खाली सेल को 'कम जोखिम' मत पढ़िए: टेनिस डेटा पाइपलाइन की एक ऑडिट रिपोर्ट

पुणे के बालेवाड़ी स्टेडियम की उस कोचिंग बैठक में एक कोच ने मॉनिटर पर उंगली रखी और पूछा, "तो जोखिम कम है?" स्क्रीन पर चौदह भारतीय खिलाड़ियों की स्काउटिंग शीट खुली थी। जोखिम वाले कॉलम की हर सेल हरे रंग में थी और उसमें "कम" लिखा था। मैंने एक सेल पर क्लिक किया। फ़ॉर्मूला बार खाली था। किसी ने वह सेल भरा ही नहीं था — स्प्रेडशीट ने खाली सेल को डिफ़ॉल्ट फ़ॉर्मेटिंग में रेंडर किया था, और फ़ॉर्मेटिंग ने "कम" का मतलब पहन लिया था। उस शाम टेनिस एनालिटिक्स की सबसे महँगी गलती मेरे लिए बदल गई। सबसे महँगी गलती ग़लत संख्या नहीं होती; सबसे महँगी गलती वह संख्या होती है जो कभी नापी ही नहीं गई, पर बैठक की मेज़ पर "नाप ली गई" की तरह बैठती है। कोच उस बैठक से यह मानकर निकले कि चौदह में से किसी पर चोट का जोखिम नहीं है। सच यह था कि हमने किसी की भी चोट-हिस्ट्री देखी ही नहीं थी।

तीन सवाल, बस तीन। अगली बार जब कोई टेनिस फ़ाइल आपके सामने आए — स्काउटिंग रिपोर्ट, प्री-टूर्नामेंट नोट, फ़ॉर्म शीट — तो पहला सवाल: इस सेल में n क्या है? दूसरा: विंडो क्या है? तीसरा: यह सेल किसने भरी और किस तारीख़ को? जो फ़ाइल इन तीन सवालों का जवाब नहीं देती, वह फ़ाइल विश्लेषण नहीं है; वह टाइपोग्राफ़ी है।

कॉन्टेक्स्ट

इस लेख में "खाली" का मतलब पहले तय कर दूँ, क्योंकि यही पूरी बहस की जड़ है। खाली सेल का मतलब शून्य नहीं है। खाली सेल का मतलब कम नहीं है। खाली सेल का मतलब है वह माप जो लिया ही नहीं गया — अनुपस्थित, अप्रमाणित, और इसीलिए अज्ञात। टेनिस में "अज्ञात" को "सुरक्षित" पढ़ने की आदत इतनी गहरी है कि वह अब डिफ़ॉल्ट स्प्रेडशीट फ़ॉर्मेटिंग बन गई है।

टेनिस का डेटा तीन जगहों से आता है और तीनों की विफलता दर अलग है। पहला, आधिकारिक स्कोरशीट — यहाँ समस्या ईमानदारी की नहीं, रिज़ॉल्यूशन की है; स्कोरशीट बताती है कि पॉइंट किसने जीता, यह नहीं कि सर्व कहाँ गिरी। दूसरा, ब्रॉडकास्ट फ़ीड — हॉक-आई या मैन्युअल कोडिंग; यहीं सबसे ज़्यादा खाली सेल पैदा होती हैं, क्योंकि कैमरा एंगल कभी काटता है, ऑक्लूज़न होता है, खिलाड़ी बीच मैच में रिटायर होता है, बारिश आती है। तीसरा, प्रवेश सूची और रैंकिंग टेबल — यहाँ खाली सेल का रूप अलग है: एक खिलाड़ी की एंट्री होती है, पर उसका 52 हफ़्ते का पॉइंट्स लेजर किसी ने नहीं खोला होता।

जनवरी 2026 में चेन्नई ओपन के आख़िरी संस्करण में मुझे यही समस्या विरासत में मिली। उस वक़्त हॉक-आई का डेटा सार्वजनिक नहीं था। मुझे ब्रॉडकास्ट फ़ुटेज से सर्व की लोकेशन मैन्युअली कोड करनी थीं — 1,200 सर्व, एक-एक फ़्रेम रोककर, कोर्ट के नौ ज़ोन में बाँटकर। यह काम उबाऊ था और यही इसकी ताक़त थी। जो काम उबाऊ है, उसे छोटा नहीं किया जा सकता। बारह पेज की रिपोर्ट तमिलनाडु टेनिस एसोसिएशन तक पहुँची और उसमें एक ही सिफ़ारिश थी: दूसरी सर्व के लिए एक मानकीकृत टारगेट चार्ट, जिसे हर कोच एक ही भाषा में पढ़ सके।

