খালি ডেটাসেট, ভাঙা প্রমাণ: ক্রিকেট ডেটা পাইপলাইনে অখণ্ডতার সংকট ও ব্লকচেইনের প্রতিশ্রুতি

রাত সাড়ে এগারোটা, মুম্বাই। ঘরের কোণে বসে আমি একটা ম্যাচ-বিশ্লেষণের ড্যাশবোর্ড খুললাম। স্ক্রিনে দুটো কলাম — একদিকে 'তথ্য-বিন্দু', অন্যদিকে 'বিশ্লেষণ'। প্রথম কলামটা সম্পূর্ণ ফাঁকা। শিরোনাম নেই, সূত্র নেই, ধরন নেই — সব জায়গায় N/A। শুধু একটা ডোমেইন ট্যাগ টিকে আছে: cricket_asia। পনেরো বছর প্রিন্ট ডেস্কে কাটিয়ে, সাত বছর ধরে নিজের xG নিউজলেটার চালিয়ে আমি শিখেছি — সবচেয়ে জোরালো খবর কখনো কখনো সবচেয়ে ফাঁকা ঘরটাই। আজকের গল্পটা সেই ফাঁকা ঘর নিয়ে। কারণ যেদিন একটা সিস্টেম ফাঁকা ফলাফল ফেরত দেয়, সেদিন আসল খবরটা ফাঁকা ফলাফল নয় — আসল খবর হলো, আমাদের পুরো পেশা এই ফাঁকা ঘরটাকে চিনতেই পারল না।

স্প্রেডশিট কখনোই গল্প ছিল না; সেটা ছিল রুটির টুকরো ছড়ানো পথ। আর আজকের পথটা অন্ধকারে শেষ হয়ে গেছে।

প্রসঙ্গ: আট স্তম্ভের ভিত যেখানে ফাঁকা

আধুনিক ক্রিকেট বিশ্লেষণ দুটো স্তরে চলে। প্রথম স্তর — ডিকনস্ট্রাকশন — কাঁচা প্রতিবেদন থেকে তথ্য-বিন্দু ছেঁকে বের করে। দ্বিতীয় স্তর সেই বিন্দুগুলোকে আটটি মাত্রায় সাজায়: ফরম্যাট ও ম্যাচ-চরিত্র, খেলোয়াড়ের কৌশল ও ডেটা, দলের চিত্র ও র‍্যাঙ্কিং, লিগ ও বাণিজ্য-বাস্তুতন্ত্র, নিয়ম ও শাসন, ঝুঁকি, জন-আখ্যান ও প্রত্যাশার ফাঁক, এবং শিল্প-প্রবাহ। এই আটটা স্তম্ভের একটাও দাঁড়াতে পারে না যদি তথ্য-বিন্দুর ভিত ফাঁকা থাকে।

ভিত ফাঁকা মানে কী? মানে হলো, বিশ্লেষকের হাতে যা এসেছে, তার কোনো পরমাণু নেই — কোনো সংখ্যা নেই, তারিখ নেই, সত্তা নেই, সিদ্ধান্ত নেই। cricket_asia ট্যাগটা শুধু বলছে, বিষয়টা এশীয় বাজারের ক্রিকেট-সংক্রান্ত। কিন্তু ট্যাগ কখনো তথ্য নয়। ট্যাগ একটা রুটিং-ইঙ্গিত, প্রমাণ নয়। আর এই দুটোর তফাত না বোঝাটাই আধুনিক স্পোর্টস-ডেটা ইন্ডাস্ট্রির সবচেয়ে দামি ভুল।

আমি ২০০৬ সালে দৈনিক পত্রিকার স্পোর্টস ডেস্কে ঢুকেছিলাম, সেই সময় প্রতিটা সংখ্যার পিছনে একটা সূত্র থাকত — কে বলল, কোন ওভারে, কোন মাঠে। ডেস্ক এডিটর জিজ্ঞেস করতেন, 'সোর্স কোথায়?' সোর্স ছাড়া কোনো দাবি ছাপা হতো না। সাতাশ বছর পর যখন আমি কাঁচা ডেটার পাইপলাইন চালাই, দেখি সেই সোর্স-প্রশ্নটাই সবচেয়ে দ্রুত হারিয়ে যায়। গতি বেড়েছে, সূত্র গায়েব। আমি প্রিন্ট ডেস্ক ছেড়েছি কারণ সংখ্যাগুলো ডেডলাইনের চেয়ে দ্রুত চলছিল — কিন্তু সেই গতির সঙ্গে একটা বিল দেওয়া আছে, আর সেটা হলো প্রমাণের ক্ষয়।

