খালি ইনপুট, অটুট খাতা: ক্রিকেট অ্যানালিটিক্সের ডেটা-সততা অডিট

গত রাতে আমার নোটবুকের ৪১ নম্বর পাতায় একটা লাইন লিখেছি — “মডেল মিথ্যা বলেনি; মডেলের হাতে কিছুই ছিল না।” আমি লিভারপুলে বসে ক্রিকেট আর ফুটবলের ডেটা মডেল চালাই, আর আমার সবচেয়ে বড় ভয় কোনো তারকা খেলোয়াড় নয় — বরং একটা পরিচ্ছন্ন দেখতে পাওয়া সংখ্যা, যার পেছনে কোনো কাঁচামাল নেই। কয়েক দিন আগে আমার হাতে এমনই একটা বিশ্লেষণ-রিপোর্ট এসেছিল। শিরোনাম ছিল না, খেলোয়াড়ের নাম ছিল না, স্কোর ছিল না — শুধু ভরাট কলামের জায়গায় সারি সারি “তথ্য অপর্যাপ্ত” লেখা। কোনো ম্যাচ নেই, কোনো ভেন্যু নেই, কোনো তারিখ নেই। অথচ সেই ফাঁকা রিপোর্টটাই পরের ধাপে চলে গিয়েছিল, যেন একটা খালি খাতা নিয়েই কেউ হিসাব মেলাতে বসেছে। যে মুহূর্তে বুঝলাম, ফাঁকা ডেটাও একটা ডেটা হয়ে সিস্টেমে বয়ে বেড়াতে পারে — সেদিন থেকেই আমি এই লেখাটা লিখতে চেয়েছি।

আমাদের বিশ্লেষণের কাজটা সাধারণত দুটো ধাপে চলে। প্রথম ধাপে একটা সোর্স লেখা থেকে তথ্য টেনে আনা হয় — কোন ম্যাচ, কোন ফরম্যাট (টেস্ট, ওয়ানডে, টি-টোয়েন্টি), কোন ভেন্যু, কোন খেলোয়াড়, কত বড় স্যাম্পল সাইজ। দ্বিতীয় ধাপে সেই তথ্যের উপর বিশ্লেষণ দাঁড় করানো হয় — ট্যাকটিকস, পিচের আচরণ, র‍্যাঙ্কিং, কনজেশন লেজার। সমস্যাটা হলো, প্রথম ধাপ যদি ফাঁকা ফিরে আসে, দ্বিতীয় ধাপ কিন্তু থেমে যায় না। সে তখন তার নিজের স্মৃতি থেকে ফাঁকা জায়গা ভরাতে শুরু করে। এটাই ক্রিকেট অ্যানালিটিক্সের সবচেয়ে নীরব ঝুঁকি।

একটা সিস্টেম যখন ফাঁকা ইনপুট পায়, তার উচিত থেমে যাওয়া, একটা লাল পতাকা তুলে বলা — “এখানে কিছু নেই।” কিন্তু অনেক সিস্টেম চুপচাপ এগিয়ে যায়, কারণ থেমে যাওয়া মানে ব্যর্থতা স্বীকার করা। অথচ একটা খালি পেলোড চুপচাপ পরের ধাপে পাঠানো মানে একটা ভুলের জন্ম দেওয়া, যার দায় পরে কারও থাকে না। আমি এই ঝুঁকিটাকে বলি “নীরব দূষণ” — শব্দ হয় না, ধোঁয়া ওঠে না, শুধু একটা ভুল সংখ্যা ধীরে ধীরে সত্য বলে প্রতিষ্ঠিত হয়ে যায়।

আমি ষোলো বছর ধরে এই খেলাটা কাছ থেকে দেখছি, আর এই সময়ে একটা জিনিস শিখেছি — ক্রিকেটের প্রতিটি সংখ্যার একটা উৎস থাকে। একটা টেস্ট ম্যাচের পাঁচ দিন, একটা টি-টোয়েন্টির ১২০ বল, একটা টুর্নামেন্টের ৩২ দিন — প্রতিটা পরিসংখ্যানের পেছনে একটা তারিখ, একটা পিচ, একটা স্যাম্পল দাঁড়িয়ে থাকে। উৎস হারিয়ে গেলে সংখ্যা থেকে যায়, কিন্তু তার পেছনের সত্যটা চলে যায়। আর আমি বরাবর বলে এসেছি: বেসলাইন আগে, বর্ণনা পরে। বেসলাইন যদি খালি হয়, বর্ণনা সাজানোর অধিকার কারও নেই।

