একটি খালি ডেটা সেট থেকে ক্রিকেট বিশ্লেষণ: যখন স্টেজ-১ ফাঁকা থাকে, তখন অ্যানালিস্ট কী করেন

গত সপ্তাহে রাত ১১টার দিকে রাজশাহীর বাসা থেকে একটি ফাইল খুললাম। ভেতরে শুধু একটা লাইন: domain_label: cricket_asia। শিরোনাম নেই, সোর্স নেই, আর্টিকেল টাইপ নেই, এক বাক্যের সারমর্ম নেই, তথ্যবিন্দুও নেই। অর্থাৎ, বিশ্লেষণের জন্য যা যা লাগে, তার একটিও নেই। ১৭ বছরে আমি অনেক অসম্পূর্ণ ডেটা সেট হ্যান্ডেল করেছি—বাংলাদেশ প্রিমিয়ার লিগের ১,২৪৮টি শট কোডিং থেকে শুরু করে রাশিয়া বিশ্বকাপের ইভেন্ট ডেটা পর্যন্ত। কিন্তু এতটা ফাঁকা ইনপুট আমি কম দেখেছি।

সমস্যাটা আসলে ডেটা অ্যানালিস্টের পুরনো চেনা সংকট। ফাঁকা ঘরে আমরা যা চাই, সেটা বসিয়ে দেওয়া সহজ। একটা ক্রিকেট আর্টিকেলের জন্য শিরোনাম, সোর্স, তথ্যবিন্দু—এই তিনটা জিনিসই যদি না থাকে, তাহলে বাকি সব অনুমান। আর অনুমাননির্ভর বিশ্লেষণ মানে পাঠককে ভুল তথ্য দেওয়া। ২০১৭ সালে গল্প স্পোর্টসে যখন প্রথম xG মডেল বানাচ্ছি, তখন শিখেছিলাম—ভুল ডেটা দিয়ে সঠিক সিদ্ধান্ত হয় না, কিন্তু ভুল ডেটা দিয়ে আত্মবিশ্বাসী সিদ্ধান্ত হয়। সেটা আরও বিপজ্জনক।

সমস্যাটা কোথায়, সেটা পরিষ্কার করা দরকার। আমরা যাকে "বিশ্লেষণ" বলি, তার পেছনে একটা নির্দিষ্ট কাঠামো থাকে। প্রথমে তথ্য সংগ্রহ, তারপর তথ্য যাচাই, তারপর তা থেকে প্যাটার্ন বের করা, শেষে সেই প্যাটার্নের ভিত্তিতে ভবিষ্যদ্বাণী। এবারের ইনপুটে প্রথম ধাপটাই ফাঁকা। শুধু একটা ডোমেইন লেবেল আছে—cricket_asia। এই লেবেল দিয়ে বোঝা যায় বিষয়টা এশিয়ার ক্রিকেট-সংক্রান্ত। কিন্তু এশিয়ার ক্রিকেট মানে কী? এশিয়া কাপ, আইপিএল, বিপিএল, ঘরোয়া প্রথম শ্রেণির ক্রিকেট, নাকি কোনো দ্বিপাক্ষিক সিরিজ? কোন দল, কোন খেলোয়াড়, কোন সময়কাল—কিছুই জানা নেই।

আমার অভিজ্ঞতায়, একটা ক্রিকেট প্রতিবেদন বিশ্লেষণের জন্য অন্তত পাঁচটা মূল তথ্য লাগে। প্রথমত, ম্যাচ বা সিরিজের নাম ও সময়কাল। দ্বিতীয়ত, দল ও খেলোয়াড়ের নাম। তৃতীয়ত, ম্যাচের ফলাফল বা উল্লেখযোগ্য পরিসংখ্যান। চতুর্থত, তথ্যের সোর্স—আইসিসি, ACC, বিসিবি, নাকি কোনো সংবাদমাধ্যম। পঞ্চমত, প্রতিবেদনটি কী ধরনের—ম্যাচ রিপোর্ট, প্রিভিউ, প্লেয়ার প্রোফাইল, নাকিopinion। এই পাঁচটার মধ্যে একটাও না থাকলে বিশ্লেষণ দাঁড়ায় না।

