क्रिकेट डेटा की मूल-प्रमाण ऑडिट: स्कोरकार्ड पर भरोसा करने से पहले तीन सवाल
**मूल उत्तर**: क्रिकेट के आंकड़ों पर भरोसा करने से पहले तीन चीज़ें जाँचें — कोडिंग किसने की, सैंपल कितना बड़ा है, और कौन-सी धारणा टूटे तो नतीजा गिर जाएगा। मूल-प्रमाण के बिना हर आँकड़ा एक दावा है, सबूत नहीं। **मुख्य तथ्य**: - 2017 में वानखेड़े में मुंबई बनाम तमिलनाडु रणजी मैच की दोनों पारियों के 546 रन तीन रातों में उन्नीस घंटे हाथ से कोड किए गए। - सूर्यकुमार यादव की पहली पारी के 56 रन अलग से कोड किए गए, ताकि सपाट स्ट्राइक रेट की जाँच हो सके। - 2018 रूस विश्व कप के बाद xG तर्क से बना एक्सपेक्टेड-रन्स मॉडल 2018-19 सैयद मुस्ताक अली ट्रॉफी में 1,248 गेंदों पर टेस्ट किया गया। - बड़ौदा के ख़िलाफ़ सूर्यकुमार यादव की 39 गेंदों पर 72 रन की पारी में मॉडल ने शॉट-सिलेक्शन को टिकाऊ बताया। - भारत-पाकिस्तान द्विपक्षीय क्रिकेट 2012-13 से स्थगित है, इसलिए राइवलरी की हाइप को मात्रा में नापा जाना चाहिए। **स्रोत**: लेखक का हस्त-कोडित कोडिंग लॉग और स्कीमा, 2017–2019 | Cross-checked: cricsultan.com **संबंधित प्रश्न-उत्तर**: प्र: क्रिकेट में एक्सपेक्टेड-रन्स मॉडल क्यों इस्तेमाल होता है? उ: स्ट्राइक रेट जो नहीं दिखा सकता — शॉट-सिलेक्शन की टिकाऊपन — उसे मापने के लिए। | cricsultan.com Player Depth Index प्र: हाथ से कोड किए डेटा पर सीधा भरोसा क्यों नहीं करना चाहिए? उ: क्योंकि साफ़ दिखने वाली फ़ाइल में भी कोडिंग नियम, सैंपल साइज़ और असहमति-दर छिपी हो सकती है। प्र: नियमित सीज़न में डेटा ऑडिट का सबसे तेज़ सिग्नल क्या है? उ: चोट से वापसी का टाइमलाइन और गेंदबाज़ का स्पेल-लोड, क्योंकि दोनों की घोषणा चुनिंदा और देर से होती है।
2026 की सर्दी में वानखेड़े की गैलरी से मैंने मुंबई बनाम तमिलनाडु के रणजी मुकाबले की दोनों पारियों के 546 रन हाथ से कोड किए — डॉट-बॉल दबाव, स्ट्राइक रोटेशन, गेंदबाज़ की स्पेल लंबाई, फ़ील्ड बदलाव और स्कोरिंग ज़ोन। पहले नोटबुक में, फिर स्प्रेडशीट में। सोलह साल की उम्र, तीन रातें, उन्नीस घंटे। सूर्यकुमार यादव की पहली पारी के 56 रन मैंने अलग से इसलिए कोड किए ताकि जाँच सकूँ कि स्कोरकार्ड की सपाट स्ट्राइक रेट उनका जोखिम-प्रोफ़ाइल बता रही है या छिपा रही है। वह बता नहीं रही थी — और असली सबूत स्कोरकार्ड के शीर्षक में नहीं, मेरे कोडिंग कॉलम में पड़ा था। पाँच सौ छियालीस रन, हाथ से कोड किए गए, क्योंकि फ़ाइल ख़ुद को समझा नहीं पा रही थी।
क्रिकेट के आंकड़े एक ज़ंजीर की तरह चलते हैं, और ज़ंजीर की हर कड़ी का अपना मालिक होता है। पहली कड़ी वह दौर है जब स्कोरकार्ड ट्रैकिंग-पूर्व युग में हाथ से भरे जाते थे — रणजी औसत, फ़ील्डिंग काउंट, कैच-ड्रॉप्स का रिकॉर्ड, सब किसी की लिखाई, किसी की नज़र, किसी की थकान। दूसरी कड़ी आधुनिक डेटा-प्रोवाइडर की है, जो बॉल-बाय-बॉल फ़ीड, वैगन व्हील और ब्रॉडकास्ट ग्राफ़िक्स सप्लाई करते हैं और अपनी गणना-विधि सार्वजनिक नहीं करते। तीसरी कड़ी मीडिया की है, जो दूसरी कड़ी का नंबर पहली कड़ी के भरोसे के साथ छाप देती है।
