ফুটবল লেবেল, ফুটবল শূন্য: একটি ডেটা-প্যাকেটের ময়নাতদন্ত

ফুটবল লেবেল, ফুটবল শূন্য: একটি ডেটা-প্যাকেটের ময়নাতদন্ত

খোলসা করার মুহূর্ত

গত বৃহস্পতিবার মেলবোর্নের ডেস্কে একটি ডেটা-প্যাকেট খুলে আমি প্রায় এক মিনিট চুপ করে বসে ছিলাম। মেটাডেটার প্রথম লাইনে স্পষ্ট লেখা—Domain Label: football। ভেতরে বাইশটি ইনফরমেশন পয়েন্ট। একটি ম্যাচ নেই, একটি দল নেই, একটি ফর্মেশন নেই। আছে সাতটি পুরস্কার, তেরোটি মনোনয়ন, একটি অ্যালবাম, একটি চার্ট পজিশন, আর দুটি পরস্পরবিরোধী “ওপেনিং পারফরম্যান্স”—একটি গানের নাম এক জায়গায়, আরেকটি সম্পূর্ণ ভিন্ন গানের নাম আরেক জায়গায়, একই অনুষ্ঠানের একই সূচনা-পর্ব বলে দাবি করা হয়েছে দুটিতেই।

আমি স্ক্রল করে নিচে নামলাম, তারপর আবার উপরে উঠে লেবেলটা পড়লাম। ফুটবল লেখা। বাইশটি সারির একটিতেও ফুটবল নেই। সেই মুহূর্তে বিষয়টা আমার কাছে সাধারণ ভুল কনটেন্টের চেয়ে বড় কিছু হয়ে গেল। এটি একটি ফুটবল-বিশ্লেষণ পাইপলাইনে ভুল ডেটা ঢুকে পড়ার ঘটনা। আর ডেটা-পাইপলাইনে ভুল ঢুকলে ভুল বেরোয়—সেটা ব্যাখ্যার স্তরে গিয়ে আরও বিপজ্জনক রূপ নেয়।

প্রেক্ষাপট: পাইপলাইন কীভাবে কাজ করে, আর আমি কীভাবে খাতা মেলাই

যেকোনো বড় স্পোর্টস-ডেটা সিস্টেমে কাজটা দুই স্তরে ভাগ করা থাকে। প্রথম স্তরে কেউ নিবন্ধ, রিপোর্ট বা সোশ্যাল পোস্ট ভেঙে টুকরো টুকরো তথ্য-বিন্দু বানায়—প্রতিটি বিন্দুর সাথে থাকে উৎসের ঘর, তারিখের ঘর, আর সবচেয়ে গুরুত্বপূর্ণ, ডোমেইন লেবেলের ঘর। দ্বিতীয় স্তরে বিশ্লেষক সেই বিন্দুগুলো নিয়ে ট্যাকটিক্যাল, আর্থিক, প্রশাসনিক বা ঝুঁকি-বিশ্লেষণ দাঁড় করান। প্রথম স্তরের লেবেল যদি ভুল হয়, দ্বিতীয় স্তরের সব হিসাব কাগজে সুন্দর দেখায়, বাস্তবে ভিত্তিহীন।

আমার নিজের কাজের পদ্ধতি এই lesson দিয়েই তৈরি। ২০১৮ সালের রাশিয়া বিশ্বকাপে সতেরো বছর বয়সে আমি প্রতিটি ম্যাচের শট, xG আর সেট-পিস ডেটা চৌষট্টি সারির একটি স্প্রেডশিটে লিখেছিলাম। জার্মানি ০-২ দক্ষিণ কোরিয়া ম্যাচে জার্মানির ২৬টি শট, ৬টি অন টার্গেট, xG ২.৭; দক্ষিণ কোরিয়ার দুই গোল ০.৪ xG থেকে। থ্রেডটি লেখার সময় আমি লেবেল নিয়ে একবারও দ্বিধা করিনি—কারণ ক-টি সারি কী বোঝাচ্ছে, সেটা আমার কাছে স্পষ্ট ছিল।

