খালি ডেটাসেটের পাঠ: ক্রিকেট বিশ্লেষণে “যথেষ্ট তথ্য নেই” বলার সাহস

হুক: সতেরোটা ফাঁকা কলাম

সন্ধ্যা সাতটা। সিলেটের কাজের ঘরটায় ল্যাপটপের পর্দায় খোলা একটা স্প্রেডশিট — সতেরোটা কলাম, মিনিট থেকে প্রেসিং ট্রিগার, ডিফেন্সিভ লাইন-হাইট থেকে পিপিডিএ। প্রতিটি ঘর ফাঁকা। উপরে এক লাইনের বার্তা: ইনপুট পাওয়া যায়নি।

প্রথম প্রতিক্রিয়াটা প্রায় সবার এক — ফাঁকা ঘরগুলো ভরে ফেলি। টেলিভিশনের হাইলাইটস, ইউটিউবের ক্লিপ, পুরনো ম্যাচের ঝাপসা স্মৃতি জোড়া দিয়ে একটা গল্প দাঁড় করিয়ে ফেলি। ম্যাচটা তো হয়েছেই; বিশ্লেষণও টেনে বের করা যাবে। কিন্তু কুড়ি বছরের বেশি সময় ধরে আমি একটা নিয়ম ভাঙিনি — প্রমাণ ছাড়া একটা ঘরেও সংখ্যা বসাই না। ফাঁকা ডেটাসেট মানে ফাঁকা ডেটাসেট। সেখানে “যথেষ্ট তথ্য নেই, মূল্যায়ন সম্ভব নয়” লিখতেই সবচেয়ে বেশি সাহস লাগে; আর সেই সাহসটাই আজকের আলোচনার কেন্দ্র।

প্রসঙ্গ: এক নোটবুক, এক মডেম আর সিলেট ডেটা রুম

২০০৬ সালে দৈনিক স্টার-এর স্পোর্টস ডেস্কে ঢুকেছিলাম খবরের কাগজ আর কলম হাতে। তখন ডেটা মানে ছিল স্কোরবোর্ড, আর বিশ্লেষণ মানে ছিল ম্যাচের পরের রিপোর্ট। সিলেট ডেটা রুমের শুরুটা অবশ্য অনেক পরে, একেবারে সাধারণ ভাবে — একটি নোটবুক, একটি মডেম, আর অনুমান করতে না-চাওয়ার একগুঁয়ে প্রতিজ্ঞা। ওই প্রতিজ্ঞাটাই পরে আমার পেশাগত পরিচয় হয়ে দাঁড়ায়।

২০১৭ সালের ৩ জুন। ঢাকার একটি অনলাইন আউটলেট চ্যাম্পিয়ন্স লিগ ফাইনালের দ্রুত প্রিভিউ চাইল। আমি ডেডলাইন ফেলে দিয়ে বসলাম রিয়াল মাদ্রিদ-জুভেন্টাস ম্যাচের সব পাস হাতে কোড করতে। কার্ডিফের ওই রাতে রিয়াল মাদ্রিদ ৪-১ গোলে জিতল, আর আমি টুকে নিলাম ১,০২৪টি পাস। ক্রিস্টিয়ানো রোনালদোর ৬টি শট, যার ৩টি অন টার্গেট; মাদ্রিদের প্রেসিং তীব্রতা ১২.৪ পিপিডিএ। সতেরো কলামের একটা স্প্রেডশিট দাঁড়াল, তারপর থ্রেডটা প্রকাশ পেল ছয় ঘণ্টা দেরিতে। সেটি ভাইরাল হলো। কার্ডিফে ১,০২৪টি পাস হাতে কোড করার আগে আমি একটি ড্যাশবোর্ডকেও বিশ্বাস করিনি — এই অভ্যাসটাই আমার সব কাজের ভিত্তি।