कोर

चेन्नई की उस कोडिंग में 1,200 में से 74 सेल अपठनीय रह गईं — कैमरा एंगल, ऑक्लूज़न, और दो रिटायरमेंट। मेरे पास दो रास्ते थे। पहला: उन 74 को टूर औसत से भर देना, ताकि तालिका "पूरी" दिखे। दूसरा: उन्हें खाली छोड़कर रिपोर्ट में यह लिख देना कि 6.2 प्रतिशत नमूना अनुपलब्ध है। मैंने दूसरा रास्ता चुना, और यही उस रिपोर्ट की असली खोज थी। मैंने पहले सर्व-मैप बनाया, कहानी बाद में आई। मैप खुला तो दिखा कि भारतीय क्वालिफ़ायर दूसरी सर्व पर सिर्फ़ 38 प्रतिशत पॉइंट जीत रहे थे, जबकि एटीपी चैलेंजर औसत 53 प्रतिशत था — पंद्रह प्रतिशत अंक का फ़ासला। अगर मैंने वे 74 सेल औसत से भर दी होतीं, तो यह फ़ासला घटकर लगभग नौ प्रतिशत अंक रह जाता। सिफ़ारिश की तीव्रता आधी हो जाती। एक इम्प्यूटेशन ने पूरी रिपोर्ट का स्वर बदल दिया होता।

यही वह जगह है जहाँ डेटा-पाइपलाइन की बात टेनिस की बात बन जाती है। जब कोई स्वचालित प्रणाली किसी मैच रिपोर्ट या किसी टूर्नामेंट पेज को पढ़ती है और शीर्षक, स्रोत, तिथि, खिलाड़ी — सब खाली लौटा देती है, तो वह "इस लेख में कुछ नहीं है" का बयान नहीं होता। वह "मैं लेख तक पहुँच ही नहीं पाया" का बयान होता है। कंसेंट-वॉल, पेवॉल स्टब, जावास्क्रिप्ट से बना खोल — तीनों एक जैसा खाली ढाँचा लौटाते हैं। और खाली ढाँचा, अगर डाउनस्ट्रीम सिस्टम उसे स्कोर कर दे, तो "कम महत्वपूर्ण" बन जाता है। एक असली खबर चुपचाप दब जाती है, क्योंकि उसका पेज पढ़ा ही नहीं गया।

अगस्त 2026 में चेन्नई से पुणे शिफ़्ट हुए टूर्नामेंट के लिए मुझे एक अकादमी ने रखा। चौदह भारतीय खिलाड़ियों के सारे मैच कोड किए। महाराष्ट्र ओपन का स्थान बदला, और रैली की लंबाई ने दूसरी कहानी सुनाई। नौ या उससे ज़्यादा शॉट की रैलियों में भारतीय खिलाड़ी 42 प्रतिशत पॉइंट जीत रहे थे, विदेशी 51 प्रतिशत। यहाँ मुझे स्थान-परिवर्तन को डेटलाइन की तरह नहीं, एक वेरिएबल की तरह पढ़ना था। चेन्नई समुद्र तल पर है, पुणे लगभग 560 मीटर ऊपर। गेंद का व्यवहार बदलता है, कोर्ट की गति बदलती है, फ़रवरी की उमस का असर सर्व-टॉस पर पड़ता है। और उसी शीट में एक और खाली सेल मिली: चोट के कारण रिटायर हुए दो मैच हमने "हार" के रूप में कोड कर दिए थे। यह मेरी प्रोटोकॉल की चूक थी, और मैं इसे रिपोर्ट में लिखकर ही गया। कोचों ने अगले सत्र से लंबी रैली के ड्रिल जोड़े — कम से कम वह बदलाव खाली सेल से नहीं, भरे हुए आंकड़े से आया।

अगस्त 2026। टेनिस ठप था। मैंने 2026 यूएस ओपन के सभी 127 पुरुष सिंगल्स मैच कोड किए, जो दर्शकों के बिना खेले गए। एस रेट 2026 के मुक़ाबले 8.2 प्रतिशत बढ़ा, अनफ़ोर्स्ड एरर 5 प्रतिशत घटे। खाली सीटें भी डेटा हैं; 2026 यूएस ओपन ने यह साबित किया। उस व्हाइट पेपर में मैंने रिग्रेशन मॉडल के साथ "क्राउड-नॉइज़ इम्पैक्ट इंडेक्स" मानकीकृत किया। पर उसी पेपर में एक पैराग्राफ़ ऐसा है जिसे सब छोड़ देते हैं: 127 में से अगर ग्यारह मैच भी गायब होते और मॉडल उन्हें टूर औसत से भर देता, तो 8.2 प्रतिशत का आंकड़ा पाँच प्रतिशत के आसपास सिकुड़ जाता। यानी नतीजा बचा रहता, पर उसकी धार खो जाती।