মূল বিশ্লেষণ: ফাঁকা ডেটাসেট নিজেই যখন প্রধান সাক্ষ্য

এখানে আসল আবিষ্কারটা এই: একটা ফাঁকা Stage-1 আউটপুট স্পোর্টস-বিশ্লেষণের ব্যর্থতা নয়, বরং ইনপুট-অখণ্ডতার ব্যর্থতা — আর এটাই পাইপলাইনের সবচেয়ে বস্তুগত ঝুঁকি। কারণ যখন শিরোনাম, সূত্র ও ধরন — এই তিনটে প্রোভেন্যান্স ফিল্ডই N/A হয়ে যায়, তখন কেবল বিশ্লেষণ থামে না; বন্ধ হয়ে যায় অডিট-ট্রেইলটাও। কেউ আর বলতে পারে না এই বিশ্লেষণটা কোন লেখা থেকে, কোন তারিখে, কোন ধরনের ফরম্যাটে দাঁড়িয়েছিল।

ভাবুন, এটা যদি একটা বাজি-বাজারের ডেটা হতো। ফ্যান্টাসি লিগের স্কোরিং হতো। সম্প্রচার-স্বত্বের ভ্যালুয়েশন হতো। অথবা ট্রান্সফার-মার্কেটের দাম নির্ধারণ হতো। ট্রান্সফার মার্কেটকে রটনা-কল্পনার কারখানা মনে হতো, যতক্ষণ না মিনিটগুলো মার্কেটিং থেকে আলাদা হলো। যে-কোনো বাজারে একটা সূত্রহীন সংখ্যা মানে একটা দাম, যার পিছনে কেউ দাঁড়ায় না। আর সূত্রহীন দামই সবচেয়ে বিপজ্জনক দাম — কারণ সেটা যাচাই করা যায় না, শুধু বিশ্বাস করা যায়।

এই বিশ্বাসের ফাঁকটা ভরাতে আজ ব্লকচেইনের দিকে তাকাচ্ছে স্পোর্টস-ডেটা ইন্ডাস্ট্রি। ধারণাটা সহজ: প্রতিটা কাঁচা তথ্য-বিন্দু যখন পাইপলাইনে ঢোকে, তখন তার সোর্স, টাইমস্ট্যাম্প আর এক্সট্রাকশন-লগের একটা ক্রিপ্টোগ্রাফিক হ্যাশ একটি অপরিবর্তনীয় লেজারে লেখা থাকবে। কেউ পরে সংখ্যাটা বদলাতে চাইলে লেজার ধরা পড়বে। এটা কোনো বৈপ্লবিক প্রযুক্তি নয় — এটা মূলত সেই পুরোনো ডেস্ক-প্রশ্নটার ডিজিটাল রূপ: 'সোর্স কোথায়?' শুধু এবার উত্তরটা একজন এডিটরের স্মৃতিতে নয়, একটা ছড়িয়ে-থাকা লেজারে গেঁথে থাকে।

ক্রিকেট-বাস্তবতায় এর প্রয়োজনীয়তা কোথায়? প্রথমত, সম্প্রচার-অধিকার। ইন্ডিয়ান মার্কেটে একটা আইপিএল সম্প্রচার চুক্তির মূল্য নির্ধারিত হয় ভিউয়ারশিপ, স্ট্রিমিং-এনগেজমেন্ট আর স্পন্সর-ডেটার উপর। এই ডেটাগুলো যদি যাচাইযোগ্য না হয়, বিজ্ঞাপনদাতা অন্ধ দাম দেয়। দ্বিতীয়ত, ফ্যান্টাসি ও বাজি-বাজার, যেখানে এশীয় বাজারের ক্রিকেট সবচেয়ে বেশি টাকা ঘোরায় — এবং যেখানে একটা ভুল স্কোরিং ডেটা সরাসরি আর্থিক ক্ষতি। তৃতীয়ত, খেলোয়াড়-মূল্যায়ন। একটা ক্রিকেটারের সাম্প্রতিক ফর্ম, লোড-মিনিট, ইনজুরি-ইতিহাস — এগুলো সঠিক সোর্সে বাঁধা না থাকলে অকশন-দাম আর বাস্তব পারফরম্যান্সের মধ্যে ফাঁক বাড়ে।

