খালি ডেটা থেকে গল্প বানানোর ফাঁদ: ফুটবল অ্যানালিটিক্সে যাচাইয়ের খতিয়ান কেন অপরিহার্য

রাত ২টা ১০ মিনিট। খুলনার বাড়িতে ডেস্কে রাখা ল্যাপটপের স্ক্রিন জ্বলছে, আর সেখানে একটি স্ট্রাকচার্ড পেলোড ফেরত এসেছে। ফিল্ডের নাম ঠিক, বন্ধনী ঠিক, ডোমেইন লেবেল লেখা “ফুটবল”। কিন্তু ভেতরে সব খালি — তথ্যবিন্দুর তালিকা শূন্য, সূত্র নেই, তারিখ নেই, দল নেই, খেলোয়াড় নেই। স্কিমাটি এত নিখুঁতভাবে সাজানো যে সিস্টেমটি ঠিক সেই মুহূর্তে দুই হাজার শব্দের আত্মবিশ্বাসী কৌশলগত বিশ্লেষণ লিখে ফেলতে পারত, যার একটি বাক্যও সত্য হতো না। আমি যে অ্যানোমালি খুঁজছিলাম, সেটি ছিল না; যে অ্যানোমালি পেলাম, সেটি আরও ভয়ংকর — শট ম্যাপের ভুল নয়, ডেটা-অখণ্ডতার নীরব ফাটল।

বছর ছাব্বিশ ধরে ফুটবল দেখছি, আর তার বড় অংশ কেটেছে সংখ্যার পেছনে। ঢাকার একটি ক্রীড়া সংবাদমাধ্যমে যোগ দেওয়ার পর আমার কাজ হয়ে দাঁড়ায় স্কোরলাইন নয়, সুযোগের গুণমান মাপা। ২০১৭ সালে বাংলাদেশ প্রিমিয়ার লিগের ১,২০০ শট ইভেন্ট স্ক্র্যাপ করে আমি একটি xG মডেল দাঁড় করাই — দূরত্ব, কোণ ও ডিফেন্সিভ প্রেসারকে ভেরিয়েবল ধরে। মডেল বলল, আবাহনী লিমিটেড ঢাকা ৩১.৬ xG থেকে ৪২ গোল করেছে, আর শেখ রাসেল কেসি পেয়েছে ৮.২ xG-এর ঘাটতি। শিরোপা-দৌড়ের পর আমি লিখি “চ্যাম্পিয়নরা ভাগ্যবান ছিল”, যেখানে দেখাই যে তাদের শেষপর্বের উত্থান ওপেন প্লে-র উপর নয়, সেট-পিস থেকে আসা ১২.৪ xG-এর উপর দাঁড়িয়ে ছিল। লেখাটি পড়েন চার হাজার পাঠক, উদ্ধৃত করেন দুজন স্থানীয় কোচ।

এই অভিজ্ঞতা আমাকে একটি সহজ নিয়ম শিখিয়েছে, যা আমি প্রতিটি লেখায় মেনে চলি: সিদ্ধান্ত যত পরিষ্কারই হোক, তা ইনটেক ডেটার গুণমানের চেয়ে কখনও বড় হতে পারে না। আবাহনীর গল্প টিকেছিল কারণ পেছনে ছিল ১,২০০টি সত্যিকারের শট ইভেন্ট — প্রতিটির অবস্থান, সময় ও ডিফেন্সিভ অবস্থা লিপিবদ্ধ। ইনপুট যদি খালি হতো, সেই একই মডেল নিখুঁত আত্মবিশ্বাসে ভুল উত্তর দিত, আর আমি সেটি ছাপিয়ে দিতাম।

