वह तालिका जो पूरी दिखती है: भारतीय क्रिकेट का डेटा ब्लैकआउट और चयन की झूठी बहस

आठ कॉलम थे। आठों भरे हुए थे। हर खाने में एक जवाब लिखा था। और हर जवाब एक ही शब्द पर जाकर रुकता था — N/A।

पिछले हफ़्ते मेरे डेस्क पर क्रिकेट डोमेन की एक आठ-आयामी विश्लेषण रिपोर्ट आई। प्रारूप और मैच का विश्लेषण, खिलाड़ी की तकनीक और आँकड़े, टीम का परिदृश्य और रैंकिंग, लीग और वाणिज्यिक पारिस्थितिकी, नियम और शासन, जोखिम-पक्ष, जन-कथा और अपेक्षा, उद्योग-संचरण — आठों खंड मौजूद थे, आठों अपने पूरे ढाँचे में खड़े थे। शीर्षक की जगह खाली। स्रोत की जगह खाली। लेख का प्रकार: अपरिभाषित। सूचना-बिंदु: शून्य।

ग्यारह साल की रिपोर्टिंग में मैंने ऐसी तालिका नहीं देखी जो इतनी पूरी दिखे और इतनी खाली हो। यह वह लेख नहीं था जिसमें जानकारी कम थी। यह वह लेख था जिसकी जानकारी कभी निकाली ही नहीं गई — और सिस्टम ने उसे चुपचाप आगे भेज दिया, क्योंकि तकनीकी रूप से उसमें कोई खराबी नहीं थी। तकनीकी भाषा में इसे schema-valid empty payload कहते हैं: ढाँचा सही, सामग्री शून्य। मैं इसे भारतीय क्रिकेट के उस हिस्से का नक्शा मानता हूँ जिसे हम देखना ही नहीं चाहते।

भारतीय क्रिकेट का डेटा एक पिरामिड है, और उसका आकार उल्टा है। सबसे ऊपर IPL बैठा है — 2026 से 2026 तक के ग्यारह सीज़न, लगभग 11 लाख गेंदें, हर गेंद पर बल्लेबाज़, गेंदबाज़, लाइन, लेंथ, फ़ील्ड प्लेसमेंट, विकेट का टाइप। मैंने यह डेटा 2026 की लॉकडाउन गर्मियों में बैंगलोर में बैठकर साफ़ किया था, 21 साल की उम्र में, डिग्री का आख़िरी सेमेस्टर चल रहा था। उसी दौरान बुंदेसलीगा के 81 बंद-दरवाज़े मैचों का इवेंट डेटा भी उठाया, घरेलू लाभ जाँचने के लिए। घरेलू जीत की दर 43.2% से गिरकर 33.3% पर आ गई। वह पहली बार था जब मेरे पास इतना बड़ा सैंपल था कि मैं सार्वजनिक रूप से ग़लत साबित हो सकूँ।

पिरामिड के नीचे रणजी ट्रॉफी है, विजय हजारे है, सैयद मुश्ताक अली है। वहाँ गेंद-दर-गेंद रिकॉर्ड आंशिक है। कुछ मैचों का स्कोरकार्ड मिलता है, कुछ का नहीं। कुछ का मिलता है पर बॉल-बॉल नहीं। वहाँ यह भी दर्ज नहीं होता कि गेंद किस लाइन पर पड़ी, बल्लेबाज़ ने कौन-सा शॉट खेला, फ़ील्डर कहाँ खड़ा था। जो दर्ज नहीं होता, वह मॉडल में नहीं आता। जो मॉडल में नहीं आता, वह चयन की बहस में भी नहीं आता। और यहीं से असली समस्या शुरू होती है।

मैं किसी तालिका पर भरोसा करने से पहले पूछता हूँ: इसे किसने जोड़ा और क्यों। उस रिपोर्ट ने मुझे वही सवाल अपनी शक्ल में लौटाया। उसने बताया कि जब स्रोत, URL, बायलाइन और टाइमस्टैम्प — चारों — खो जाते हैं, तो स्रोत की गुणवत्ता की जाँच स्थायी रूप से बंद हो जाती है। पाठ दोबारा मँगाया जा सकता है। प्रोवेनेंस दोबारा नहीं मिलता। यह अंतर पत्रकारिता में सबसे महँगा अंतर है।

