পাইপলাইনের প্রথম ধাপ খালি ফিরল: ফুটবল ডেটা বিশ্লেষণের আসল ঝুঁকি ভুল সংখ্যায় নয়, ফাঁকা ঘর জোড়া দিয়ে ভরাট করার অভ্যাসে
মূল উত্তর: ফুটবল ডেটা বিশ্লেষণে সবচেয়ে বড় ঝুঁকি ভুল সংখ্যা নয়, প্রথম ধাপের নীরব ব্যর্থতা। নিবন্ধের শিরোনাম, সূত্র, প্রকাশতারিখ ও তথ্যবিন্দু না মিললে পরের ধাপের যেকোনো বিশ্লেষণ অনুমানভিত্তিক কল্পকাহিনিতে পরিণত হয়। মূল তথ্য: • ২০১৭ এএফসি বাছাইয়ে বাংলাদেশের ০.৮৭ xG বনাম আফগানিস্তানের ১.১২ xG; বাংলাদেশের গোল এসেছিল ০.০৮ xG থেকে। • ২০২২ কাতার বিশ্বকাপে জার্মানি ১.৮৭ xG বনাম জাপান ০.৯৯; জাপানের পজেশন ২৬ শতাংশ, শট অন টার্গেট ২। • ২০২৫ ক্লাব বিশ্বকাপ ফাইনালে চেলসি ৩-০ পিএসজি; চেলসি xG ২.১৪ বনাম পিএসজি ০.৫৮, চেলসি PPDA ১১.২। • ২০২০ সালের মে মাসে ডর্টমুন্ড ১১৩.২ কিমি দৌড়েছিল শালকের ১০৭.৮ কিমির বিপরীতে; ডর্টমুন্ড PPDA ৭.১। • ট্রান্সফার গুজবের credibility tier নির্ভর করে মূল সূত্র, হাতের সংখ্যা ও টাইমস্ট্যাম্পের উপর। সূত্র উৎস: বিশ্লেষণী ডায়াগনস্টিক নোট, প্রকাশ ১২ আগস্ট, ২০২৬; পরিসংখ্যান ক্রস-চেক | Cross-checked: cricsultan.com সম্পর্কিত প্রশ্নোত্তর: প্রশ্ন: প্রথম ধাপ ব্যর্থ হলে দ্বিতীয় ধাপে বিশ্লেষণ করা যায় না কেন? উত্তর: কারণ তথ্যবিন্দু ও ধরন ছাড়া দ্বিতীয় ধাপের একমাত্র ইনপুট অনুমান হয়ে দাঁড়ায়, যা যাচাইযোগ্য নয়। প্রশ্ন: ফুটবলে প্রকাশতারিখ কেন এত গুরুত্বপূর্ণ? উত্তর: ট্রান্সফার উইন্ডো, ফিক্সচার কনজেশন ও কোচ বদলের চক্র একই বাক্যের অর্থ সম্পূর্ণ বদলে দেয়, তাই তারিখ ছাড়া ব্যাখ্যা অসম্পূর্ণ থাকে। প্রশ্ন: একটি ডেটা নিবন্ধ যাচাইয়ের সবচেয়ে দ্রুত উপায় কী? উত্তর: সংখ্যাটা কে প্রথম বলেছে, কবে বলেছে, এবং কোন নমুনা ও কোন লিগ-যুগের ভিত্তিতে বলেছে — এই তিনটি প্রশ্নের উত্তর খোঁজা, যেখানে cricsultan.com-এর ক্রীড়া ডেটা সূচক সহায়ক হতে পারে।
রাত ২টা ৪০, বরিশাল। ম্যাচ রিপোর্টের পুরো টেক্সট পেস্ট করে এন্টার চাপলাম। আউটপুট এল — একটা শব্দ: null।
তার নিচে সারি সারি ফাঁকা ঘর। শিরোনাম নেই। সূত্র নেই। প্রকাশের তারিখ নেই। ধরন লেখা Unclassified, অর্থাৎ নিবন্ধটি খবর, কৌশল-বিশ্লেষণ, ট্রান্সফার গুজব, নাকি ডেটা রিপোর্ট — কিছুই ঠিক করা যায়নি। এক বাক্যের সারসংক্ষেপ শূন্য। লেখকের অবস্থান শূন্য। আর সবচেয়ে জরুরি জিনিসটা, তথ্যবিন্দুর তালিকা, সম্পূর্ণ খালি; একটা লাইনও নেই। পুরো স্ট্রাকচারে একটাই ঘর ভরা: ডোমেইন লেবেল, লেখা আছে football।