২০১৮ রাশিয়া বিশ্বকাপে ইভেন্ট ডেটা নিয়ে কাজ করার সুযোগ পাই। ক্রোয়েশিয়ার ইংল্যান্ডের বিপক্ষে ২-১ জয় বিশ্লেষণ করতে গিয়ে দেখলাম, লুকা মদরিচ ১৪.২ কিলোমিটার দৌড়েছেন এবং ১১টি প্রোগ্রেসিভ পাস সম্পন্ন করেছেন; ক্রোয়েশিয়ার xG ছিল ২.১, ইংল্যান্ডের ১.৪। তাদের ৩৪টি ওপেন-প্লে ক্রসের ১৮টি গিয়েছিল ইংল্যান্ডের ডান হাফ-স্পেসে। আমি লিখেছিলাম, ক্রোয়েশিয়া জাদুতে জেতেনি; তারা অতিরিক্ত পাসটিকে অনিবার্য করে তুলেছিল। এখানেও শর্ত একটাই — ইভেন্ট ডেটা সত্যিকারের ছিল, এবং প্রতিটি পাস গুনে দেখার মতো তথ্য উপস্থিত ছিল।

২০২০ সালে বুন্দেসলিগা দর্শকশূন্য মাঠে ফিরলে ৮১ ম্যাচের নমুনায় হোম-অ্যাডভান্টেজ ভেঙে পড়ার প্রমাণ পাই। হোম টিম জিতেছিল মাত্র ২১ ম্যাচ, অর্থাৎ ২৫.৯ শতাংশ, যা বিরতির আগের ৪৩.২ শতাংশের তুলনায় বড় ধস। গোল প্রতি ম্যাচে ৩.২ থেকে নেমে আসে ২.৬-এ। বায়ার লেভারকুসেন ও ফ্রাইবুর্গকে কেস স্টাডি ধরে তাদের PPDA ও সেট-পিস রূপান্তর ট্র্যাক করি, এবং “দ্য এম্পটি স্টেডিয়াম এফেক্ট” লেখাটি একটি পাঁচ-দফা ভ্যারিয়েন্স ফ্রেমওয়ার্কসহ প্রকাশ করি।

ইউরো ২০২০-তে সেই একই ফ্রেমওয়ার্ক ইতালির উপর প্রয়োগ করি। সাত ম্যাচে ইতালির PPDA ছিল গ্রুপ পর্বে ৬.৯, আর ফাইনালে ইংল্যান্ডের বিপক্ষে ৯.৮। ১-১ ড্রয়ের পর ইতালি পেনাল্টিতে ৩-২ জেতে, ৬৫ শতাংশ বল দখল ও ১৯ শট নিয়ে। কাতার ২০২২-এ মরক্কোর সেমিফাইনাল-যাত্রা বিশ্লেষণ করতে গিয়ে দেখি, পাঁচ ম্যাচে তারা মাত্র একটি গোল খেয়েছে এবং প্রতি ম্যাচে প্রতিপক্ষকে ০.৮ xG-তে আটকে রেখেছে; তাদের PPDA ছিল ১২.৪, অথচ প্রতি ৯০ মিনিটে ২৪.৬ ক্লিয়ারেন্স ও ১১.২ ইন্টারসেপশন ছিল টুর্নামেন্টের সেরা।

এই পাঁচটি কাজের মধ্যে একটি কমন সুতো আছে, যা আমি প্রথম দিকে খেয়াল করিনি। প্রতিটি সিদ্ধান্তের ওজন নির্ভর করেছিল একটি ইনটেক গেটের উপর — যে গেট যাচাই করে, ভেতরে সত্যিই তথ্য আছে কি না। সেই গেটই এখন আমার আগ্রহের কেন্দ্রে, কারণ খুলনার ওই রাতের পেলোড প্রমাণ করে, গেটটি কখনও কখনও নীরবে খুলে যায়।