अब उस रिपोर्ट का असली सबक, जो उसने खुद नहीं लिखा था। रिपोर्ट का सबसे उपयोगी हिस्सा उसकी कोई भी क्रिकेट-टिप्पणी नहीं थी — वह उसका ऑपरेटिंग नियम था: खाली इनपुट पर कोई दावा मत करो। जब सूचना-बिंदु शून्य हों, तो औसत, स्ट्राइक रेट, इकॉनमी, रैंकिंग — कुछ भी नहीं लिखा जा सकता, क्योंकि हर आँकड़ा किसी न किसी सूचना-बिंदु से जुड़ा होना चाहिए। यह अनुशासन मुझे अपने काम में रोज़ चाहिए और रोज़ नहीं मिलता।

रणजी पर लिखते समय यह अनुशासन सबसे ज़्यादा टूटता है। क्योंकि वहाँ डेटा आधा है, और आधा डेटा सबसे खतरनाक होता है — वह पूरे डेटा जैसा दिखता है। एक सत्र का औसत निकाल लीजिए, और आपके पास एक संख्या है जो किसी भी तर्क को सहारा दे सकती है। लेकिन वह संख्या यह नहीं बताती कि उसमें कितने मैच दर्ज थे और कितने गायब। जो ट्रेंड दिखता है, वह अक्सर छिपा हुआ एक गायब कॉलम होता है।

इसीलिए मैं पहले नमूना (sample) और भरोसा (confidence) लिखता हूँ, निष्कर्ष बाद में। यह अभ्यास सुनने में नीरस है और पढ़ने में भी। लेकिन इसके बिना हर आँकड़ा एक दावा बन जाता है जिसे कोई जाँच नहीं सकता। चालीस गेंदों का चरण-विभाजन तकनीकी रूप से निकाला जा सकता है — मेरे डेस्क पर वह टूल खुला हुआ है — पर चालीस गेंदों से किसी गेंदबाज़ का मूल्यांकन करना वैसा ही है जैसे दो ओवर देखकर मौसम का पूर्वानुमान लगाना। जब नमूना इतना पतला हो कि निष्कर्ष उठा न सके, तो मॉडल बनाने से इनकार करना भी एक निष्कर्ष है।

अब शब्दावली साफ़ कर लें, क्योंकि आगे का पूरा तर्क इसी पर टिका है। चरण-विभाजन (phase-split) का मतलब है किसी पारी को तीन हिस्सों में तोड़ना — पावरप्ले, बीच के ओवर, और डेथ ओवर। किसी खिलाड़ी का एक ईकॉनमी नंबर इन तीनों को मिलाकर बनता है, और यही उस नंबर की सबसे बड़ी कमज़ोरी है। जो गेंदबाज़ पावरप्ले में 7.2 की इकॉनमी देता है और डेथ में 11.4 की, उसका समग्र आँकड़ा किसी काम का नहीं — वह दो अलग गेंदबाज़ों को एक नाम में दबा देता है।

एक्सपेक्टेड रन (expected runs) का मतलब है: उसी गेंद पर, उसी लाइन-लेंथ पर, उसी फ़ील्ड पर, औसतन कितने रन बनते हैं। डेल्टा का मतलब है बनाए गए रन और अपेक्षित रन का फ़र्क़। यही फ़र्क़ बताता है कि गेंदबाज़ ने स्थिति जीती या हारी, न कि विकेट मिला या नहीं। और मैच-अप का मतलब है किसी ख़ास बल्लेबाज़ के ख़िलाफ़ किसी ख़ास गेंदबाज़ का रिकॉर्ड, उसी प्रारूप में, उसी चरण में। ये चारों शब्द मेरी मूल भाषा हैं, पर इन्हें एक बार सादी हिंदी में कहना ज़रूरी है, क्योंकि असली पाठक वहाँ बैठा है जहाँ यह बहस होती है — रीजनल चैनल और यूट्यूब की कमेंट सेक्शन में।