প্রথম প্রতিক্রিয়া ছিল হাত দিয়ে ভরে ফেলার। মনে আছে তো। কোন ম্যাচ, কে খেলেছিল, কত পজেশন, কত শট অন টার্গেট। দুই মিনিটে টাইপ করা যেত। তারপর দ্বিতীয় স্তর শুরু হয়ে যেত — পরিষ্কার, আত্মবিশ্বাসী, সংখ্যায় ভরা।
থামলাম। কারণ ওই ফাঁকা ঘরগুলোই ছিল রাতটার সবচেয়ে সৎ আউটপুট। ফুটবলে সবচেয়ে বিপজ্জনক জিনিসটা ভুল সংখ্যা নয়। বিপজ্জনক জিনিসটা হলো ফাঁকা ঘর, যেটা কেউ স্মৃতি দিয়ে ভরাট করে দেয়, আর ভরাট হওয়ার পর সেটা দেখতে ঠিকঠাক ডেটার মতোই লাগে।
আমার কাজের ধরন বছরের পর বছর ধরে দুই ধাপে ভাগ হয়ে গেছে, যদিও প্রথম দিকে আমি এই ভাগটা মেনে চলতাম না। প্রথম ধাপ হলো ভাঙা: নিবন্ধের ভেতর থেকে শিরোনাম, সূত্র, প্রকাশকাল, ধরন, সারসংক্ষেপ, লেখকের অবস্থান, তথ্যবিন্দু আর সত্তার তালিকা বের করা। দ্বিতীয় ধাপ হলো বিশ্লেষণ। দীর্ঘদিন আমি ভাবতাম, দ্বিতীয় ধাপটাই আসল কাজ, ওটাই আমার দক্ষতার জায়গা। প্রথম ধাপটা ছিল যেন গেটে বসা নিরাপত্তারক্ষী।
সেটা ভুল ছিল। এই আটটা ঘরের প্রতিটা নিচের স্তরের জন্য ইনপুট। ধরন যদি ভুল চিহ্নিত হয়, বিশ্লেষণের পথটাই ভুল দিকে মোড় নেয়। প্রকাশকাল যদি না থাকে, একই বাক্য দুই রকম অর্থ বহন করে। তথ্যবিন্দু যদি খালি থাকে, দ্বিতীয় ধাপের একমাত্র উপকরণ হয় অনুমান।
ফুটবলে প্রকাশের তারিখ কোনো মেটাডেটা নয়, সেটা একটা চলক। জুলাই মাসে লেখা "সে খারাপ খেলছে" আর অক্টোবরে লেখা একই বাক্য এক জিনিস নয়। জুলাইয়ে ট্রান্সফার উইন্ডো খোলা, ক্লাব তার দাম বাড়াতে চাইছে, এই বাক্য তখন দর-কষাকষির অংশ। অক্টোবরে ফিক্সচার কনজেশন, ভ্রমণ, রিকভারি ডে — একই বাক্য তখন লোড ম্যানেজমেন্টের প্রমাণ। কোচ বদলের চক্রটাও আছে। যে নিবন্ধটি একটি নতুন কোচের দ্বিতীয় ম্যাচ নিয়ে লেখা, সেটি একই কোচের ষোলোতম ম্যাচ নিয়ে লেখা নিবন্ধের চেয়ে সম্পূর্ণ আলাদা জিনিস। তারিখ ছাড়া এই তিনটা ব্যাখ্যার কোনটা যে সঠিক, বাইরে থেকে বোঝার উপায় নেই।
২০১৭ সালে বরিশাল থেকে ঢাকার একটি ডেটা ডেস্কে কাজ শুরু করার পর এই শিক্ষাটা আমাকে কেউ দেয়নি, নিজে কিনতে হয়েছে। বাংলাদেশ বনাম আফগানিস্তান এএফসি এশিয়ান কাপ বাছাই ম্যাচটার চার্ট বানাচ্ছিলাম। চৌদ্দটা শট, বাংলাদেশের ০.৮৭ xG, আফগানিস্তানের ১.১২। তারপর বাংলাদেশ গোল করল ০.০৮ xG-এর একটি সুযোগ থেকে। তখন আমি ভাবতাম ডেটা মিথ্যা বলে না। পরে বুঝলাম, ডেটা মিথ্যা বলে না, কিন্তু ডেটা একা কিছুই বলে না — শটগুলো কোন গেম স্টেটে নেওয়া হয়েছে, সেটা না জানলে ০.৮৭ আর ০.০৮-এর মধ্যে দূরত্বটাই একমাত্র গল্প হয়ে দাঁড়ায়। ওই ০.০৮ আমাকে তিন সপ্তাহ কোডিং আবার করতে বাধ্য করেছিল।
