খালি স্প্রেডশিটের পাঠ: ক্রিকেট ডেটায় জালিয়াতি ঠেকানোর এক ম্যানুয়াল অডিট

গত অক্টোবরের এক সন্ধ্যায় মুম্বাইয়ের ফ্ল্যাটে বসে একটা ফাইল খুললাম। নাম ছিল স্টেজ-১ ডিকনস্ট্রাকশন। খোলার আগে চা বানিয়ে নিয়েছিলাম, কারণ ধরে নিয়েছিলাম ভেতরে একটা ম্যাচের কাঁচা ইভেন্ট ডেটা থাকবে — ইনিংস-বাই-ইনিংস নম্বর, অন্তত একটা বোলারের ওভার-বাই-ওভার লগ, হয়তো একটা ব্যাটসম্যানের নাম। যা পেলাম তা হল একটা মাত্র লাইন। ডোমেইন লেবেল: cricket_asia। বাকি সব ঘর ফাঁকা। শিরোনাম নেই, সোর্স নেই, তথ্যবিন্দুর তালিকা শূন্য, খেলোয়াড় নেই, ম্যাচের ধরন নেই — টেস্ট, ওডিআই, না টি-টোয়েন্টি, কিছুই জানা যাচ্ছে না।

একজন ডেটা অ্যানালিস্টের জীবনে এমন মুহূর্ত কম আসে, কিন্তু এলে সেটা একটা নৈতিক ও পেশাদার সিদ্ধান্তের মুখ। হয় আমি ফাঁকা ঘরগুলো নিজের কল্পনায় ভরে দিতে পারি — একটা কাল্পনিক টেস্ট ম্যাচ বানিয়ে ফেলি, একটা কাল্পনিক দ্বিশতক লিখে ফেলি, পাঠকের কাছে গল্পটা টানটান লাগবে। অথবা থামতে পারি, এবং স্পষ্ট করে বলতে পারি: এখানে বিশ্লেষণ করার মতো কোনো বিষয়বস্তুই নেই। আমি দ্বিতীয় পথটা বেছেছি।

এই সিদ্ধান্তটা হঠাৎ আসেনি। ২০১৮ সালে, যখন আমি উনিশ বছরের অর্থনীতির ছাত্র, রাশিয়া বিশ্বকাপের চৌষট্টিটি ম্যাচের প্রতিটি শট হাতে একটা স্প্রেডশিটে লিখেছিলাম এবং দূরত্ব-ও-কোণ ভিত্তিক একটা সরল মডেলে xG বের করেছিলাম — তখন থেকেই আমার একটা অভ্যাস তৈরি হয়েছিল: প্রতিটা দাবির পেছনে একটা কাঁচা ফাইল থাকবে, যেটা অন্য কেউ খুলে মিলিয়ে দেখতে পারবে। সেই টুর্নামেন্টে ফ্রান্স নকআউট পর্বে প্রতি ম্যাচে গড়ে মাত্র ০.৮৬ xG সুযোগ তৈরি করতে দিয়েছিল — এই সংখ্যাটা আমার হাতে গোনা স্প্রেডশিট থেকে বেরিয়ে এসেছিল, কোনো ব্ল্যাক-বক্স মডেল থেকে নয়। মডরিচ ইংল্যান্ডের বিপক্ষে সেমিফাইনালে ১২.৩ কিলোমিটার দৌড়েছিলেন — এই বাক্যটা লেখার আগে আমি দুটো স্বতন্ত্র ইভেন্ট ফিড মিলিয়ে দেখেছিলাম। দুটো ফিড না মিললে আমি একটা চার্টও ছাপতাম না। আমি ২০১৮ ফাইনালটা হাতে হাতে আবার গড়েছি, যতক্ষণ না মডরিচের দূরত্ব-লগ মিলে যায়। তাই যখন একটা ফাইলে শুধু একটা লেবেল আর বাকি সব ফাঁকা দেখলাম, আমার প্রথম প্রতিক্রিয়া কৌতূহল নয়, সতর্কতা ছিল।

প্রেক্ষাপট: এশিয়ার ক্রিকেটে ডেটার জোয়ার, আর তার পাশে জালিয়াতির প্রলোভন

গত এক দশকে এশিয়ার ক্রিকেট বিশ্লেষণ একটা শিল্প থেকে একটা শিল্পকারখানা হয়ে উঠেছে। আইপিএল, বাংলাদেশ প্রিমিয়ার লিগ, লঙ্কা প্রিমিয়ার লিগ, পাকিস্তান সুপার লিগ — সব জায়গায় ফ্র্যাঞ্চাইজিগুলো এখন ডেটা দল রাখে। ব্রডকাস্টে প্রতি বলের পর একটা সংখ্যা ভেসে ওঠে। এই পরিবেশে চাহিদাটা পরিষ্কার: পাঠক প্রতিদিন সকালে একটা নতুন সংখ্যা চায়, একটা নতুন গ্রাফ, একটা নতুন আবিষ্কার। চাহিদা যখন এত তীব্র, তখন সরবরাহের মান যাচাই করার সময় কমে আসে।