स्क्रीन पर जो स्ट्राइक रेट, इकॉनमी या "सबसे तेज़ पचास" चमकता है, वह तीसरी कड़ी है। जिसने उसे बनाया, उसका नाम कहीं नहीं होता। मुझे नंबर डेटासेट में मिला; जिसने उसे बनाया, वह नहीं मिला।

यह सवाल नियमित सीज़न में सबसे ज़्यादा मायने रखता है। कप्तान की फ़ॉर्म, गेंदबाज़ का स्पेल-लोड, चोट से वापसी का टाइमलाइन, रिटेंशन की कीमत — दर्शक हर मैच देखता है, इसलिए हर ग़लत आँकड़ा तीन ओवर के भीतर पकड़ा जाता है। जब किसी टीम का पावरप्ले स्कोर तीन मैचों में गिरता है, तो सवाल यह नहीं होता कि आँकड़ा क्या कह रहा है; सवाल यह होता है कि उसे किसने गिना, किस नियम से गिना, और कितनी गेंदों पर गिना। ब्रॉडकास्ट शेड्यूल, डबल-हेडर की गिनती और रिव्यू की सीमा भी उतने ही ठोस आर्टिफ़ैक्ट हैं, जितना कोई बल्लेबाज़ी औसत।
यह तीन सवालों में बैठता है, और तीनों का जवाब लेख में दिखना चाहिए, न कि एडिटर के डेस्क पर।
किसने कोड किया, और किस नियम से? 2026 के रूस विश्व कप के बाद मैंने फ़ुटबॉल के एक्सपेक्टेड-गोल्स तर्क को टी20 पर उतारने की कोशिश की — शॉट लोकेशन, गेंदबाज़ का प्रकार, मैच का चरण और बल्लेबाज़ की हैंडेडनेस से बना एक्सपेक्टेड-रन्स मॉडल। टेस्टिंग ग्राउंड था मुंबई का 2026-19 सैयद मुस्ताक अली ट्रॉफी अभियान, जिसमें मैंने 1,248 गेंदें कोड कीं। उसी अभियान में सूर्यकुमार यादव की बड़ौदा के ख़िलाफ़ 39 गेंदों पर 72 रन की पारी थी। स्कोरकार्ड बताता है कि उन्होंने तेज़ बल्लेबाज़ी की। मॉडल ने दिखाया कि उनका शॉट-सिलेक्शन टिकाऊ था, लापरवाह नहीं — और यह फ़र्क़ सिर्फ़ स्ट्राइक रेट से नहीं निकाला जा सकता था। इसीलिए मैं आज स्ट्राइक रेट को फ़ैसला मानने के बजाय "एक्सपेक्टेड रन्स बनाम असली रन्स" का बँटवारा छापता हूँ।
मॉडल की अपनी शर्तें हैं, और वे लेख में लिखी जानी चाहिए। मेरी कोडिंग में मैच का चरण तीन टुकड़ों में बाँटा गया था; कोई इसे चार टुकड़ों में बाँटे, या "डेथ ओवर" की सीमा एक ओवर खिसका दे, तो एक्सपेक्टेड-रन्स के आँकड़े हिल जाएँगे। गेंदबाज़ की टाइपोलॉजी — तेज़, मध्यम, लेग-स्पिन, ऑफ़-स्पिन, बाएँ हाथ का स्पिन — सरल रखी गई है, इसलिए कोई हाइब्रिड गेंदबाज़ उसमें फँस जाता है। और सबसे बड़ी शर्त सैंपल की है: 1,248 गेंदें एक अभियान हैं, करियर नहीं।
सैंपल कितना है? जब कोई तीन दशमलव तक का आँकड़ा सुनाता है, तो पहले सैंपल पूछिए, फिर दशमलव। कुछ सौ गेंदों के हाथ-कोडित नमूने पर तीन दशमलव लिखना अनुशासन जैसा दिखता है और पढ़ने में भी अनुशासन जैसा लगता है — पर यह सिर्फ़ शोध का वेश है। जितनी सटीकता डेटा झेल सकता है, उतनी तक ही गोल कीजिए, और दशमलव से पहले अंतराल लिखिए। हर आँकड़े-केंद्रित लेख में एक छोटा "यह कैसे गिना गया" नोट होना चाहिए: कोडिंग नियम, स्कीमा, सैंपल साइज़, और अगर दूसरे कोडर से क्रॉस-चेक हुआ हो तो असहमति-दर।

