खाली पेलोड, भरा हुआ लेबल: क्रिकेट डेटा पाइपलाइन का वह फेलियर जो ख़ुद ख़बर है

वह आइटम जिसने सब कुछ छोड़ दिया, सिवाय एक लेबल के

फ़ाइल का नाम रोज़ की तरह सामान्य था। बैच में चालीस आइटम थे। उनतीस में शीर्षक, स्रोत, तारीख़ और चार से छह ठोस सूचना-बिंदु भरे हुए थे। चालीसवाँ आइटम लौटा और उसका शीर्षक N/A था। स्रोत N/A। एक-वाक्य सारांश ख़ाली। सूचना-बिंदुओं की सूची ख़ाली। लेख का प्रकार Unclassified। लेखक का रुख़ N/A। लेख का उद्देश्य N/A। समय-संवेदनशीलता के ख़ाने में लिखा था — "Stage 1 में आँका नहीं गया।" स्रोत-गुणवत्ता के ख़ाने में लिखा था — "स्रोत फ़ील्ड से अनुमान लगाइए," जबकि स्रोत फ़ील्ड ख़ुद N/A था।

एक चीज़ भरी हुई थी। डोमेन लेबल: cricket_asia।

यही वह क्षण है जिस पर यह पूरी रिपोर्ट टिकी है। एक क्लासिफ़ायर ने पहचान लिया कि सामग्री क्रिकेट की है, और एशिया से जुड़ी है — जबकि उस सामग्री का एक भी शब्द आगे नहीं आया। मशीन को पता था कि यह क्रिकेट है; उसे यह नहीं पता था कि इसमें क्या लिखा है।

उस आइटम पर काम करने वाले हर व्यक्ति के सामने एक रास्ता खुला था, और वह सबसे आकर्षक रास्ता था: अनुमान लगा लेना। cricket_asia का लेबल देखकर तीन कहानियाँ ज़ुबान पर अपने आप आ जाती हैं — एशिया कप की कोई तैयारी, आईपीएल नीलामी की कोई ख़बर, या भारत-पाकिस्तान सीरीज़ की कोई हलचल। तीनों संभव हैं। तीनों में से एक भी सही नहीं है, क्योंकि तीनों अनुमान हैं, और अनुमान का दूसरा नाम कल्पना है।

यहाँ प्रकाशन रोक दिया गया। सुबह ग्यारह बजे का वह फ़ैसला तकनीकी कम, संपादकीय ज़्यादा था: जब तक Stage-1 दोबारा न चले और शीर्षक, स्रोत और कम से कम पाँच सत्यापित सूचना-बिंदु न लौटाए, इस आइटम से निकला कोई भी क्रिकेट-दावा बाहर नहीं जाएगा। एक स्पोर्ट्स डेस्क के लिए यह असहज फ़ैसला है, क्योंकि डेडलाइन अनुमान को माफ़ कर देती है।

दो-चरणीय पाइपलाइन, और वह एक नियम जिसने सब बचाया

Stage-1 स्रोत को तोड़ता है: शीर्षक, स्रोत, प्रकार, एक-वाक्य सारांश, लेखक का रुख़, उद्देश्य, सूचना-बिंदु, इकाइयाँ, समय-संवेदनशीलता। Stage-2 उन बिंदुओं पर आठ आयामों में विश्लेषण करता है — प्रारूप और मैच, खिलाड़ी और तकनीक, टीम और रैंकिंग, लीग और वाणिज्य, नियम और शासन, जोखिम, सार्वजनिक कथा, और उद्योग-संचरण।

नियम सरल है और कठोर: Stage-2 का हर निष्कर्ष किसी एक सूचना-बिंदु तक वापस जाना चाहिए। बिंदु शून्य हैं, तो निष्कर्ष भी शून्य — चाहे टेम्पलेट कितना भी बड़ा हो, चाहे उसके ख़ाने कितने भी सुंदर दिखें।

