खाली रिपोर्ट का खतरा: क्रिकेट डेटा पाइपलाइन में जब 'कुछ नहीं' को 'सब कुछ' समझ लिया जाता है

एक खाली रिपोर्ट किसी गलत रिपोर्ट से ज्यादा खतरनाक होती है। गलत रिपोर्ट को कोई पकड़ लेता है। खाली रिपोर्ट चुपचाप आगे बढ़ जाती है, और नीचे बैठा हर आदमी उसे 'इस मैच में कुछ खास नहीं हुआ' मानकर स्वीकार कर लेता है। पिछले कुछ वर्षों में जितने क्रिकेट एनालिटिक्स सिस्टम मैंने खुद टूटते देखे हैं, उनमें से आधे से ज्यादा ऐसे ही मरे — स्कोरिंग आउटपुट में नहीं, बल्कि स्कोरिंग से पहले वाली चुप्पी में।

इस हफ्ते मेरे सामने एक ऐसा ही केस आया। एक ऑटोमेटेड एनालिसिस पाइपलाइन का आउटपुट। शीर्षक जगह पर N/A। स्रोत N/A। लेख का प्रकार अनक्लासिफाइड। एक-वाक्य सारांश खाली। लेखक का रुख N/A। सूचना बिंदुओं की सूची खाली। और इन सबके नीचे, एकमात्र भरा हुआ फील्ड — डोमेन लेबल: cricket_world। बस इतना। एक शब्द, और उसके चारों ओर सब कुछ शून्य।

यह वह क्षण है जहां एनालिसिस और अनुमान के बीच की लकीर खींचनी पड़ती है, और यह लकीर उतनी पतली नहीं है जितनी दूर से दिखती है। डोमेन लेबल से आप यह बता सकते हैं कि सामग्री क्रिकेट के बारे में थी। आप यह नहीं बता सकते कि किस मैच के बारे में, किस खिलाड़ी के बारे में, किस विवाद के बारे में, या लेखक का झुकाव किस तरफ था। अगर मैं इस एक लेबल के सहारे 'गहन विश्लेषण' लिखना शुरू कर दूं, तो हर वाक्य एक आविष्कार होगा। और 44 साल में मैंने एक चीज सीखी है: आविष्कार क्रिकेट कॉलम में अच्छा लग सकता है, क्रिकेट डेटा में नहीं।

असली दिक्कत आउटपुट नहीं, पाइपलाइन है

इस रिपोर्ट को देखकर पहला विचार यह आता है कि 'यह लेख विश्लेषण के लायक नहीं था।' दूसरा विचार, जो ज्यादा सही है, यह है कि 'यह पाइपलाइन टूटी हुई है।' दोनों के बीच का फर्क पूरे सिस्टम की सेहत का फर्क है। सूचना बिंदु खाली हैं लेकिन डोमेन लेबल भरा हुआ है — इसका मतलब साफ है: क्लासिफायर चला, लेकिन टेक्स्ट एक्सट्रैक्शन ने कुछ नहीं लौटाया। सिस्टम ने 'क्रिकेट' पहचान लिया, 'लेख' नहीं पा सका।

यह गलती तीन तरह से होती है, और तीनों मुझे बार-बार दिखी हैं।

पहली — स्क्रैपर को 200 स्टेटस मिला, लेकिन बॉडी में एंटी-बॉट वॉल का प्लेसहोल्डर था। सर्वर खुश, कंटेंट खाली। दूसरी — एक्सट्रैक्टर का CSS सेलेक्टर उस साइट के नए टेम्पलेट पर फिट नहीं बैठा। पुरानी साइट पर काम करता था, नई पर चुपचाप शून्य लौटा दिया। तीसरी — जो URL दिया गया था वह खुद ही किसी लिस्टिंग पेज या पेपरवॉल प्रीव्यू का था। वहां लेख था ही नहीं, सिर्फ उसका शीर्षक और दो लाइनें।

तीनों मामलों में सिस्टम ने वही किया जो उसे करना चाहिए था — बिना शिकायत के आगे बढ़ गया। और यही असली खतरा है।

खाली रिपोर्ट पर भरोसा क्यों कर लेते हैं लोग

क्रिकेट में हमें 'कुछ नहीं हुआ' वाली स्थितियों से निपटने की आदत है। बारिश से मैच धुल गया, ड्रॉ हो गया, कोई विकेट नहीं गिरा, कोई रन नहीं बना। ऐसे में 'कुछ खास नहीं' कहना स्वाभाविक लगता है। एनालिटिक्स की दुनिया में यही आदत जानलेवा बन जाती है, क्योंकि वहां 'कुछ नहीं' और 'डेटा नहीं मिला' दो बिल्कुल अलग चीजें हैं, और आउटपुट में दोनों एक जैसे दिखती हैं।

