खाली डेटा से कहानी नहीं बनती: क्रिकेट कवरेज में एक्सट्रैक्शन फेल होने की असली कीमत

शुरुआत एक खाली फ़ील्ड से

पिछले हफ़्ते मेरी डेस्क पर एक Stage-1 आउटपुट आया। टाइटल N/A। सोर्स N/A। आर्टिकल टाइप N/A। वन-सेंटेंस समरी खाली। ऑथर स्टांस खाली। और जो सबसे चुभने वाली बात थी — Information Points की पूरी लिस्ट खाली थी। बीस साल में मैंने कितने ही अधूरे ब्रीफ़ देखे हैं, लेकिन जब डेटा पाइपलाइन खुद अपने ही काम को रिकॉर्ड नहीं कर पाती, तो वह सिर्फ़ तकनीकी गड़बड़ नहीं होती। वह एडिटोरियल रिस्क होती है।

जो एकमात्र भरा हुआ फ़ील्ड था, वह Domain Label: cricket_world था। यानी किसी ने बताया कि यह क्रिकेट की दुनिया का मामला है, और उसके बाद कुछ नहीं।

एक खाली डेटासेट पर 'गहरा विश्लेषण' एक विरोधाभास है — विश्लेषण का कच्चा माल इन्फ़ॉर्मेशन पॉइंट, दावे, इकाइयाँ और स्रोत होते हैं, और यहाँ चारों में से एक भी मौजूद नहीं था।

संदर्भ: क्रिकेट बीट में खाली जगह सबसे महँगी पड़ती है

क्रिकेट कवरेज की एक ख़ास मुश्किल है जो फ़ुटबॉल या टेनिस में उतनी तीव्र नहीं होती — इसका कंटेंट हाफ़-लाइफ़ बेहद छोटा है। एक मैच रिपोर्ट को अगर चार घंटे की देरी से भी 'स्टेज-1' से 'पब्लिश' तक पहुँचना है, तो उसका आधा मूल्य ख़त्म। एक ट्रांसफ़र की ख़बर पर तो सोर्स का लेबल ही सब कुछ है: बोर्ड का ऑफ़िशियल हैंडल, किसी एजेंट का लीक, या एग्रीगेटर का रीपोस्ट — तीनों एक ही वाक्य लिख सकते हैं, लेकिन तीनों की कीमत अलग है।

मेरे पास दिल्ली में एक फ्रैंचाइज़ी डेस्क पर बैठे हुए इसका ज़िंदा उदाहरण है। एक सीज़न में हमने रोज़ सुबह सात बजे 'मॉर्निंग नोट' बनाया करते थे — तीन पेज, जिसमें हर लाइन के आगे सोर्स ग्रेड लिखा होता: A (बोर्ड/क्लब/खिलाड़ी स्वयं), B (न्यूज़ एजेंसी), C (सोशल/एग्रीगेटर)। एक बार एक C-ग्रेड लाइन हमारे सीनियर की नज़र से बच गई और वह सीधे एक स्पॉन्सर डेक में चली गई। तीन दिन बाद उस डेक का वह स्लाइड हटाना पड़ा। सोर्स कॉलम खाली छोड़ना वैसा ही है जैसे मैच में स्कोर लिखना भूल जाना — बाक़ी पूरा स्कोरकार्ड बेकार हो जाता है।

मूल बात: `N/A` एक तकनीकी एरर नहीं, एक एडिटोरियल फ़ैसला है

जब Domain Label भरा हुआ है लेकिन Information Points खाली है, तो इसका मतलब साफ़ है — क्लासिफ़ायर चला, एक्सट्रैक्शन नहीं चला। तीन संभावित वजहें हैं, और हर वजह का असर अलग है:

पहली, एक्सट्रैक्शन फ़ेल हुआ। यानी सिस्टम ने टेक्स्ट देखा, पहचाना कि यह क्रिकेट है, लेकिन सत्त, इकाइयाँ और दावे निकालने में विफल रहा। यह सबसे 'ईमानदार' फ़ेलियर है, क्योंकि इसमें कम से कम कोई झूठा भराव नहीं हुआ।

दूसरी, ओरिजिनल टेक्स्ट ही पाइपलाइन तक नहीं पहुँचा। यह क्रिकेट डेस्क में आम है — किसी सिंडिकेशन फ़ीड का पेलोड टूट जाता है, या पे-वॉल वाला सोर्स खाली बॉडी भेज देता है। यहाँ ख़तरा यह है कि अगर सिस्टम खाली बॉडी पर भी 'क्रिकेट' लेबल लगा देता है, तो वह आगे कभी भी एक खाली स्टोरी को 'कवर हो चुकी स्टोरी' की तरह गिन सकता है। यही मेट्रिक-धोखा है जिसके बारे में मैं बार-बार लिखता हूँ — जिस चीज़ को आप माप नहीं रहे, उसे आप 'हो गया' मान लेते हैं।

तीसरी, फ़ील्ड मैपिंग बिगड़ी। एक्सट्रैक्टर ने डेटा निकाला भी होगा, लेकिन स्कीमा बदलने के बाद वह गलत कुंजी में गिर गया और डाउनस्ट्रीम को कुछ नहीं दिखा। इस स्थिति में सबसे बड़ा नुक़सान यह होता है कि डेटा मौजूद है, पर भरोसा नहीं बनता — और भरोसा बनाना ही पूरी पाइपलाइन का काम है।