2026 में जब मैंने मुंबई की एक डिजिटल स्टार्टअप में भारतीय सुपर लीग के लिए पहला xG मॉडल बनाया था, तब सबसे ज़्यादा मेहनत मॉडल में नहीं, उसकी सीमा घोषित करने में लगी थी। मुंबई सिटी एफ़सी के बलवंत सिंह का xG 4.2 था और वास्तविक गोल 2। यह अंतर तब तक बेमानी था जब तक हमने यह नहीं लिखा कि नमूना छोटा है, शॉट-ट्रैकिंग डेटा अनुपस्थित है, और यह आँकड़ा स्थिति पैदा करने की क्षमता बताता है, निपुणता नहीं। उस पीस को पचास हज़ार लोगों ने पढ़ा, और यह उसके दावे की विनम्रता से ज़्यादा उसकी पारदर्शिता की वजह से चला।

2026 रूस विश्व कप में फ़्रांस का ग्रुप-चरण PPDA 14.3 निकला — दावेदारों में सबसे ऊँचा। स्टार स्पोर्ट्स के स्टूडियो में एक कमेंटेटर ने इसे ऑन एयर "खेल को उलझाने" की संज्ञा दी। PPDA ने मुझे कभी नहीं बताया कि कौन जीतेगा; उसने बताया कि फ़्रांस ने कहाँ साँस लेना चुना। फ़्रांस ने टूर्नामेंट जीता और केवल छह गोल खाए।

2026 में गोवा में बंद दरवाज़ों के बीच खेले गए ISL सीज़न में मैंने प्रति टीम तय की गई दूरी देखी। घरेलू टीमों की औसत दूरी 108 किमी से गिरकर 104 किमी पर आई, और घरेलू जीत का प्रतिशत 45% से 32% हो गया। स्टेडियम ख़ाली हो गए, तय दूरी बदल गई, और होम एडवांटेज की कथा वहीं ढह गई। अनुपस्थिति ही निष्कर्ष थी।

यही तर्क अब सामग्री की परत से नीचे, ढाँचे की परत पर लागू होता है।

पाँच फेलियर मोड, और हर एक के पीछे एक पूरा सवाल

एक भरा हुआ डोमेन लेबल और ख़ाली पेलोड यह नहीं कहता कि स्रोत में कुछ नहीं था। वह यह कहता है कि एक्सट्रैक्शन टूटा। क्रिकेट कवरेज में यह टूटने के पाँच मुख्य रास्ते हैं, और हर रास्ता भारतीय क्रिकेट-मीडिया के बारे में कुछ बताता है।

पहला — पेवॉल या लॉगिन दीवार। कई हिंदी और क्षेत्रीय आउटलेट अपनी सामग्री के पीछे सब्सक्रिप्शन रखते हैं। जब क्रॉलर HTTP 401 या 403 लौटाता है, तो टेम्पलेट भरता नहीं, नीचे N/A रह जाता है। सवाल यह नहीं है कि सामग्री अच्छी थी या बुरी — सवाल यह है कि किस आउटलेट की सामग्री उपलब्ध है और किसकी नहीं, और यह असमानता किसे दिखता है और किसे नहीं दिखेगा।

दूसरा — जावास्क्रिप्ट से बनने वाला स्कोरकार्ड। आधुनिक क्रिकेट पेज स्थिर HTML नहीं होते; स्कोर, कॉमेंट्री और आँकड़े क्लाइंट साइड पर बनते हैं। जो स्क्रैपर रेंडरर के बिना चलता है, उसे ख़ाली DOM मिलता है — और ख़ाली DOM, विडंबना से, सबसे ईमानदार फेलियर है, क्योंकि वह झूठ नहीं बोलता।

तीसरा — वीडियो या इमेज-फ़र्स्ट पोस्ट। क्रिकेट की खपत का एक बड़ा हिस्सा अब क्लिप, रील और थंबनेल-कार्ड पर चला गया है। ऐसे पोस्ट में खिलाड़ी का नाम और फ़िक्स्चर होता है, लेकिन वह संरचित वाक्य नहीं होते जिन्हें सूचना-बिंदु में तोड़ा जा सके। जिस क्रिकेट पत्रकारिता ने ख़ुद को वीडियो में बदल दिया है, उसे मापने वाले औज़ार अभी वहाँ पहुँचे ही नहीं।