ঠিক এক বছর পর, ২০১৮-র রাশিয়া বিশ্বকাপে, সেই ডেটা রুমকে বাড়িয়ে ৬৪ ম্যাচের একটি xG মডেলে পরিণত করলাম। হাতে কোড করলাম ১,০২৪টি শট, ১৬৯টি গোল, প্রতিটি দলের পিপিডিএ। ফ্রান্সের গড় ছিল প্রতি ম্যাচে ০.৯৮ xG, ক্রোয়েশিয়ার ১.৪২ — অর্থাৎ ফাইনালের আগে কাগজে-কলমে ক্রোয়েশিয়াই আক্রমণে এগিয়ে ছিল। তবু মডেল ফ্রান্সকে ফাইনাল জেতার সম্ভাবনা দিল ৫৪%। ১৫ জুলাই, লুঝনিকি স্টেডিয়ামে ফ্রান্স ৪-২ গোলে জিতল। ৬৪ ম্যাচের xG ব্র্যাকেট যখন ফ্রান্সের নাম ঘোষণা করল, বুঝলাম মডেলও নীরব ভবিষ্যদ্বাণীকারী হতে পারে — শর্ত হলো, তাকে চিৎকার করতে দেওয়া যাবে না।

২০২০ সাল আরেকটি শিক্ষা দিল। খালি স্টেডিয়ামে ইউরো আর টোকিও — দুটোই ছিল স্ট্রেস টেস্ট, যেখানে দর্শক ছিল না কিন্তু সংকেত ছিল। খালি স্টেডিয়াম আমাকে শেখাল, পরিবেশ একটা ভেরিয়েবল, কোনো রায় নয়। ওই সময়ে স্পষ্ট হলো, একই ম্যাচ যখন জনশূন্য গ্যালারিতে খেলা হয়, তখন হোম-অ্যাডভান্টেজ, চাপ সামলানোর ক্ষমতা, এমনকি সিদ্ধান্ত নেওয়ার ধরনও বদলে যায়।

এই পুরো যাত্রায় একটা জিনিস স্পষ্ট হয়েছে: ড্যাশবোর্ড আসার আগে ডেটা আসে, আর ডেটার আগে আসে ডেটা কোথা থেকে এল, কে লিখল, কখন লিখল। সেই প্রশ্নটাই আজকের সমস্যার কেন্দ্রে।

মূল বিশ্লেষণ: খালি সেলে সত্যের চেইন

একটা বিশ্লেষণ পাইপলাইনে দুই ধাপ থাকে। প্রথম ধাপ কাঁচা নিবন্ধ বা কাঁচা ম্যাচ-লগকে ভেঙে তথ্যবিন্দু, দৃষ্টিভঙ্গি আর সত্তা বের করে। দ্বিতীয় ধাপ সেই তথ্যবিন্দুর উপর দাঁড়িয়ে গভীর বিশ্লেষণ লেখে। যদি প্রথম ধাপ ফাঁকা ফেরে — শিরোনাম নেই, উৎস নেই, তথ্যবিন্দু নেই — তাহলে দ্বিতীয় ধাপের একমাত্র সৎ উত্তর হলো একটি শব্দ: বাতিল। টেমপ্লেটটা সুন্দর করে ভরে ফেলার লোভটা প্রবল, কিন্তু যে বিশ্লেষণ তার নিজের উৎসই দেখাতে পারে না, সেটি বিশ্লেষণ নয়, সেটি সাজানো অনুমান।

আমি এই জায়গাটায় ব্লকচেইনের ধারণাটা কাজে লাগাই, তবে রূপক হিসেবে নয় — বরং একেবারে বাস্তব পদ্ধতি হিসেবে। একটা অডিটযোগ্য লেজারে প্রতিটি এন্ট্রির একটা টাইমস্ট্যাম্প থাকে, একটা হ্যাশ থাকে, আর পেছনের এন্ট্রির সঙ্গে সংযোগ থাকে। ক্রিকেট ডেটাতেও আমার ঠিক সেই চেইন দরকার: কোন ম্যাচ, কোন মিনিট, কে কোড করেছে, কখন কোড করেছে, আর কোন উৎস থেকে। কার্ডিফের ১,০২৪টি পাস আমি হাতে কোড করেছিলাম, তাই প্রতিটি সংখ্যার পেছনে আমার নিজের সই আছে। ডেটা-এন্ট্রি স্তরে যেই বিশ্বাস অর্জিত হয় না, তা কোনো ড্যাশবোর্ডের রঙিন গ্রাফে অর্জিত হয় না। ৫৯ বছর বয়সেও আমি হাতে কোড করি, কারণ বিশ্বাস একটা হাতে-গড়া প্রক্রিয়া।

