खाली शेल, भरा हुआ स्कीमा: क्रिकेट डेटा पाइपलाइन में साइलेंट विफलता का लेखा

रिकॉर्ड डेस्क पर पहुँचा तो उसका हर खाना भरा हुआ था। आर्टिकल टाइप दर्ज था — Unclassified। डोमेन लेबल दर्ज था — cricket_world। एंटिटीज़ इन्वॉल्व्ड के खाने में पूरा निर्देश छपा था: "ऊपर दिए गए इन्फॉर्मेशन पॉइंट्स से पहचानें।" और उस भरे-पूरे ढाँचे के नीचे, जहाँ असली सामग्री बैठती है, एक खाली सूची थी। इन्फॉर्मेशन पॉइंट्स: शून्य। कोर व्यूअरपॉइंट्स: शून्य। वन-लाइन समरी: खाली। सोर्स: N/A। लेखक का रुख: N/A।

रिकॉर्ड का वज़न कुछ भी नहीं था। देखने में वह बिल्कुल सामान्य लग रहा था।

मॉडल ने शोर नहीं मचाया। उसने चुपचाप रिकॉर्ड को खारिज किया और अपने पीछे एक लेबल छोड़ गया — एक्सट्रैक्शन फेल्योर। इस पूरी घटना का सबसे ज़रूरी हिस्सा विफलता नहीं है। सबसे ज़रूरी हिस्सा विफलता की पहचान है।

संदर्भ: दो स्टेज और एक ऑडिट ट्रेल

क्रिकेट डेटा डेस्क का काम दो परतों में बँटा है। पहला स्टेज किसी भी क्रिकेट सामग्री को पढ़ता है — मैच रिपोर्ट, प्रीव्यू, ऑक्शन की खबर, बोर्ड की घोषणा, किसी खिलाड़ी का प्रोफाइल। वहाँ से वह परमाणु तथ्य निकालता है, जिन्हें इन्फॉर्मेशन पॉइंट कहा जाता है: स्कोर, फॉर्मेट, वेन्यू, सांख्यिकी, तारीख़, निर्णय, हितधारक। दूसरा स्टेज उन तथ्यों को आठ आयामों में तोड़ता है — फॉर्मेट और मैच की प्रकृति, खिलाड़ी की तकनीक और आँकड़े, टीम का परिदृश्य और रैंकिंग, लीग और वाणिज्यिक पारिस्थितिकी, नियम और शासन, जोखिम, जन-कथा और अपेक्षा, और उद्योग-संचरण।

इस पूरे ढाँचे पर एक ही शर्त लगी है: दूसरे स्टेज का हर निष्कर्ष पहले स्टेज के किसी नंबर वाले तथ्य से जुड़ा होना चाहिए। रिपोर्ट में जगह-जगह "→ Evidence: [...]" इसीलिए लिखा जाता है। वह सजावट नहीं, वही चीज़ है जो एक एनालिसिस को राय से अलग करती है। जिस दिन यह ट्रेल टूटता है, उस दिन एनालिसिस भी टूटती है। इस रिकॉर्ड में ट्रेल शुरू ही नहीं हुआ, क्योंकि जुड़ने के लिए कोई तथ्य मौजूद नहीं था।

दूसरी चीज़ जो सीधे आँख में पड़ती है, वह लेबल की है। डोमेन लेबल cricket_world लौटा, जबकि तय शब्दावली में वह Cricket होना चाहिए था। इसे शब्दों का शौक़ मत समझिए। कंट्रोल्ड वोकैबुलरी का मतलब यही होता है कि आगे का हर ऑटोमेटेड काम — रूटिंग, टेम्पलेट का चुनाव, क्रॉस-आर्टिकल एग्रीगेशन — उसी एक स्ट्रिंग पर टिका है। ग़लत लेबल एरर नहीं देता। वह चुपचाप मैच होने से रह जाता है। और जो चीज़ एरर नहीं देती, वह पकड़ में सबसे बाद में आती है।

