{"id":75636,"date":"2020-03-27T07:42:42","date_gmt":"2020-03-27T05:42:42","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki"},"modified":"2020-03-27T07:42:42","modified_gmt":"2020-03-27T05:42:42","slug":"strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki","status":"publish","type":"post","link":"https:\/\/prohoster.info\/da\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki","title":{"rendered":"Strukturering af risici og l\u00f8sninger ved brug af BigData til at opn\u00e5 officiel statistik","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Forklarende ord fra overs\u00e6tteren<\/i><\/p>\n

Materialet interesserede mig f\u00f8rst og fremmest p\u00e5 grund af tabellen nedenfor:<\/p>\n

\"Strukturering
\n
\nN\u00e5r man tager i betragtning, at statistikere (og russiske, p\u00e5 genetisk niveau) mildt sagt ikke bryder sig om alt, hvad der afviger fra en line\u00e6r afh\u00e6ngighed, har disse fyre form\u00e5et at implementere brugen af en aktiveringsfunktion i parabolisk form til at bestemme graden af risiko ved at anvende Big Data i officiel statistik. Dygtigt. Selvf\u00f8lgelig tilf\u00f8jede statistikerne deres bem\u00e6rkning til dette arbejde - \u00ab1 Enhver fejl og udeladelse er forfatternes enekompetence. De meninger, der udtrykkes i dette dokument, er personlige og afspejler ikke n\u00f8dvendigvis den officielle holdning fra Den Europ\u00e6iske Kommission\u00bb. Men arbejdet blev offentliggjort. Jeg mener, at det er nok for nu, og de (forfatterne) har ikke forbudt nogen at finde deres skalaer inden for disse aspekter.<\/p>\n

I arbejdet er det ret struktureret muligt at dele, hvor og hvordan statistiske metoder adskiller sig fra forskningsmetoder for Big Data. Efter min mening vil den st\u00f8rste fordel ved dette arbejde komme i samtalen med kunden og til at tilbagevise hans udsagn som:<\/p>\n

\u2014 Jamen, vi indsamler selv statistikken, hvad mere vil du unders\u00f8ge?
\n \u2014 Og f\u00e5 nu pr\u00e6senteret jeres resultater, s\u00e5 vi kan sammenligne dem med vores statistik. I denne henseende siger forfatterne, at det vil v\u00e6re godt at l\u00e6se arbejdet (3 Hvor stort er Big Data? Udforskning af Big Datas rolle i Officiel Statistik<\/a><\/noindex>)<\/p>\n

I dette arbejde har forfatterne angivet deres syn p\u00e5 risikoniveauet. Denne parameter er angivet i parentes, og skal ikke blandes sammen med kildehenvisninger.<\/p>\n

En anden observation. Forfatterne bruger termen BDS \u2013 det er et alternativ til begrebet Big Data. (tilsyneladende en henvisning til officiel statistik).
\n<\/a><\/noindex>
\nForfatternes forklaring<\/i><\/p>\n

Et voksende antal statistikadministrationer unders\u00f8ger muligheden for at anvende store datakilder til at forberede officiel statistik. P\u00e5 nuv\u00e6rende tidspunkt er der kun f\u00e5 eksempler p\u00e5, at disse kilder er blevet fuldt integreret i den faktiske statistiske produktion. Derfor er den fulde grad af konsekvenserne ved deres integration endnu ikke klart defineret. I mellemtiden er der taget de f\u00f8rste skridt til at analysere betingelserne og virkningen af store data p\u00e5 forskellige aspekter af statistisk produktion, s\u00e5som kvalitet eller metodologi. For nylig har en arbejdsgruppe udviklet et kvalitetsgrundlag for forberedelse af statistiske data baseret p\u00e5 store data i konteksten af et stort data-projekt under Den Europ\u00e6iske \u00d8konomiske Kommission for De Forenede Nationer (UNECE). I henhold til den europ\u00e6iske statistiske kodeks for god praksis er det en hovedopgave for statistikadministrationer at levere h\u00f8j kvalitet statistisk information. Da risiko defineres som indflydelse af usikkerhed p\u00e5 m\u00e5l (f.eks. den internationale standardiseringsorganisation ISO 31000), fandt vi det hensigtsm\u00e6ssigt at kategorisere risici i henhold til de kvalitetsdimensioner, de p\u00e5virker.
\nDen foresl\u00e5ede struktur for kvaliteten af statistiske data, der stammer fra store datakilder, giver en struktureret fremstilling af kvaliteten i forbindelse med alle faser af den statistiske forretningsproces og kan s\u00e5ledes danne grundlag for en omfattende vurdering og styring af risici relateret til disse nye datakilder. Den introducerer nye kvalitetsdimensioner, der er specifikke for eller (af h\u00f8j betydning n\u00e5r) brugen af store data til officiel statistik, s\u00e5som den institutionelle\/forretningsm\u00e6ssige kontekst eller kompleksitet. Ved at bruge disse nye kvalitetsdimensioner kan man mere systematisk identificere de risici, der er forbundet med brugen af store datakilder i officiel statistik.<\/p>\n