এই জায়গায় “নাল হ্যান্ডলিং” শব্দটা বেশি ব্যবহৃত হয়। কিন্তু আসলে এটা পরিসংখ্যানের নিয়ম নয়, এটা পেশাগত নৈতিকতার প্রশ্ন। ফাঁকা ঘরে সংখ্যা বসানো মানে পাঠকের সঙ্গে বিশ্বাসভঙ্গ। একটি ডেটাসেট যখন অসম্পূর্ণ, তখন বিশ্লেষকের কাজ তিনটি — পাইপলাইন কোথায় তথ্য হারাল তা খুঁজে বের করা; আউটপুটটিকে স্পষ্টভাবে বাতিল বলে চিহ্নিত করা; আর কখনোই হুবহু একই ধরনের অন্য কোনো নিবন্ধকে বিকল্প হিসেবে বসিয়ে দেওয়া নয়। এই তিনটি কাজ একসঙ্গে করলে বিশ্লেষণ কম হয়, কিন্তু মিথ্যা হয় না।

তবে শুধু “নাল” বললেই দায়িত্ব শেষ হয় না। আসল প্রশ্ন হলো, আগে থেকেই কী কী প্রমাণ দরকার হবে তা ঠিক করা আছে কি? আমি প্রতিটি ম্যাচ-প্রিভিউয়ের আগে একটি যাচাই-সীমা আগেই লিখে রাখি — কোন ক্ষেত্রে হাতে যাচাই করব, কোন ক্ষেত্রে ডেটাবেসের উপর নির্ভর করব, আর কী কী তথ্য না পেলে বিশ্লেষণ থামিয়ে দেব। এটাকে আমি বলি আগেই-ঘোষিত যাচাই-প্রান্তি। এটা আমার বিরক্তিকর দিক — নোটবুকের প্রথম পৃষ্ঠায় নিয়ম লিখে রাখার মতো। কিন্তু এই নিয়মই আমাকে ছয় ঘণ্টা দেরিতে হলেও দেরিতে-প্রকাশ করা থ্রেডটা পাঠাতে শিখিয়েছে, নিখুঁত সংখ্যার জন্য অপেক্ষা করতে করতে লেখা আটকে ফেলার বদলে।

লোড-সংকটের প্রশ্নটাও এখানেই জড়িয়ে যায়। আমি একসঙ্গে ৫০টির বেশি ক্লাব ম্যাচ ট্র্যাক করি, আর সেখানে একটা প্যাটার্ন বারবার ফেরে — ক্যালেন্ডারের চাপ বাড়লে পেশির ইনজুরির ঝুঁকি প্রায় ২.৩ গুণ বেড়ে যায়। কিন্তু ঝুঁকির পতাকা তুলে দিয়েই থেমে গেলে বিশ্লেষণ অসম্পূর্ণ। ঝুঁকির পাশে প্রশমন-দৃশ্যও লাগে: কতটা কাজের চাপ কমানো গেলে ঝুঁকি কমবে, কোন খেলোয়াড়ের রোটেশন আগে দরকার, কোন ফরম্যাটে বিশ্রাম সবচেয়ে বেশি লাভ দেবে। একইভাবে একটি ফাঁকা ডেটাসেটের পাশে আমার প্রশমন হলো — প্রথম ধাপ আবার চালানো, আসল উৎসটি আবার সংগ্রহ করা, আর নিচের স্তরে স্পষ্টভাবে বাতিল লিখে রাখা যাতে কেউ এই শূন্যতাকে সম্পূর্ণ বিশ্লেষণ ভেবে ভুল না করে।