यहाँ एक ऐसा तथ्य जो बिना किसी मॉडल के भी खड़ा है: IPL में लगभग 11 लाख गेंदों का रिकॉर्ड है, और उसी देश के घरेलू टूर्नामेंट में उसका दसवाँ हिस्सा भी दर्ज नहीं। यह असमानता तकनीकी नहीं, निवेश की है। जहाँ प्रसारण का पैसा है, वहाँ कैमरा है; जहाँ कैमरा है, वहाँ लॉगर है; जहाँ लॉगर है, वहाँ मॉडल है। रणजी में कैमरा हर मैच में नहीं होता। इसलिए वहाँ मॉडल नहीं है। इसलिए वहाँ की बहस आँकड़ों पर नहीं, यादों और अफ़वाहों पर चलती है।

यहीं पर बेंच-स्ट्रेंथ की बहस अपनी असली शक्ल दिखाती है। हर सीज़न के बाद यह सवाल उठता है कि घरेलू क्रिकेट से कौन तैयार है। जवाब में हमें रन बनते हैं — औसत, शतक, विकेट। लेकिन वे रन किस स्थिति में बने, यह कहीं दर्ज नहीं। पहली पारी में 400 रन पर 120 नाबाद बनाना और चौथी पारी में 150 का पीछा करते हुए 60 बनाना, दोनों एक ही कॉलम में बैठ जाते हैं। चयनकर्ता उस कॉलम को देखता है। वह कॉलम उसे कभी नहीं बताएगा कि कौन दबाव में खड़ा रहता है।

मैं यह नहीं कह रहा कि चयनकर्ता ग़लत हैं। मैं यह कह रहा हूँ कि उन्हें जो तालिका दी गई है, वह अधूरी है, और अधूरी तालिका से निकला निष्कर्ष चयन की गलती नहीं, संग्रह की गलती है। भारत की बेंच-स्ट्रेंथ की बहस असल में एक डेटा-संग्रह समस्या है जिसे चयन की समस्या का नाम दे दिया गया है। यह वाक्य मैं तीन साल से लिख रहा हूँ और हर बार नया सबूत मिलता है।

दूसरी तरफ़ ऑक्शन है — भारतीय क्रिकेट का सबसे ज़्यादा उद्धृत और सबसे कम जाँचा गया आँकड़ा। हर सीज़न में करोड़ों में कीमतें घोषित होती हैं और हर कीमत एक दावा है: यह खिलाड़ी इतने का है। दावे की जाँच कैसे होगी? प्रति-करोड़ मूल्य (value-per-crore) को चरण-विभाजन वाले उत्पादन से मिलाकर। यानी उस खिलाड़ी ने पावरप्ले, बीच के ओवर और डेथ में प्रति ओवर कितना मूल्य दिया, और उसके लिए कितना भुगतान हुआ।

जब मैंने यह कवायद की, तो जो पैटर्न निकला वह कीमत में नहीं, कीमत के तर्क में था। फ़्रैंचाइज़ियाँ हर चक्र में वही भूल दोहराती हैं: उम्र को क्षमता का अनुमान मान लेना। एक 22 साल का खिलाड़ी महँगा बिकता है क्योंकि वह आगे बढ़ सकता है, और एक 31 साल का सस्ता क्योंकि वह पीछे हट सकता है — यह तर्क काग़ज़ पर साफ़ है। लेकिन मॉडल जिस चीज़ को माप नहीं पाता, वह है ड्रेसिंग-रूम का रसायन: कौन बाकी दस को बेहतर बनाता है, कौन चौथे ओवर में कप्तान का काम हल्का करता है, कौन हार के बाद बैठक बुलाता है। ट्रांसफ़र-मार्केट के मॉडल युवा क्षमता को बढ़ा-चढ़ाकर आँकते हैं और ड्रेसिंग-रूम की रसायन-विद्या को कम आँकते हैं — क्योंकि पहली चीज़ एक कॉलम है और दूसरी चीज़ अभी तक एक कॉलम नहीं बनी।