২০২০ সালে খেলাধুলা বন্ধ, আমি বুন্দেসলিগার ৮৩টি দর্শকশূন্য ম্যাচ বিশ্লেষণ করলাম। ঘরের মাঠে জয়ের হার ৪৩.৩% থেকে নেমে এল ৩৩.৮%-এ, ঘরের দলগুলোর xG প্রতি ম্যাচে কমল ০.২১। সেই থেকে আমি প্রতিটি ডেটাসেটে কনটেক্সট ভেরিয়েবল ট্যাগ করা শুরু করলাম—ভিড়, ভ্রমণ, বিশ্রামের দিন। আর একটি নিয়ম বেঁধে ফেললাম: ফাইল করার আগে অন্তত ৯০% ডেটা কোডেড হতে হবে। একবার সেই নিয়ম ভেঙে ডেডলাইন মিস করেছিলাম, তারপর থেকে নিয়মটা অপরিবর্তিত।

এই নিয়মগুলোই আজকের এই প্যাকেটকে বিচার করার হাতিয়ার।

মূল অনুসন্ধান: বাইশটি বিন্দুর খাতা মেলানো

বাইশটি ইনফরমেশন পয়েন্টের মধ্যে আঠারোটি বিন্দুতে উৎসের ঘর ফাঁকা—লেখা আছে কেবল “Source: None”। বাকি চারটির মধ্যে দুটি জায়গায় “Supplied report”, আর দুই জায়গায় শুধু একটি মিউজিক চার্টের নাম। অর্থাৎ উৎস-নির্ভরতার হার শূন্যের কাছাকাছি, অথচ লেবেলটি শতভাগ আত্মবিশ্বাসী। এখানেই প্রথম বড় ফাটল: একটি দাবির আত্মবিশ্বাস তার প্রমাণের চেয়ে বেশি হলে সেই দাবি বিশ্লেষণের যোগ্য নয়, যাচাইয়ের যোগ্য।

দ্বিতীয় ফাটল প্যাকেটের ভেতরের গঠনে। একটি অনুষ্ঠানের সূচনা-পর্ব একটি-ই হয়। কিন্তু বিন্দু আট দাবি করছে একটি গান ও একজন সহশিল্পী, বিন্দু নয় দাবি করছে সম্পূর্ণ ভিন্ন গান ও ভিন্ন সহশিল্পী। দুটি দাবি একসাথে সত্য হতে পারে না। একটি ডেটাসেট যখন নিজের ভেতরেই পরস্পরবিরোধী হয়, তখন দুটির একটি বাদ দিয়ে অন্যটি বেছে নেওয়ার অধিকার বিশ্লেষকের থাকে না—থাকাকালীন সিদ্ধান্ত হলো দুটিকেই অনির্ভরযোগ্য ঘোষণা করা।

তৃতীয় ফাটল সময়রেখায়। প্যাকেটের বাক্যে বারবার একটি ভবিষ্যৎ-সাল ঘুরে ফিরে আসছে। কোনো প্রতিষ্ঠিত সংবাদ-ঘটনার জন্য এই ধরনের সময়চিহ্ন অস্বাভাবিক। তিনটি সম্ভাবনা থাকে—সালটি ভুল টাইপ করা, নথিটি অনুমানভিত্তিক, বা নথিটি সংযোজিত (সিন্থেসাইজড)। তিনটির কোনোটিই বিশ্লেষণে ব্যবহারের উপযুক্ত নয়।

