খালি পেলোডের সততা: ক্রিকেট বিশ্লেষণে 'অপর্যাপ্ত তথ্য' লেখার সাহস

গত সপ্তাহে আমার ল্যাপটপে একটা ফাইল খুললাম। শিরোনাম — Stage-2 Deep Professional Analysis, Cricket Domain। আটটা অংশ: ফরম্যাট ও ম্যাচ বিশ্লেষণ, খেলোয়াড়ের টেকনিক, দল ও র‍্যাঙ্কিং, লিগ ও বাণিজ্য, নিয়ম ও গভর্নেন্স, ঝুঁকি, জন-আখ্যান, আর ইন্ডাস্ট্রি ট্রান্সমিশন। আটটার প্রতিটির ঘরে হুবহু একই বাক্য — "N/A — insufficient information"। ফাইলের মাথায় লাল সতর্কবার্তা ঝুলছিল: Stage-1 deconstruction খালি, শূন্য তথ্য-বিন্দু, কোনো দল নেই, কোনো খেলোয়াড় নেই, কোনো ম্যাচ নেই, তারিখ নেই, উৎস নেই।

প্রথম প্রতিক্রিয়ায় এটা আমার কাছে ব্যর্থতা মনে হয়েছিল। দ্বিতীয়বার পড়ে থামলাম। যেটা দেখছিলাম, সেটা আসলে একটা সিস্টেমের সঠিক আচরণ। পাইপলাইনে যখন কোনো কাঁচামাল ঢোকেনি, পাইপলাইন তখন মুখ বন্ধ রেখেছে। সে অনুমান করে গল্প বানায়নি।

কেন এটা নিয়ে লিখছি? কারণ আমি যে পেশায় আছি — ক্রিকেট ডেটা — সেখানে সবচেয়ে দুষ্প্রাপ্য সম্পদ তথ্য নয়, তথ্যের অনুপস্থিতি স্বীকার করার সাহস। বাংলাদেশে ১৭ বছর ধরে খেলা দেখে এবং ডেটা ঘেঁটে আমি এই একটা শিক্ষাই সবচেয়ে বেশি পেয়েছি।

প্রসঙ্গ: দুই ধাপের পাইপলাইন আসলে কী করে

এই পাইপলাইনে Stage-1 একটি কাজ করে — সোর্স ডিকনস্ট্রাকশন। অর্থাৎ, মূল লেখা বা প্রতিবেদন থেকে তথ্য-বিন্দু, মূল দৃষ্টিভঙ্গি, সংশ্লিষ্ট সত্তা (দল, খেলোয়াড়, ইভেন্ট), সময়-সংবেদনশীলতা এবং উৎসের গুণমান টেনে বের করা। Stage-2 সেই বের করা তথ্য-বিন্দুর উপর ভর করে আটটি মাত্রার গভীর বিশ্লেষণ করে।

ব্যাপারটা ক্রিকেটের xG হিসাবের মতোই। বল-বাই-বল ইভেন্ট ডেটা না থাকলে আমি শটের গুণমান মাপতে পারি না, প্রেসিং তীব্রতা (PPDA) বের করতে পারি না, হোম-অ্যাডভান্টেজের সূক্ষ্ম সরণ ধরতে পারি না। কাঁচামাল ছাড়া মডেল একটা সংখ্যা ছুড়ে দিতে পারে, কিন্তু সেটা আর মডেল থাকে না — সেটা অনুমান হয়ে যায়।

কম্পিউটার বিজ্ঞানে একটা পুরনো কথা আছে — garbage in, garbage out। আমি এর একটা সংস্করণ ক্রিকেট বিশ্লেষণে মানি: nothing in, honest nothing out। ইনপুট না থাকলে সৎ উত্তর একটাই — "জানি না"।