কিছুদিন আগে একটা ঘটনা মনে পড়ছে। ২০১৮ সালের রাশিয়া বিশ্বকাপে জার্মানি-মেক্সিকো ম্যাচের পর আমি একটা থ্রেড পোস্ট করেছিলাম। জার্মানির ২৬ শটে xG মাত্র ১.৩, মেক্সিকোর ১২ শটে ১.১। জার্মানির পিপিডিএ ৬.৯, তাতে ১৮টি ট্রানজিশন সুযোগ তৈরি হয়েছিল মেক্সিকোর। সেই ডেটা থেকে আমি বলেছিলাম, জার্মানি গ্রুপ পর্ব পার হবে না। অনেকে বিশ্বাস করেনি। কিন্তু আমার দাবির পেছনে প্রতিটি সংখ্যার সোর্স ছিল—অফিসিয়াল ম্যাচ ফিড, ইভেন্ট ডেটা, পজিশনাল ডেটা। এখন এই ফাঁকা ফাইলের পাশে বসে ভাবছি, যদি তখনকার কোনো একটা সংখ্যা ভুল হতো, তাহলে পুরো ভবিষ্যদ্বাণীটাই ভুল হতো।

ডেটা অ্যানালিস্ট হিসেবে আমার প্রথম দায়িত্ব হলো—যা জানি না, তা স্বীকার করা। এটা দুর্বলতা নয়, পদ্ধতিগত শৃঙ্খলা। ২০২০ সালে ব্রেন্টফোর্ডের জন্য কাজ করার সময় ৩০৬টি দর্শকশূন্য ম্যাচের ডেটা বিশ্লেষণ করেছিলাম। হোম উইন রেট ৪৩.১% থেকে ৩৩.৮%-এ নেমেছিল, হোম xG ডিফারেনশিয়াল কমেছিল ০.২১। কিন্তু সেই বিশ্লেষণে আমি প্রতিটি লিগের আলাদা করে ডেটা দেখেছিলাম—বুন্দেসলিগা, চ্যাম্পিয়নশিপ, সেরি আ আলাদা। কারণ এক লিগের প্যাটার্ন আরেক লিগে কাজ করে না। এই সতর্কতাটাই আমাকে ভুল সিদ্ধান্ত থেকে বাঁচিয়েছে।

ফাঁকা স্টেজ-১-এর ক্ষেত্রেও একই নীতি প্রযোজ্য। ডোমেইন লেবেল cricket_asia শুধু বলছে বিষয়টা এশিয়ার ক্রিকেট। এটা দিয়ে আমি এশিয়া কাপের ফাইনাল বিশ্লেষণ করতে পারি না, আবার বিপিএলের প্লে-অফও নয়। আসলে এই লেবেলটা তেমনই অসম্পূর্ণ, যেমনটা একটা ম্যাচের স্কোরকার্ডে শুধু "ক্রিকেট" লেখা থাকলে হয়।

তাহলে এখন কী করা যায়? প্রথম কাজ হলো, ফাঁকা ঘরগুলো চিহ্নিত করা। কোন কোন তথ্য দরকার, তার একটা তালিকা তৈরি করা। আমার অভিজ্ঞতায়, ক্রিকেট আর্টিকেল বিশ্লেষণের জন্য ন্যূনতম তথ্যের তালিকা হলো: আর্টিকেলের শিরোনাম ও সোর্স, প্রকাশের তারিখ, আর্টিকেলের ধরন, এক বাক্যে মূল বক্তব্য, এবং প্রতিটি তথ্যবিন্দু আলাদা করে চিহ্নিত। এই পাঁচটা থাকলে বিশ্লেষণ সম্ভব।

দ্বিতীয় কাজ হলো, সোর্স যাচাই। ক্রিকেটে তথ্যের সোর্স খুব গুরুত্বপূর্ণ। আইসিসির অফিসিয়াল প্রেস রিলিজ আর একটি ফেসবুক পোস্টের মধ্যে বিশাল পার্থক্য আছে। এশিয়ার ক্রিকেটে ACC-এর ঘোষণা, বিসিবির বিবৃতি, PCB-র প্রেস নোট—এগুলো আলাদা আলাদা স্তরের তথ্য। সোর্স না জানলে আমরা জানতে পারি না, তথ্যটা কতটা নির্ভরযোগ্য।