চতুর্থ, আর সেটাই সবচেয়ে শিক্ষণীয়: প্যাকেটটিকে জোর করে ফুটবল কাঠামোয় বসানোর চেষ্টা করলে সাতটি বিশ্লেষণ-মাত্রার সাতটিই ধসে পড়ে। কৌশল ও টেকনিক্যাল—কোনো ফর্মেশন, কোনো প্রেসিং প্যাটার্ন, কোনো ডেটা নেই। ক্লাব ফাইন্যান্স ও ট্রান্সফার—কোনো ফি, কোনো মজুরি, কোনো চুক্তি নেই। লিগ ল্যান্ডস্কেপ—কোনো লিগ নেই, তাই শিরোপা-প্রত্যাশী থেকে রিলিগেশন অঞ্চল পর্যন্ত কোনো সিঁড়ি আঁকা যায় না। নিয়ম ও শাসন—কোনো ফেডারেশন, কোনো নিবন্ধন বিধি, কোনো শাস্তির নজির নেই। ম্যানেজমেন্ট ও ড্রেসিংরুম—কোনো মালিক, কোচ বা খেলোয়াড়-সম্পর্ক নেই। ঝুঁকি প্রোফাইল—ফুটবল-ঝুঁকির কোনো বিষয়ই উপস্থিত নয়। আর শিল্প-প্রসারণের পথ—অ্যাকাডেমি থেকে সম্প্রচার পর্যন্ত কোনো শৃঙ্খল নেই।

চমকের বিষয় হলো, বিশ্লেষণ-মাত্রাগুলো খালি ফিরে এসেছে বলে প্যাকেটটি মূল্যহীন হয়ে যায়নি। প্যাকেটটি নিজেই একটি নমুনা হয়ে গেছে—এমন একটি নমুনা, যা দেখায় ভুল ডোমেইন লেবেল কীভাবে সাতটি আলাদা বিশ্লেষণ-ধারা একসাথে অচল করে দিতে পারে। এটাই এই নথির প্রকৃত তথ্য-লাভ; কোনো ফুটবল-অন্তর্দৃষ্টি নয়, একটি পাইপলাইন-ত্রুটির ডকুমেন্টেশন।

এখানে একটি সাংবাদিক-নৈতিক সীমারেখাও টানতে হয়। প্যাকেটে দাবি করা হয়েছে কুড়ি বছরের ব্যবধানে কুড়িটি পুরস্কার, আঠাশ বছর পর প্রথম জয়, এক সহশিল্পীর নামের সাথে একটি রেকর্ডের প্রসঙ্গ, একটি অ্যালবামের চার্ট শীর্ষস্থান। এই দাবিগুলো সত্য হয়েও থাকতে পারে—কিন্তু “থাকতে পারে” আর “যাচাই করা হয়েছে” এক জিনিস নয়। আমি একটি সংখ্যার পিছু পিছু হাঁটি, যতক্ষণ না সেটি একটি বাক্যে দাঁড়ায়; উৎস নেই বলে যেখানে বাক্য দাঁড়ায় না, সেখানে আমি সিদ্ধান্ত স্থগিত রাখি।

বিপরীত কোণ: লেবেল আর কনটেন্ট এক জিনিস নয়

এখান থেকে সবচেয়ে সহজ ভুলটা হলো ভাবা—এটা নিছক একটি টাইপো, একটি অ্যাডমিন ভুল, যা সংশোধন করলেই সব ঠিক হয়ে যাবে। আমি দ্বিমত করি। লেবেল আর কনটেন্টের মধ্যে ব্যবধান কোনো কেরানির ভুল নয়; এটি সেই একই রোগের আরেকটি রূপ, যে রোগে ভুগে আমাদের শিল্পে xG-কে ম্যাচের সম্পূর্ণ ব্যাখ্যা বলে চালানো হয়। xG শটের মান বোঝায়, কিন্তু হঠাৎ করা পাসের সিদ্ধান্ত, ফর্মের ওঠানামা বা রেফারির মানদণ্ড বোঝায় না; তবু কেউ কেউ একটি সংখ্যা দেখে গোটা ম্যাচের রায় লিখে ফেলে। ঠিক তেমনি, একটি ফিল্ড যদি “football” লেখা ধারণ করে, কেউ কেউ ধরে নেয় ভেতরেও ফুটবল আছে। সম্পর্ক আর কারণ গুলিয়ে ফেলার এই অভ্যাসই ডেটা-সাংবাদিকতার সবচেয়ে বড় সংক্রমণ।