এখানেই ব্লকচেইনের প্রসঙ্গ আসে, তবে একটু অন্যভাবে। ক্রিকেটপ্রেমীরা সাধারণত ব্লকচেইনকে ভাবেন টিকিট, ফ্যান-টোকেন বা ডিজিটাল অ্যাসেট হিসেবে। আমার কাছে এর আসল শিক্ষা অন্য জায়গায়। অটুট খাতা (immutable ledger) হলো সেই ধারণা, যেখানে প্রতিটি এন্ট্রির পেছনে একটা সময়, একটা উৎস আর একটা যাচাইযোগ্য ছাপ থাকে — এবং একবার লেখা হলে সেটা কেউ চুপচাপ মুছে ফেলতে পারে না। ক্রিকেট ডেটায় ঠিক এই জিনিসটাই অনুপস্থিত।

ভাবুন, একটা স্ট্রাইক রেট কোথা থেকে এল? কোন সিরিজ, কোন পিচ, কত বলের নমুনা — সেটা অনেক সময় কোথাও লেখা থাকে না। ফলে একটা সংখ্যা পাঁচ জায়গায় ঘুরে গিয়ে নিজের উৎস ভুলে যায়। ফুটবলে আমি এটা নিজের চোখে দেখেছি। ২০১৭ সালের ২৭ আগস্ট, অ্যানফিল্ডে লিভারপুল-আর্সেনাল ম্যাচে আমি xG লিখেছিলাম ২.৬ বনাম ০.৭, আর আর্সেনালের PPDA ৩০ মিনিটের পর ১২.১ থেকে ভেঙে পড়েছিল। ওই দিনের প্রতিটি সংখ্যার একটা তারিখ ছিল, একটা ভেন্যু ছিল। সেই তারিখ যদি হারিয়ে যেত, আজ কেউ ওই ম্যাচ নিয়ে একই সিদ্ধান্তে পৌঁছাত না।

আমি ফুটবলে আরেকটা শিক্ষা পেয়েছি, যেটা ক্রিকেটেও সমান সত্য: অ্যানফিল্ডের বেসলাইন আমাকে শিখিয়েছে যে হোম অ্যাডভান্টেজ একটা খাতা, কোনো অনুভূতি নয়। এটা পিচ, ভ্রমণ, ভিড়, আম্পায়ারিং আর সময়সূচির ভাঙা হিসাব। এই হিসাব তখনই অর্থবহ হয়, যখন প্রতিটি অংশের উৎস যাচাই করা যায়। ২০২০ সালে খালি স্টেডিয়ামে বুন্দেসলিগা ফিরেছিল, আর প্রথম ৪০টা ম্যাচে হোম টিম জিতেছিল মাত্র ২১.৭ শতাংশ — মহামারির আগের ৪৩.২ শতাংশের অনেক নিচে। সেই সময় আমি ভিড়-নির্ভর হোম অ্যাডভান্টেজ বাদ দিয়ে মডেল নতুন করে সাজালাম। খালি স্টেডিয়াম কোনো রহস্য ছিল না — সেটা ছিল আমার সব পুরোনো অনুমানের একটা ক্যালিব্রেশন চেক।

আমার কাছে ডেটা-সততা মানে তিনটি প্রশ্ন। প্রথমত, স্যাম্পল কত বড়? ২০২৪ ইউরোতে লামিন ইয়ামালের চারটি অ্যাসিস্ট আর সতেরোটি শট-ক্রিয়েটিং অ্যাকশন চোখ ধাঁধানো ছিল, কিন্তু মাত্র ৫০৭ মিনিটের নমুনায় আমি তাকে “প্রমাণিত” বলিনি — বলেছিলাম “প্রতিশ্রুতিপূর্ণ, কিন্তু পূর্বানুমানযোগ্য নয়”। ছোট নমুনায় বড় দাবি আমার কাছে নিষিদ্ধ।

দ্বিতীয়ত, পরিবেশ কী? ২০২১ ইউরো ফাইনালে ইতালি বনাম ইংল্যান্ড ম্যাচে ইতালির xG ছিল ২.১, ইংল্যান্ডের ০.৮, আর ইতালির PPDA ছিল ৮.৭। ইংল্যান্ডের সেই শুরুর গোল আমি কখনো “টেকসই প্রক্রিয়ার সংকেত” বলিনি। পরিবেশ বদলালে সংখ্যার অর্থ বদলায়।

