খালি ডেটাসেট, শক্ত চেইন: স্পোর্টস অ্যানালিটিক্স পাইপলাইনে প্রক্সিমিটি হারানোর হিসাব

আমি রেকর্ডটা খুলেছিলাম গত রাতে, বারিশালের বাড়িতে, দ্বিতীয় কাপ কফি ঠান্ডা হয়ে যাওয়ার পরে। নয়টি ডাইমেনশন, প্রতিটার নিচে সারিবদ্ধ টেবিল — ট্যাকটিক্যাল সফিস্টিকেশন, ওয়েজ স্ট্রাকচার, রুল কমপ্লায়েন্স, ড্রেসিংরুম হেলথ। প্রতিটি ঘর ভরা। প্রতিটি ঘরে একই লেখা: অপর্যাপ্ত তথ্য, মূল্যায়ন সম্ভব নয়। কোনও ক্লাব নেই, কোনও খেলোয়াড় নেই, কোনও ম্যাচ নেই, কোনও তারিখ নেই। সংখ্যাটা পরিচ্ছন্ন ছিল; ম্যাচটা পরিচ্ছন্ন হতে রাজি হয়নি। চোদ্দ বছর ধরে এই বাক্যটা আমি xG-র প্রসঙ্গে লিখে এসেছি। আজ এটা লিখতে হচ্ছে একটা রেকর্ডের প্রসঙ্গে, যেখানে সংখ্যাটাই ছিল না।

যা আমার টেবিলে এসেছে, সেটা আসলে একটা ফুটবল নিবন্ধের বিশ্লেষণ হওয়ার কথা ছিল। প্রথম ধাপে নিবন্ধটি ভেঙে ফেলার কথা: শিরোনাম, সূত্র, লেখকের অবস্থান, তথ্যবিন্দু, জড়িত সত্তা। দ্বিতীয় ধাপে সেই টুকরোগুলো নয়টি কোণ থেকে যাচাই হওয়ার কথা — ট্যাকটিক্স থেকে গভর্নেন্স পর্যন্ত। কিন্তু প্রথম ধাপ থেকে যা ফিরে এসেছে তা শূন্য। শিরোনাম নেই, সূত্র নেই, তথ্যবিন্দুর তালিকা ফাঁকা, সত্তার তালিকা ফাঁকা। তবু দ্বিতীয় ধাপের নকশাটা পুরোপুরি ছাপা হয়েছে। প্রতিটি টেবিল, প্রতিটি সারি, প্রতিটি চেকবক্স — সব ঠিকঠাক, শুধু বিষয়বস্তু অনুপস্থিত। আসল ঘটনাটা এখানেই লুকিয়ে আছে।

আধুনিক স্পোর্টস অ্যানালিটিক্সে আমরা তিন স্তরে কাজ করি। প্রথম স্তর — ইনজেস্ট: উৎস থেকে তথ্য টেনে আনা। দ্বিতীয় স্তর — ডিকনস্ট্রাকশন: তথ্যের ভেতর থেকে যাচাইযোগ্য দাবি আলাদা করা। তৃতীয় স্তর — বিশ্লেষণ: সেই দাবিগুলোকে মডেলের ভেতরে বসানো। এই তিন স্তরের উপরে ইদানীং একটা চতুর্থ স্তর যোগ হয়েছে — ব্লকচেইন-ভিত্তিক প্রক্সিমিটি লগ। কোন ডেটা কখন, কোন উৎস থেকে, কোন যাচাই পেরিয়ে সিস্টেমে ঢুকল, তার অপরিবর্তনীয় রেকর্ড। ধারণাটা সুন্দর। সমস্যা হলো, চেইন কেবল এইটুকু প্রমাণ করে যে ডেটাটা সময়ের কোন বিন্দুতে সিস্টেমে ঢুকেছিল — সে ডেটা সত্য কি না, তা নয়।