ড্যাশবোর্ডকে আমি শত্রু বলি না; আমি শুধু তাকে সাক্ষী মানি না। একটা পরিচ্ছন্ন ভিজ্যুয়ালাইজেশন আরামদায়ক, আর আরামদায়ক জিনিসের প্রতি মানুষের সহজাত দুর্বলতা আছে। কিন্তু যে পর্দা আপনাকে দেখায় না তার পেছনে কে কোড করেছে, কতটা কলাম ফাঁকা পড়ে আছে, কোন এন্ট্রি কোন সময়ে ঢুকেছে — সেই পর্দা তথ্য দেয়, প্রমাণ দেয় না। এই কারণেই আমি প্রতিটি ম্যাচ-প্রিভিউয়ের সঙ্গে একটা ডেটা-পরিশিষ্ট রাখি, যেখানে উৎস আর সময় লেখা থাকে।

টুর্নামেন্ট চলাকালীন আরেকটা চাপ কাজ করে — পতাকা আর গল্পের ঢেউ। ক্রিকেট-পাগল এই অঞ্চলে দর্শক স্বাভাবিকভাবেই দল আর আবেগের টানে ভেসে যান। আমার কাজ সেই ঢেউ ঠেকানো নয়, বরং তার নিচে মাঠের বাস্তবতা ধরে রাখা: স্কোয়াডের গভীরতা কতটা, বেঞ্চ কতটা ভরসাযোগ্য, বোলিং কম্বিনেশনে বৈচিত্র্য আছে কি। টুর্নামেন্ট আবেগকে সংকুচিত করে, কিন্তু স্কোয়াডের সীমাবদ্ধতা লুকিয়ে রাখতে পারে না।

ছোট নমুনা নিয়ে আমার সতর্কতা আরও পুরনো। ৬৪ ম্যাচের ব্র্যাকেট দিয়ে ফ্রান্সের নাম বলা যায়, কারণ ৬৪ ম্যাচ একটা কাঠামো। কিন্তু সাত ম্যাচের টুর্নামেন্টের তিন ম্যাচের গরম ধারাকে “রূপ পরিবর্তন” বলে ঘোষণা করা যায় না। আমার বহু বছরের মাঠ-দেখার অভিজ্ঞতা থেকে বলতে পারি, একটা টুর্নামেন্টের ৮৮তম মিনিটের মিস হওয়া পেনাল্টি প্রায়ই টেকনিকের চেয়ে বেশি কিছু বলে — ক্লান্তি, চাপ, সময়জ্ঞান। এই পার্থক্য ধরতে হলে কাঁচা ডেটার পাশে প্রসঙ্গ ভেরিয়েবল বসাতে হয়: সিলেটের শিশিরে বল কতটা স্কিড করে, ঢাকার চাপে তরুণ ব্যাটার কত দ্রুত সিদ্ধান্ত নেয়, কার্ডিফের কন্ডিশনে সুইং কখন শুরু হয়। একই সংখ্যা ভিন্ন প্রসঙ্গে ভিন্ন গল্প বলে; প্রসঙ্গ ছাড়া সংখ্যা নিছক সাজসজ্জা।

ট্রান্সফার বাজারও আমি শুধু গুজবের কোলাহল বলে মানি না; ওটা আসলে ধীরে চলা একটি টাইমস্ট্যাম্প-দৌড়। কোন ক্লাব কখন প্রস্তাব দিল, কে আগে জানল, কে পরে নিশ্চিত করল — এই ক্রমটাই বাজারের গল্প। লেজার-ভিত্তিক এই দৃষ্টিভঙ্গি ক্রিকেট ডেটাতেও খাটে: ঘটনার সময়, রেকর্ডের সময় আর যাচাইয়ের সময় — তিনটাই আলাদা সত্য, আর তিনটাই সংরক্ষণ করা দরকার।

