Stage-1 खाली लौटा: बास्केटबॉल डेटा पाइपलाइन में जहां जानकारी गुम होती है

एक डेटा डेस्क पर सबसे महंगी गलती गलत नंबर नहीं होती। सबसे महंगी गलती यह मान लेना होती है कि नंबर मौजूद है, जबकि वह कभी पाइपलाइन से गुजरा ही नहीं। पिछले हफ्ते मेरे सामने एक Stage-1 आउटपुट रखा था — बास्केटबॉल डोमेन का, गहरे विश्लेषण के लिए भेजा गया। उसमें कुल एक पंक्ति उपयोगी थी: Domain Label: basketball। बाकी सब खाली। लेख का शीर्षक N/A, स्रोत N/A, एक-वाक्य सारांश खाली, सूचना बिंदुओं की सूची खाली। जब डेटा डेस्क पर ऐसा कागज़ आता है, तो पहला सवाल "कहानी क्या है" नहीं होता। पहला सवाल होता है: denominator क्या है, और वह कहां गिर गया। मैं लॉस एंजिल्स में बास्केटबॉल डेटा कंसल्टेंट हूं, और यह पेशा मुझे भारत से यहां तक लाया। साल 2026 में जब मैं 23 साल का था और समाजशास्त्र में MA कर चुका था, तब मैंने 1,200 NCAA पुरुष बास्केटबॉल गेम्स का डेटाबेस स्क्रैप किया और तीन हफ्तों में एक possession-value मॉडल बनाया। 14 एनालिटिक्स शॉप्स को कोल्ड ईमेल भेजे। एक जगह काम मिला — जूनियर डेटा कंसल्टेंट, 14 लोगों की फर्म। पहला असाइनमेंट: Pac-12 ब्रॉडकास्ट डेटा के 48 घंटे की ऑडिट। मैंने दो नैरेटिव रिपोर्ट्स रद्द कर दीं क्योंकि उनमें denominator नहीं था। उस दिन से मेरा नियम बन गया: हर दावे के लिए एक denominator, एक सैंपल साइज़, एक स्रोत फ़ाइल। यही नियम अब इस खाली Stage-1 रिपोर्ट पर लागू होता है। Domain Label = basketball एक संकेत है कि अपस्ट्रीम ने कुछ पढ़ा ज़रूर। लेकिन सूचना-निष्कर्षण (information extraction) की परत पर कुछ टूटा। यह बास्केटबॉल की समस्या नहीं है। यह उस पूरी स्काउटिंग-रिपोर्टिंग पाइपलाइन की समस्या है जिस पर हम रोज़ भरोसा करते हैं, खासकर जब हम भारत जैसे बाज़ार की बात करते हैं जहां बॉक्स स्कोर, दस्तावेज़ और आधिकारिक PDF — ये तीन चीज़ें अक्सर तीन अलग जगहों पर रहती हैं। सबसे पहले यह समझना ज़रूरी है कि Stage-1 आउटपुट वास्तव में बताता क्या है। एक बास्केटबॉल डोमेन लेबल के साथ बाकी सब N/A। इसे मैं दो तरह से पढ़ सकता हूं। पहला: स्रोत सामग्री ही ऐसी थी जिसमें कोई राय नहीं थी — स्कोरबोर्ड, शेड्यूल टेबल, स्टैंडिंग चार्ट। ऐसी सामग्री से कोई 'Core Viewpoint' निकालना असंभव है, और सही मायने में निकालना भी नहीं चाहिए। दूसरा: स्रोत में राय थी, लेकिन निष्कर्षण की संरचना (JSON schema) और मॉडल के आउटपुट के बीच फ़ील्ड-मैपिंग में दरार पड़ गई। Core Viewpoints में मान आया, Information Points में कुछ नहीं आया — यह लय टूटने का क्लासिक लक्षण है। जब दो फ़ील्ड नाम अलग-अलग परतों में एक ही चीज़ को दर्शाते हैं, तो एक परत भर जाती है और दूसरी खाली रह जाती है। ब्रोडकास्ट की भाषा में कहें तो: फ़ीड जा रही है, लेकिन ऑडियो चैनल म्यूट है। मुझे यह समस्या जानी-पहचानी है क्योंकि 2026 में मैंने खुद एक फनल मॉडल बनाया था — Jr. NBA India पाइपलाइन। 