मूल विश्लेषण: खालीपन का पैटर्न

सवाल यह है कि कौन-से खाने भरे रहे और कौन-से खाली। यही पूरी जाँच की कुंजी है।

ढाँचे वाले खाने बचे रहे — आर्टिकल टाइप, डोमेन लेबल, एंटिटीज़ वाला निर्देश-पाठ। सामग्री से बनने वाले खाने खाली हो गए — इन्फॉर्मेशन पॉइंट्स, कोर व्यूअरपॉइंट्स, समरी, और खुद एंटिटीज़ की सूची। यह बँटवारा बेतरतीब नहीं है।

अगर स्कीमा टूटा होता, तो ढाँचे वाले खाने भी खाली आते। अगर एक्सट्रैक्टर का लॉजिक खराब होता, तो विफलता हर जगह एक जैसी दिखती। यहाँ जो हुआ, वह तीसरी चीज़ है: खाका छप गया, सामग्री पहुँची ही नहीं। यानी गड़बड़ स्कीमा की परत पर नहीं, दस्तावेज़ पकड़ने और निकालने की परत पर है। डिबगिंग का दायरा उतना ही छोटा हो जाता है, और यही इस खाली रिकॉर्ड की एकमात्र ठोस खोज है।

तीन कारण सबसे संभावित हैं। दस्तावेज़ मिला ही नहीं — पेवॉल, 403, 404, जावास्क्रिप्ट से बना खोखला पेज, या ऐसा HTML जिसमें शरीर ही नहीं था; एक्सट्रैक्टर ने ईमानदारी से कहा कि कुछ नहीं मिला। या फिर दस्तावेज़ मिला, पर गैर-लातिनी लिपि में था या मशीन-पठनीय नहीं था, और सिस्टम ने उसे चुपचाप गिरा दिया। या ऊपर की किसी कड़ी में ट्रंकेशन ने शरीर काट दिया, इससे पहले कि एक्सट्रैक्टर वहाँ पहुँचता।

दूसरा कारण इस पेशे के लिए ख़ासा असुविधाजनक है। दुनिया की क्रिकेट पत्रकारिता का एक बड़ा हिस्सा हिंदी, बांग्ला, तमिल, उर्दू और सिंहली में लिखा जाता है। अगर पाइपलाइन उसी को चुपचाप गिरा रही है, तो जिस कोष पर हम "क्रिकेट की वैश्विक तस्वीर" कहकर भरोसा करते हैं, वह असल में अंग्रेज़ी-केंद्रित एक टुकड़ा है — और किसी ने उसे वैसा लेबल भी नहीं किया।

यहीं एक और बात तय करनी ज़रूरी है। शून्य इन्फॉर्मेशन पॉइंट का मतलब यह नहीं है कि मामला तटस्थ है। इसका मतलब सिर्फ़ यह है कि मामला मौजूद नहीं है। "N/A — अपर्याप्त सूचना" किसी तथ्य के बारे में फ़ैसला नहीं है; वह तथ्य की अनुपस्थिति का दर्जा है। यह फ़र्क़ बड़ा है, क्योंकि जो मॉडल "N/A" को "यहाँ देखने को कुछ नहीं" पढ़ता है, वही मॉडल "कोई जोखिम झंडा नहीं उठा" को "कोई जोखिम नहीं है" भी पढ़ लेगा।

