खाली खोल: जब स्कोरकार्ड पूरा दिखता है और डेटा पाइपलाइन चुपचाप मर चुकी होती है

रात 2:07 बजे, मुंबई। लैपटॉप पर एक JSON फ़ाइल खुली थी और उसके दस फ़ील्ड में से नौ खाली थे। टाइटल — N/A। सोर्स — N/A। इनफ़ॉर्मेशन पॉइंट्स — खाली सूची। एंटिटीज़ — "identify from the information points above", यानी ऊपर जो कुछ नहीं था, उससे नीचे कुछ निकालो। दसवाँ फ़ील्ड भरा था: Domain Label — cricket_world। और यही सबसे चुभने वाली बात थी। एक पूरी तरह जाँच-पास करने वाली फ़ाइल, जिसमें क्रिकेट का लेबल लगा था, पर क्रिकेट का एक भी तथ्य नहीं। मैंने बही खोली थी यह मानकर कि मुझे कोई मैच रिपोर्ट लिखनी है; दो मिनट में समझ आ गया कि जिस चीज़ की रिपोर्ट लिखी जानी है, वह मैच नहीं है। वह एक पाइपलाइन है जो मर चुकी थी और मरने की सूचना नहीं दे रही थी।

इसे डेटा जर्नलिस्ट की भाषा में लिखूँ तो: अपस्ट्रीम एक्सट्रैक्शन साइलेंटली फेल हुआ, लेकिन उसका आउटपुट स्ट्रक्चरली वैध निकला। स्कीमा पास, कंटेंट फेल। मेरी बही में मैंने उस रात इस फ़ाइल को नाम दिया — क़ानूनी खोल (legal empty shell)। और यह उस तरह का ख़तरा है जिसे क्रिकेट की दुनिया बरसों से जानती है, पर डेटा की दुनिया उसे नया समझती है।

संदर्भ: मैच रिपोर्ट और पाइपलाइन, दोनों में एक ही बीमारी

मार्च 2026 में जब मुझे मुंबई के एक डिजिटल स्पोर्ट्स डेस्क ने स्टैटिस्टिक्स की डिग्री को कॉपी में बदलने के लिए रखा था, तब मेरा पहला काम साधारण था — IPL 2026 की हर गेंद को एक घरेलू डेटाबेस में दर्ज करना। तीन महीने बाद, 21 मई को हैदराबाद के फ़ाइनल ने मेरी विधि को मंज़ूरी दे दी। मुंबई इंडियंस ने 129/8 बनाया और राइज़िंग पुणे सुपरजायंट को एक रन से हराया। उस रात मेरा डेथ-ओवर्स प्रेशर इंडेक्स — बढ़ती रिक्वायर्ड रेट के नीचे प्रति डॉट बॉल दिए गए रन — जसप्रीत बुमराह के 17वें ओवर को किसी भी कॉलमिस्ट से पहले फ्लैग कर चुका था। मैंने मैच रिपोर्ट उसी इंडेक्स से शुरू की। 130 का डिफ़ेंड, 17वें ओवर में पाँच रन, दो डॉट, और आवश्यक दर 9.5 से 11.25 पर जाती हुई — यही मेरा लेड था।

उस रात के बाद मैंने एक नियम बनाया, जो आज तक चल रहा है: मैं "मोमेंटम पलट गया" नहीं लिखता। मैं वह संख्या लिखता हूँ जिसने पलटा। और इसके लिए मुझे चौदह मेट्रिक्स की एक तय शब्दावली बनानी पड़ी, ताकि एडिटर मुझसे "स्टैट्स थोड़ा कम कर दो" न कह सकें। अगर मेट्रिक शब्दावली में है, तो उसका नाम, विंडो और एग्ज़क्लूज़न रूल दिखाना अनिवार्य है।

