क्रिकेट डेटा की खोखली परत: जहाँ स्कोरकार्ड ख़त्म होता है, वहाँ कवरेज भी रुक जाती है

पिछले हफ़्ते पुणे के बिना-खिड़की वाले कमरे में एक स्क्रिप्ट ने क्रिकेट पर लिखा एक पूरा लेख पढ़ा और जवाब लौटाया। Article Title: N/A. Article Source: N/A. One-sentence Summary: खाली। Information Points: खाली सूची। Entities Involved के डिब्बे में किसी नाम की जगह एक टेम्पलेट स्ट्रिंग बैठी थी — “identify from the information points above”। ग्यारह फ़ील्ड में से दस सूनसान। एक ही ख़ाना भरा था: Domain Label — cricket_world.

मशीन ने बस इतना बताया कि यह क्रिकेट से जुड़ा है। यह मैच रिपोर्ट थी, रिटायरमेंट की ख़बर थी, ICC की नियम-किताब थी या बोर्ड के पैसों का लेखा-जोखा — इसका कोई जवाब शेल में नहीं था। जो लौटा, वह आर्टिकल नहीं था; वह एक खाली खोल था, और खोल के अंदर एक आईना।

आम पाठक के लिए यह एक टूटी पाइपलाइन की कहानी है। मेरे लिए यह मैच-रिपोर्टिंग की उस नींव का एक्स-रे है जिसे कोई नहीं दिखाता — और यही मेरी असली बीट रही है: मैच नहीं, मैच के नीचे का प्लंबिंग।

क्रिकेट आज दुनिया का सबसे भारी डेटा-उत्पादक खेल है। एक T20 मैच 250 से 300 डिलीवरी पैदा करता है, और हर डिलीवरी पर कम से कम आठ वेरिएबल दर्ज होते हैं — बॉलर, बैटर, लाइन, लेंथ, शॉट टाइप, फ़ील्ड पोज़िशन, नतीजा, रन। एक IPL सीज़न 74 मैचों में करीब तीस हज़ार डिलीवरी दर्ज करता है। इस हिसाब से क्रिकेट की डेटा-परत फ़ुटबॉल से कई गुना घनी दिखनी चाहिए।

व्यवहार में उलटा है, और वजह तकनीकी नहीं, संरचनात्मक है। दुनिया भर की क्रिकेट साइटों का बड़ा हिस्सा अपने स्कोरकार्ड JavaScript टेम्पलेट से रेंडर करता है। लाइव-ब्लॉग पेज, जो मैच के दौरान हर ओवर अपडेट होते हैं, स्टैटिक एक्सट्रैक्टर को दिखते ही नहीं — वे स्क्रॉल पर लोड होते हैं, पुराने ओवर घूमकर गायब हो जाते हैं। जो पाठक स्क्रीन पर पूरा स्कोरकार्ड देखता है, उसकी मशीन को सिर्फ़ खाली div मिलता है। 2026 में जब मैंने अपनी पहली एक्सट्रैक्शन स्क्रिप्ट चलाई थी, उसने भी यही लौटाया था — शून्य लंबाई का बॉडी टेक्स्ट।

यहीं से पाइपलाइन की असली दिक्कतें फूटती हैं। क्लासिफ़ायर जब टाइप तय नहीं कर पाता, वह Unclassified लिखकर बंद हो जाता है — और सारांश, स्टांस, प्रयोजन सब उसी बंद दरवाज़े के पीछे रह जाते हैं। फिर भी एक डिब्बा भरा रह जाता है, Domain Label, क्योंकि उसमें ब्रांच लगती ही नहीं; वह हर हाल में चलता है। नतीजा वही स्क्रीनशॉट: ग्यारह ख़ाने, दस पर N/A, एक पर cricket_world।