फॉर्मेट वह एंकर है जिसके बिना बाक़ी सब बेमानी है। टी20 का फ़िनिशर 180 से ऊपर की स्ट्राइक रेट पर अपेक्षित है; वही 180 टेस्ट में कोई गुण नहीं, एक आउटलायर है। एक ही आँकड़ा दो फॉर्मेट में दो अलग चीज़ें बन जाता है। ऐसे ही, ट्रांज़ैक्शन प्राइस और स्पोर्टिंग वैल्यू दो अलग धुरी हैं। रिकॉर्ड ऑक्शन रकम फ़्रैंचाइज़ की माँग और बाज़ार की कमी साबित करती है; अंतरराष्ट्रीय फॉर्मेट में दबदबा नहीं। क्रिकेट की कमर्शियल टिप्पणी में यह सबसे आम ग़लती है — और खाली रिकॉर्ड ठीक इसी ग़लती का न्योता देता है। क्रिकेट में घरेलू और बाहरी प्रदर्शन का फ़ासला लगभग हर दूसरे पेशेवर खेल से बड़ा है; सिर्फ़ घरेलू नतीजों से किसी टीम की ताक़त का दावा अधूरा रहता है। यह किसी टीम के बारे में निष्कर्ष नहीं, एक खड़ी चेतावनी है — और इस रिकॉर्ड में वह चेतावनी टाँगने के लिए भी कोई टीम नहीं है।

सत्यनिष्ठा से जुड़े मामलों पर रिपोर्टिंग का बोझ असमान होता है। सिद्ध निष्कर्ष और असिद्ध आरोप कभी एक ही लहज़े में नहीं लिखे जा सकते, क्योंकि यहाँ ग़लत लेबल की कीमत अपरिवर्तनीय है। जब सोर्स क्वालिटी ही आँकी न गई हो, तो यह आयाम ज़िम्मेदारी से भरा ही नहीं जा सकता।

मेरे अपने डेस्क से

2026 में मैंने यह सबसे महँगे तरीक़े से सीखा। चार हफ़्ते तक मैं यह कहता रहा कि खाली स्टेडियम में भी होम एडवांटेज बरकरार रहेगा। मॉडल गवाही नहीं दे रहा था; मैं दे रहा था। फिर 72 घंटे में सब कुछ दोबारा लिखना पड़ा — होम कोएफ़िशिएंट +0.31 से 0.04 पर, वेन्यू हिस्ट्री की जगह क्राउड-अटेंडेंस फ़्लैग, और हर क्लाइंट डेक नए सिरे से। उस दौर को मैं अपने करियर की सबसे महँगी ज़िद कहता हूँ। सबक़ "मेरा मॉडल ग़लत था" नहीं था। सबक़ यह था कि मुझे पता था वह ग़लत था, और मैंने रीबिल्ड टाल दिया।

खाली स्टेज-1 को आगे भेजना उसी ज़िद का दूसरा रूप है। अंतर सिर्फ़ इतना है कि यहाँ ज़िद किसी एनालिस्ट की नहीं, किसी प्रक्रिया की है।

इसके उलट, जब हर इनपुट का स्रोत दर्ज होता है, चीज़ें टिकती हैं। 2026 में राइजिंग पुणे सुपरजायंट के लिए मेरा पावरप्ले-इकॉनमी मॉडल 17 साल के वॉशिंगटन सुंदर की 6.16 की इकॉनमी को स्क्वाड की सबसे बेहतर वैल्यू पिक बताता था — और वह नतीजा सिर्फ़ इसलिए निकला क्योंकि हर आँकड़ा कहीं से आया था, किसी अनुमान से नहीं। आरपीएस उस साल हैदराबाद में 21 मई को फ़ाइनल में पहुँची और एक रन से हारी — 129/8 बनाम 128/6। एक रन का फ़ाइनल किस्मत नहीं होता; वह देर से बंद हुआ खाता होता है। और खाता तभी पढ़ने लायक़ होता है जब उसकी हर पंक्ति किसी स्रोत तक जाती हो।

उलटा कोण: खाली शेल सबसे ख़तरनाक शेल होता है

सहज अनुमान यही है कि खाली रिकॉर्ड मासूम होता है। कुछ है ही नहीं, तो डर किस बात का। यह अनुमान ग़लत दिशा में जाता है।