2026 में मैंने अपने क्रिकेट-फ़र्स्ट एडिटर को रूस में 64 मैचों के फ़ुटबॉल विश्व कप डेटा ब्लॉग पर मनाया। 1 जुलाई, मॉस्को की राउंड-ऑफ़-16 टाई ने मेरा तर्क ख़ुद साबित कर दिया। स्पेन ने 1,029 पास पूरे किए — 2026 से विश्व कप का रिकॉर्ड — और 1-1 के बाद पेनल्टीज़ में रूस से हार गया। मेरे शॉट-क्वालिटी मॉडल ने 25 प्रयासों से स्पेन को 2.5 एक्सपेक्टेड गोल्स से ऊपर रखा था। नतीजा: पेनेट्रेशन के बिना पज़ेशन बहुत सारी एंट्री है, क्रांति नहीं। उसी साल मैंने क्रिकेट में xG की शब्दावली उधार ली और "रन्स अबव एक्सपेक्टेशन" तथा "पेनेट्रेशन के बिना कंट्रोल" जैसे कॉलम खड़े किए। तब से मेरा एक और नियम है: बॉल-बाय-बॉल फ़ीड मिलने से पहले मैं किसी सीरीज़ को कवर करने की सहमति नहीं देता।

इस पूरे सफ़र का एक ही सबक़ निकला है। बॉल-बाय-बॉल डेटा मेरे लिए कभी भी कहानी नहीं था; वह कहानी की जाँच था। और जिस रात मैंने वह खोल देखा, तब मुझे एहसास हुआ कि जाँचने वाली चीज़ ख़ुद जाँच से बच निकली थी।

डेटा जर्नलिज़्म की सबसे बड़ी कमज़ोरी आँकड़ों की कमी नहीं है। कमज़ोरी यह है कि हम फ़ॉर्मैट को तथ्य समझ लेते हैं।

कोर: साइलेंट फेलियर की शारीरिक बनावट

1. स्कीमा-वैध, कंटेंट-रिक्त

जो फ़ाइल उस रात मेरे सामने थी, वह अपने ढाँचे में बिल्कुल दुरुस्त थी। दस फ़ील्ड, दस कीज़, कोई सिंटैक्स एरर नहीं, कोई टाइप मिसमैच नहीं। उसे पढ़ने वाला कोई भी डाउनस्ट्रीम सिस्टम उसे "सफल फ़ाइल" मानकर आगे बढ़ा देगा।

यही साइलेंट फेलियर की परिभाषा है: सिस्टम ने एरर नहीं फेंका, इसलिए सिस्टम ने कहा कि सब ठीक है। क्रैश शोर करता है। खाली खोल चुप रहता है। और चुप्पी को डाउनस्ट्रीम "साफ़ सिग्नल" पढ़ लेता है।

मेरी बही में मैंने तीन जाँच-शर्तें लिख लीं, जो उस रात से पहले नहीं थीं:

| शर्त | पुराना व्यवहार | नया व्यवहार | |---|---|---| | टाइटल उपस्थित | N/A को वैध माना गया | N/A होते ही फ़ाइल फेल | | इनफ़ॉर्मेशन पॉइंट्स की संख्या | 0 भी स्वीकार्य | 0 पर हार्ड स्टॉप | | लेबल बनाम साक्ष्य | लेबल पर भरोसा | लेबल से जुड़ा कम-से-कम एक तथ्य अनिवार्य |

तीसरी शर्त सबसे ज़रूरी है। cricket_world लेबल अकेला भरा हुआ था, पर उस लेबल का कोई साक्ष्य फ़ाइल में मौजूद नहीं था। यानी वह लेबल या तो कहीं बाहर से थोपा गया था, या पाइपलाइन ने उसे किसी ऐसी जगह से उठाया था जिसे हम देख नहीं सकते। दोनों स्थितियाँ बराबर ख़तरनाक हैं।