इसलिए जब कोई कहे कि “Stage-1 का मॉडल ठीक करो”, तो मेरा जवाब होता है — पहले यह देखो कि कंटेंट एक्सट्रैक्टर ने कितना टेक्स्ट उठाया। अगर बॉडी की लंबाई शून्य है, तो डाउनस्ट्रीम किसी प्रॉम्प्ट का कसूर नहीं। जिस मशीन को पढ़ने के लिए कुछ मिला ही नहीं, वह N/A के सिवा और क्या लिखेगी।

अब असली सवाल: यह डेटा-खाई सिर्फ़ एक स्क्रिप्ट की मुश्किल है, या क्रिकेट की कवरेज की बुनियादी हालत है? मेरा जवाब दूसरा है, और मैं इस पर तेरह साल से काम कर रहा हूँ।

अप्रैल 2026 में मैंने मुंबई का एक सीनियर डेटा डेस्क छोड़कर गणेशखिंड रोड के पास दो कमरे किराए पर लिए थे। दांव यह था कि स्ट्रीमिंग का पैसा पंडिताई की नहीं, प्रेडिक्शन की कीमत देगा। मैंने 2026 से 2026 तक की 720 IPL पारियों पर फ़ेज़-वाइज़ एक्सपेक्टेड-रन मॉडल बैक-टेस्ट किया, और हर सोमवार डेथ-ओवर पार-स्कोर की टेबल छापनी शुरू की। बैक-टेस्टिंग के उस पहले महीने में सबसे बड़ा झटका तकनीकी नहीं था — डेटा में छेद था। कई मैचों की इनिंग टैली टेम्पलेट बदलने के कारण आधी-अधूरी आ रही थी। मुझे पहले क्रिकेट समझनी पड़ी, फिर क्रिकेट का डेटा साफ़ करना पड़ा।

यह वही समस्या है जो आज एक स्क्रिप्ट में N/A बनकर लौटी है, बस उसका पैमाना बड़ा है। क्रिकेट के डेटा में तीन ख़ाली फ़र्श हैं, और तीनों की जड़ एक ही है — पैसा कहाँ जाता है।

पहला फ़र्श: क्रिकेट की सबसे अमीर लीग दुनिया की सबसे पतली रिपोर्टिंग खाती है। IPL का हर मैच दो सौ कैमरा-एंगल, चिप-इन बॉल और लाइव आउटपुट से ढका है। उसी देश में रणजी ट्रॉफ़ी का एक सेशन — चार दिन, बारह घंटे खेल — अक्सर दो कैमरा और एक स्कोरकार्ड की मेहरबानी पर चलता है। जिस मैच पर करोड़ों की लाइव-प्रोडक्शन लागत खर्च होती है, उसका डेटा सघन है; जिस मैच से राष्ट्रीय टीम की अगली पंक्ति निकलती है, उसका डेटा मानव-टाइप, टेम्पलेट-बद्ध और अधूरा है। सरफ़राज़ ख़ान जैसे बल्लेबाज़ का घरेलू रिकॉर्ड सालों तक किसी सेंट्रल डेटाबेस में नहीं, अख़बारों के पुराने स्कोरकार्ड में ज़िंदा रहा।

दूसरा फ़र्श कवरेज की प्राथमिकता है। दिसंबर 2026 के आसपास मेरी पहली बायलाइन छपी थी, तब मैं एक बड़े डेस्क का स्टाफ़ राइटर था। तब से अब तक एक चीज़ नहीं बदली: कहानी वहीं जाती है जहाँ विज्ञापनदाता बैठे हैं। फ़्रैंचाइज़ी बीट, ऑक्शन साइकल, राइट्स डील — यही साइकिल डेटा-डेस्क का एजेंडा तय करती है। घरेलू सर्किट की गहराई में जाने वाली कवरेज लगातार पतली होती गई, और उसके साथ वह डेटाबेस भी, जिससे पता चलता कि तीस साल का बल्लेबाज़ किस पिच पर क्या करता है, किस फ़ेज़ में कितना धीमा होता है, और किस गेंदबाज़ के ख़िलाफ़ उसकी स्ट्राइक-रेट क्यों गिरती है।