আধুনিক ফুটবল অ্যানালিটিক্সের পাইপলাইন কাগজে সরল। একটি সোর্স টেক্সট আসে; প্রথম স্তর সেটি থেকে তথ্যবিন্দু, জড়িত সত্তা, সময়-সংবেদনশীলতা ও সোর্স-গুণমান আলাদা করে; দ্বিতীয় স্তর সেই কাঠামোর উপর দাঁড়িয়ে কৌশলগত, আর্থিক, শাসনতান্ত্রিক ও আখ্যানভিত্তিক বিশ্লেষণ গড়ে তোলে। যতক্ষণ প্রথম স্তরের কাঠামো ভরা থাকে, পুরো ভবনটি নিরাপদ। কিন্তু কাঠামোটি বৈধ দেখতে হয় অথচ ভেতরে শূন্য থাকতে পারে — আর সেটিই সবচেয়ে বিপজ্জনক অবস্থা।

সেই রাতে যা ঘটেছিল, তার চেহারা চেনা। ফিল্ডের নাম, বন্ধনী ও ডোমেইন লেবেল অটুট ছিল; শুধু বিষয়বস্তু ছিল না। চারটি সম্ভাব্য কারণ আমি আলাদা করতে পারি: এক, আপস্ট্রিম এক্সট্রাকশন নীরবে ব্যর্থ হয়েছে এবং খালি কাঠামো পাঠিয়ে দিয়েছে; দুই, সোর্স লেখাটি পেওয়ালের পেছনে বা জাভাস্ক্রিপ্টে তৈরি ছিল, ফলে টেক্সট কখনও পাওয়া যায়নি; তিন, ইনপুট প্রথম স্তরে পৌঁছানোর আগেই ছেঁটে ফেলা হয়েছে; চার, সোর্সটি আসলে কোনো নিবন্ধ ছিল না — সূচি পাতা, ট্যাগ পাতা বা ভিডিও স্টাব।

এই চারটি সম্ভাবনার কোনোটিই বিশ্লেষণী লেখা দিয়ে পূরণ করা যায় না। কিন্তু প্রলোভনটা প্রবল, কারণ শূন্যতা নিজে থেকে ভরে ওঠে। একটি ভাষা-মডেল হোক বা একজন ক্লান্ত সাংবাদিক — খালি জায়গা দেখলে মানুষ ও যন্ত্র দুই-ই সবচেয়ে বিশ্বাসযোগ্য শোনানো গল্পটি বসিয়ে দিতে চায়। এখানেই “অপর্যাপ্ত তথ্য” আর “শূন্য তথ্য”-র পার্থক্য জরুরি। অপর্যাপ্ত তথ্য মানে কিছু সূত্র আছে, বিশ্লেষণ সীমিত কিন্তু সম্ভব। শূন্য তথ্য মানে কিছুই নেই, এবং সেখানে প্রতিটি বাক্য নির্মাণ, বিশ্লেষণ নয়।

সঠিক আচরণ, যা ওই পেলোড আসলে মেনেছিল, তাকে বলা যায় নাল-হ্যান্ডলিং। অর্থাৎ সিস্টেমটি নিজের অক্ষমতা স্বীকার করে, প্রকাশ বন্ধ রাখে এবং উৎসের কাছে পেলোড ফেরত পাঠায় “বিষয়বস্তু অনুপস্থিত” স্ট্যাটাস কোড দিয়ে। ফুটবল সাংবাদিকতায় এই সততা বিরল, কারণ প্রকাশের চাপ প্রবল — প্রতি রাতে কিছু একটা ছাপতে হয়। অথচ একটি খালি পেলোড প্রত্যাখ্যান করা মানে একটি ভুয়া ট্রান্সফার গল্প, একটি ভুয়া ট্যাকটিক্যাল অটোপসি বা একটি ভুয়া শিরোপা-ভবিষ্যদ্বাণী আটকে দেওয়া।