তৃতীয় কাজ হলো, সময়সীমা যাচাই। ক্রিকেটে সময় একটা বড় ফ্যাক্টর। একটা ম্যাচ প্রিভিউ যদি ম্যাচের তিন দিন পর পড়েন, তার মূল্য অনেক কমে যায়। আবার একটা প্লেয়ার প্রোফাইল যদি দুই বছর পুরনো হয়, তাহলে বর্তমান ফর্মের চিত্র পাওয়া যায় না। এই ফাঁকা ফাইলে সময়-সংবেদনশীলতার কোনো মূল্যায়নই নেই, তাই জানা যায় না তথ্যটা কতটা সতেজ।

চতুর্থ কাজ হলো, তথ্যবিন্দু তৈরি করা। একটি ক্রিকেট আর্টিকেলের প্রতিটি বাক্যকে আলাদা তথ্যবিন্দুতে ভাঙা যায়। যেমন—"বাংলাদেশ ২০২৩ এশিয়া কাপে সুপার ফোরে উঠেছিল"—এটা একটা তথ্যবিন্দু। এর সাথে যদি থাকে "তারা গ্রুপ পর্বে আফগানিস্তানকে ৮৯ রানে হারিয়েছিল", সেটা আরেকটা তথ্যবিন্দু। এই তথ্যবিন্দুগুলো একসাথে করলে পুরো আর্টিকেলের কাঠামো দাঁড়ায়। কিন্তু এই ফাঁকা ফাইলে একটিও তথ্যবিন্দু নেই।

এখন প্রশ্ন হলো, এই ফাঁকা ডেটা সেট নিয়ে আমি কী করতে পারি? প্রথমত, আমি একটা প্রতিবেদন লিখতে পারি না যেখানে দাবি করা হবে অমুক ম্যাচে অমুক দল জিতেছে। কারণ আমার কাছে সেই তথ্য নেই। দ্বিতীয়ত, আমি পাঠককে বোঝাতে পারি—কেন ফাঁকা ডেটা সেট থেকে বিশ্লেষণ করা বিপজ্জনক। তৃতীয়ত, আমি প্রক্রিয়াটা ব্যাখ্যা করতে পারি—কীভাবে সঠিক তথ্য সংগ্রহ করে বিশ্লেষণ করতে হয়।

আমার কাছে মনে হয়, এই ফাঁকা ফাইলটা নিজেই একটা গল্প। এটা দেখায়, ডেটা অ্যানালিস্টের কাজ শুধু সংখ্যা নিয়ে খেলা নয়। কাজ হলো—কোন সংখ্যা প্রয়োজন, কোন সংখ্যা নেই, এবং কেন নেই, সেটা বোঝা। একটা ফাঁকা ঘরও তথ্য বহন করে। সেটা বলে দেয়—এখানে কিছু অনুপস্থিত।

২০১১ সালে যখন জাতীয় দলের হয়ে ওয়ানডে অভিষেক হয়, তখন আমি খেলোয়াড় ছিলাম। তখন আমার কাছে ডেটার গুরুত্ব এতটা পরিষ্কার ছিল না। ২০১৭ সালে গল্প স্পোর্টসে যোগ দেওয়ার পর বুঝলাম, ডেটা ছাড়া বিশ্লেষণ অন্ধ। কিন্তু এখন আরও একটা জিনিস বুঝি—ভুল ডেটা দিয়ে বিশ্লেষণ আরও অন্ধ। কারণ ভুল ডেটা আত্মবিশ্বাস তৈরি করে, আর সেই আত্মবিশ্বাস ভুল সিদ্ধান্তে নিয়ে যায়।

এই প্রসঙ্গে একটা কথা মনে রাখা দরকার। ক্রিকেটে আমরা প্রায়ই বলি, "পরিসংখ্যান মিথ্যা বলে না।" কিন্তু পরিসংখ্যান নিজে কিছু বলে না। আমরা যেভাবে পরিসংখ্যান ব্যবহার করি, সেটাই মিথ্যা বা সত্য হতে পারে। ফাঁকা ডেটা সেট নিয়ে কাজ করার সময় এই সত্যটা আরও স্পষ্ট হয়ে ওঠে।

তাহলে সমাধান কী? সমাধান হলো—তথ্য সংগ্রহ করা। যেখানে তথ্য নেই, সেখানে তথ্য যোগ করা। এই ফাঁকা ফাইলের ক্ষেত্রে, আমাদের দরকার মূল আর্টিকেলের পুরো টেক্সট বা লিংক। যদি সেটা না থাকে, তাহলে তথ্যবিন্দুর তালিকা, শিরোনাম, সোর্স এবং প্রকাশের তারিখ। এই তথ্যগুলো পেলে বিশ্লেষণ সম্ভব।