चौथा — देवनागरी एन्कोडिंग। अंग्रेज़ी पाठ के लिए बने पार्सर हिंदी पाठ में मात्राओं, संधि और मिश्रित लिपि (हिंदी वाक्य में अंग्रेज़ी शब्द) पर फिसल जाते हैं। यह तकनीकी बग है, लेकिन उसका राजनीतिक अर्थ साफ़ है: जिस भाषा में देश का सबसे बड़ा क्रिकेट दर्शक समूह पढ़ता है, उसी भाषा की सामग्री सबसे ज़्यादा बार मशीन की नज़र में अदृश्य होती है। मेरे वर्षों के मैच देखने के अनुभव के आधार पर कहूँ तो टीवी कमेंट्री बॉक्स की हिंदी आज उतना ही काम कर रही है जितना कोई बोर्ड कार्यक्रम नहीं कर रहा — और वही भाषा डेटा-पाइपलाइन में सबसे कमज़ोर कड़ी है।

पाँचवाँ — कटा हुआ पेलोड। नेटवर्क टाइमआउट, आधा आया HTML, ट्रंकेटेड JSON। इसमें टेम्पलेट पूरा चलता है, शीर्षक तक आ जाता है, और सूचना-बिंदु के ठीक पहले दम तोड़ देता है। यह वही श्रेणी है जिसमें यह चालीसवाँ आइटम गिरा।

टैक्सोनॉमी का टकराव: `cricket_asia` बनाम `Cricket`

इस आइटम में एक दूसरी ख़राबी है जो सामग्री की नहीं, ढाँचे की है। Stage-2 जिस लेबल-स्कीमा पर चलता है, उसमें डोमेन Cricket है। जो लेबल लौटा, वह cricket_asia है। कोई इसे बारीकी कहेगा; मैं इसे वर्ज़न-मिसमैच कहूँगा।

अंतर छोटा दिखता है और असर बड़ा है। डाउनस्ट्रीम में हर फ़िल्टर, हर रूटिंग नियम, हर बेंचमार्क-सेट इस बात पर निर्भर है कि लेबल क्या है। cricket_asia आते ही वह आइटम उस टोकरी से बाहर गिर जाता है जहाँ टेस्ट क्रिकेट के बेंचमार्क रखे हैं, और एक ऐसी टोकरी में चला जाता है जहाँ परिभाषा ही अस्पष्ट है। जिस आइटम को प्रारूप न मिले, उसे बेंचमार्क भी नहीं मिलते — और बेंचमार्क के बिना हर संख्या एक राय बन जाती है।

यह भारतीय क्रिकेट-डेटा की पुरानी समस्या का छोटा संस्करण है। आईपीएल का ब्रॉडकास्ट डेटा उतना घना है कि उस पर मॉडल बनाना आसान है; रणजी ट्रॉफ़ी के कई मैचों में बॉल-ट्रैकिंग ही नहीं है; महिला क्रिकेट का ऐतिहासिक रिकॉर्ड पतला है। जब लेबल ही गड़बड़ हो, तो वह पतलापन दिखता भी नहीं — वह चुपचाप डेटासेट से बाहर हो जाता है, और अगली बार जब कोई कहेगा "आँकड़े यही कहते हैं," तो वह यह नहीं बताएगा कि कौन सारे मैच कभी गिने ही नहीं गए।