এখান থেকে একটি ব্যবহারযোগ্য গেটের নকশা দাঁড় করানো যায়, আর আমি এটিকে ঠিক মডেল-বানানোর কাজ হিসেবেই দেখি। প্রথম নিয়ম: যে পেলোডে তথ্যবিন্দুর তালিকা খালি, সেটি স্বয়ংক্রিয়ভাবে প্রত্যাখ্যাত হবে। দ্বিতীয় নিয়ম: প্রতিটি পেলোডে কমপক্ষে পাঁচটি আলাদা, উদ্ধৃতযোগ্য তথ্য থাকতে হবে — কে, কী, কখন, কোথায় এবং কার বরাতে। তৃতীয় নিয়ম: সোর্স-গুণমান পরীক্ষা বাধ্যতামূলক, ঐচ্ছিক নয়; ট্রান্সফার-সংবাদে সোর্সের স্তরই সবচেয়ে দামি ফিল্টার। চতুর্থ নিয়ম: কাঠামোগত সামঞ্জস্য যাচাই — যেমন ডোমেইন লেবেলের বানান ও কেসিং ধার্য মানের সঙ্গে মিলছে কি না, কারণ ছোট অসঙ্গতিগুলো প্রায়ই ডিফল্ট মান ঢুকে পড়ার সংকেত দেয়।

এই গেটগুলো শক্তিশালী, কিন্তু এগুলো কেন্দ্রীভূত। একটি দল যদি নীরবে পেলোড বদলে দেয় বা খালি করে দেয়, পাহারা বসানোর আগে কেউ টের পাবে না। এখানেই ব্লকচেইনের ধারণাটি কাজে আসে — ফ্যান টোকেন বা NFT-র বাজার-হুল্লোড়ের জন্য নয়, বরং অডিটের জন্য। কল্পনা করুন, পাইপলাইনে ঢোকা প্রতিটি পেলোডের একটি ক্রিপ্টোগ্রাফিক হ্যাশ তৈরি হচ্ছে এবং সেটি আগের পেলোডের হ্যাশের সঙ্গে শৃঙ্খলিত হচ্ছে। কে, কখন, কোন ডেটা দিয়ে কোন সিদ্ধান্ত তৈরি করেছে, তা মুছে ফেলা বা গোপনে বদলানো প্রায় অসম্ভব হয়ে ওঠে।

এর ব্যবহারিক রূপ আরও নির্দিষ্ট। একটি স্মার্ট-কন্ট্রাক্ট-সদৃশ নিয়ম লেখা যায়: ইনপুট হ্যাশ পরীক্ষা করো; যদি তথ্যবিন্দুর তালিকা শূন্য হয়, আউটপুট ছেড়ো না। প্রতিটি প্রকাশিত বিশ্লেষণের পাশে তার মূল পেলোডের হ্যাশ থাকলে পাঠক নিজেই যাচাই করতে পারেন, দাবিটি কোন ডেটা থেকে জন্মেছে। ২০১৭ সালের আবাহনী-লেখায় যদি এমন একটি শৃঙ্খল থাকত, তবে “সেট-পিস থেকে ১২.৪ xG” দাবিটি কোন ১,২০০ শট ইভেন্টের কোন উপসেট থেকে এসেছে, তা যে কেউ মিলিয়ে দেখতে পারতেন।

তবু লেজার কোনো জাদু নয়, আর এখানে আমি স্পষ্ট থাকতে চাই। শৃঙ্খল শুধু দৃশ্যমানতা দেয়, সত্যতা নয়। গারবেজ-ইন, গারবেজ-আউট — ভুল ইনপুট চেইনে বসালে সেটি অপরিবর্তনীয়ভাবে ভুলই থেকে যাবে, শুধু আরও আনুষ্ঠানিক দেখাবে। খরচ, লেটেন্সি ও জটিলতাও বাস্তব; বাংলাদেশের একটি ছোট নিউজরুমের জন্য পুরো চেইন চালানো অর্থহীন হতে পারে। তাই আমার প্রস্তাব সংকর: প্রতিদিনের কাজে সাধারণ যাচাইকরণ গেট, আর সংবেদনশীল বা উচ্চ-ঝুঁকির ডেটাসেটে হ্যাশ-চেইনভিত্তিক প্রোভেন্যান্স। ফুটবল ইতিমধ্যেই লেজারকে বিশ্বাস করে — ফ্যান টোকেন, ক্লাব-ক্রিপ্টো, NFT — কিন্তু আসল মূল্য ভক্ত-বিনোদনে নয়, অভ্যন্তরীণ অডিটে।