स्कीमा से भरा और सामग्री से खाली पेलोड एक साफ़-सुथरे null से ज़्यादा ख़तरनाक होता है, क्योंकि वह पैटर्न-कम्प्लीशन का न्योता देता है। भरा हुआ टेम्पलेट थमाने पर भाषा-मॉडल खाली खानों को भरता है — आत्मविश्वास से, साफ़ गद्य में, जाने-पहचाने आँकड़ों के साथ। नतीजा विश्लेषण की सबसे बुरी श्रेणी है: अच्छे कपड़े पहने हुए मनगढ़ंत। जो null सामने खुला पड़ा है, वह तुरंत लौटा दिया जाता है। जो खाली शेल सजा हुआ है, वह छप जाता है।

कोष पर असर सीधा है। एक शून्य-सामग्री पंक्ति किसी एग्रीगेट डेटासेट में घुसते ही एरर नहीं देती। वह बैठी रहती है और गिनती, औसत और डोमेन-स्तर के रुझान को भीतर से हिलाने लगती है। दस हज़ार रिकॉर्ड में कुछ खाली शेल किसी पाइपलाइन को टूटा हुआ नहीं दिखाते; वे एक हल्की-सी गिरावट की तरह दिखते हैं, जिसकी जाँच कोई नहीं करता।

और तारीख़ का सवाल। इस रिकॉर्ड की टाइम-सेंसिटिविटी आँकी ही नहीं गई, सोर्स क्वालिटी आँकी ही नहीं जा सकती। ऐसे रिकॉर्ड का डिफ़ॉल्ट दर्जा "अप्रचीन मान लिया गया" होना चाहिए। तीन महीने पुराना टूर्नामेंट-पूर्व प्रीव्यू आज की टिप्पणी बनकर छप जाए, तो वह छोटी चूक नहीं है। वह ठीक वही चूक है, जिसे रोकने के लिए यह पूरा ढाँचा बना है।

इसीलिए इस रिकॉर्ड की असली खबर विफलता नहीं है। असली खबर यह है कि गेट टिका रहा। ऐसे बाज़ार में जहाँ हर हाल में कुछ छापने का दबाव है, छापने से इनकार करना ही उत्पाद है। मेरी पेड लेटर उसी जगह से शुरू हुई थी जहाँ मुफ़्त की सहमति सवाल पूछना बंद कर देती है।

आगे क्या देखना है

पाँच चीज़ों पर नज़र रखनी चाहिए। स्टेज-1 का दोबारा चलना, कच्चे दस्तावेज़ और रिट्रीवल स्टेटस लॉग के साथ — अगर सूचना-बिंदु शून्य से ऊपर आते हैं, तो यह पूरा ढाँचा फिर से चलाया जाना चाहिए। रिट्रीवल स्टेटस कोड — 403, 404 या जावास्क्रिप्ट-शेल — जो बताएगा कि ग़लती पहुँच में थी या निकालने में। डोमेन-लेबल का अनुपालन, जिसे स्टेज-2 तक पहुँचने से पहले ही अस्वीकार होना चाहिए। और सबसे ज़रूरी — इन्फॉर्मेशन-पॉइंट्स गेट: जिस रिकॉर्ड में शून्य तथ्य हों, वह आगे न जाए।

बाक़ी सवाल वही है जो हर लेखा-जोखा छोड़ जाता है। खाली आया एक रिकॉर्ड पकड़ में आ गया। पर उस कोष में कितने ऐसे खाली शेल पहले से बैठे हैं, जिन्हें किसी ने न खारिज किया, न लेबल दिया — और जिन्हें आज भी "डेटा" कहकर उद्धृत किया जा रहा है। जिस दिन हम उनकी गिनती करेंगे, उस दिन पता चलेगा कि हमारी क्रिकेट एनालिटिक्स कितनी भरी हुई है और कितनी खाली।