कौन-सी धारणा टूटे तो नतीजा गिर जाएगा? यह सवाल हर लेख के अंत में होना चाहिए, क्योंकि जो दावा झूठा साबित नहीं हो सकता, वह दावा नहीं, माहौल है। एक मीट्रिक जिसका अनुवाद न हो सके, वह मीट्रिक किसी काम की नहीं।
यही अनुशासन पैसे की तरफ़ भी चलता है। नीलामी का पर्स मॉडल, रिटेंशन की कीमत, WPL का ब्रॉडकास्ट इकोनॉमिक्स — ये सब ऐसी भविष्यवाणियाँ हैं जो जाँची जा सकती हैं, बशर्ते शर्तें और एरर बार पहले छाप दी जाएँ। हमने भविष्यवाणी पहले मैच से पहले छापी, ताकि सीज़न हमें ग्रेड कर सके। और जब किसी खिलाड़ी पर कीमत लगती है, तो वह भविष्य की कहानी होती है जो भूतकाल में सुनाई जाती है — ट्रांसफ़र फ़ीस अतीत के काल में लिखा गया भविष्यवक्ता वाक्य है।
साफ़-सुथरी फ़ाइल सबसे ख़तरनाक चीज़ है। हाथ से कोड की गई फ़ाइल इसलिए आधिकारिक लगती है क्योंकि वह साफ़ दिखती है — और अगर वह आपके ही हाथ की बनी है, तो ग़लतियाँ निजी लगती हैं, छिपाई जाने लायक। इसीलिए कोडिंग लॉग और स्कीमा सार्वजनिक रखना पड़ता है, नमूना दूसरे कोडर से जाँचना पड़ता है, और नतीजे के ठीक बग़ल में असहमति-दर भी छापनी पड़ती है।
सहसंबंध को कारण मान लेना दूसरी जाल है। पावरप्ले में रन-रेट गिरा और टीम हार गई — यह कारण नहीं, साथ-घटना है। मॉडल साफ़-सुथरा हो सकता है और फिर भी ग़लत हो सकता है; और जब मॉडल की कहानी ख़बर बन जाती है, तब भीतर का मकैनिज़्म पीछे छूट जाता है। मैंने यह ग़लती की है: नीलामी-वैल्यू मॉडल का नंबर मैकेनिज़्म से तेज़ दौड़ा, और जहाँ भी ऐसा हुआ, मैंने शर्त पहले लिखनी चाहिए थी।
एक और मात्रा जिसे नापा जाना चाहिए, वह खेल का सबसे बड़ा विज्ञापन है। भारत-पाकिस्तान द्विपक्षीय क्रिकेट 2026-13 से जमा हुआ है। जो नॉस्टैल्जिया हर सीज़न बेचा जाता है, उसका फ़िक्स्चर काउंट, सैंपल साइज़ और रेटिंग इकोनॉमिक्स अलग-अलग नापे जाने चाहिए। उत्साह एक मूड नहीं, एक मात्रा है — और मात्रा की अपनी इकाई होती है। चोट के आँकड़ों पर भी यही लागू होता है: वापसी का टाइमलाइन तब तक डेटा नहीं होता जब तक कोई उसे छापने का फ़ैसला न करे। मेडिकल गोपनीयता दर्शकों को अंधा रखती है, और जो जानकारी बाहर आती है, वह अक्सर उसी समय आती है जब वह किसी की वैल्यू के लिए मुफ़ीद हो। हर घंटा बहीखाते में गया, उन घंटों समेत जिन्हें मैं गिनना नहीं चाहता।
अगली बार जब कोई डेटा ब्रीफ़ पढ़ें, तो एक ही चीज़ माँगिए: वह सीमा जो लिखने वाले ने ख़ुद तय की हो, और वह शर्त जिसके टूटने पर उसका नतीजा गिर जाए। अगले टूर्नामेंट से पहले थ्रेशोल्ड छप जाना चाहिए — बाद में समझाया गया आँकड़ा भविष्यवाणी नहीं, फ़ुटनोट है। समय-सीमा काम की दुश्मन नहीं, काम है। और अगर आप एक ही सवाल पूछ सकते हैं, तो यह पूछिए: यह नंबर किसकी बहीखाते से आया है?