আমি ২০১৭ সালে ISL-এর জন্য যে xG মডেলটা বানিয়েছিলাম, সেটার সবচেয়ে বড় শিক্ষা ছিল সোর্স-শৃঙ্খলা। সেই মডেলে দেখা গিয়েছিল বেঙ্গালুরু এফসি প্রতি ম্যাচে ১.৪২ xG তৈরি করে কিন্তু ১.৬৭ গোল করছে — আর সুনিল ছেত্রীর শট-xG ওভারপারফরম্যান্স ছিল ৩.৮ গোল। সংখ্যাটা চমকপ্রদ ছিল, কিন্তু সংখ্যার চেয়ে বেশি জরুরি ছিল এটা জানা যে প্রতিটা শটের সোর্স কোথায়, কোন ভেন্যুতে, কোন প্রতিপক্ষের বিরুদ্ধে। সোর্স ছাড়া '৩.৮' শুধু একটা কার্ড-ট্রিক। সোর্সসহ '৩.৮' একটা সিদ্ধান্ত।

বছরের পর বছর ম্যাচ দেখার অভিজ্ঞতা থেকে বলতে পারি, ক্রিকেটে ডেটার সবচেয়ে বড় শত্রু মিথ্যা নয় — অপূর্ণতা। ফাঁকা ঘর, বাদ-পড়া ওভার, অসম্পূর্ণ স্পেল — এগুলোই সত্য গোপন করে। ২০১৮ রাশিয়া বিশ্বকাপে France-এর PPDA লগ করেছিলাম ১২.৮, আর প্রতি ম্যাচে প্রতিপক্ষকে দিয়েছিল মাত্র ০.৭৭ xG। অন্যদিকে Croatia টানা তিনটা ম্যাচ অতিরিক্ত সময় খেলেছিল — ফাইনালের আগে ৩৬০ মিনিটের বেশি লোড। সেই টুর্নামেন্টে আমি একটা ক্লান্তি-মডেল বানিয়ে বলেছিলাম, Croatia-র মিডফিল্ড ৬০ মিনিটের পরে তীব্রতা হারাবে। ফলাফল ৪-২। কিন্তু লক্ষ্য করুন — সেই ভবিষ্যদ্বাণী কাজ করেছিল কারণ ইনপুট ডেটা সম্পূর্ণ ছিল এবং তার প্রোভেন্যান্স জানা ছিল। আজকের ফাঁকা ঘরে এই ভবিষ্যদ্বাণী অসম্ভব।

৩০৬টি খালি স্টেডিয়ামে হোম-অ্যাডভান্টেজ যন্ত্রের ভেতরে এক ভূত হয়ে গিয়েছিল। ২০২০ সালের বৈশ্বিক বিরতিতে বুন্দেসলিগা, প্রিমিয়ার লিগ আর সিরি আ-র ৩০৬টা ম্যাচ বিশ্লেষণ করে আমি দেখেছিলাম, হোম-অ্যাডভান্টেজ প্রতি ম্যাচে ০.৩৭ গোল থেকে ০.১৯ গোলে নেমে এসেছে, আর হোম-জয়ের হার ৪৩.৩% থেকে ৩৩.৮%-এ। সেই গবেষণার সবচেয়ে গুরুত্বপূর্ণ সিদ্ধান্ত ছিল ডেটাসেটটা প্রকাশ্যে খুলে দেওয়া — কেউ যাচাই করতে পারবে, পুনরুৎপাদন করতে পারবে। ব্লকচেইন-প্রোভেন্যান্স আসলে সেই প্রকাশ্যতারই প্রযুক্তিগত উত্তরাধিকার।