মূল বিশ্লেষণ: স্মৃতি থেকে শেখা তিনটি পাঠ

২০১৭ সালে, ২৪ বছর বয়সে, রাজশাহীর ঘর থেকে আমি Golpo Sports-এ জুনিয়র ডেটা অ্যানালিস্ট হিসেবে যোগ দিই। তখন ডেটাকে আমি ধর্মের মতো মানতাম। ২০১৬-১৭ বাংলাদেশ প্রিমিয়ার লিগের ১,২৪৮টি শট কোড করলাম। আবাহনী লিমিটেড ঢাকা ২৭.৬ xG থেকে ৩৪ গোল করল, শেখ জামাল ধানমন্ডি ৩১.২ xG থেকে ২৯। বারো পর্বের একটা সিরিজ লিখলাম শটের গুণমান নিয়ে। আউটলেটের ট্রাফিক দ্বিগুণ হলো, আমার xG টেবিল সাপ্তাহিক রুটিন হয়ে গেল।

সেই কাজ আমাকে একটা অভ্যাস শিখিয়েছিল। আমি "deserved" লেখা বন্ধ করলাম, "xG differential" লেখা শুরু করলাম। প্রতিটা ম্যাচ রিপোর্টে শটের গুণমান ঢুকল, শুধু বল দখল নয়। কারণ বোঝা গেল — মডেলের আসল কাজ ভাগ্য আর দক্ষতাকে আলাদা করা, আর সেটার জন্য একটা বেসলাইন লাগে। বেসলাইন না থাকলে হাতে কিছুই থাকে না। বাংলাদেশে আমি একটা লিগকে তার নিজের xG দেখতে শিখিয়েছি — আর সেই শিক্ষার প্রথম পাঠ ছিল এটাই যে, যা মাপা যায়নি তা নিয়ে কথা বলা যায় না।

২০১৮-র রাশিয়া বিশ্বকাপে StatsBomb আমাকে রিমোট ইভেন্ট ডেটা অ্যানালিস্ট হিসেবে নিল। জার্মানি বনাম মেক্সিকো ম্যাচে আমি লগ করলাম — জার্মানির ২৬ শট, কিন্তু মাত্র ১.৩ xG; মেক্সিকোর ১২ শটে ১.১ xG। জার্মানির PPDA ছিল ৬.৯, যা ১৮টা ট্রানজিশন সুযোগ ছেড়ে দিয়েছিল। আমি একটা থ্রেড ছাড়লাম — জার্মানি গ্রুপ এফ থেকে বেরোতে পারবে না। জার্মানি গ্রুপের তলানিতে শেষ করল। PPDA আমাকে জার্মানিকে দেখিয়েছে — কিন্তু খেয়াল করুন, আমি কনসেনসাসের জন্য অপেক্ষা করিনি ঠিকই, তবে সেই দাবির পিছনে প্রতি শটের ইভেন্ট ডেটা ছিল। ডেটা ছাড়া ওই কল আমি দিতে পারতাম না।

২০২০-তে, বিশ্বব্যাপী খেলা বন্ধের সময়, আমি Brentford FC-র জন্য পরামর্শ করি। Bundesliga, Championship আর Serie A-র ৩০৬টি দর্শক-শূন্য ম্যাচ বিশ্লেষণ করলাম। হোম জয়ের হার ৪৩.১% থেকে ৩৩.৮%-এ নামল; হোম xG ডিফারেনশিয়াল ০.২১ পড়ল; শেষ ১৫ মিনিটে অতিক্রান্ত দূরত্ব ৫.২% কমল। আমি CrowdNull অ্যাডজাস্টমেন্ট বানালাম। Brentford সেটা ব্যবহার করে সেট-পিস রুটিন বদলাল। খালি স্টেডিয়াম আমাকে শিখিয়েছে, হোম অ্যাডভান্টেজ একটা চলক, কোনো নিয়ম নয়।

তিনটি ঘটনার যোগফল একটা সূত্র: যেখানে ইনপুট ছিল, সেখানে আমি সিদ্ধান্ত নিয়েছি; যেখানে ইনপুট ছিল না, সেখানে আমি চুপ থেকেছি। খালি পেলোডের ফাইলটা ঠিক সেই দ্বিতীয় নীতিটাই মেনে চলেছে।