আমার হাতে যে রেকর্ডটা এসেছে সেটা একটা ব্যর্থ ইনজেস্ট। ব্যর্থতা ঘটেছে প্রথম ধাপে। কিন্তু সিস্টেম রেকর্ডটা ফেল করেনি — বরং নয়টি ডাইমেনশনের সম্পূর্ণ ফাঁকা নকশা ছাপিয়ে দিয়েছে পরের স্তরে। এটাই বিপদ। একটি ফাঁকা রেকর্ড যদি নিচের দিকে চলতে থাকে, সে দুটো রকম ভুল জন্ম দিতে পারে। প্রথমটা — মিথ্যা-নেতিবাচক। অপর্যাপ্ত তথ্য লেখাটা পড়ে যে কেউ ভাবতে পারেন, বিষয়টা পরীক্ষা করা হয়েছে এবং পরিষ্কার পাওয়া গেছে। অথচ সত্য হলো, কিছুই পরীক্ষা হয়নি। দ্বিতীয়টা — কল্পনা-পূরণ। আউটপুট দেওয়ার চাপে কোনও বিশ্লেষক এই ফাঁকা ঘরগুলো নিজের মাথা থেকে ক্লাব, ফি, ফর্মেশন দিয়ে ভরে ফেলতে পারেন। সেটা বিশ্লেষণ নয়, বানানো গল্প।

আমি জানি দ্বিতীয় ফাঁদটা কত সহজ। ২০১৭ সালে ঢাকায় বসে বাংলাদেশ-আফগানিস্তান এএফসি এশিয়ান কাপ বাছাইয়ের চার্ট বানাচ্ছিলাম। বাংলাদেশের ০.৮৭ xG, আফগানিস্তানের ১.১২ — অথচ বাংলাদেশ গোল পেল ০.০৮ xG-র একটা সুযোগ থেকে। আমার প্রথম প্রতিক্রিয়া ছিল: ডেটা মিথ্যা বলছে। তিন সপ্তাহ কোড আবার লিখলাম। শিখলাম, ডেটা মিথ্যা বলে না, কিন্তু ডেটা অসম্পূর্ণ থাকলে বিশ্লেষকের মাথা খালি ঘর ভরে দিতে উদগ্রীব হয়ে ওঠে। আজকের ফাঁকা রেকর্ডটা সেই একই প্রলোভন, শুধু অনেক বড় স্কেলে।

ব্লকচেইন-প্রক্সিমিটির প্রসঙ্গে একটা কথা স্পষ্ট করা দরকার। অপরিবর্তনীয়তা আর সততা এক জিনিস নয়। একটা ভুল রেকর্ড যদি অপরিবর্তনীয়ভাবে চেইনে বসে যায়, সেটা সংশোধনের সুযোগহীন একটা ভুল। সাধারণ ডেটাবেসে আপনি ব্যর্থ ইনজেস্ট চিহ্নিত করে আবার চালাতে পারেন। চেইনে সেই ব্যর্থতা স্থায়ী। এবং যেহেতু স্পোর্টস ডেটার বড় ক্রেতা হলো লাইভ বাজি-ফিড, একটা ভুল প্রক্সিমিটি-ট্যাগ সেখান থেকে সোজা বাজারে গিয়ে বসতে পারে।

এই মডেলটা আমি একবার যাচাই করেছিলাম ২০২০ সালের মে মাসে, যখন স্টেডিয়াম ফাঁকা হয়েছিল। বরুশিয়া ডর্টমুন্ড ৪-০ শালকে ০৪ — ডর্টমুন্ডের ১১৩.২ কিমি দৌড়, পিপিডিএ ৭.১। এরপর আমি পাঁচ লিগের প্রি-লকডাউন হোম-উইন ৪৩.২ শতাংশ বনাম পোস্ট-লকডাউন ৩৩.৩ শতাংশ মিলিয়ে দেখলাম। শিক্ষাটা সোজা: ভিড় না থাকলে পরিচ্ছন্ন ডেটাসেটও মিথ্যা বলতে পারে। আজকের রেকর্ডে ভিড়টাই নেই।

এখানে একটা পাল্টা প্রশ্ন তোলা দরকার, কারণ আমার নিজের পেশাও প্রথমে আঙুল তোলার যোগ্য। আমরা যখন বলি পাইপলাইন ব্যর্থ, আমরা সাধারণত ধরে নিই ব্যর্থতাটা উৎসে — নিবন্ধটাই হয়তো ছিল না। সেটাও হতে পারে। কিন্তু রেকর্ডটা যেভাবে গঠিত — ডোমেইন লেবেল ফুটবল ভরা, টাইপ শ্রেণিবিহীন, সময়-সংবেদনশীলতা যাচাই হয়নি — তাতে সম্ভাবনা বেশি ব্যর্থতা ডিকনস্ট্রাকশন স্তরে। মানে নিবন্ধটা কোথাও আছে, শুধু তার ভেতরটা কখনও বের করা হয়নি। এটা এক ধরনের অলসতা। সংখ্যা না পেলে অনেকে সংখ্যাটা বাদ দেয় না, ঘরটাকে অপর্যাপ্ত লিখে ডেটাসেট সম্পূর্ণ মার্ক করে দেয়।