আমি মুম্বাই সিটি এফসির অ্যানালিটিক্স বিভাগে কাজ করার সময় প্রথম শিখেছিলাম, আত্মবিশ্বাসের ব্যবধান আর সীমাবদ্ধতার স্বীকৃতি — এই দুটো জিনিস লেখার মান বাড়ায়, কমায় না। কোচরা হাইপ পছন্দ করতেন না। তাঁরা চাইতেন প্রতিটা ট্রান্সফার মেমো শুরু হোক এই বাক্যে: ডেটা যা দেখাতে পারে না, তা হল। এই এক লাইন লেখকের অহংকার কমায়, আর পাঠকের আস্থা বাড়ায়। ২০২০ সালে যখন কোভিডের বিরতির পর বুন্দেসলিগা ফিরে এল, আমি বিরতির আগে ও পরের মোট ৮৩টি ম্যাচের হিসাব কষেছিলাম — দর্শক থাকা অবস্থায় হোম দল গড়ে ১.৬১ পয়েন্ট পেত, খালি স্টেডিয়ামে মাত্র ১.২৮। দল-শক্তি নিয়ন্ত্রণ করে রিগ্রেশন চালিয়ে দেখলাম, হোম-অ্যাডভান্টেজ প্রতি ম্যাচে ০.৩৩ গোল কমেছে। সেই স্প্রেডশিট আমি দুজন সহপাঠীর সাথে চোদ্দো দিন পিয়ার-রিভিউ করার পর ছাপিয়েছিলাম।

এখন ভাবুন উল্টো ছবিটা। একটা ফাঁকা ইনপুট হাতে পেয়ে যদি আমি একটা সেঞ্চুরি, একটা পাঁচ-উইকেট, একটা হোম-গ্রাউন্ড পরিসংখ্যান বানিয়ে ফেলি, তাহলে সেটা পাঠকের সাথে প্রতারণা। কারণ পাঠক জানেন না সংখ্যাগুলো কোথা থেকে এল। ওই সংখ্যা পরে অন্য কেউ উদ্ধৃত করবেন, একটা ফ্যান্টাসি লিগের মডেলে ঢুকবে, একটা বেটিং অ্যাপের টিপে পরিণত হবে। জাল ডেটার সবচেয়ে বিপজ্জনক দিকটা হল, সেটা ছড়াতে সময় নেয় না, কিন্তু মুছতে বছরের পর বছর লাগে। এই অর্থনীতিতে একটা হট-টেকের দাম একটা ম্যানুয়াল অডিটের চেয়ে অনেক বেশি — কারণ হট-টেক আজ রাতেই ক্লিক আনে, আর অডিট আসে কাল।

মূল বিশ্লেষণ: আটটি মাত্রা, আর কেন প্রতিটির জন্য ইনপুট দরকার

আমি যে বিশ্লেষণ-কাঠামোটা ব্যবহার করি, সেটার আটটা স্তর আছে। এই আটটা স্তর আমার কাছে সাজসজ্জা নয়, একটা চেকলিস্ট — অনেকটা হিসাবরক্ষকের খাতার মতো, যেখানে প্রতিটা এন্ট্রির বিপরীতে একটা পাল্টা-এন্ট্রি থাকতে হয়। প্রতিটা স্তর একটা নির্দিষ্ট প্রশ্নের উত্তর খোঁজে, এবং প্রতিটা প্রশ্নের উত্তর দিতে নির্দিষ্ট ইনপুট লাগে। ফাঁকা ইনপুটে কোন স্তরটা কেন ভেঙে পড়ে, সেটা ধাপে ধাপে দেখাই এই লেখার আসল কাজ।