मॉडल एक कहानी है जिसकी सिलाई दिखती है; मैं सिलाई का नक्शा बनाता हूँ। जब किसी खिलाड़ी की कीमत उसके चरण-विभाजित उत्पादन से मेल नहीं खाती, तो दो संभावनाएँ हैं: या तो मॉडल अधूरा है, या फ़्रैंचाइज़ी के पास कुछ ऐसी जानकारी है जो मॉडल में नहीं है। दोनों स्थितियों में सही प्रतिक्रिया एक ही है — कीमत को सवाल की तरह पढ़ना, जवाब की तरह नहीं।

अब वह हिस्सा जो सबसे कम लिखा जाता है: वे मैच जो कभी पूरे नहीं हुए। बारिश से धुली पारियाँ, DLS से बदले लक्ष्य, नेट रन रेट पर टिकी क्वालिफ़िकेशन, खाली स्टेडियम के COVID-दौर के मुक़ाबले। तालिका में ये एक पंक्ति हैं। लेकिन वह पंक्ति किसी की किस्मत बदल देती है। DLS एक फ़ॉर्मूला है, और हर फ़ॉर्मूला एक मान्यता पर खड़ा है — कि रन गिरने की दर विकेट के हिसाब से कैसे बदलती है। वह मान्यता औसत पर बनी है, और औसत उन मैचों को भी गिनता है जो कभी खेले ही नहीं गए। भूतिया मैच काग़ज़ी निशान छोड़ जाते हैं; आर्काइव उन्हें ज़िंदा रखता है।

मैंने 2026 में यही सबक सबसे महँगे तरीके से सीखा था — 81 बंद-दरवाज़े मैचों का डेटा उठाकर, घरेलू जीत की दर का 43.2% से 33.3% पर गिरना। उस गिरावट का एक हिस्सा भीड़ का था, और एक हिस्सा वह था जिसे मैं तब समझ नहीं पाया। जब आपके पास 81 मैच हों, तो हर प्रतिशत अंक का अपना वज़न होता है, और मैंने उसे पूरा वज़न दिया। यही मेरी सबसे बड़ी सार्वजनिक ग़लती थी, और यही सबसे उपयोगी भी।

अब वह उलटा कोण, जिसके बिना यह लेख अधूरा है। हम सोचते हैं कि खाली तालिका विफलता है। मेरा अनुभव कहता है कि विफलता कुछ और है — खाली तालिका सिर्फ़ लक्षण है। असली विफलता यह है कि हमने इतना पूरा ढाँचा बना दिया है कि वह विश्लेषण जैसा दिखने लगा है। आठ आयाम, आठ शीर्षक, साफ़ फ़ॉर्मैटिंग, और नीचे कोई सबूत नहीं। कोई भी पाठक इसे पढ़कर यह मान सकता है कि क्रिकेट पर एक गहरा विश्लेषण हुआ है, जबकि हुआ यह है कि एक ख़ाली पेलोड ने पूरे कपड़े पहन लिए।

यह जोखिम उस रिपोर्ट ने खुद दर्ज किया था, और मैं उसकी ईमानदारी की क़द्र करता हूँ: संरचनात्मक पूर्णता ही सबसे बड़ा खतरा है। क्योंकि स्कीमा-वैलिडेशन पास हो जाता है। किसी भी ऑटोमेटेड प्रणाली में वह पेलोड हरा बत्ती दिखाकर आगे बढ़ जाता है, और नीचे की हर चीज़ — डैशबोर्ड, अलर्ट, एडिटोरियल ट्रायाज, चयन की रिपोर्ट — उस खालीपन को सच मानकर चलती है। खाली पेलोड सबसे खतरनाक इसलिए है कि वह वैलिडेशन पास कर लेता है।