जो चीज़ें शेल्फ़ पर ही रह गईं

इस आइटम पर काम करते हुए जो सबसे ज़रूरी अनुशासन था, वह था — तैयार औज़ारों को हाथ न लगाना। ढाँचे में मौजूद हर बेंचमार्क जगह पर था, और हर एक बेकार था। T20 फ़िनिशर के लिए 180+ स्ट्राइक रेट का मानक — लागू नहीं, क्योंकि प्रारूप तय नहीं। T20 गेंदबाज़ के लिए 7 से कम इकॉनमी — लागू नहीं। BCCI की वैश्विक क्रिकेट राजस्व में लगभग 40% हिस्सेदारी का बहस-बिंदु — उद्धृत, लेकिन केवल मिसाल के तौर पर। WTC अंक-तालिका, DLS संशोधन, NOC विवाद, DRS का अपमान-क्षेत्र — सब अनुपलब्ध। IPL, BBL, The Hundred, PSL, SA20, ILT20, CPL और MLC की सत्ता-श्रेणी — जिसमें यह लेख बैठता, वह लेख ही नहीं है।

और ईमानदारी की जो परीक्षा सबसे कठिन थी: 2026 का क्रोन्जे कांड, 2026 का पाकिस्तान स्पॉट-फ़िक्सिंग, 2026 का IPL स्पॉट-फ़िक्सिंग — तीनों तैयार थे, तीनों प्रलोभक थे, और तीनों को छोड़ना पड़ा। पूर्व-उदाहरण का हवाला देना और पूर्व-उदाहरण को निष्कर्ष बनाना, दो अलग काम हैं।

जोखिम: सबसे बड़ा ख़तरा क्रिकेट का नहीं, सूचना का है

जोखिम-मैट्रिक्स में एक पंक्ति भरती है और बाक़ी सब ख़ाली रहती हैं। भरी हुई पंक्ति है — सूचना-स्तर का जोखिम: ख़ाली या आधे-अधूरे Stage-1 पेलोड को सबूत मान लेना। स्तर उच्च, संभावना उच्च, प्रभाव उच्च। शमन: प्रकाशन रोकना, एक्सट्रैक्शन दोबारा चलाना, और Stage-2 से पहले कम से कम पाँच सत्यापित बिंदुओं की शर्त लागू करना।

बाक़ी सब — चोट, शेड्यूल ओवरलोड, क्रॉस-फ़ॉर्मेट बदलाव, रिटायरमेंट की खाई, लीग की छीना-झपटी, राजस्व-चक्र, फ़िक्सिंग, राजनीति, मौसम — अनिर्धारित हैं, क्योंकि कोई खिलाड़ी, कोई टीम, कोई फ़िक्स्चर नहीं है।

यहाँ एक श्रेणी-भूल से बचना ज़रूरी है: "अनिर्धारित" को "कम" पढ़ना ग़लत है। जिस जोखिम को हम नहीं देख सकते, वह घटा हुआ जोखिम नहीं होता; वह अनदेखा जोखिम होता है। मुझे यह सबक 2026 में महँगा पड़ा था, जब ख़ाली स्टेडियम के आँकड़ों को लोगों ने "मतलब कुछ नहीं" कहकर ख़ारिज किया — जबकि उनमें होम एडवांटेज का सबसे साफ़ प्रमाण था।

काउंटर-इंट्यूइटिव: फेच फेलियर लेख की कमज़ोरी का सबूत नहीं

सबसे आसान निष्कर्ष यह निकालना है कि जो आइटम नहीं पढ़ा जा सका, वह ज़रूर हल्का रहा होगा। यह निष्कर्ष ग़लत है, और यह ठीक वही भूल है जो डेटा-संस्कृति अक्सर करती है: उपलब्धता को गुणवत्ता समझ लेना। जिस पेज को पेवॉल ने रोका, वह इस देश की सबसे गंभीर क्रिकेट पत्रकारिता हो सकती है। जो पेज सबसे आसानी से स्क्रैप हुआ, वह सबसे सस्ता कंटेंट भी हो सकता है। मेरी अपनी न्यूज़लेटर परियोजना में जो सबसे ज़्यादा पढ़ा गया, वह हमेशा वह नहीं था जो सबसे आसानी से मिला।