এক: ফরম্যাট ও ম্যাচের প্রকৃতি। ক্রিকেটে যেকোনো বিশ্লেষণের প্রথম শর্ত হল ফরম্যাট চেনা। টেস্ট, ওডিআই আর টি-টোয়েন্টি — এই তিনটা ফরম্যাটের সংখ্যাগুলো একসাথে মেলানো যায় না। একটা ওডিআইয়ে চার রান প্রতি ওভার দুর্দান্ত, একটা টি-টোয়েন্টিতে সেটা ধীরগতির। টেস্টে প্রথম সেশনের সত্তর রান একটা সেশন জেতায়, টি-টোয়েন্টিতে সত্তর রান একটা ইনিংস হারায়। ফাঁকা ইনপুটে ফরম্যাটটাই অজানা, তাই পাওয়ারপ্লে, মিডল-ওভার, ডেথ-ওভার — কোন ফেজের কথা বলব, সেই কাঠামোই দাঁড়ায় না। পিচের বয়স, শিশির, ডিএলএস-এর সম্ভাবনা — এসব তো অনেক দূরের কথা।

দুই: খেলোয়াড়ের কৌশল ও ডেটা। এখানে একটা নাম দরকার, একটা ভূমিকা দরকার। বাঁহাতি স্পিনারের ইকোনমি আর ডানহাতি পেসারের ইকোনমি এক মানদণ্ডে মাপা যায় না। একটা খেলোয়াড়ের ক্যারিয়ার গড়, স্ট্রাইক রেট, সাম্প্রতিক ফর্ম, বয়স-বক্ররেখার অবস্থান — এই চারটে জিনিস না জানলে ভালো বা খারাপ শব্দটার কোনো অর্থ থাকে না। কোনো নাম নেই মানে কোনো মানদণ্ড নেই। আর মানদণ্ড ছাড়া বিচার করাটা বিচার নয়, অনুমান। ক্রিকেটে মানদণ্ডটা ফরম্যাট-নির্দিষ্ট হওয়া জরুরি: একটা টেস্টে ৪৫-এর গড় আর একটা টি-টোয়েন্টিতে ৪৫-এর গড় এক জিনিস নয়, এবং একটা টেস্ট স্পিনারের ইকোনমি দিয়ে একটা টি-টোয়েন্টি ডেথ-বোলারের মূল্য মাপা যায় না।

তিন: দলের চিত্র ও র‍্যাঙ্কিং। একটা দলের ব্যাটিং গভীরতা, বোলিং কম্বিনেশন, বেঞ্চের শক্তি, বয়স-গঠন — এগুলো মাপতে হলে অন্তত দুটো দলের নাম লাগে, এবং একটা ইভেন্টের নাম লাগে। কে কার সাথে খেলছে, কোন মাঠে, কোন সিরিজের কোন ম্যাচ — এগুলো ছাড়া ম্যাচআপ-ভূগোল আঁকা অসম্ভব। ২০২২ কাতার বিশ্বকাপে আমি মরক্কোর সফিয়ান আমরাবতের দৌড় মেপেছিলাম — স্পেনের বিপক্ষে ১২.৭ কিলোমিটার, পর্তুগালের বিপক্ষে ১১.২। মরক্কোর PPDA-দেয়াল কোনো অলৌকিক ঘটনা ছিল না; সেটা একটা পুনরাবৃত্ত রক্ষণ-প্যাটার্ন। কিন্তু এই বাক্যটা লেখার জন্য আমাকে দল, প্রতিপক্ষ, টুর্নামেন্ট — সব চিনতে হয়েছিল।

চার: লিগ ও বাণিজ্যিক বাস্তুতন্ত্র। ব্রডকাস্ট অধিকারের মূল্য, ফ্র্যাঞ্চাইজির মূল্যায়ন, খেলোয়াড়ের বেতন — এই সংখ্যাগুলো লিগ-নির্দিষ্ট। আইপিএলের নিলাম আর বাংলাদেশ প্রিমিয়ার লিগের নিলাম এক নিয়মে চলে না। আমার সবচেয়ে প্রিয় যুক্তি — বড় আইপিএল বেতন মানেই আন্তর্জাতিক শক্তি নয় — সেটাও ব্যবহার করতে একটা নির্দিষ্ট লেনদেন দরকার। ২০২৩ সালের জানুয়ারিতে চেলসির ৭০ মিলিয়ন ইউরোতে মিখাইলো মুদ্রিক কেনার সময় আমি একটা লিগ-স্ট্রেংথ গুণক বসিয়েছিলাম, কারণ ইউক্রেনীয় প্রিমিয়ার লিগের ০.৪৮ xG+xA প্রতি নব্বই মিনিটের সংখ্যাটা প্রিমিয়ার লিগের তুলনায় ভারী করে পড়তে হয়। সেই লেখায় আমি তিনটি সমগোত্রীয় ট্রান্সফারকে নজির হিসেবে পাশে বসিয়েছিলাম, কারণ একটা নাম দিয়ে একটা প্রবণতা প্রমাণ হয় না। আমি ট্রান্সফার ঝুঁকিকে একটা অডিটের মতো দেখি: প্রতিটা হাইলাইটের বিপরীতে একটা পাল্টা এন্ট্রি থাকতে হয়। ফাঁকা ইনপুটে পাল্টা এন্ট্রি লেখার মতো কিছুই নেই।