বিপরীত দৃষ্টি: ব্লকচেইন কোনো জাদু নয়, আর শূন্য কখনো শূন্যই থাকে

এখন সেই অংশ, যেখানে আমি নিজের গল্পটাকেই চ্যালেঞ্জ করি। কারণ ডেটা-মঙ্কের সহজ ফাঁদ হলো যেকোনো নতুন প্রযুক্তিকে রুপোর গুলি ভাবা। ব্লকচেইন ফাঁকা তথ্য-বিন্দুকে ভরাতে পারে না। একটা অপরিবর্তনীয় লেজারে যদি আবর্জনা লেখা হয়, তবে সেটা অপরিবর্তনীয় আবর্জনা — আর অপরিবর্তনীয় আবর্জনা সাধারণ আবর্জনার চেয়ে অনেক বেশি ক্ষতিকর, কারণ সে মুছে ফেলার অজুহাতটাও কেড়ে নেয়।

এখানে পারস্পরিক সম্পর্ক আর কারণের মধ্যে রেখা টানাটা জরুরি। এটা সত্য যে প্রোভেন্যান্স-ব্যর্থতা আর বিশ্লেষণ-ব্যর্থতা একসঙ্গে দেখা যায়। কিন্তু একটা আরেকটার কারণ নয়। আসল কারণটা প্রণোদনায় (incentive) — কেউ সোর্স সংরক্ষণের জন্য পুরস্কৃত হয় না, সবাই গতি আর ক্লিকের জন্য পুরস্কৃত হয়। একটা নিউজরুম যদি ফাঁকা ডেটাসেটকেও প্রকাশ করে দেয়, তবে সমস্যাটা ব্লকচেইন নয়, সমস্যাটা হলো ন্যূনতম-প্রমাণ গেটের অভাব। Stage-2 স্বয়ংক্রিয়ভাবে চালু হওয়ার আগে কমপক্ষে একটা তথ্য-বিন্দু বাধ্যতামূলক করা — এই সহজ নিয়মটাই অনেক ব্লকচেইন-পাইলটের চেয়ে বেশি কাজ করে।

দ্বিতীয় বিপদটা ক্রস-মার্কেট ওভাররিচ। ক্রিপ্টো-বাজারের জন্য বানানো একটা পাবলিক লেজার ক্রিকেটের কেন্দ্রীভূত, ফেডারেটেড কাঠামোয় — যেখানে ICC, বোর্ড আর লিগ একসঙ্গে ক্ষমতা ভাগ করে — সোজা বসে না। এশীয় বাজারে এই সমস্যা আরও তীব্র, কারণ এখানে একাধিক বোর্ড, একাধিক সম্প্রচারক আর একাধিক অনানুষ্ঠানিক ডেটা-ব্রোকার একই ম্যাচের ভিন্ন ভিন্ন সংখ্যা বিক্রি করে। প্রযুক্তি এক হলেও প্রণোদনা এক নয়। তাই প্রশ্নটা 'ব্লকচেইন কি সমাধান?' নয়, প্রশ্নটা 'কোন বোর্ড প্রথমে সোর্স-স্ট্যান্ডার্ড মানতে রাজি হবে?'

উপসংহারের দিকে: পরের রাউন্ডের সংকেত

পরের সপ্তাহে ড্যাশবোর্ড আবার খুলব। প্রতিবার খোলার আগে একটা প্রশ্ন করব — এই সংখ্যাটার সোর্স কোথায়? যদি উত্তর না থাকে, সংখ্যাটা ফেলে দেব, প্রকাশ করব না। ২০২৬ মৌসুমে যে নিউজরুম প্রথম ফাঁকা তথ্য-বিন্দুকে প্রত্যাখ্যান করবে — গোটা রিপোর্ট ছাপার বদলে — সে-ই আসলে পরের যুগের মানদণ্ড গড়ে তুলবে। বাকিরা তখনও ফাঁকা ঘর সাজিয়ে গল্প বলতে ব্যস্ত থাকবে।

প্রশ্নটা এখন বোর্ডগুলোর দিকে: কে প্রথমে স্বীকার করবে যে একটা যাচাইযোগ্য খালি ঘর একটা অবিশ্বাস্য ভরা ঘরের চেয়ে দামি?