আমি জানি, পাঠক হয়তো ভাবছেন—এই লেখাটা আসলে কী নিয়ে? এটা কোনো নির্দিষ্ট ম্যাচের বিশ্লেষণ নয়, কোনো খেলোয়াড়ের পরিসংখ্যান নয়। এটা হলো ডেটা অ্যানালিস্টের পদ্ধতিগত দর্শন—যখন তথ্য অসম্পূর্ণ, তখন কীভাবে সিদ্ধান্ত নিতে হয়।

ক্রিকেটে আমরা প্রায়ই দেখি, একটা ম্যাচের ফলাফল নিয়ে বিশ্লেষণ হয়। কিন্তু ম্যাচের আগে কী হয়? ডেটা সংগ্রহ, যাচাই, মডেলিং—এই প্রক্রিয়াটা কেউ দেখে না। অথচ এই প্রক্রিয়াটাই আসল বিশ্লেষণের ভিত্তি। এই ফাঁকা ফাইলটা সেই অদৃশ্য প্রক্রিয়ার একটা জানালা।

এখন ভবিষ্যতের দিকে তাকালে একটা প্রশ্ন জাগে। আমরা ক্রিকেটে ডেটা-নির্ভর বিশ্লেষণকে যতটা গুরুত্ব দিচ্ছি, তার তুলনায় ডেটার গুণমান যাচাইকে ততটা গুরুত্ব দিচ্ছি কি? এশিয়ার ক্রিকেটে, বিশেষ করে বাংলাদেশে, ডেটার ঘাটতি একটা বাস্তব সমস্যা। ঘরোয়া লিগের স্কোরকার্ড থেকে শুরু করে আন্তর্জাতিক ম্যাচের ইভেন্ট ডেটা—সব জায়গায় অসম্পূর্ণতা আছে। এই অসম্পূর্ণতা পূরণ না করে আমরা যদি বিশ্লেষণ চালাই, তাহলে সেটা হবে বালির উপর প্রাসাদ নির্মাণ।

এই লেখাটা সেই প্রাসাদ নির্মাণের আগে ভিত্তি যাচাইয়ের কথা বলে। ফাঁকা ঘরগুলো দেখে ভয় পাওয়ার কিছু নেই। বরং ফাঁকা ঘরগুলো আমাদের বলে দেয়—কোথায় কাজ বাকি।

আমার কাছে এই অভিজ্ঞতা নতুন কিছু নয়। ২০১৭ সালে বিপিএলের xG মডেল বানানোর সময় প্রথম কয়েক সপ্তাহে ডেটার অভাবেই আটকে ছিলাম। তখন আমি ১,২৪৮টি শটের ডেটা নিজে কোড করেছিলাম। ভিডিও দেখে দেখে প্রতিটি শটের অবস্থান, ধরন, এবং ফলাফল রেকর্ড করেছিলাম। সেই শ্রমের ফলেই মডেলটা দাঁড়িয়েছিল।

তাই ফাঁকা স্টেজ-১-এর ক্ষেত্রেও একই পথ। তথ্য নেই মানে থেমে যাওয়া নয়। তথ্য নেই মানে—তথ্য সংগ্রহ শুরু করা। কোন তথ্য দরকার, কার কাছে আছে, কীভাবে পাওয়া যায়—এই প্রশ্নগুলোই তখন প্রধান হয়ে ওঠে।

শেষ করার আগে একটা কথা। ডেটা অ্যানালিস্টের কাজ কখনোই শুধু সংখ্যা নিয়ে নয়। কাজ হলো সংখ্যার পেছনের গল্প খুঁজে বের করা। আর সেই গল্প খুঁজতে গেলে প্রথম শর্ত হলো—সঠিক সংখ্যা পাওয়া। এই ফাঁকা ফাইলটা সেই যাত্রার শুরু। এখান থেকে যদি সঠিক তথ্য যোগ করা যায়, তাহলে হয়তো একটা অর্থপূর্ণ বিশ্লেষণ দাঁড়াবে। আর না পারলে, অন্তত এটা পরিষ্কার থাকবে—কেন দাঁড়াল না। সেটাও একটা সিদ্ধান্ত, এবং সৎ সিদ্ধান্ত।