दूसरा प्रलोभन लेबल से कहानी बना लेना है। cricket_asia देखकर यह कहना कि मूल लेख शायद सफ़ेद गेंद का कोई द्विपक्षीय मुक़ाबला था, सांख्यिकीय रूप से उचित लगता है — एशियाई बाज़ार की क्रिकेट कवरेज का झुकाव वाकई सफ़ेद गेंद की ओर है। लेकिन यह बाज़ार का आधार-दर है, इस लेख का तथ्य नहीं। आधार-दर को सबूत की जगह बैठा देना वही ग़लती है जो "आँकड़े झूठ नहीं बोलते" कहने वाले लोग करते हैं। मुझे यह भी मानना है कि टेम्पलेट का आकार टेम्पलेट की सच्चाई नहीं होता। इस रिपोर्ट में जितने ख़ाने भरे दिखते हैं, उनमें से ज़्यादातर के अंदर एक ही वाक्य लिखा है: अपर्याप्त सूचना।

तीसरा, और सबसे असुविधाजनक: क्या उपलब्धता ने हमारा एजेंडा तय कर लिया है? आईपीएल का ब्रॉडकास्ट डेटा साफ़ है, इसलिए फ़्रैंचाइज़ी क्रिकेट पर लिखना आसान है। रणजी पर लिखना कठिन है क्योंकि वहाँ मापने को कुछ नहीं। लेकिन जहाँ मापने को कुछ नहीं, वहीं सबसे ज़रूरी सवाल बैठे हैं — और वही सवाल बताते हैं कि इस पारिस्थितिकी ने किन सवालों को पूछने की ज़हमत कभी नहीं उठाई।

टेकअवे: छह सिग्नल और एक हार्ड गेट

इस आइटम का स्टेटस है INSUFFICIENT_DATA (blocking) — यानी रुकावट, सिर्फ़ टिप्पणी नहीं। जो छह संकेत आगे देखे जाएँगे, वे ये हैं: दोबारा एक्सट्रैक्शन की सफलता (शीर्षक, स्रोत और पाँच से ज़्यादा बिंदु), प्रारूप की पहचान (टेस्ट/ODI/T20/The Hundred में से कोई स्पष्ट संकेत), प्रकाशन तिथि, स्रोत की विश्वसनीयता-श्रेणी, फेच-एरर की श्रेणी (401/403, ख़ाली DOM, एन्कोडिंग, या ट्रंकेटेड पेलोड), और इकाई-सूची — कम से कम एक टीम या खिलाड़ी का नाम।

जिस क्षण ये छह में से चार मिल जाएँगे, यह पूरी रिपोर्ट अप्रचलित हो जाएगी और उसकी जगह असली क्रिकेट-विश्लेषण आ जाएगा। मैं यह भी दर्ज कर रहा हूँ कि मैं किस स्थिति में ग़लत साबित होऊँगा: अगर दोबारा एक्सट्रैक्शन सफल हुआ और मूल लेख निकला एक विस्तृत टेस्ट-मैच विश्लेषण, तो मेरा यह पूरा अनुमान — कि फेलियर वीडियो-फ़र्स्ट खपत और पेवॉल की ओर इशारा करता है — धराशायी हो जाएगा। मुझे वह संभावना स्वीकार्य है, क्योंकि उसका परीक्षण मौजूद है।

बड़ा सवाल यह नहीं है कि इस बैच में एक आइटम फेल हुआ। बड़ा सवाल यह है: भारतीय क्रिकेट कवरेज के हर हफ़्ते कितने आइटम इसी तरह ख़ाली लौटते हैं और कभी झंडा नहीं उठाते? जो गिना नहीं गया, वह खोया नहीं दिखता। और एक ऐसे खेल में जिसकी पूरी अर्थव्यवस्था "आँकड़े बताते हैं" वाक्य पर टिकी है, यह सबसे महँगा अंधा धब्बा है। कैलिब्रेशन मठवासी अनुशासन है — और मठ में सबसे पहला नियम यही है कि ख़ाली पन्ने पर कुछ लिखा नहीं जाता।