তাই এবার সিদ্ধান্তটা সহজ ছিল। প্রথম স্তর ব্যর্থ হলে দ্বিতীয় স্তরে যাওয়া যায় না। এক ঘণ্টা আগে যা ফাঁকা ছিল, সেটা ভরাট করার একমাত্র সৎ উপায় হলো পুনরায় বাস্তব ডেটা আহরণ, নয়তো লেখা বন্ধ রাখা।
প্রথম স্তর ফাঁকা ফিরলে দ্বিতীয় স্তর যতই মার্জিত দেখাক, সেটা বিশ্লেষণ নয়, কল্পকাহিনি।
ধরনটা কেন সবচেয়ে গুরুত্বপূর্ণ ঘর, সেটা বুঝতে চারটা আলাদা পথ দেখতে হয়। ফুটবল নিবন্ধের ধরন আলাদা হলে তার যাচাইয়ের পথও আলাদা।
কৌশল বা ম্যাচ-বিশ্লেষণে আমার প্রথম কাজ হলো যুক্তিশৃঙ্খলটা টানার চেষ্টা করা। লেখক কী সিদ্ধান্তে পৌঁছেছেন, তার পক্ষে কোন কোন মুহূর্তকে প্রমাণ হিসেবে বেছেছেন, বেছে নেওয়া প্রমাণগুলো সিদ্ধান্তটা বহন করতে পারছে কি না, আর কোন মুহূর্তগুলো বাদ পড়েছে। ২০২১ ইউরো সেমিফাইনালে ইতালি ০.৭৩ xG, স্পেন ১.৫৩; জর্জিনিয়ো ৯১টি পাস দিয়েছিলেন, ইতালির PPDA ১৩.৮ বনাম স্পেনের ৬.২; ম্যাচ গড়াল টাইব্রেকারে, ইতালি ৪-২ জিতল। এখন কেউ যদি জর্জিনিয়োর পাস সংখ্যা ধরে লিখে বসেন ইতালি মিডফিল্ড নিয়ন্ত্রণ করেছে, আর কেউ যদি xG ধরে লেখেন স্পেন দাপটে খেলেছে — দুজনেই নিজের পছন্দের একটা ভেরিয়েবল বেছে নিয়ে বাকিটা ফেলে দিয়েছেন। সম্পূর্ণ ছবিটা হলো, ম্যাচটা দুইবার গেম স্টেট বদলেছে, আর দ্বিতীয় পরিবর্তনটা ৯০ মিনিটের পরে।
ট্রান্সফার বা গুজবের ক্ষেত্রে পথটা সম্পূর্ণ ভিন্ন। এখানে যুক্তি যাচাই করি না, সূত্রের শৃঙ্খল যাচাই করি। মূল দাবিটা কার? এক হাত, দুই হাত, নাকি পাঁচ হাত ঘুরে এসেছে? প্রতিটি ধাপে কার স্বার্থ জড়িত — এজেন্টের, ক্লাবের, নাকি কেবল ভিজিটর সংখ্যার? ২০২৫ সালের গ্রীষ্মকালীন উইন্ডোতে একটি স্ট্রাইকারের ভেসে যাওয়া চুক্তি নিয়ে আমি লিখেছিলাম, আর শুধু একটা জিনিস ট্র্যাক করেছিলাম: কোন সংবাদমাধ্যম প্রথমে সংখ্যাটা ছেড়েছে, আর সেই সংখ্যাটা কে সংশোধন করেছে। প্রথম দাবিটা এসেছিল এজেন্টের ঘনিষ্ঠ এক সূত্র থেকে, দামটা ছিল ত্রিশ শতাংশ বেশি ফোলানো। প্রতিটি ট্রান্সফার গুজব একটা চলক, যার শুধু টাইমস্ট্যাম্প বাকি। টাইমস্ট্যাম্প না থাকলে সেটা চলক নয়, গল্প।