तीसरा फ़र्श — और यही सबसे महंगा है — चयन की निरंतरता है। भारत का दूसरा XI विश्व खेल में बनाना सबसे कठिन टीम है, और यह प्रतिभा का नहीं, चयन का सवाल है। हर साल ऐसे बल्लेबाज़ हेडलाइन से बाहर रह जाते हैं जिनका डोमेस्टिक डेटा किसी एक जगह ठीक से दर्ज ही नहीं हुआ। हम फ़्रैंचाइज़ी क्रिकेट के बॉल-बाय-बॉल रिकॉर्ड रखते हैं, और राष्ट्रीय चयन की नींव बनने वाले घरेलू सीज़न का आधा हिस्सा पुराने अख़बारों से उठाना पड़ता है।

यहाँ ध्यान दीजिए कि मैं यह नहीं कह रहा कि टेस्ट क्रिकेट भारत में ख़त्म हो रहा है — भारत दुनिया का आख़िरी बड़ा देश है जहाँ टेस्ट के टिकट बिकते हैं। जो मरा है, वह रणजी की प्रासंगिकता और वह कवरेज है जो उसे एक बार पढ़ने लायक बनाती थी।

अब जोड़िए। 2026 में जब खेल बंद हुआ, तो मेरी आमदनी भी बंद हुई। स्टाफ़ काटने की जगह मैंने तीन विश्लेषकों को आधे वेतन पर बैठाया और बंद स्टेडियमों तथा न्यूट्रल वेन्यू पर खेले गए 410 मैच जुटाए। बुंदेसलीगा के मई रीस्टार्ट ने पहला ज़िंदा प्रमाण दिया: पहले 55 मैचों में घरेलू जीत की दर 43% से 26% पर आ गई। उसके बाद मैंने संदर्भ-समायोजित मॉडल निकाला और UAE में हुए IPL के दौरान घरेलू फ़ायदे की जगह ओस की कीमत तय की — उन 60 मैचों में लक्ष्य का पीछा करने वाली टीमें करीब 62% जीतीं।

यह उसी धैर्य का मेट्रिक है जो क्रिकेट के डेटा-कंकाल पर लगाया गया, और यही बताता है कि एक N/A कितना बड़ा शोर है।

अब उसी फ़्रैंचाइज़ी पैसे की तरफ़ लौटिए। फ़रवरी 2026 में मैं IPL मेगा ऑक्शन के लिए बेंगलुरु गया था, हाथ में एक ऐसा बोर्ड था जो खिलाड़ियों की कीमत प्रति-करोड़ इम्पैक्ट में लगाता था, नाम में नहीं। उस बोर्ड ने इशान किशन का ₹15.25 करोड़ मुंबई जाना 35% ओवरपे कहा, और लियाम लिविंगस्टोन का ₹11.5 करोड़ पंजाब जाना दिन की सबसे अच्छी ख़रीद। लिविंगस्टोन ने उस सीज़न 182 की स्ट्राइक-रेट से बल्लेबाज़ी की। मैंने वह बोर्ड एक फ़्रैंचाइज़ी बैकरूम को लाइसेंस किया, शर्त यह रखी कि मेरा नाम नहीं छपेगा — और ओवरप्राइस्ड लिस्ट फिर भी छाप दी।

वह उलटफेर नहीं था, वह मूल्यांकन था। और मूल्यांकन तभी चलता है जब डेटा में छेद न हो। जिस दिन स्कोरकार्ड ख़त्म हो जाता है, उस दिन मॉडल की ताक़त भी ख़त्म हो जाती है — चाहे वह नीलामी का बोर्ड हो या रणजी का रिकॉर्ड। ऑक्शन की रात जो नंबर सबसे भरोसेमंद लगते हैं, वे अक्सर उसी घरेलू डेटा से बने होते हैं जिसे किसी ने ठीक से दर्ज ही नहीं किया।

