস কে জিতল, শিশির পড়ল কি না। দ্বিতীয় ধাপ সেই তথ্যবিন্দুর উপর দাঁড়িয়ে কৌশলগত বিশ্লেষণ করে। প্রথম ধাপ যদি শূন্য ফেরায়, দ্বিতীয় ধাপের কোনো কাজ নেই। এই লেখাটা আসলে সেই শূন্যতার গল্প — এবং কেন শূন্যতা ক্রিকেট বিশ্লেষণে সবচেয়ে সৎ উত্তর হতে পারে।

আমি ম্যানচেস্টার থেকে কাজ করি, ফুটবল ডেটা দিয়ে শুরু করেছিলাম, পরে ক্রিকেটে এসেছি। ২০১৭ সালে ইউনিভার্সিটির ছাত্র থাকতে ৩৮০টি প্রিমিয়ার লিগ ম্যাচ দিয়ে একটা এক্সজি মডেল বানিয়েছিলাম। ম্যানচেস্টার সিটির ১৮ ম্যাচের জয়ের ধারাটা টেস্ট করে দেখলাম — ৫৬ গোল এসেছিল মাত্র ৪৪.৩ এক্সজি থেকে, অর্থাৎ +১১.৭-র অতিরিক্ত পারফরম্যান্স। সেই টেবিলটাই আমাকে শিখিয়েছিল, সংখ্যা ন্যারেটিভের চেয়ে বেশি সৎ। কিন্তু সেদিনের পরিপূর্ণ টেবিল আর আজকের ফাঁকা টেবিলের মধ্যে একটা মৌলিক পার্থক্য আছে, আর সেটাই এই লেখার কেন্দ্র। আমি ন্যারেটিভের পেছনে ছুটি না; আমি একটা টেবিল বানাই, আর অপেক্ষা করি তথ্যগুলো নিজে থেকে এসে পড়ুক।

একটা ডেটাসেটের মূল্য তার সংখ্যায় নয়, তার প্রোভেন্যান্সে। ম্যাচের প্রতিটি তথ্যবিন্দুর পিছনে থাকা দরকার তিনটি প্রশ্নের উত্তর — কে লগ করেছে, কখন লগ করেছে, আর কোন ফিড থেকে এসেছে। ব্লকচেইনের মূল ধারণাটা এখানেই কাজে লাগে। ব্লকচেইনে প্রতিটি ব্লক আগের ব্লকের হ্যাশ ধরে রাখে, তাই কেউ মাঝখান থেকে কিছু বদলালে পুরো চেইন ভেঙে পড়ে। ক্রিকেট ডেটাতেও একই ধরনের চেইন দরকার: প্রতিটি ওভারের ডেটা আগের ওভারের সাথে যুক্ত থাকা উচিত, যাতে কেউ পরে গিয়ে একটা ওভার সুন্দর করে দিতে না পারে। আমরা এটাকে বলি টেম্পার-এভিডেন্ট প্রোভেন্যান্স — এমন প্রমাণ, যা কেউ চুপচাপ বদলাতে পারে না।

ফাঁকা ডেটা আর মিথ্যা ডেটা এক জিনিস নয়। এই দুটোকে গুলিয়ে ফেলাই ডেটা সাংবাদিকতার সবচেয়ে বড় ঝুঁকি। যখন প্রথম ধাপ শূন্য ফেরায়, তখন দুটো পথ খোলা থাকে। এক, সৎভাবে স্বীকার করা — এখানে তথ্য নেই, তাই এখানে বিশ্লেষণ নেই। দুই, ফাঁকা জায়গাটা কল্পনা দিয়ে ভরে দেওয়া — একটা লোভনীয় ম্যাচ-গল্প বানিয়ে ফেলা। দ্বিতীয় পথটা সহজ, পাঠকপ্রিয়, আর সম্পূর্ণ অনৈতিক। ব্লকচেইনের নীতিতে এই জায়গাটা পরিষ্কার: যা লেজারে নেই, তা অস্তিত্বে নেই।

এই নীতিটা আমি বাস্তবে ব্যবহার করেছি। ২০১৮ বিশ্বকাপে জার্মানি ০-২ হেরেছিল দক্ষিণ কোরিয়ার কাছে কাজানে। ৭৪ শতাংশ পজেশন, ২৬ শট, ২.৭ এক্সজি — তবু গোল শূন্য। দক্ষিণ কোরিয়া ৫ শট নিয়েছিল, এক্সজি মাত্র ০.৯, কিন্তু কিম ইয়ং-গোয়ন ও সন হিউং-মিনের করা দুটো শটই জালে জড়িয়েছিল। আমি ১২ ঘণ্টার মধ্যে একটা শট-ম্যাপ আর পিডিপিএ চার্ট বানিয়েছিলাম — জার্মানির পিডিপিএ ৭.২, কোরিয়ার ২৪.৬। এই ডেটাগুলো ছাড়া গল্পটা হতো ডিফেন্ডিং চ্যাম্পিয়ন হেরে গেল — একটা আরামদায়ক ন্যারেটিভ। ডেটা দিয়ে গল্পটা হলো, জার্মানি ২৬ শট নিয়েও অন-টার্গেট করতে পারছিল না। আই-টেস্ট একজন সাক্ষী; ডেটা হলো জেরার পাল্টা প্রশ্ন।