ডেটা বা পরিসংখ্যানভিত্তিক নিবন্ধে কাজটা আরো যান্ত্রিক। প্রথমে দেখতে হয় সংখ্যাটা কোন নমুনা থেকে এসেছে, তারপর দেখতে হয় তুলনার ভিত্তিটা কোথাকার। ২০২২ কাতার বিশ্বকাপে জার্মানি ১.৮৭ xG, জাপান ০.৯৯; জাপানের পজেশন ২৬ শতাংশ, শট অন টার্গেট মাত্র দুই। সংখ্যাটা যদি জাপানের জয়কে অসম্ভাব্য বলে দেখায়, তাহলে সংখ্যাটা মিথ্যা বলছে না, কিন্তু গেম স্টেটের কথা বলছে না। ২০২৫ ক্লাব বিশ্বকাপ ফাইনালে চেলসি ৩-০ পিএসজি ম্যাচেও একই সমস্যা; চেলসির xG ২.১৪ বনাম পিএসজির ০.৫৮, চেলসির PPDA ১১.২, কোল পামারের দুই গোল এক অ্যাসিস্ট। কেউ যদি এই সংখ্যা দেখিয়ে লেখেন পিএসজি হারেনি, তাহলে তিনি স্কোরলাইন ও গেম স্টেট দুটোই হিসাবের বাইরে ফেলে দিচ্ছেন। কম xG-তে জেতা দল ভাগ্যবান নয়; তারা গেম স্টেট পড়ছে।
আর সবচেয়ে কম যাচাই করা হয় মতামত বা ভাষ্য ধরনের নিবন্ধ। এখানে কাজ দুটো: এক, কোন বাক্যটা তথ্য আর কোনটা মূল্যায়ন, সেটা আলাদা করা। দুই, লেখক কোন অবস্থান থেকে বলছেন, সেটা চিহ্নিত করা। যিনি একটি ক্লাবের বার্ষিক অর্থনৈতিক প্রতিবেদনের প্রেক্ষাপটে খেলোয়াড় কেনার সমালোচনা করছেন, তার বাক্যের ওজন আর যিনি কেবল ম্যাচ রিপোর্টের প্রেক্ষাপটে একই কথা বলছেন, তার বাক্যের ওজন আলাদা।
এখন আসি সেই জিনিসটায় যা আমি এই রাতে সবচেয়ে দরকারি বলে মনে করেছি। একটি নিবন্ধ যে দাবিগুলো সমর্থন করে না, সেই তালিকা তৈরি করা তার সারসংক্ষেপ লেখার চেয়ে বেশি কাজে দেয়। প্রথম স্তরের আউটপুটে যদি একটি নেগেটিভ তালিকা থাকত — এই নিবন্ধটি খেলোয়াড়ের ইনজুরি অবস্থা সম্পর্কে কিছুই বলে না, এই নিবন্ধটি বাজারমূল্য নিয়ে কোনো প্রমাণ দেয় না, এই নিবন্ধে কেবল এক পক্ষের বক্তব্য আছে, পাল্টা সূত্র নেই — তাহলে দ্বিতীয় স্তরের কাজ অর্ধেক সহজ হয়ে যেত। ফাঁকা ঘর নিয়ে আমার আপত্তি ছিল না; আপত্তি ছিল ঘরটার নাম না থাকায়। নাম থাকলে খোলাখুলি লেখা যেত: এই ঘরটি খালি, কারণ sumber পাওয়া যায়নি।
স্বস্তির জায়গাটা এখানেই, আর সেটা অস্বস্তিকর। গত কয়েক বছরে ফুটবল ডেটা পরিকাঠামোতে সবচেয়ে বেশি বিনিয়োগ গেছে দ্বিতীয় স্তরে। ভিজ্যুয়ালাইজেশন সুন্দর হয়েছে, লাইভ আপডেট দ্রুত হয়েছে, মডেলের নামগুলো চটকদার হয়েছে। প্রথম স্তরটা কারো চোখে পড়ে না, কারণ সেটা দেখতে চেষ্টার মতো লাগে না। কিন্তু এই রাতে যেটা ভেঙেছে, সেটা ছিল প্রথম স্তর। আর এটা প্রথমবার নয়।
স্টেডিয়াম চুপ হয়ে যাওয়ার পর আমি মডেলটা আবার বানিয়েছি, ২০২০ সালের মে মাসে, ডর্টমুন্ড ৪-০ শালকে ম্যাচের পর। ডর্টমুন্ড ১১৩.২ কিলোমিটার দৌড়েছিল, শালকে ১০৭.৮; ডর্টমুন্ডের PPDA ৭.১। পাঁচ বড় লিগের লকডাউন-পূর্ব হোম উইন রেট ৪৩.২ শতাংশ বনাম লকডাউন-পরবর্তী ৩৩.৩ শতাংশ দেখে বুঝেছিলাম, একটা চলক হারিয়ে গেছে — ভিড়। পরিষ্কার ডেটাসেটও মিথ্যা বলতে পারে, যদি ভিড়টা অনুপস্থিত থাকে। কাগজটা দুইবার প্রত্যাখ্যাত হয়েছিল বেশি জটিল বলে; তিনটি চার্টে নামিয়ে আনার পর ছাপা হয়। শিক্ষাটা ছিল, প্রথম স্তরে কোন চলকটা আমি লিখতে ভুলে গেছি, সেটাই শেষ পর্যন্ত পুরো বিশ্লেষণকে নষ্ট করে।