तीनों मामलों में एक बात समान है: N/A का मतलब 'जानकारी नहीं है' नहीं होता। N/A का मतलब होता है 'हमने जानकारी पाने की कोशिश छोड़ दी और यह भी नहीं बताया कि क्यों।'

इससे भी आगे की बात — इस स्टेट में जो कुछ भी मैं लिखता, वह क्रिकेट के बारे में होता, क्रिकेट की उस घटना के बारे में नहीं। और यही क्रिकेट बीट का सबसे पुराना जाल है। रणजी ट्रॉफ़ी की एक पारी की रिपोर्ट और आईपीएल फ़ाइनल की रिपोर्ट, दोनों 'क्रिकेट' हैं। लेकिन एक का पाठक संख्या, दूसरे का पाठक भावना है। बिना टाइप और बिना सोर्स के मैं यह भी नहीं बता सकता कि यह किस चीज़ की रिपोर्ट है — और इसी वजह से किसी भी 'विश्लेषण' का पहला वाक्य ही झूठा हो जाएगा।

एक दूसरी बात जो मैं इस अधूरे आउटपुट पर दर्ज करना चाहता हूँ, वह टाइम-सेंसिटिविटी की है। क्रिकेट कंटेंट की शेल्फ़-लाइफ़ शायद ही कभी एक दिन से ज़्यादा होती है, सिवाय ऐतिहासिक पीस के। Stage-1 अगर टाइमस्टैम्प नहीं देता, तो डाउनस्ट्रीम हर स्टोरी को 'आज की' मान लेगा। मैंने यह गड़बड़ देखी है — पुराने दौरे की रिपोर्ट अगले दौरे के प्रीव्यू की जगह छाप दी गई, क्योंकि डेटा में कोई तारीख़ का पुख़्ता हुक नहीं था। पाठक को यह कभी पता नहीं चलता कि गलती कहाँ हुई; उसे सिर्फ़ यह लगता है कि अख़बार को क्रिकेट नहीं आता।

उलटा नज़रिया: 'खाली डेटा पर मत लिखो' सलाह ग़लत है — लेकिन 'खाली डेटा भर दो' भी ग़लत है

सबसे आसान रास्ता यही है: एक्सट्रैक्शन फ़ेल हो तो सिस्टम कोई डिफ़ॉल्ट भर दे — कोई सामान्य समरी, कोई अनुमानित टैग, कोई 'संभावित' इन्फ़ॉर्मेशन पॉइंट। रिपोर्टिंग डैशबोर्ड हरा दिखने लगता है। और यहीं सबसे बड़ी चोट लगती है। क्योंकि क्रिकेट में ग़लत जानकारी से बुरी चीज़ अधूरी जानकारी नहीं है — बुरी चीज़ वह आधी-अधूरी जानकारी है जिसे पूरा दिखाया गया हो। अगर पाइपलाइन एक खाली स्टोरी को 'प्रोसेस्ड' बता देती है, तो वह लाइन में लगे हर एडिटर से वह गारंटी छीन लेती है जो वह अपने पाठक को देता है।

मुझे यह स्वीकार करने में कोई दिक़्क़त नहीं कि मैं ख़ुद इस जाल में गिरा हूँ। 2026 विश्व कप के दौरान मैंने दिल्ली-एनसीआर के 120 स्क्रीनिंग वेन्यू मैप किए और फ़ाइनल में भीड़ का डेटा जुटाया। प्रेज़ेंटेशन शानदार दिख रहा था, लेकिन उसकी असली कमज़ोरी यही थी — मैंने कवरेज की मात्रा मापी, और उसे कवरेज की गुणवत्ता मान लिया। स्पॉन्सरशिप फ़ॉलो-थ्रू लगभग शून्य रहा। जो डेटा ख़ुद को पूरा साबित करने में लगा हो, वह आमतौर पर अपनी कमी की सबसे बड़ी वजह छुपा रहा होता है।

इसलिए इस Stage-1 पर मेरा रुख़ साफ़ है: यह खाली आउटपुट एक कमज़ोरी नहीं, एक ईमानदार सिग्नल है। इसे ठीक करने का तरीक़ा डिफ़ॉल्ट भरना नहीं, बल्कि यह तय करना है कि पाइपलाइन किस चीज़ पर खुद को फ़ेल बोलती है। एक क्रिकेट डेस्क को कम से कम तीन चीज़ें अनिवार्य रूप से माँगनी चाहिए — सोर्स ग्रेड, आर्टिकल टाइप, और टाइमस्टैम्प। बाक़ी सब इन्हीं तीन के बाद आता है।

आगे की बात

मुझे सबसे ज़्यादा फ़िक्र उस चीज़ की नहीं है जो इस बार खाली रही। फ़िक्र उस आदत की है जो अगली बार बनेगी — जब कोई कहेगा कि 'चलो, थोड़ा सा भर दो, डैशबोर्ड लाल न दिखे।' उस दिन आपको यह पूछना होगा: इस स्टोरी का सोर्स ग्रेड क्या है, और इसे पाठक तक पहुँचने में कितने घंटे लगे? अगर दोनों का जवाब नहीं है, तो आपके पास स्टोरी नहीं है — आपके पास सिर्फ़ एक भरा हुआ फ़ॉर्म है। और क्रिकेट में, भरे हुए फ़ॉर्म से मैच नहीं जीते जाते।