আর শেষ কথা সম্ভাব্যতা নিয়ে। আমি ভবিষ্যদ্বাণী লিখি না, লিখি ব্যান্ড। ফ্রান্সের জন্য ৫৪% মানে ৫৪% — বাকি ৪৬% ক্রোয়েশিয়ার দিকে খোলা ছিল, আর ফাইনাল শেষ হওয়ার পর আমি প্রতিটি নকআউট ম্যাচ আবার যাচাই করেছিলাম। মডেল যদি ভুল করত, আমি সেটাও লিখে রাখতাম। এই নিয়মটা আমাকে দুই দিক থেকেই রক্ষা করে: জয়ের পর আমি অহংকারী হই না, হারলে অস্বীকারও করি না।

বিপরীতমুখী কোণ: শূন্যতাটাই যখন সংকেত

সবাই যখন ফাঁকা ডেটাসেটকে ব্যর্থতা বলে ভাবেন, তখন একটা অস্বস্তিকর সম্ভাবনা খোলা থাকে — হয়তো শূন্যতাটাই সবচেয়ে দামি তথ্য। একটি পাইপলাইন পরপর ফাঁকা ফিরলে সেটি ক্রিকেটের খবর নয়, সেটি সিস্টেমের খবর: হয় উৎস সংগ্রহে সমস্যা, নয়তো নিষ্কাশনের ধাপে ত্রুটি। কিন্তু এই ব্যাখ্যায়ও একটা ফাঁদ আছে — শুধু ডোমেইন লেবেল দেখে ক্রিকেট-সংক্রান্ত সিদ্ধান্তে পৌঁছে যাওয়া। ডোমেইন লেবেল মানে শ্রেণিবিন্যাস, প্রমাণ নয়।

আরেকটি প্রচলিত ধারণার সঙ্গে আমি একমত নই: বেশি ডেটা মানেই বেশি অন্তর্দৃষ্টি। মাঝেমধ্যে উল্টোটা সত্য — বেশি ডেটা সিদ্ধান্তহীনতা বাড়ায়। যে বিশ্লেষক অসীম ডেটার ভিড়ে “যথেষ্ট তথ্য নেই” বলতে ভয় পান, তিনি আসলে নিরাপত্তার খোঁজে থাকেন, সত্যের খোঁজে নন। আবার উল্টো ফাঁদও আছে — যাচাইয়ের অতিরিক্ত প্যারালাইসিসে সবকিছু স্থগিত করে ফেলা। তাই আমার নিয়ম হলো, যাচাই-প্রান্তি আগেই ঠিক করা।

এখানে সহসম্পর্ক আর কার্যকারণ আলাদা করার দায়িত্বটা সবচেয়ে বড়। লোড বাড়লে ইনজুরি বাড়ে — এটা সহসম্পর্ক, কিন্তু কারণগুলো আরও জটিল: ফরম্যাট বদল, ভ্রমণ, বিশ্রামের ব্যবধান, মাঠের ধরন। একটা সংখ্যা আরেকটা সংখ্যার পাশে বসে থাকলেই সে ব্যাখ্যা হয়ে যায় না। এই সতর্কতাটাই আমার লেখার কেন্দ্রে থাকে, আর এটাই লেজারের সবচেয়ে বড় শিক্ষা — লেজার সত্য রাখে, কারণ বলে না।

টেকঅ্যাওয়ে: পরের রাউন্ডের সংকেত

পরের রাউন্ডে আমি তিনটি জিনিস ট্র্যাক করব। এক, খালি পেলোড কতবার ফিরছে — বারবার ফিরলে সেটা কাকতালীয় নয়, সিস্টেমিক ত্রুটি। দুই, শিরোনাম আর উৎস ফিরে আসছে কি না, কারণ উৎস ফিরলেই বিশ্লেষণ আবার দাঁড়াতে পারে। তিন, কোন বিশ্লেষণ বাতিল লেবেল পাচ্ছে আর কোনটা আসল প্রমাণের উপর দাঁড়াচ্ছে।

প্রশ্নটা সোজা: একটি ফাঁকা সেলে যদি আপনি একটা সংখ্যা বসিয়ে দেন, আর পাঠক সেটা বিশ্বাস করেন — দায়টা কার? মডেলের, নাকি কোড করা হাতটির?