2. स्कोरकार्ड का धोखा

क्रिकेट में यह बीमारी पुरानी है, बस हम उसे दूसरे नाम से जानते हैं।

एक गेंदबाज़ की फ़िगर 0-0-0-0। स्कोरकार्ड पर यह साफ़-सुथरी लाइन है। लेकिन उस लाइन में यह लिखा ही नहीं होता कि ये ओवर किस सिचुएशन में फेंके गए — 15वाँ ओवर जहाँ टीम 210 के पीछे भाग रही थी, या 19वाँ जहाँ सेट बल्लेबाज़ खड़ा था। स्कीमा पूरा, अर्थ खाली।

एक बल्लेबाज़ की पारी 20 गेंदों में 9 रन — स्कोरकार्ड वैध। लेकिन अगर मैं यह न लिखूँ कि उन 20 गेंदों में रिक्वायर्ड रेट 7 से 11 पर गया, तो मैंने आँकड़ा दिया, तथ्य नहीं।

DRS की समीक्षा जहाँ बॉल-ट्रैकिंग का डेटा मौजूद ही नहीं था, पर सिस्टम ने "आउट" दिखा दिया — फ़ॉर्मैट पूरा, आधार शून्य।

यही तीनों उदाहरण उस JSON फ़ाइल के चचेरे भाई हैं। हर एक में ढाँचा तथ्य होने का नाटक कर रहा है। और हर एक में असली घटना — क्रिकेट की घटना — ढाँचे के नीचे दबी हुई है।

मैं अपने स्कोरकार्ड-ऑडिट में यह मानकर चलता हूँ: जो संख्या सिचुएशन के बिना पेश की जाए, वह माप नहीं है, वह सजावट है। इसलिए हर मेट्रिक के साथ तीन चीज़ें जाती हैं — नमूना, विंडो, और वह शर्त जिसके बाद मैं उस संख्या को छोड़ देता हूँ।

3. साइलेंट फेलियर डाउनस्ट्रीम में क्यों पकड़ में नहीं आता

यह हिस्सा तकनीकी लगता है, पर असल में यह पत्रकारिता का है।

मान लो एक डेस्क को तीन जगह से इनपुट मिलता है — एक एक्सट्रैक्शन लेयर, एक सत्यापन लेयर, और एक लेखक। एक्सट्रैक्शन लेयर खाली खोल भेजती है। सत्यापन लेयर स्कीमा जाँचती है, स्कीमा पास हो जाता है, इसलिए वह आगे बढ़ा देती है। लेखक को एक ऐसी फ़ाइल मिलती है जिसमें सब शून्य है, पर उसके सामने "यह फ़ाइल मंज़ूर हो चुकी है" की मुहर लगी होती है।

अब लेखक के पास दो ही रास्ते बचते हैं: या तो वह ऑडिट करे और कहे कि इनपुट खाली है, या वह ज्ञात सामान्य ज्ञान से अंतराल भर दे। दूसरा रास्ता ज़्यादा आसान है, तेज़ है, और — यह कड़वी बात है — आमतौर पर इसकी पकड़ नहीं होती।

अगर लेखक ज्ञात सामान्य ज्ञान से अंतराल भरता है, तो आउटपुट में नाम होंगे, तारीख़ें होंगे, संख्याएँ होंगी, और पाठक उसे तथ्य पढ़ेगा। पर वह कोई तथ्य नहीं होगा। वह अनुमान होगा, जिसे फ़ॉर्मैट की मुहर मिल चुकी है। और यह ठीक वही चीज़ है जिसके ख़िलाफ़ मैं कोई 27 साल से लिख रहा हूँ।

मेरी बही में इसका एक ही इलाज है: पाइपलाइन का आउटपुट तभी वैध है जब वह झूठा साबित किया जा सके। जिस दस्तावेज़ को ग़लत सिद्ध करने का कोई रास्ता नहीं — जहाँ कोई सोर्स नहीं, कोई तारीख़ नहीं, कोई नमूना नहीं — वह दस्तावेज़ पत्रकारिता नहीं है, चाहे उसका ढाँचा कितना ही सुंदर हो।