এই সততাটা ক্রিকেটের ডেটা-দরিদ্র লিগগুলোতে সবচেয়ে জরুরি। বাংলাদেশের পিচের চরিত্র, ঘরোয়া অকশন, বয়স-ভিত্তিক পাইপলাইন, ব্যস্ত শিডিউল — এখানে আমদানি করা অ্যানালিটিক্স ডগমা হুবহু খাটে না। স্থানীয় স্কোরার, কোচ আর ভিডিও অপারেটরের সঙ্গে মিলে ডেটা কালেকশন কো-ডিজাইন করতে হয়। কেউ যখন বলে "এই ছেলেটার ভেতরে কিছু আছে", সেটা ডেটার ভাষায় শূন্য তথ্য-বিন্দু। ট্যালেন্ট-মিস্টিসিজম আর প্রকৃত বিশ্লেষণের পার্থক্য এখানেই — একটা সাহস করে "জানি না" বলে, অন্যটা আত্মবিশ্বাসের সুরে ফাঁকা ভরে দেয়।

আমি প্রতিটা লেখায় একটা টেমপ্লেট চাপিয়ে দিয়েছি — xG, PPDA, আর অতিক্রান্ত দূরত্ব। কেন? কারণ এই তিনটা সংখ্যা পুনরুৎপাদনযোগ্য; যে কেউ একই ডেটা নিয়ে একই ফল পাবে। পুনরুৎপাদনযোগ্য না হলে সেটা বিশ্লেষণ নয়, সেটা মতামত।

প্রতিকূল কোণ: শিল্প আত্মবিশ্বাসকে পুরস্কৃত করে, সততাকে নয়

এখানেই অস্বস্তিকর অংশটা। বাজার ক্লিকবেৎ কনফিডেন্স কিনতে ভালোবাসে। যে বিশ্লেষক সবসময় নিশ্চিত, তাকে এডিটর ডাকে; যে বলে "এখনও যথেষ্ট নমুনা নেই", তাকে পাশে বসিয়ে রাখা হয়। এই চাপেই বিশ্লেষকরা নাল-ফলাফলকে গল্পে মুড়ে ফেলেন।

কিন্তু পরিসংখ্যানে একটা পুরনো সতর্কতা আছে — correlation নয় causation। দুই জিনিস একসঙ্গে ঘটল বলে একটা আরেকটার কারণ নয়। একটা মডেল যদি কখনোই "আমি জানি না" না বলে, তাহলে সেই মডেল মিথ্যা বলছে — বিনয়ী হওয়ার বদলে সে আত্মবিশ্বাসের মোড়কে অনুমান বিক্রি করছে। একটা বিশ্লেষণ সিস্টেমের বিশ্বাসযোগ্যতা তার সিদ্ধান্তের সংখ্যায় নয়, তার নীরব থাকার শৃঙ্খলায়।

তাই খালি পেলোডের ফাইলটা দেখতে ব্যর্থ মনে হলেও, সেটাই পাইপলাইনের সবচেয়ে বিশ্বস্ত নথি। বাকি সব ডকুমেন্ট একটা দাবি করছে; এই একটা দাবি করেনি। একজন ESTJ আগে পাইপলাইন বানায়, কবিতা পরে। আর একটা পাইপলাইনের প্রথম গুণ হলো — সে জানে তার সীমা কোথায়।

উপসংহারের বদলে সামনের দিকে তাকানো

এখন প্রশ্নটা সোর্স নিয়ে নয়, প্রক্রিয়া নিয়ে। Stage-1 আবার চালান — তথ্য-বিন্দু, মূল দৃষ্টিভঙ্গি আর সংশ্লিষ্ট সত্তা ফিরিয়ে আনুন। যেদিন অন্তত একটা তথ্য-বিন্দু ফিরবে, সেদিন এই আটটি মাত্রার বিশ্লেষণ স্বাভাবিকভাবে এগোবে।

যে সংকেতগুলো আমি নজরে রাখছি: Stage-1-এর re-population ঠিক হয়েছে কি না; দল বা খেলোয়াড়ের নাম বেরিয়ে এসেছে কি না; আর উৎস ও সময়-মেটাডেটা ফিরেছে কি না। কারণ একটা কথা মনে রাখা দরকার — বিশ্লেষণ শুরু হয় প্রশ্ন থেকে নয়, তথ্য থেকে। আর তথ্য না এলে সবচেয়ে পেশাদার উত্তরটা সবসময় একটাই থাকে: অপেক্ষা করো, বানাও না।