তৃতীয়ত, উৎস কী? ২০২৩ সালের জানুয়ারি ট্রান্সফার উইন্ডোতে বেনফিকার এনজো ফার্নান্দেজের মূল্যায়ন মডেল বানিয়েছিলাম। বিশ্বকাপের ডেটায় তার প্রতি ৯০ মিনিটে ৩.১ প্রগ্রেসিভ পাস আর ২.৪ ট্যাকল ছিল। চেলসি যখন ১০৬.৮ মিলিয়ন পাউন্ড দিল, আমার মডেল সেই অঙ্ককে আমার সিলিংয়ের ১৮ শতাংশ বেশি বলেছিল। একটা ট্রান্সফার ফি আসলে একটা পূর্বানুমান, যার একটা সময়সীমা আছে। এই তিনটি প্রশ্নের উত্তর না থাকলে একটা মডেল যেমনই সুন্দর দেখাক, সেটা আমার কাছে অসম্পূর্ণ।

এখন স্বীকার করি একটা অস্বস্তিকর কথা। ব্লকচেইন ডেটার রেকর্ড অটুট রাখতে পারে, কিন্তু রেকর্ড অটুট থাকা আর রেকর্ড সত্য হওয়া এক জিনিস নয়। ভুল তথ্য যদি একবার লেজারে ঢুকে যায়, অটুট লেজার সেই ভুলকেই অমর করে দেবে — আরও নিখুঁতভাবে, আরও আত্মবিশ্বাসের সঙ্গে। ২০২২ কাতার বিশ্বকাপে মরক্কোর পর্তুগালের বিরুদ্ধে ১-০ কোয়ার্টারফাইনাল জয় আমি “ভাগ্য” বা “অলৌকিক” বলিনি। ১৪.২ PPDA, ০.৬ xG হজম আর ৩৮টি ক্লিয়ারেন্স ছিল একটা পুনরাবৃত্তিযোগ্য প্রক্রিয়ার প্রমাণ। মরক্কো অলৌকিক ছিল না; সেটা ছিল একটা পুনরাবৃত্তি-পরীক্ষা, যেখানে বাজার ব্যর্থ হয়েছিল। কিন্তু যদি সেই ম্যাচের ডেটা ভুলভাবে লিপিবদ্ধ হতো, তাহলে অটুট খাতা সেই ভুল বিশ্লেষণকেই চিরস্থায়ী করত।

এখানেই আমার পেশাগত সতর্কতা। প্রযুক্তি সততা নিশ্চিত করে না; সততা নিশ্চিত করে পদ্ধতি — আর পদ্ধতি শুরু হয় একটা সাধারণ প্রশ্ন দিয়ে: এই সংখ্যাটা কে লিখল, কখন লিখল, আর কী ছাড়া এই সংখ্যা অসম্পূর্ণ? বাজার প্রতিভার জন্য টাকা দেয় না; বাজার প্রতিভার পুনরাবৃত্তিযোগ্য প্রমাণের জন্য টাকা দেয়।

তাই পরের বার যখন কোনো মডেল আপনাকে একটা পরিচ্ছন্ন সংখ্যা দেখাবে, একটা প্রশ্ন করুন — এই সংখ্যার জন্মসনদ কোথায়? আমার ধারণা, আগামী কয়েক মৌসুমে ক্রিকেট ডেটার সবচেয়ে বড় পরিবর্তন আসবে বড় কোনো তারকা থেকে নয়, বরং একটা সাধারণ যাচাইযোগ্য ছাপ থেকে, যা প্রতিটি স্ট্রাইক রেটের পেছনে তার উৎস লিখে রাখবে। আমি আমার মডেল বানাই সেই সন্ন্যাসীর মতো, যিনি পাণ্ডুলিপি নকল করেন — ধীরে, আর একটা ভুল অঙ্কের ভয়ে। যতদিন এই যাচাইযোগ্য ছাপ না আসছে, ততদিন আমি আমার নোটবুকেই লিখে রাখব। কারণ ভ্যারিয়েন্স কোনো শত্রু নয়; ভ্যারিয়েন্সই আমার নোটবুক রাখার কারণ।