अब वह नुक़्ता, जो इस शेल में सबसे ज़्यादा मायने रखता है। एक खाली नतीजा वह नहीं बताता जो हम सोचते हैं।

मशीन ने कहा N/A, और आसान निष्कर्ष है कि मशीन ख़राब है। यह सही भी है, पर अधूरा। बारह साल के बैक-टेस्ट ने मुझे एक चीज़ सिखाई है जो मुझे 2026 में ज़र्मनी को लेकर उस समय फ़ायदा दे गई जब सब उसे डिफ़ेंडिंग चैंपियन मान रहे थे। मार्च 2026 में मेरे दबाव-मॉडल ने देखा कि ज़र्मनी का PPDA 2026 के 8.7 से बढ़कर 2026 क्वालिफ़ायर में 12.4 हो गया था — यानी कम दबाव, बैक-फ़ोर के सामने ज़्यादा जगह। 27 जून को कज़ान में दक्षिण कोरिया ने उन्हें 2-0 से हराया और वे ग्रुप F के तल पर रहे। मैंने अगली सुबह वह टाइमस्टैम्प वाला नोट बिना बदले दोबारा छापा।

यहाँ जो सबक़ था, वह यह नहीं कि मैं सही निकला — वह यह था कि प्रक्रिया टूटने की जगह पर सच सबसे साफ़ दिखता है। एक खाली शेल का सबसे ईमानदार पाठ यह है कि क्रिकेट का डेटा अभी मशीन-पठनीय नहीं है। संबंध और कारण को अलग रखिए: टूटी पाइपलाइन इस बात का कारण नहीं है कि क्रिकेट का डेटा कमज़ोर है; दोनों एक ही जड़ से निकली दो शाखाएँ हैं — जहाँ पैसा बहता है, वहाँ डेटा घना है, और जहाँ कवरेज पतली है, वहाँ मशीन को पढ़ने के लिए कुछ मिलता ही नहीं।

अगर यह स्क्रिप्ट किसी फ़्रैंचाइज़ी रिपोर्ट पर नहीं, एक रणजी रिपोर्ट पर चली होती, तो वही N/A लौटता — और उस N/A का स्रोत पाइपलाइन नहीं, किसी अख़बार के पुराने स्कोरकार्ड की टाइपो होती। फ़र्क़ सिर्फ़ यह है कि फ़्रैंचाइज़ी क्रिकेट में हम डेटा के छेद को सिस्टम बग कहते हैं; घरेलू क्रिकेट में हम उसे डिफ़ॉल्ट मान लेते हैं।

इसे मॉडल की चूक समझना आसान है, पर यह मॉडल का दावा नहीं, मॉडल की सीमा है। और सीमा लिखना उतना ही ज़रूरी है जितना दावा। मेरे हर मॉडल के साथ एक पैराग्राफ़ यह बताता है कि वह क्या नहीं देख सकता — ओस, यात्रा, आराम के दिन, पिच का अंदरूनी तापमान, और घरेलू स्कोरकार्ड की टाइपो। जो विश्लेषक यह पैराग्राफ़ नहीं लिखता, वह अपने नतीजे के साथ N/A भी छाप देता है।

तो अगले सीज़न का सिग्नल क्या है? जब अगली बार कोई आपको बताए कि भारतीय क्रिकेट का डेटा-युग आ गया है, तो पूछिए: रणजी का चार दिवसीय मैच किस साइट पर लाइव अपडेट होता है, और कितने ओवर बाद वह पेज अपने पुराने ओवर खो देता है? पूछिए कि सरफ़राज़ के पहले तीन रणजी सीज़न का फ़ेज़-वाइज़ रन-रेट किस सर्वर पर बैठा है।

जिस दिन क्रिकेट का दूसरा XI उतना ही सघन डेटा पैदा करेगा जितना उसका पहला XI, उस दिन चयन की बहस भी बदल जाएगी। तब तक, हर N/A एक बयान है — और पाइपलाइन सबसे बोलती है जब वह ख़ाली लौटती है।