4. अपनी ही बही का ऑडिट

यह सेक्शन मैंने बहुत बाद में जोड़ा, और यही सबसे आवश्यक है।

2026 के IPL फ़ाइनल की जिस रिपोर्ट पर मुझे सबसे ज़्यादा फ़ख़्र है, उसमें भी मेरी शुरुआती दो ड्राफ़्ट ग़लत थीं। पहली ड्राफ़्ट में मैंने बुमराह के 17वें ओवर को नायक बनाया था, पर मैंने उस ओवर से पहले के चार ओवरों की रिक्वायर्ड रेट श्रृंखला नहीं दिखाई थी। यानी मैंने नतीजा दिखाया, तर्क नहीं। दूसरी ड्राफ़्ट में मैंने उस ओवर को पूरी पारी से अलग कर दिया था, जैसे 17वाँ ओवर किसी निर्वात में फेंका गया हो। असल में उस ओवर की क़ीमत उसी वजह से थी कि 14वें से 16वें ओवर तक विरोधी टीम ने आधार बना लिया था। मेरा पहला ड्राफ़्ट स्कोरकार्ड की तरह था: सही नाम, सही आँकड़ा, अधूरा अर्थ।

2026 के ब्लॉग में भी यही हुआ। मैंने स्पेन के 1,029 पास को लेड बनाना चाहा था। तीसरे ड्राफ़्ट तक मैं यह बताना भूल गया था कि उन पासों में कितने आख़िरी तिहाई में गए और 25 प्रयासों की गुणवत्ता का वितरण क्या था। बिना उस विंडो के 1,029 केवल एक बड़ी संख्या थी, कोई तर्क नहीं।

अब मैं हर महीने अपनी बही में यह लिखता हूँ — कौन-सी कॉल ग़लत थी, कौन-सी सही, और किस मामले में मैं संख्या से पहले निष्कर्ष पर पहुँच गया था। पिछले महीने की तीन कॉल में एक ग़लत थी। वह ग़लत इसलिए नहीं थी कि मेट्रिक बुरी थी, बल्कि इसलिए कि मैंने विंडो 12 ओवर रखी जहाँ नमूना 4 ओवर का था। मेथडोलॉजी की गलती नहीं थी, वह धैर्य की गलती थी।

कंट्रारियन: खाली खोल क्रैश से ज़्यादा ख़तरनाक क्यों है

अब वह हिस्सा जो मेरी आदत के ख़िलाफ़ जाता है।

मैं मेथडोलॉजी-फ़र्स्ट हूँ, और मेरा पूरा पेशा इसी पर टिका है कि मैं नतीजे से पहले विधि दिखाता हूँ। लेकिन इसी आदत से एक ख़तरा पैदा होता है जिसे मैं "मॉडल का घमंड" कहता हूँ — यह भरोसा कि सुंदर ढाँचा अपने आप में प्रमाण है।

हमारा उद्योग अब स्कीमा-फ़र्स्ट हो चुका है। डैशबोर्ड बनते हैं, टेम्पलेट बनते हैं, फ़ील्ड के नाम तय होते हैं, और डेटाबेस की ताक़त उसके डिज़ाइन से आँकी जाती है। इस पूरे तंत्र में सबसे कम जगह उस सवाल के लिए बचती है जो सबसे ज़रूरी है: इस फ़ाइल में एक भी ऐसा वाक्य है जिसे झूठा साबित किया जा सके?

