खाली डेटा, भरा हुआ टेम्पलेट: फुटबॉल एनालिटिक्स का सबसे खतरनाक आउटपुट गलत आंकड़ा नहीं, गायब आंकड़ा है

खाली डेटा, भरा हुआ टेम्पलेट

Hook

पिछले हफ्ते मेरी डेस्क पर एक रिपोर्ट पहुंची। नौ सेक्शन। तैंतीस टेबल। हर सेल भरा हुआ। और असली तथ्यों की संख्या — शून्य। फाइल पर "फुटबॉल डोमेन" का लेबल चिपका था, "Overall Risk Rating: High" छपा था, लेकिन जिस इनफॉर्मेशन पॉइंट्स की लिस्ट पर यह पूरी इमारत खड़ी होनी थी, वह लिस्ट खाली थी। जिस सिस्टम ने इसे बनाया, उसने आर्टिकल का टाइटल नहीं पकड़ा, सोर्स नहीं पकड़ा, बॉडी टेक्स्ट नहीं पकड़ा — और फिर भी नौ विश्लेषणात्मक आयाम खड़े कर दिए। चालीस साल में मैंने बहुत सारी गलत रिपोर्टें पढ़ी हैं। यह पहली ऐसी थी जो गलत नहीं थी। वह खाली थी, और पूरी दिख रही थी।

Context

स्पोर्ट्स डेटा का काम यही है: कच्चे घटनाक्रम को ऐसे ढांचे में बदलना जिस पर कोई फैसला टिक सके। 2026–99 प्रीमियर लीग सीज़न में मैं लंदन की एक डेटा फर्म में मैच कोडर था, हर पास का ओरिजिन और डेस्टिनेशन हाथ से दर्ज करता था। ग्राफ पेपर पर अपना 18-ज़ोन ग्रिड बनाकर मैंने मैनचेस्टर यूनाइटेड की उस 4-4-2 की चौड़ाई रिवर्स-इंजीनियर की — जो बेकहम और गिग्स से नहीं, गैरी नेविल और डेनिस इरविन के टचलाइन तक खिंचने से आ रही थी।

2026–05 में मैंने चेल्सी के सभी 38 लीग मैच खुद ट्रैक किए और बैक फोर तथा मिडफील्ड लाइन के बीच की दूरी नापी: गेंद रखने पर करीब 22 मीटर, गेंद खोने पर 14। नतीजा — 15 गोल खाए, 24 क्लीन शीट, 95 अंक, खिताब। उस सीज़न को "बोरिंग" फाइल किया गया था। बैज और शोर हटा दीजिए, जो बचता है वह एक मशीन है, कोई मूड नहीं।

आज यह काम मशीन करती है। एक टॉप-फ्लाइट मैच से हजार से ज्यादा इवेंट निकलते हैं, और कई लीगों में ये इवेंट स्टेडियम से सीधे बेटिंग मार्केट तक चले जाते हैं। जो बदला है वह स्पीड है। और स्पीड के साथ एक और चीज़ बदली — अब पाइपलाइन में "मुझे नहीं पता" लिखने की जगह नहीं बची।

2026 में मुंबई की एक वेबसाइट ने मुझसे इनॉगुरल ISL की मार्की साइनिंग्स का ऑडिट मांगा। मैंने दस सीज़न के सीरी-ए मिनट्स से एजिंग कर्व बनाए और लिखा कि एलेसांद्रो डेल पिएरो (39, दिल्ली डायनामोस), मार्को मटेरात्सी (41, चेन्नईयिन) और रॉबर्ट पायरेस (41, एफसी गोवा) — तीनों 1,200 लीग मिनट से नीचे रहेंगे। डेल पिएरो 10 मैचों पर रुके, पायरेस 8 पर। उस पीस में हर आंकड़े के साथ यह भी लिखा था कि वह किस सीज़न से आया है। प्राइस टैग पहले आता है, ऑडिट बाद में आता है — और ऑडिट की कीमत तभी है जब वह अपना सैंपल बता दे।

Core

उस रिपोर्ट की एनाटॉमी साफ है। मेटाडेटा बच गया, बॉडी मर गई। फाइल पर "फुटबॉल" लिखा था, लेकिन न क्लब, न खिलाड़ी, न मैच, न तारीख। सिस्टम ने पेज का खोल पकड़ा और अंदर का मांस गिरा दिया। गड़बड़ी मॉडलिंग में नहीं, इनजेशन में है — पेज पे-वॉल के पीछे था, या वीडियो/लाइव-ब्लॉग शेल था, या सोर्स की भाषा और एक्सट्रैक्टर की भाषा मेल नहीं खाई।