3,50,000 स्कूल प्रतिभागियों से 24 NBA Academy India स्थानों तक, और वहां से 3 राष्ट्रीय टीम डेब्यू तक। रूपांतरण दर: 0.0009%। जब मैंने मुंबई में 6 एग्ज़ीक्यूटिव्स के सामने यह फनल रखा, तो कमरे के मूड के खिलाफ जाकर यह कहना पड़ा कि स्कूल प्रोग्राम के पास घरेलू स्तर पर आगे बढ़ने का कोई रास्ता नहीं है। उस फनल में एक ही बात सीखने को मिली: किसी भी सिस्टम में सबसे कमज़ोर कड़ी वह जगह होती है जहां डेटा एक परत से दूसरी परत में जाता है। Stage-1 और Stage-2 के बीच का वही गैप है। बास्केटबॉल विश्लेषण में इस गैप की एक खास शक्ल होती है। मान लीजिए आप एक गेम की समीक्षा कर रहे हैं। प्ले-बाय-प्ले डेटा एक परत है। बॉक्स स्कोर दूसरी परत है। उन्नत मेट्रिक्स (PPP, eFG%, टर्नओवर रेट) तीसरी परत है। और टिप्पणीकार की राय चौथी परत है। जब इन चारों में से कोई एक परत खाली लौटती है, तो विश्लेषक के पास तीन विकल्प होते हैं: एक, लापता परत को मान लेना (यह सबसे बड़ा पाप है)। दो, विश्लेषण स्थगित करना। तीन, लापता परत को ही शोध का विषय बना देना। मैं तीसरा रास्ता चुनता हूं। इसी सिद्धांत पर मैंने 2026 में Satnam Singh पर 2,400 शब्दों का मेमो लिखा था, रूस विश्व कप के मैचों के बीच। ड्राफ्ट पिक 52, 2026। NBA मिनट: 0. NBA गेम: 0. सिम भुल्लर के 3 गेम के सामने। Satnam के 4,200 मीडिया उल्लेख, राष्ट्रीय टीम के गेम्स के लिए 300। मैंने वह मेमो 9 एडिटर्स को भेजा। दो ने छापा, एक ने कहा "यह अन्यायपूर्ण है।" मैंने स्प्रेडशीट खुली रखी। मुद्दा यह नहीं था कि Satnam पर किसका नज़रिया सही है। मुद्दा यह था कि जब एक परत (मीडिया उल्लेख) दूसरी परत (वास्तविक मिनट) से 14 गुना बड़ी हो जाए, तो वह असंतुलन खुद एक डेटा पॉइंट है। Stage-1 की खाली रिपोर्ट में भी वही असंतुलन है: डोमेन लेबल भरा हुआ है, सूचना बिंदु खाली हैं। यानी जो परत सबसे ऊपर है वह चमक रही है, और जो परत सबसे ज़रूरी है वह गायब है। अब सवाल यह है कि इस खाली आउटपुट को लेकर क्या किया जाए। मेरे पास चार रास्ते हैं, और हर रास्ते की एक लागत है। पहला रास्ता: मूल सामग्री मांगी जाए — लेख का पूरा टेक्स्ट, या सुलभ URL। यह सबसे तेज़ है और सबसे भरोसेमंद। दूसरा: Stage-1 का कच्चा आउटपुट मांगा जाए — बिना सफाई वाला JSON, या लॉग। इससे पता चलेगा कि निष्कर्षण विफल हुआ या फ़ील्ड मैपिंग। तीसरा: यह मान लिया जाए कि ज़रूरत सिर्फ विश्लेषण ढांचा है, और बास्केटबॉल डोमेन के लिए एक आयाम-सूची बना दी जाए — रणनीतिक परत, डेटा परत, कथात्मक परत, स्रोत परत। चौथा, और सबसे खतरनाक: खाली जगह को कल्पना से भर दिया जाए। एक ऐसी रिपोर्ट लिख दी जाए जो देखने में भरी हुई लगे, पर जिसका कोई स्रोत ट्रेस न हो। मेरे पेशे में चौथा रास्ता सबसे आसान है, और इसीलिए सबसे महंगा। यहां एक counter-intuitive बात है जो मैं सालों के बाद समझ पाया। डेटा डेस्क पर खाली आउटपुट अक्सर भरे हुए आउटपुट से ज़्यादा उपयोगी होता है। भरा हुआ आउटपुट आपको आगे बढ़ने का बहाना देता है — आप उसे पढ़ते हैं, उद्धृत करते हैं, और शायद यह कभी नहीं जांचते कि वह किस परत से आया। खाली आउटपुट आपको रोक देता है। वह कहता है: यहां कुछ नहीं है, और जब तक आप यह नहीं जानते कि क्यों कुछ नहीं है, आप आगे नहीं बढ़ सकते। बास्केटबॉल में हम इसे इस तरह देखते हैं: एक खिलाड़ी 0 मिनट खेलता है, यह भी एक आंकड़ा है। और अक्सर यह बताता है कि रोस्टर बनाने वाले ने क्या नहीं देखा। मेरे लिए, यह खाली Stage-1 रिपोर्ट भी वही कह रही है। इसे ब्रोडकास्ट डेटा के संदर्भ में समझिए। 