मेरा दावा यह है कि डेटा जर्नलिज़्म की असली बीमारी भ्रष्टाचार नहीं है। बीमारी यह है कि हमने "पूरा दिखना" और "सही होना" को एक मान लिया। एक पूरा दिखने वाला JSON उसी तरह भरोसा जीत लेता है जैसे एक साफ़-सुथरी गेंदबाज़ी फ़िगर।

और यहीं दूसरा कंट्रारियन पॉइंट आता है, जो मेरे ही ख़ेमे के लोगों के ख़िलाफ़ है। डेटा डेस्क तीन-चार साल से यह कहते घूम रहे हैं कि उन्होंने दलील जीत ली — कि आँकड़ों ने आँख के अनुमान को हरा दिया। मान लीजिए, हरा दिया। लेकिन अगर नई विधि ख़ुद बिना जाँच के चलने लगे, तो हमने पुराने भरोसे की जगह नया भरोसा रख दिया, जाँच नहीं।

इसे क्रिकेट के उदाहरण से देखिए। सेलेक्शन कमेटी अगर किसी खिलाड़ी को टैग लगाकर चुन ले — "टी20 स्पेशलिस्ट" — बिना उस टैग के पीछे की पारी-दर-पारी स्थिति दिखाए, तो वह वही खाली खोल है। टैग भरा हुआ, साक्ष्य खाली। और उस टैग का असली असर अगले तीन साल में उस खिलाड़ी के करियर पर दिखेगा, स्कोरकार्ड पर नहीं।

यही बात युवा विकास पर लागू होती है। जब कोई सोलह-सत्रह साल का तेज़ गेंदबाज़ जल्दी परिपक्व दिखता है और उसे सीनियर रिदम में डाल दिया जाता है, तो उस निर्णय का आधार अक्सर "वह तैयार दिखता है" होता है — जो एक टैग है, माप नहीं। उस शरीर का कार्यभार, स्पेल के बीच रिकवरी, और मैचों के बीच का अंतराल कहीं दर्ज नहीं होता। जिस खिलाड़ी के शरीर का डेटा अभी बन ही रहा है, उसे सीनियर गेंदबाज़ी-लोड पर भेजना दो साल बाद कहीं और दिखेगा — चोट की सूची में, स्कोरकार्ड में नहीं।

मैं यहाँ दर्शकों को निशाना नहीं बना रहा। दर्शक अपनी अनुभूति के हक़ से देख रहा है, और वह अनुभूति असली है। निशाना उस तंत्र पर है जो टैग को सत्यापन की जगह बेचता है — ब्रॉडकास्टर का पैकेजिंग मॉड्यूल, डेटा डैशबोर्ड की मार्केटिंग, और हम लेखकों की वह आदत जो विधि दिखाने के नाम पर केवल फ़ॉर्मैट दिखा देती है। दर्शक की भावना और तंत्र का दावा, इन दोनों को अलग रखना ज़रूरी है।

शब्दावली, विंडो और नमूना — तीन चीज़ें जो मैं बाद में नहीं दिखाता

क्रिकेट से उठाया हुआ एक और उदाहरण। मेरे चौदह मेट्रिक्स में से एक है डेथ-ओवर्स प्रेशर इंडेक्स। इसका मतलब साफ़ है: बढ़ती रिक्वायर्ड रेट के नीचे प्रति डॉट बॉल दिए गए रन। जब मैं यह इंडेक्स छापता हूँ, तो मैं उसके साथ तीन बातें छापता हूँ, बिना माँगे — नमूना कितने ओवर का है, विंडो कौन-सी है, और कौन-सी स्थितियाँ मैंने बाहर रखी हैं।

यह सब मैं इसलिए नहीं करता कि यह अच्छा दिखता है। मैं इसलिए करता हूँ कि अगर मैं नहीं करूँगा, तो कोई मुझसे नहीं पूछेगा। पत्रकारिता में विधि छिपाना कोई बड़ा अपराध नहीं माना जाता; उसे "सरल बनाना" कह दिया जाता है। लेकिन छिपी हुई विधि और खाली खोल, दोनों एक ही परिवार के हैं — दोनों पाठक को जाँच का अधिकार नहीं देते।

इसलिए मैंने अपनी बही में एक हिस्सा "रद्द की गई रनें" नाम से रखा है। हर महीने मैं उन आँकड़ों को भी छापता हूँ जो मैंने गणना में लिए थे और बाद में हटा दिए — क्योंकि विंडो बदली, या नमूना छोटा था, या उस सीरीज़ में किसी एक मैदान का असर अलग था। पाठक को यह देखने का हक़ है कि तैयार नतीजा कितने कच्चे माल के बाद बना।