আটাত্তরটি খালি স্টেডিয়ামের ম্যাচ আর তিরাশিটি—দুঃখিত, তিরাশি সংখ্যাটি এখানে আমার নিজের নথির, ভিড়শূন্য বুন্দেসলিগার ৮৩ ম্যাচ—এগুলো আমার কন্ট্রোল গ্রুপ হয়ে দাঁড়িয়েছিল ঠিক এই কারণে যে, সেখানে শর্ত স্পষ্ট লেখা ছিল। শর্ত অস্পষ্ট হলে কন্ট্রোল গ্রুপ কাজ করে না; উল্টো নিজেই দূষণের উৎস হয়ে ওঠে।

তবে এখানে একটি পাল্টা যুক্তি নিজের নামে আমাকেই লিখতে হয়। বিশ্লেষণ-পদ্ধতির একটি অংশ ডোমেইন-নিরপেক্ষ, আর সেটি অকার্যকর নয়। গতিমাত্রার মডিউল—প্রত্যাশা বনাম বাস্তব, আখ্যানের গতি, জনমতের চাপ—একজন শিল্পীর দীর্ঘ বিরতির পর ফেরা আর একজন চৌত্রিশ বছরের স্ট্রাইকারের পুনরুত্থান, দুই ক্ষেত্রেই একই কাঠামোয় বসে। পদ্ধতিটা বাতিল করার দরকার নেই; বাতিল করার দরকার ভুল রাউটিংয়ের। PPDA আমাকে দিয়েছিল আকার, পেনাল্টি শুটআউট দিয়েছিল গল্প—কিন্তু আকার আর গল্প দুই ভিন্ন স্তর, আর লেবেল হল তৃতীয় স্তর, যা কখনো কখনো বাকি দুটিকে ছাপিয়ে যায়। রোপিয়ান চ্যাম্পিয়নশিপে ইতালি-স্পেন ১-১, পেনাল্টিতে ৪-২—সেখানে স্পেনের ৭০% বল দখল, ১৬ শট, PPDA ৬.৮; ইতালির PPDA ১৩.৪, তবু জয় ইতালির, কারণ ০.৭ সেট-পিস xG আর ব্লক-ট্রিগার। যে বিশ্লেষক ওই ম্যাচে ‘বল দখল = নিয়ন্ত্রণ’ লিখেছিলেন, তিনি একটি সঠিক সংখ্যাকে ভুল বাক্যে বসিয়েছিলেন। এটাও লেবেল-ভুলের পরিবার।

পরবর্তী সংকেত

আমি খাতা মেলাই কিকঅফের প্রথম মিনিট থেকে, শেষ মিনিট থেকে নয়—আর এই প্যাকেটে প্রথম মিনিটটাই অনুপস্থিত। আমার মডেল একটি মঠ, আর স্প্রেডশিট হলো প্রার্থনা; কিন্তু প্রার্থনা করার আগে দরজার নামফলকটা পড়ে নেওয়া জরুরি। মডেলটি বলেছে: লেবেল মিথ্যা হলে বাকি সব সত্য মিথ্যে হয়ে যায়।

পরের রাউন্ডে আমি দুটি জিনিস দেখব। প্রথমত, এই প্যাকেটটি কোন ব্যাচে ঢুকেছিল—আশেপাশের নথিগুলোতেও কি একই রকম ডোমেইন-লেবেল বসেছে? একটি ত্রুটি কখনো একা আসে না। দ্বিতীয়ত, উৎসের ঘর কবে ভরাট হবে—বাইশটি বিন্দুর অন্তত বারোটিতে নামসহ উৎস দেখা গেলে তবেই নথিটি আবার বিশ্লেষণের টেবিলে ফিরবে।

প্রশ্নটা তাই বিশ্লেষকের নয়, পাইপলাইনের: আপনার সিস্টেমে কতগুলো “ফুটবল” নথি ঘুরে বেড়াচ্ছে, যাদের ভেতরে একটি ম্যাচও নেই?