এবার আসি অস্বস্তিকর অংশে। এই ফাঁকা আউটপুটটা কেউ দেখেনি, কারণ এটা কোনো ফাইল হিসেবে কোথাও জমা পড়েনি। কিন্তু টুর্নামেন্ট চক্রে সমস্যাটা আরো ধারালো হয়ে ওঠে। বড় টুর্নামেন্ট মানে দৈনিক কনটেন্টের চাপ কয়েকগুণ; যাচাইয়ের সময় অর্ধেক। লাইভ ডেটা সরাসরি বাজারে যাওয়ার পথে যে বিলম্বটা থাকে, সেটা আসলে যাচাইয়ের জন্য রাখা সময়। সেই বিলম্ব কমালে গতি বাড়ে, নির্ভুলতা বাড়ে না। আর এই জায়গাটাতেই সবচেয়ে বড় ক্ষতি হয়: একটি ফাঁকা ঘর যদি মডেলের অনুমান দিয়ে ভরে দেওয়া হয়, সেটা বাজারে পৌঁছানোর পর কারো পক্ষে আর আলাদা করা যায় না — কোনটা পর্যবেক্ষণ আর কোনটা অনুমান। পেশাদার ফুটবলে ইনজুরি সংক্রান্ত একটি ভুল তথ্য কত দ্রুত ছড়ায়, সেটা আমরা সবাই দেখেছি।
আমার নিজের দিক থেকেও একটি স্বীকারোক্তি আছে। ইনটিজে হলে মানুষ যন্ত্রপাতির দিকে ঝুঁকে পড়ে। প্রথম স্তর ভেঙেছে দেখে আমার প্রথম ইচ্ছা ছিল দ্বিতীয় স্তরের কোডটা আরো মসৃণ করা — যেন ফাঁকা ঘরগুলো কম চোখে পড়ে। যাচাইয়ের লগ আর পুনর্নির্মাণের লগ আলাদা রাখা আমার কাছে শুধু পদ্ধতি নয়, সেটা একটা সীমা। স্প্রেডশিট আমার মঠ, প্যাচ নোট হলো ধর্মগ্রন্থ; কিন্তু মঠে ঢোকার আগে দরজায় লেখা থাকা উচিত, আজ কোন তথ্যটা আসেনি।
প্রতিটি ট্রান্সফার গুজবের টাইমস্ট্যাম্প দরকার, প্রতিটি xG-এর নমুনা ও লিগ-যুগের লেবেল দরকার, প্রতিটি ট্যাকটিক্যাল দাবির বিপরীত প্রমাণের তালিকা দরকার। এই তিনটি না থাকলে বিশ্লেষণটা মডেল নয়, বর্ণনা।
নিবন্ধটি কোন দাবি বহন করে না, সেই তালিকাই এখন আমার প্রধান আউটপুট।
পরের রাউন্ডে আমি প্রথম স্তরে ফিরছি। দ্বিতীয় স্তরের মডেল এখন বন্ধ, খোলা থাকবে কেবল আহরণ লগ। পরের রাউন্ডের সংকেত সহজ: এই টুর্নামেন্টে যেসব বিশ্লেষণ পড়বেন, তার প্রতিটির জন্য একটা প্রশ্ন করুন — কে প্রথমে সংখ্যাটা বলেছে, কবে, আর সেই সংখ্যাটা প্রমাণ করেছে কে। যদি এই তিনটার একটির উত্তরও না পান, তাহলে লেখাটি ফুটবল সম্পর্কে কিছু বলছে না, বরং তার লেখকের আত্মবিশ্বাস সম্পর্কে বলছে। সংখ্যাটা পরিষ্কার ছিল; ম্যাচটা পরিষ্কার হতে রাজি হয়নি — আর সেটা স্বীকার করা কোনো দুর্বলতা নয়, সেটাই একমাত্র পদ্ধতি।