২০২১ ইউরোর সেমিফাইনালে ইতালি ১-১ স্পেন, পেনাল্টিতে ইতালি ৪-২; ইতালির xG ০.৭৩, স্পেনের ১.৫৩। ২০২২ কাতারে জার্মানি ১.৮৭ xG বনাম জাপান ০.৯৯, দখল ২৬ শতাংশ, তবু জাপান জিতল ২-১। ২০২৫ ক্লাব বিশ্বকাপ ফাইনালে চেলসি ৩-০ পিএসজি — চেলসির ২.১৪ xG বনাম পিএসজির ০.৫৮, কোল পামারের দুই গোল ও এক অ্যাসিস্ট। এই ম্যাচগুলোই আমাকে গেম-স্টেট ও ফিনিশিং-স্কিলকে আলাদা ভেরিয়েবলে ভাঙতে শিখিয়েছে। কিন্তু সে কাজটা করা যেত বলেই করা যেত — স্কোরলাইন ছিল, মিনিট ছিল, শট ম্যাপ ছিল। আজকের রেকর্ডে একটা গোলেরও টাইমস্ট্যাম্প নেই। ফলে আমি কোনও সিদ্ধান্তে পৌঁছাব না। যে টেবিলে একটাও ভরা সারি নেই, সেখান থেকে নিম্ন ঝুঁকি পড়া সবচেয়ে বিপজ্জনক।

২০১৮ সালের জুলাইয়ে ক্রোয়েশিয়া-ইংল্যান্ডের লাইভ xG মডেল বানিয়ে শিখেছিলাম, লাইভ মডেল ভবিষ্যদ্বাণী করে না — ম্যাচের সাথে শ্বাস নেয়। আজকের রেকর্ডটা একেবারে উল্টো প্রাণী: একটা নিঃশ্বাসহীন কাঠামো, যা ভবিষ্যদ্বাণী না করে শুধু ভান করছে। প্রতিটি ট্রান্সফার গুজব একটা টাইমস্ট্যাম্পের অপেক্ষায় থাকা ভেরিয়েবল, আর এই রেকর্ডে টাইমস্ট্যাম্পটা কোথাও নেই।

তাহলে পরের ধাপে কী হওয়া উচিত? এই রেকর্ডটা সংরক্ষণের নয়, ফেরত পাঠানোর। আপস্ট্রিম প্রথম ধাপ আবার চালানো হোক — সম্ভবত নিবন্ধটা উদ্ধার হবে। কিন্তু আমার আসল আর্জি বিশ্লেষকের চেয়ে পাইপলাইনের ডিজাইনারদের কাছে। যে কোনও স্পোর্টস ডেটা লেজারে একটা বাধ্যতামূলক শর্ত যোগ করুন: একটাও ভরা তথ্যবিন্দু না থাকলে কোনও রিস্ক টেবিল এক্সপোর্ট হবে না, কোনও পরিষ্কার রায় ছাপা হবে না; সিস্টেম স্পষ্ট লিখবে — তথ্য পাওয়া যায়নি, মূল্যায়ন করা হয়নি। পার্থক্যটা ছোট মনে হয়, কিন্তু বাজেট-ডিল থেকে বাজি-ফিড পর্যন্ত পুরো শৃঙ্খলে এটা গুরুত্বপূর্ণ।

আমি আর কাউকে জিজ্ঞেস করি না কে জিতল; আমি জিজ্ঞেস করি কোন অবস্থা সেটা সম্ভব করল। এই রেকর্ডে উত্তরটা কঠিন না — কোনও অবস্থাই ছিল না, কারণ ম্যাচটা কখনও পাতায় পৌঁছায়নি। পরের সপ্তাহে আমার চোখ থাকবে সেই একটাই সিগন্যালে: তথ্যবিন্দুর ঘরগুলো ভরে ফিরে আসে কি না। যদি ফেরে, তখন নয়টি দরজা খুলে যাবে। যদি না ফেরে, স্বীকার করতে হবে — কিছু রেকর্ড সংখ্যার অভাবে ব্যর্থ হয় না, তারা ব্যর্থ হয় কারণ কেউ টেবিলটা সংখ্যার জন্য প্রস্তুত ছিল।