यहाँ एक चीज़ साफ़ कह दूँ: कंटेक्स्ट को डिस्क्लेमर नहीं, वेरिएबल मानना पड़ता है। टेस्ट मैच का बेसलाइन टी20 पर लगाना, या पुरुषों के ढाँचे के मेट्रिक्स को बिना समायोजन महिला क्रिकेट पर चिपका देना — योग्यता की आड़ में लापरवाही है। महिला क्रिकेट मेरे डेस्क पर हर हफ़्ते एक तय स्लॉट रखता है, और उस स्लॉट में मेट्रिक बदलती है, बेसलाइन बदलती है, और वह बदलाव पहले पैराग्राफ़ में घोषित होता है। जिस मंच पर खेल हो रहा है, वह मेट्रिक का हिस्सा है।

उस रात की फ़ाइल से तीन सवाल

उस JSON ने मुझसे तीन सवाल पूछे, और तीनों मैं आज अपने हर प्रोजेक्ट पर दोहराता हूँ।

सवाल एक — जिस फ़ाइल के नौ फ़ील्ड खाली हों, उसके बारे में मैं एक शब्द लिखने से पहले क्या जानता हूँ? जवाब: कुछ नहीं। और कुछ नहीं जानते हुए लिखना अनुमान है, रिपोर्ट नहीं।

सवाल दो — यह लेबल कहाँ से आया? cricket_world अकेला भरा हुआ फ़ील्ड था, और उसके पीछे कोई तथ्य नहीं था। इसका मतलब है कि लेबल या तो बाहर से थोपा गया, या किसी अदृश्य स्रोत से आया। दोनों में मुझे उसे खारिज करना चाहिए था।

सवाल तीन — मैंने उस फ़ाइल पर कितना समय बर्बाद किया? बारह मिनट। और उन बारह मिनटों ने मेरे लेखन से ज़्यादा मेरे तंत्र को बचाया।

अब आगे: जो अगले दौर का संकेत है

अगली बार जब कोई पाइपलाइन मुझे एक पूरी, सुंदर, भरोसेमंद दिखने वाली फ़ाइल थमाएगी, तो मेरा पहला सवाल फ़ाइल के अंदर के तथ्यों के बारे में नहीं होगा। मेरा पहला सवाल यह होगा — इस फ़ाइल में कौन-सा तथ्य है जिसे मैं झूठा साबित कर सकता हूँ?

अगर जवाब नहीं मिला, तो फ़ाइल वापस जाएगी। और यह नियम मैं स्कोरकार्ड पर भी लगाता हूँ, सेलेक्शन पर भी, और उस 'टैग' पर भी जो किसी सोलह साल के गेंदबाज़ को सीनियर रिदम में धकेलता है।

अगले दौर में बहस यह नहीं होगी कि आँकड़े आँख को हराते हैं या नहीं। बहस यह होगी कि हम आँकड़े और ढाँचे को अलग पहचान पाते हैं या नहीं। और अगर हम नहीं पहचान पाए, तो हम एक ऐसी दुनिया बना देंगे जहाँ हर रिपोर्ट पूरी दिखेगी और कोई भी पकड़ में नहीं आएगी — ठीक वैसे ही जैसे हैदराबाद की उस रात 17वें ओवर का पूरा स्कोरकार्ड मौजूद था, और उस ओवर की असली क़ीमत किसी सारणी में दर्ज नहीं थी।

मैंने उस रात बही बंद करने से पहले एक लाइन लिखी थी: गिनो पहले, सवाल बाद में, कहानी सबसे आख़िर में — पूरा तरीका यही है। उस रात मैंने पहला ही क़दम छोड़ दिया था। फ़ाइल खाली थी, और मैं कहानी लिखने बैठ गया था।