2026 में, NBA बबल के दौरान, मैंने छह लोगों की टीम के साथ 22 टीमों, 88 सीडिंग गेम्स और 0 दर्शकों का मॉडल बनाया। हमने कृत्रिम दर्शक शोर को ब्रॉडकास्ट वॉच-टाइम के सामने रखा और पाया कि पूर्ण दृश्यों में 7% की वृद्धि हुई। साथ ही 11 लीगों के 1,200 खाली स्टेडियम सॉकर मैचों की ऑडिट की। दो एनालिस्ट फैन-सेंटिमेंट सर्वे चाहते थे। मैंने मना कर दिया, क्योंकि ब्रॉडकास्ट डेटा तेज़ और सस्ता था। उस अनुभव ने मुझे सिखाया कि जब दर्शक खाली कुर्सियों पर हों, तो सबसे ज़रूरी मेट्रिक 'माहौल' नहीं, 'वॉच टाइम' होती है। उसी तरह, जब Stage-1 खाली लौटे, तो सबसे ज़रूरी सवाल 'कहानी क्या है' नहीं, 'पाइपलाइन की कौन सी कड़ी फेल हुई' है। अगर मैं इस खाली आउटपुट से एक सबक निकालूं, तो वह यह है: हर डेटा सिस्टम में दो denominator होते हैं। एक वह जो आप मापते हैं, और दूसरा वह जो आप माप नहीं पाते क्योंकि वह पाइपलाइन में गिर जाता है। दूसरा वाला खतरनाक है, क्योंकि वह कभी रिपोर्ट में नहीं दिखता। समाजशास्त्र ने मुझे सिखाया था कि गिने जाने से पहले यह पूछो कि कौन गिना नहीं जा रहा। बास्केटबॉल डेटा में यह सवाल और भी तीखा हो जाता है, क्योंकि यहां हर पास, हर मिनट, हर टर्नओवर गिना जाता है — और फिर भी कुछ ऐसा रह जाता है जो किसी बॉक्स स्कोर में नहीं आता। वह 'कुछ' इस मामले में वह सूचना है जो Stage-1 से Stage-2 तक की यात्रा में खो गई। भारतीय बास्केटबॉल के संदर्भ में यह समस्या और भी गंभीर है, क्योंकि वहां स्रोत पहले से ही बिखरे हुए हैं। दिल्ली उच्च न्यायालय के मुकदमे, BFI और प्रमोटरों के बीच की लड़ाई, प्रतियोगिता आयोग की रिपोर्ट, 'अदालती नतीजों के अधीन' मान्यता — यही वह प्राथमिक पाठ है जिसे पढ़ना पड़ता है। वहां कोई केंद्रीय डेटाबेस नहीं है जो बताए कि एक सीज़न में कितने खिलाड़ी किस टीम में गए, कितने को वास्तविक मिनट मिले। रेलवे, सर्विसेज़, तमिलनाडु, पंजाब के स्कूल और सीनियर नेशनल्स — असली ढांचा इनके ज़रिए चलता है। लेकिन इनमें से कोई भी पूरी तस्वीर नहीं देता। ऐसे में जब सूचना-निष्कर्षण की परत भी खाली लौटती है, तो विश्लेषक के पास सिर्फ दो विकल्प बचते हैं: या तो कबूल कर लें कि डेटा अपर्याप्त है, या कल्पना से भर दें। मैं पहला विकल्प चुनता हूं, हर बार। क्योंकि एक रिपोर्ट जिसमें कहा गया हो 'यहां से आगे डेटा नहीं है' वह एक रिपोर्ट जिसमें 'लगता है' लिखा हो, से कई गुना ज़्यादा ईमानदार है। और लंबे समय में, ईमानदारी ही एकमात्र विश्लेषक है जो टिकता है। तो यह खाली Stage-1 रिपोर्ट मेरे लिए एक झटका नहीं, एक रिमाइंडर है। यह बता रही है कि सिस्टम की सबसे कमज़ोर कड़ी वहां है जहां हम सबसे कम देखते हैं — फ़ील्ड मैपिंग में, निष्कर्षण की परत में, उस गैप में जहां एक JSON का मान दूसरे JSON में जाता है और रास्ते में गिर जाता है। बास्केटबॉल कोर्ट पर हम पिक-एंड-रोल के हर कोण को जानते हैं। लेकिन डेटा डेस्क पर, उसी खेल के लिए, हम अब भी यह नहीं जानते कि जानकारी किस मोड़ पर खो जाती है। अगली बार जब कोई रिपोर्ट 'सब कुछ बढ़िया' कहे, तो पूछिए: denominator क्या था। और अगर रिपोर्ट खाली लौटे, तो मत पूछिए कि कहानी कहां है। पूछिए कि सूचना कहां गई।