পাঁচ: নিয়ম ও প্রশাসন। পাওয়ার-বণ্টন, খেলার নিয়মের বিতর্ক, দুর্নীতি-বিরোধী ব্যবস্থা, যোগ্যতা ও নির্বাচন, রাজনৈতিক চাপ — প্রতিটা চেকপয়েন্ট একটা নির্দিষ্ট ঘটনার রেফারেন্স চায়। কোনো ঘটনা বর্ণিত না থাকলে কমপ্লায়েন্স ঝুঁকি মাপা যায় না, আর সবচেয়ে খারাপ, মাঝারি ও ভালো — এই তিনটা পরিস্থিতির ছবিও আঁকা যায় না।

ছয়: ঝুঁকি-বিশ্লেষণ। খেলাধুলার ঝুঁকি, ব্যক্তিগত ঝুঁকি, বাণিজ্যিক ঝুঁকি, নিয়ম-ভঙ্গের ঝুঁকি, জনমতের ঝুঁকি, প্রণালীগত ঝুঁকি — এই ছয়টা ঘরের প্রতিটিতে কিছু বসাতে হলে একটা বিষয়বস্তু লাগে। এখানে একটা মজার ব্যাপার আছে। এই ফাঁকা ইনপুটে যে একমাত্র ঝুঁকিটা আমি সত্যিই শনাক্ত করতে পারি, সেটা কোনো খেলোয়াড়ের চোট নয়, কোনো সময়সূচির চাপ নয় — সেটা হল প্রণালীগত ঝুঁকি: একটা ফাঁকা ইনপুট থেকে লেখা যেকোনো বিশ্লেষণ অনিবার্যভাবে বানানো গল্প হয়ে দাঁড়াবে। শূন্য ডেটা নিজেই একটা ঝুঁকির তথ্য।

সাত: জনমত ও প্রত্যাশার ব্যবধান। গুজবের তাপ কতটা, তার মৌলিক ভিত্তি কতটা — এই দুইয়ের ব্যবধান মাপতে হলে একটা প্রচলিত বর্ণনা দরকার। নিলামের গুজব কতটা নির্ভরযোগ্য সোর্স থেকে এল, সেটাও একটা নাম ছাড়া যাচাই করা যায় না। জনমতের তাপ আর বাস্তব পারফরম্যান্সের ফারাকটাই প্রায়ই সবচেয়ে বড় গল্প, কিন্তু সেই গল্পের জন্য দুই দিকেরই সংখ্যা লাগে।

আট: শিল্পে সংক্রমণ। উপরের ধাপ — যুব উন্নয়ন ও প্রতিভা সরবরাহ; মধ্যধাপ — জাতীয় দল ও লিগ; নিচের ধাপ — সম্প্রচার, বাণিজ্যিক ও ডেরিভেটিভ বাজার। একটা চুক্তি, একটা নিয়ম পরিবর্তন, একটা টুর্নামেন্টের ফল — এমন কোনো ঘটনা ছাড়া এই শৃঙ্খলে তীর আঁকা অসম্ভব। আর ডেরিভেটিভ বাজার বা ফ্যান্টাসি স্পোর্টসের সংকেত তো আরও বেশি নির্ভর করে সুনির্দিষ্ট সংখ্যার ওপর।

এখন লক্ষ্য করুন, আটটা স্তরের প্রতিটিই শেষ হয়েছে একই জায়গায়: ইনপুট নেই। এটা কোনো কাকতালীয় ব্যর্থতা নয়। এটা একটা প্যাটার্ন। আর প্যাটার্নটা গুরুত্বপূর্ণ, কারণ এটা দেখায় বিশ্লেষণ-কাঠামোটা দোষী নয় — কাঠামো প্রস্তুত। সমস্যাটা তার আগের ধাপে, যেখানে মূল নিবন্ধটা হয় পড়া হয়নি, নয় এক্সট্রাক্ট করা হয়নি, নয় ট্রান্সমিট হতে গিয়ে হারিয়ে গেছে।