दूसरा उलटा कोण ज़्यादा असहज है। उस रिपोर्ट ने साफ़ लिखा था कि भ्रष्टाचार-विरोधी या सत्यनिष्ठा (integrity) से जुड़ा कोई खतरा दर्ज नहीं हुआ — और साथ में यह भी लिखा कि यह अनुपस्थिति सफ़ाई का प्रमाणपत्र नहीं, बल्कि डेटा की कमी का नतीजा है। यह वाक्य पत्रकारिता में सबसे ज़रूरी और सबसे कम लिखा जाने वाला वाक्य है। जहाँ रिकॉर्ड नहीं है, वहाँ जोखिम नहीं है — यह सबसे आसान और सबसे झूठा निष्कर्ष है जो कोई भी निकाल सकता है।

तीसरा उलटा कोण: पार्सर ठीक करने से समस्या ठीक नहीं होगी। उस रिपोर्ट ने खुद कहा कि खराबी समझने में आसान और ठीक करने में सस्ती है — एक बार दोबारा निष्कर्षण कर लीजिए, ज़्यादातर विश्लेषण-मूल्य लौट आएगा। यह तकनीकी सच है। लेकिन अगर वही पाइपलाइन कल रणजी के किसी मैच पर चलेगी, तो वह फिर खाली लौटेगी — क्योंकि वहाँ सामग्री ही नहीं है। पाइपलाइन की मरम्मत से सामग्री नहीं पैदा होती। सामग्री किसी को कैमरा लगाना पड़ेगा, लॉगर बिठाना पड़ेगा, और उसके लिए पैसा देना पड़ेगा।

यहाँ एक और चीज़ है जिसे मैं अपने अनुभव से जोड़ता हूँ। 2026 में, बैंगलोर में, मैंने ISL के एक पूरे सीज़न की 90 लीग मैचों की 1,842 शॉट्स हाथ से कोड कीं — ब्रॉडकास्ट रिप्ले फ़्रीज़ करके, शॉट की जगह, शरीर का अंग, असिस्ट का टाइप और डिफ़ेंडर का दबाव दर्ज करते हुए। ऐसा इसलिए क्योंकि भारतीय फ़ुटबॉल के लिए कोई सार्वजनिक एक्सपेक्टेड-गोल्स मॉडल था ही नहीं। मैंने xG की सीढ़ी हाथ से बनाई, फिर संख्याओं को आपस में बहस करने दी। उस सीढ़ी ने बेंगलुरु एफ़सी को 14.2 के xG अंतर से शीर्ष पर रखा, और साथ में चेताया कि वे अपेक्षा से 11 गोल ऊपर हैं। वे छह अंकों से लीग जीते, और फ़ाइनल 3-2 से हार गए। चेतावनी फ़ाइनल से दो दिन पहले छपी थी।

उस अनुभव से एक बात पक्की हो गई: जहाँ डेटा नहीं है, वहाँ मॉडल नहीं बनता — और जहाँ मॉडल नहीं बनता, वहाँ कोई हाथ से कोडिंग करने वाला बैठाना पड़ता है। रणजी को IPL जैसा डेटा नहीं चाहिए; उसे बस इतना चाहिए कि हर गेंद पर तीन चीज़ें दर्ज हों — लाइन, शॉट और परिणाम। तीन कॉलम। बाकी मॉडल खुद बना लेगा।

अंत में, वह सवाल जो आगे के हर सीज़न में लौटेगा। अगली बार जब कोई कहे कि घरेलू क्रिकेट में प्रतिभा की कमी है, तो पूछिए कि वह दावा किस तालिका से आया और उस तालिका में कितनी पंक्तियाँ दर्ज थीं। अगली बार जब किसी खिलाड़ी की कीमत पर बहस हो, तो पूछिए कि उस कीमत के पीछे चरण-विभाजित उत्पादन कहाँ है। अगली बार जब कोई रिपोर्ट पूरी दिखे, तो उसके खाली कॉलम गिनिए।

मैं शोर का पीछा नहीं करता; मैं ऐसी शेल्फ़ बनाता हूँ जहाँ बाद में जाँच हो सके। उस रिपोर्ट की शेल्फ़ खाली थी, पर उसने एक काम किया — उसने बता दिया कि शेल्फ़ कहाँ टूटी है। अगला काम उसे जोड़ना नहीं, उसमें रखने लायक चीज़ें जुटाना है।