इससे गंभीर छेद स्कीमा में है। एंटिटी निकालने का निर्देश यह था — "ऊपर दिए इनफॉर्मेशन पॉइंट्स से पहचानें।" लेकिन इनफॉर्मेशन पॉइंट्स की लिस्ट खुद खाली थी। यानी निर्देश अपने ही आधार पर बेकार हो गया। जिस फील्ड को "ऊपर से नीचे" चलना चाहिए था, उसे कभी "आर्टिकल बॉडी" पर फॉलबैक देना नहीं सिखाया गया। अच्छा डेटा सिस्टम अपनी खाली जगह को डिज़ाइन करता है। यह सिस्टम उसे "N/A" लिखकर ढक रहा था।

और यहीं से मेरा असली एतराज़ शुरू होता है। रिपोर्ट में तैंतीस जगह "N/A – insufficient information" दर्ज था। यह ईमानदारी है, और मैं इसकी कद्र करता हूं — जबड़े से गढ़ी हुई "हिडन इन्फॉर्मेशन" से यह कहीं बेहतर है। लेकिन N/A कोई नकारात्मक निष्कर्ष नहीं है, वह इनकार है। और डाउनस्ट्रीम एग्रीगेशन, रैंकिंग या अलर्ट लेयर इस फर्क को पढ़ नहीं पाती। उसके लिए "N/A" एक वैल्यू है। रिपोर्ट के अंत में लगी वह चेतावनी — कि N/A पंक्तियों को किसी क्लब के खिलाफ निष्कर्ष न समझा जाए — यही बताती है कि खतरा कितना असली है।

एक और बात। रिपोर्ट में सबसे ऊंची "High" रेटिंग सिस्टम के अंदरूनी डेटा-गैप को दी गई थी, किसी क्लब, कोच या प्रतियोगिता को नहीं। यह तकनीकी रूप से सही था और पढ़ने में भ्रमित करने वाला। जिस डैशबोर्ड पर यह रिपोर्ट जाएगी, वहां "High" का मतलब हमेशा मैदान पर जोखिम होता है। भाषा एक है, मतलब दो।

मैंने टच गिनना इसलिए शुरू किया था क्योंकि कोई और नहीं गिन रहा था। उस आदत से एक नियम निकला: जो नंबर मैं दोबारा नहीं बना सकता, उसे मैं नहीं छापता। उस रिपोर्ट के तैंतीस में से एक भी नंबर दोबारा बनाया जा सकता था? नहीं। फिर भी वह छप चुकी थी।

Contrarian

फुटबॉल डेटा पर चिंता का पुराना ठिकाना है: गलत आंकड़ा। फुलाया हुआ xG मॉडल, गलत शॉट क्लासिफिकेशन, टूटी ट्रैकिंग। मेरा मानना है गलत आंकड़ा इस पूरे ढांचे में सबसे कम खतरनाक चीज़ है — क्योंकि वह पकड़ा जाता है। गलत नंबर झगड़ा पैदा करता है, झगड़ा दोबारा जांच पैदा करता है, दोबारा जांच सुधार पैदा करती है।

खतरनाक वह आंकड़ा है जो गायब है और मौजूद दिख रहा है। हर सिस्टम कहीं से रिसता है। रिसाव ढूंढ लीजिए और आप सिस्टम ढूंढ लेते हैं — इस रिपोर्ट का रिसाव यह था कि उसके नौ आयामों में से आठ का कोई सब्जेक्ट ही नहीं था, और फिर भी मुख्य रेटिंग छप गई।

लाइव बेटिंग फीड इसका सबसे तेज़ उदाहरण है। फीड में N/A फील्ड होती ही नहीं। फीड ड्रॉप होती है तो मार्केट रुकता नहीं — वह आखिरी टिक पर प्राइसिंग करता रहता है। और आखिरी टिक किसी पुरानी सच्चाई की कीमत होती है, सामने चल रहे मैच की नहीं। यही उस बिज़नेस मॉडल का गणित है: रुकना महंगा है, गलत होना सस्ता। एनालिस्ट के तौर पर मेरी प्रवृत्ति उलटी है। मैं अगले दिन लिखता हूं, री-वॉच और लॉग के साथ, क्योंकि गिनती के साथ देर से आना अंदाज़े के साथ पहले आने से बेहतर है।

Takeaway

अगले मैच में जब स्क्रीन पर कोई साफ-सुथरी, पूरी भरी हुई टेबल दिखे, एक सवाल पूछिए: इसकी पहली पंक्ति किस घटना से बनी? अगर जवाब "फीड से" है, तो अगला सवाल यह है — वह इवेंट कोड करने वाला आदमी कहां बैठा था? जिस दिन कोई सिस्टम जवाब देने से इनकार करना सीख जाएगा, उस दिन भरोसा असली होगा। तब तक, पेज पर जो टेबल सबसे भरी हुई दिखे, उसे सबसे पहले खंगालिए।