২০২০ সালে, কোভিডে স্টেডিয়াম খালি হয়ে গেলে, আমি বুন্দেসলিগার প্রথম পাঁচ রাউন্ড দেখলাম। হোম-উইন হার ৪৩.২ শতাংশ থেকে নেমে এলো ২১.১ শতাংশে, হোম-গোল প্রতি ম্যাচে ১.৬৫ থেকে ১.০৮-তে। সেই ফাঁকা স্টেডিয়ামগুলো ছিল একেকটা নিয়ন্ত্রিত পরীক্ষা, যা আমরা কেউ চাইনি। ব্লকচেইনের ভাষায় বললে, প্রতিটা খালি স্টেডিয়াম ছিল একটা অনিবার্য লেজার — যেখানে অ্যাডভান্টেজের ভুয়া গল্পটা মুছে গিয়ে কেবল পিচের সত্যিটা পড়ে ছিল।

আমার কাজের একটা বড় অংশ দুটো জগতের মাঝখানে — বাংলাদেশ আর যুক্তরাজ্য। বাংলাদেশের ঘরোয়া ক্রিকেটের ডেটা ফিড আর ইংল্যান্ডের কাউন্টি ফিড এক নয়। এক জায়গায় ওভারের মাঝখানে বৃষ্টি এলে ডিএলএস-এর হিসাব আলাদা, আরেক জায়গায় স্কোরিং অ্যাপের লেবেলিং আলাদা। এই স্ট্যান্ডার্ডাইজেশন-ফাঁকই অনেক সময় ভুল বিশ্লেষণের জন্ম দেয়। তাই আমি প্রতিটা ডেটাসেটের সাথে তার উৎস আর মিসিং-ভ্যালুর নোট রাখি। ব্লকচেইন-ধাঁচের চেইনে এই নোটগুলোই ব্লকের ভেতরের সত্য।

আরেকটা স্তর আছে — আম্পায়ারিং ডেটা। ডিআরএস-এ বল-ট্র্যাকিং, আলট্রা-এজ, স্নিকো-মিটার মিলিয়ে একটা সিদ্ধান্ত তৈরি হয়। কিন্তু রিভিউ যত দীর্ঘ হয়, ম্যাচের ছন্দ তত ভাঙে; দুই মিনিটের বেশি অপেক্ষা উইকেটের উদযাপনকেই ঠান্ডা করে দেয়। এই সিদ্ধান্তগুলোর পিছনের ডেটা যদি প্রোভেন্যান্স-চেইন দিয়ে সিল করা থাকত, তাহলে সিদ্ধান্ত আসত দ্রুত আর যাচাইযোগ্য ভাবে। ইনজুরি ডেটার অবস্থাও আলাদা নয়। ফেরার সময়সূচি আজকাল প্রায়ই প্রেস টিমের হাতে লেখা হয় — সপ্তাহ-থেকে-সপ্তাহ মানে অনেক সময় ইনজুরি আসলে সেরে ওঠেনি। এই অস্বচ্ছতাও এক ধরনের ভাঙা লেজার।

এখন আসি উল্টো দিকে। হয়তো ভাবছেন, একটা ফাঁকা ডেটাসেট নিয়ে এত আলোচনা অর্থহীন। আমি বলব উল্টোটা। এই ফাঁকা রিপোর্টটা আমাদের সবচেয়ে দরকারি সতর্কবার্তা। কারণ এটা একটা মডেলের ব্যর্থতা নয়, এটা একটা সিস্টেমের ব্যর্থতা। শিরোনাম নেই, সোর্স নেই, ধরন অনির্ধারিত — এগুলো দেখে বোঝা যায়, সমস্যাটা কাঁচা ম্যাচে ছিল না, সমস্যাটা ছিল তথ্য সংগ্রহ আর পার্সিং ধাপে। এখানেই ব্লকচেইন-ধাঁচের প্রোভেন্যান্স কাজে আসে: প্রতিটি ডেটা পয়েন্ট যদি নিজের জন্মসনদ বহন করে, তাহলে কোনো ফাঁক কোথায় জন্মেছে সেটা সাথে সাথে ধরা পড়ে। ব্লকচেইন দর্শনের মূল কথা — একক কর্তৃত্বের উপর ভরসা না করে বিতরণ করা যাচাইয়ের উপর ভরসা করা। ক্রিকেট ডেটাতেও একই মনোভাব দরকার। আমাদের প্রশ্ন করা উচিত নয় সংখ্যাটা কত বড়, প্রশ্ন করা উচিত সংখ্যাটা কোথা থেকে এলো আর কে তার জামিনদার।

এই ফাঁকা ডেটার ঘটনা আমাকে ব্যাসলাইন-পূজা থেকেও সাবধান করে। আমরা বিশ্লেষকরা সহজে একটা বেসলাইনের প্রেমে পড়ে যাই — গত পাঁচ মৌসুমের গড়, দশ বছরের প্যাটার্ন। কিন্তু বেসলাইন নিজেই যদি ভুল ফিড থেকে আসে, তাহলে বিচ্যুতি মাপার কোনো অর্থ নেই। ব্লকচেইনের পাঠ হলো, আগে লেজার যাচাই করো, তারপর সংখ্যা।

তাহলে পরের সপ্তাহে আমি কী দেখতে চাই? একটা চেইন। প্রতিটি ম্যাচ রিপোর্টের সাথে তার ডেটা সোর্সের হ্যাশ, টাইমস্ট্যাম্প আর স্ট্যান্ডার্ডাইজেশনের ধাপ জুড়ে দিতে চাই, যাতে পাঠক নিজেই যাচাই করতে পারে। যখন কোনো ফাইল আবার ফাঁকা ফিরবে, আমি সেটা লুকাব না; সেটাকেই আমার প্রমাণ হিসেবে রাখব। কারণ একটা শূন্য টেবিল একটা মিথ্যা গল্পের চেয়ে অনেক বেশি সত্য বলে — এবং সেটাই পরের ম্যাচের প্রথম সংকেত।