एक ऑस्ट्रेलियाई घरेलू सीरीज पर काम करते हुए मुझे यह सबक जेब से निकालना पड़ा था। स्कोरिंग मॉडल ने एक पूरी पारी पर कोई 'की-मोमेंट' फ्लैग नहीं किया। कोच ने पूछा कि पारी में क्या हुआ। मैंने कहा कि मॉडल के हिसाब से कुछ खास नहीं। बाद में पता चला कि उस मैच का पूरा बॉल-बाय-बॉल फीड ही आधे ओवर के बाद ड्रॉप हो गया था। मॉडल ईमानदारी से खाली था। मैं ईमानदारी से गलत था।

उस दिन के बाद मैंने अपने हर डैशबोर्ड में एक नियम जोड़ा: खाली सूची और अनुपलब्ध सूची को कभी एक ही रंग में मत दिखाओ। खाली का मतलब है 'देखा, कुछ नहीं मिला।' अनुपलब्ध का मतलब है 'देखा ही नहीं।' पहला निष्कर्ष है, दूसरा ब्लाइंड स्पॉट है। दोनों को एक जैसा दिखाना डेटा विज्ञुअलाइजेशन का सबसे आम और सबसे महंगा पाप है।

जो असेंशन नहीं लगाया गया, वही सबसे बड़ी चूक

इस पूरे मामले में एक तकनीकी सुधार सबसे सस्ता और सबसे असरदार है। स्टेज-1 में एक असेंशन जोड़ दीजिए: अगर सूचना बिंदुओं की सूची खाली है, तो सिस्टम को रिपोर्ट लिखने के बजाय फेल हो जाना चाहिए — और फेल होते समय अपने साथ HTTP स्टेटस कोड, रिस्पॉन्स बॉडी की लंबाई, और एक्सट्रैक्टर के हिट काउंट लेकर आना चाहिए।

इसके तीन फायदे हैं। पहला, डिबगिंग उसी क्षण शुरू होती है जहां गड़बड़ी हुई, बाद में नहीं। दूसरा, डाउनस्ट्रीम कभी खाली रिपोर्ट को सच्चाई नहीं समझ पाता। तीसरा, और सबसे जरूरी — टीम को यह डेटा मिलता है कि कौन सी साइटें, कौन से टेम्पलेट और कौन से URL पैटर्न बार-बार फेल हो रहे हैं। तीन हफ्तों में यह लॉग आपको बता देगा कि आपका स्क्रैपर किस दिशा में अंधा है।

एक और चीज जोड़िए: सोर्स URL और फेच का टाइमस्टैम्प हर रिपोर्ट में हार्डकोड कीजिए, चाहे रिपोर्ट खाली हो या भरी। मुझे ऐसे केस मिले हैं जहां रिपोर्ट का कंटेंट तो था, लेकिन यह पता ही नहीं चलता था कि वह किस दिन का फेच था। क्रिकेट में टाइमस्टैम्प के बिना डेटा किसी काम का नहीं — यही बात रिपोर्ट पर भी लागू होती है।

एक उलटा नजरिया, जो शायद सही हो

यहां एक काउंटर-आर्ग्युमेंट भी बनता है, और मैं उसे अपने मॉडल के खिलाफ रखना चाहता हूं। हो सकता है कि खाली रिपोर्ट सिस्टम की गलती न हो, बल्कि सही व्यवहार हो। अगर स्रोत में सचमुच कोई ठोस सूचना बिंदु नहीं था — सिर्फ एक स्पष्ट राय, या एक सामान्य टिप्पणी — तो सिस्टम का 'कुछ नहीं मिला' कहना ईमानदारी है। ऐसे में फेल होने पर मजबूर करना सिस्टम को झूठ बोलने पर मजबूर करने जैसा होगा।

यह आर्ग्युमेंट मजबूत है, लेकिन इसे एक शर्त के साथ स्वीकार करना होगा। सिस्टम को यह फर्क साफ करना होगा कि 'सामग्री मिली लेकिन उसमें सूचना बिंदु नहीं थे' और 'सामग्री ही नहीं मिली।' पहला लेख के बारे में एक फैसला है। दूसरा पाइपलाइन के बारे में एक फैसला है। दोनों एक ही आउटपुट में नहीं आ सकते। जिस दिन सिस्टम यह फर्क बताने लगेगा, उस दिन खाली रिपोर्ट डरावनी नहीं रहेगी।

आगे क्या देखना है

मेरे पास इस वक्त दो रास्ते हैं। या तो मैं इस एक cricket_world लेबल से एक कहानी गढ़ दूं, जो पढ़ने में ठीक लगेगी और किसी काम की नहीं होगी। या मैं यह कहूं कि जब तक असली टेक्स्ट, असली URL, या असली सूचना बिंदु नहीं आते, तब तक इस सामग्री पर कोई क्रिकेट रिपोर्ट नहीं बनेगी।

दूसरा रास्ता कम रोमांचक है, लेकिन यही वह रास्ता है जिस पर 44 साल बाद भी मैं खड़ा हूं। अगली बार जब कोई सिस्टम आपको एक साफ-सुथरी, संरचित, पूरी तरह खाली रिपोर्ट सौंपे, तो उसे पढ़ने से पहले एक सवाल पूछिए — इस रिपोर्ट में जो नहीं है, वह इसलिए नहीं है कि मैदान पर कुछ नहीं हुआ, या इसलिए कि कैमरा ही बंद था?