বিপরীতমুখী কোণ: শূন্যতাটাই আসল সংকেত

এখানেই একটা অস্বস্তিকর সত্য লুকিয়ে আছে, যেটা ডেটা-সাক্ষরতার আলোচনায় কম আসে। আমরা সাধারণত ধরে নিই ডেটার সমস্যা মানে ভুল ডেটা। কিন্তু আরও একটা সমস্যা আছে, যেটা আরও ধূর্ত — ডেটার অনুপস্থিতি, অথচ সিদ্ধান্তের চাপ অটুট। ফাঁকা ইনপুট মিথ্যা তথ্য নয়; কিন্তু ফাঁকা ইনপুট নিয়ে কাজ করতে গেলে মানুষ মিথ্যা তথ্য বানিয়ে ফেলে। মডেল আমার মন বদলায়নি; ম্যানুয়াল xG বদলেছে। একইভাবে, এই ফাঁকা ফাইল আমার সিদ্ধান্ত বদলেছে — লিখব না, ফেরত পাঠাব।

মূলধারার বর্ণনা এখানে উল্টো কথা বলে। অনেকে বলবেন, ডেটা নেই মানে বিশ্লেষণ নেই, তাহলে এত আয়োজন কেন। আমি পাল্টা বলব, ডেটা নেই — এটাও একটা ফলাফল, এবং প্রায়ই এটা সবচেয়ে সৎ ফলাফল। একটা দলের তিন ম্যাচে PPDA কমে যাওয়া হয়তো আসল প্যাটার্ন, হয়তো কেবল প্রতিপক্ষ দুর্বল হওয়ার ভ্রম। সংখ্যা আর বর্ণনার মধ্যে ফারাকটা না মাপলে আমরা গল্পকেই সত্য ভাবি। আমি একঘেয়ে রানগুলোও লিখে রাখি, কারণ ম্যাচটা আসলে সেখানেই বাস করে। এই ফাঁকা ফাইলটা আমাকে বাধ্য করল সেই ফারাকটা স্বীকার করতে।

আর একটা কথা যোগ করা দরকার। ফাঁকা ফলের পেছনে সাধারণত দুটো সম্ভাবনা থাকে। হয় মূল নিবন্ধটাই বিষয়বস্তু-শূন্য ছিল, নয় ওপরের কোনো ধাপে এক্সট্রাকশন ভেঙে পড়েছে। দ্বিতীয়টা বেশি সম্ভাব্য, কারণ একটা লেবেল বেঁচে আছে কিন্তু বাকি সব মুছে গেছে — এটা ট্রান্সমিশন ত্রুটির চেনা ছাপ। হোম অ্যাডভান্টেজ শব্দ নয়; এটা একটা ভেরিয়েবল, যার সাথে একটা ভিড় জড়ানো। ঠিক তেমনই, একটা খালি রিপোর্ট শব্দ নয়; এটা একটা প্রণালীগত সংকেত, যার সাথে একটা অনুপস্থিত ধাপ জড়ানো।

বছরের পর বছর ম্যাচ দেখে আমার অভিজ্ঞতা বলে, সবচেয়ে বড় ভুলগুলো হয় প্রতিভার ভুল মূল্যায়নে নয়, বরং ভুল প্রশ্নে। কে জিতল, কে হেরে গেল — এই প্রশ্নের উত্তর স্কোরবোর্ডে লেখা থাকে। কে আসলে যোগ্য ছিল, কে ভাগ্যবান ছিল — এই প্রশ্নের উত্তর লুকিয়ে থাকে ম্যানুয়াল অডিটে। এই ফাঁকা ইনপুট আমাকে বাধ্য করল দ্বিতীয় প্রশ্নটা করতে, এবং সৎভাবে স্বীকার করতে যে এই মুহূর্তে উত্তরটা আমার হাতে নেই।

টেকঅওয়ে: পরের ধাপের সংকেত

আগামী দিনগুলোতে ক্রিকেট-ডেটার সবচেয়ে বড় পরীক্ষা হবে সংখ্যার আধিক্য নয়, সংখ্যার বিশ্বাসযোগ্যতা। যত এশীয় লিগ বাড়বে, তত বেশি বিশ্লেষণ তৈরি হবে — এবং তার একটা অংশ হবে জাল। তাই একটা সতর্ক সংকেত এখনই রাখা ভালো: যে রিপোর্ট কাঁচা ফাইল দেখাতে পারে না, সেটা রিপোর্ট নয়, মতামত। এই ফাঁকা ফাইলটা আমার জন্য ব্যর্থতা নয়, একটা মাপকাঠি। পরের বার যখন কোনো লেখা পড়বেন, জিজ্ঞেস করুন: এর পেছনে একটা ম্যানুয়াল অডিট আছে, নাকি শুধু একটা লেবেল আর অনেকটা আত্মবিশ্বাস?