এখন সেই অংশে আসি, যেখানে আমি সবচেয়ে বেশি দ্বিমত দেখি। বিপদটা খালি পেলোডে নয়, বিপদটা পাতলা পেলোডে। খালি পেলোড চিৎকার করে নিজের মিথ্যা বলে দেয়, তাই কেউ সেটি ছাপে না। কিন্তু এক ম্যাচ, একটি টুইট, একজন এজেন্টের ইঙ্গিত থেকে জন্মানো পেলোড নিখুঁত বৈধ দেখায়, আর সেখান থেকেই সবচেয়ে ক্ষতিকর লেখাগুলো আসে। ট্রান্সফার-বাজারে এই ফাঁদ চেনা: একটি সূত্র, একটি শিরোনাম, তারপর হাজার রিটুইট — অথচ মূল দাবির পেছনে কোনো স্বাধীন সমর্থন নেই।

দ্বিতীয় ভুল ধারণাটি আরও সূক্ষ্ম: “অন-চেইনে আছে, তাই যাচাই হয়েছে।” প্রযুক্তি প্রায়ই বিশ্বাসযোগ্যতার ছাপ তৈরি করে, প্রমাণ নয়। একটি হ্যাশ-লেজার শুধু দেখায় যে ডেটা কে রেখেছে ও কখন বদলেছে; সে বলে না যে ডেটা সত্য। এই কারণেই আমি মডেলের আউটপুটের পাশে নমুনার আকার, প্রসঙ্গ ও আত্মবিশ্বাসের মাত্রা লিখতে জোর দিই। এবং এই কারণেই আমি সতর্ক থাকি নিজের দুর্বলতার ব্যাপারেও — সবকিছুকে মডেল বানানোর ঝোঁক, সংখ্যার আধিপত্যের অহংকার, আর আবেগকে অবহেলা করার অভ্যাস। দর্শকচাপ, ঘাম, ভয় — এগুলোও মাপা যায়, যেমন ডিসিশন-স্পিড বা রিস্ক-টেকিং। সংস্কৃতি হলো সেই প্রায়র, যা প্রতিটি মডেলকে শিখতে হয়।

পরের রাউন্ডে আমার নজরে থাকবে দুটি সংখ্যা, আর দুটিই পাইপলাইনের নিজের স্বাস্থ্য নিয়ে। প্রথমটি প্রতি ব্যাচে খালি-পেলোডের হার; এটি শূন্যের বেশি হলে বোঝা যাবে, এক্সট্রাক্টরে গলদ আছে এবং পুরো ব্যাচ নীরবে ফাঁপা বিশ্লেষণ উৎপাদন করছে। দ্বিতীয়টি সোর্স-ফিল্ড পূরণের হার; এটি নেমে গেলে প্রতিটি ডাউনস্ট্রিম বিশ্বাসযোগ্যতা-বিচার দুর্বল হয়ে পড়বে। খুলনার ওই রাত আমাকে দেখিয়েছে, একটি ফুটবল বিশ্লেষণ আসলে দুই স্তরে যাচাই হয় — প্রথমে মাঠের ঘটনায়, তারপর সেটি বর্ণনা করা ডেটায়।

আর প্রশ্নটি আমি ফেলে রাখছি। যখন কোনো মডেল বলে, কোনো দল “কাঠামোগতভাবে অনিবার্য”, তখন সেই দাবির নিচে কতগুলো স্বাধীন, যাচাইযোগ্য তথ্যবিন্দু সত্যিই দাঁড়িয়ে আছে? উত্তর যদি পাঁচের কম হয়, তবে সেটি বিশ্লেষণ নয় — সেটি অনুমান, যাকে আমরা আত্মবিশ্বাসের পোশাক পরিয়ে দিয়েছি।