इन तीनों से मुझे एक चीज़ मिली जिसे मैं नाम देकर ही आगे बढ़ता हूँ: नल-वैल्यू रजिस्टर। तीन कॉलम, हर फ़ाइल के साथ अनिवार्य। पहला कॉलम — स्थिति: मापा गया / नहीं मापा गया / मापा नहीं जा सकता। दूसरा — n। तीसरा — विंडो, यानी किस तारीख़ से किस तारीख़ तक का नमूना। इसका सबसे कड़ा नियम यह है कि स्कीमा में N/A एक अलग श्रेणी है, "कम" का पर्याय नहीं। जिस सिस्टम में खाली जोखिम-सेल अपने आप "लो" बन जाती है, वह सिस्टम जोखिम नहीं नाप रहा; वह जोखिम को छिपा रहा है। रैंकिंग पर भरोसा करने से पहले मैं सैंपल साइज़ जाँचता हूँ, और उसी तरह किसी भी जोखिम-रेटिंग पर भरोसा करने से पहले मैं देखता हूँ कि सेल भरी गई है या सिर्फ़ रंगी गई है।

पाथवे की बात इसी कारण मुझे नापने लायक लगती है। रोहन बोपन्ना ने 43 साल की उम्र में ऑस्ट्रेलियन ओपन का पुरुष युगल खिताब जीता — यह प्रेरणा-कॉपी नहीं, पाथवे डायग्नोस्टिक है। सुमित नागल की करियर-सर्वोच्च रैंकिंग टॉप-70 के भीतर रही; वह भी उसी डायग्नोस्टिक का हिस्सा है। और ओपन एरा में भारत का सिंगल्स सीलिंग अब भी क्वार्टरफ़ाइनल है, ओलंपिक में एकमात्र पदक 2026 का कांस्य। यह लेजर विवाद का नहीं, रिकॉन्सिलिएशन का मामला है। स्कोरबोर्ड नतीजे दर्ज करता है; मेरी स्प्रेडशीट दर्ज करती है कि वे कैसे हुए।

कॉन्ट्रेरियन

अब वह हिस्सा जहाँ मुझे अपनी ही तालिका से बहस करनी है। पुणे के 42 प्रतिशत आंकड़े और स्थान-परिवर्तन के बीच जो रिश्ता मैंने बनाया, वह सहसंबंध है, कारण नहीं। और एक वैकल्पिक व्याख्या मौजूद है जिसे मैं ख़ुद से छिपाना नहीं चाहता: जो भारतीय खिलाड़ी नौ शॉट से लंबी रैली तक पहुँचते हैं, वे पहले से ही ग्राइंडर हैं — यानी नमूना ख़ुद को चुन रहा है। n चौदह है, विंडो एक टूर्नामेंट है। यह अभी पैटर्न नहीं है; यह एक संकेत है जिसे दो और सत्रों की एंट्री लिस्ट के साथ दोहराना होगा। मैं इसे "पैटर्न" कहने से इनकार करता हूँ, और यह इनकार मेरी तालिका की कमज़ोरी नहीं, उसकी शर्त है।

2026 के एस-रेट पर भी वही सतर्कता लगती है। गेंद बदली थी, कोर्ट की तैयारी बदली थी, न्यूयॉर्क का अगस्त-सितंबर मौसम बदला था। दर्शकों का हटना एक वेरिएबल था, एकमात्र वेरिएबल नहीं। जो विश्लेषक एक वेरिएबल को पूरी कहानी बना देता है, वह अगली बार उसी आत्मविश्वास से ग़लत होगा।

और पाइपलाइन वाली बात पर एक कठोर सच: हर खाली आउटपुट विफलता नहीं होती। कभी स्रोत वाक़ई पतला होता है — दो लाइन का रिज़ल्ट टिकर, एक फ़ोटो कैप्शन, कोई सोशल पोस्ट। उस स्थिति में सही काम दोबारा एक्सट्रैक्शन नहीं, बल्कि रिकॉर्ड को "कम-मूल्य" के रूप में वर्गीकृत करना है। दोनों स्थितियों को एक जैसा मतलब देना सबसे बड़ी चूक है: एक में हम असली खबर खो देते हैं, दूसरे में हम कूड़े को खबर बना देते हैं। मीडिया के शोर और प्रदर्शन के ठोस आधार के बीच का यही फ़ासला है जिसे मैं फ़ेम-फ़िल्टर कहता हूँ — और वह फ़िल्टर तभी चलता है जब दोनों तरफ़ कुछ नापा गया हो।

टेकअवे

अगले हार्ड-कोर्ट स्विंग में एंट्री लिस्टें फिर आएँगी, स्काउटिंग फ़ाइलें फिर बनेंगी, और किसी बैठक में फिर कोई हरी सेल देखकर पूछेगा, "तो जोखिम कम है?" उस दिन सवाल यह मत कीजिए कि आंकड़ा है या नहीं। सवाल यह कीजिए कि वह नापा गया है या नहीं नापा गया। जिस दिन भारतीय टेनिस की कोई फ़ाइल इन तीन कॉलमों के साथ आएगी — स्थिति, n, विंडो — उस दिन हम पहली बार यह जान पाएँगे कि हम ठीक-ठीक किस चीज़ पर भरोसा कर रहे हैं।