I dette arbejde str\u00e6ber vi efter at identificere de risici, der opst\u00e5r ved brugen af big data i konteksten af officiel statistik. Vi f\u00f8lger en systematisk tilgang til at definere risici inden for den foresl\u00e5ede kvalitetsramme. Ved at fokusere p\u00e5 de nyligt foresl\u00e5ede m\u00e5linger af kvalitet kan vi beskrive risici, der i \u00f8jeblikket er frav\u00e6rende eller ikke p\u00e5virker produktionen af officiel statistik. Samtidig kan vi identificere nuv\u00e6rende risici, der vil blive vurderet helt anderledes ved brugen af big data til at generere statistik. Derefter g\u00e5r vi videre i risikostyringscyklussen og giver en vurdering af sandsynligheden for og virkningen af disse risici. Da risikovurdering indeb\u00e6rer subjektivitet i deres attribution af sandsynlighed og indflydelse p\u00e5 forskellige risici, m\u00e5ler vi enigheden blandt dusinvis af forskellige interessenter, der leveres uafh\u00e6ngigt. Derefter foresl\u00e5r vi muligheder for at reducere disse risici i overensstemmelse med fire prim\u00e6re kategorier: undg\u00e5else, reduktion, deling og fastholdelse. If\u00f8lge ISO b\u00f8r et af principperne for risikostyring v\u00e6re v\u00e6rdiskabelse, dvs. ressourcer til at reducere risici skal v\u00e6re lavere end ved at lade v\u00e6re. I overensstemmelse med dette princip vil vi endelig foretage en vurdering af den mulige indflydelse af nogle risikoreduktionsforanstaltninger p\u00e5 kvaliteten af de endelige resultater for at komme til en mere omfattende vurdering af brugen af Big Data til officiel statistik.<\/p>\n

1. Introduktion<\/h2>\n

<\/p>\n

1.1. Baggrund<\/h4>\n

\nUdviklingen af \"big data\" blev karakteriseret af Kenneth Neil Cukier og Viktor Mayer-Sch\u00f6nberger i deres artikel \"V\u00e6ksten af big data\" (2. www.foreignaffairs.com\/articles\/139104\/kenneth-neil-cukier-and-viktor-mayer-schoenberger\/therise-of-big-data<\/a><\/noindex>) termen \"datafication\". Datafication beskrives som en proces med at \"tage alle aspekter af livet og omdanne dem til data\". For eksempel. Facebook tilbyder personlige netv\u00e6rk, sensorer til alle slags milj\u00f8forhold, smartphones til personlig kommunikation og bev\u00e6gelse, b\u00e6rbare data til personlige forhold. Dette f\u00f8rer til n\u00e6sten universel indsamling og tilg\u00e6ngelighed af data.<\/p>\n

Som i mange andre sektorer er officiel statistik f\u00f8rst for nylig begyndt at diskutere problematikken omkring big data p\u00e5 et strategisk niveau. Der findes endnu ikke en f\u00e6lles og bredt accepteret forst\u00e5else af vejen fremad, hvad enten det drejer sig om udfordringer eller muligheder, uanset om de er sm\u00e5 eller store, osv. Inden for den H\u00f8jniveaugruppe, der arbejder med modernisering af statistisk produktion og tjenester (3 How big is Big Data? Exploring the role of Big Data in Official Statistics: www1.unece.org\/stat\/platform\/download\/attachments\/99484307\/VirtualSprintBigDatapaper.docx?version=1&modificationDate=1395217470975&api=v2<\/a><\/noindex>), en F\u00f8rste SWOT-analyse, ledsaget af en grov risikovalgeringsanalyse\/fordelsanalyse, er blevet gennemf\u00f8rt. Det blev bem\u00e6rket, at \"en grundl\u00e6ggende risikoanalyse ogs\u00e5 vil omfatte aspekter som sandsynlighed og indflydelse, og m\u00e5ske ogs\u00e5 vil blive udvidet til at definere strategier til at reducere og h\u00e5ndtere risici.\"<\/p>\n

Selvom dette dokument stadig er langt fra en fuldst\u00e6ndig risikoanalyse, sigter det imod at forbedre situationen ved at skabe det f\u00f8rste strukturerede overblik. Vi vil gerne understrege, at dette overblik b\u00f8r betragtes som et udgangspunkt for at stimulere en generel diskussion inden for det Officielle statistiske samfund (OSC).<\/p>\n

1.2. Omr\u00e5de<\/h4>\n

\nDenne artikel er udelukkende dedikeret til risici, idet den udelader s\u00e5vel fordele som styrker og svagheder, muligheder og trusler. Dette betyder, at \"risiciene ved inaktivitet\" (for eksempel risikoen for, at OSC kan blive ikke-konkurrencedygtig i forhold til andre akt\u00f8rer, hvis ikke den moderniseres) ikke indg\u00e5r i afsnittet; det er snarere trusler. I stedet fors\u00f8ger vi at fremh\u00e6ve risici, der kan opst\u00e5 (a) hvis OSC udnytter de muligheder, som big data tilbyder, og begynder at udvikle eller forbedre et specifikt \"officielt statistisk produkt baseret p\u00e5 big data\" (BOSP); (b) risici for den nye \"almindelige forretning\", det vil sige risici for officiel statistik, der er baseret p\u00e5 \"big data\" produktion. (Da al produktion af officiel statistik indeb\u00e6rer risici, begr\u00e6nser vi os til (b) risici, der er specifikke for \"big data risici\", dvs. risici, der ikke eksisterer eller er ubetydelige i en \"traditionel\" proces for indsamling af officiel statistik.)<\/p>\n

1.3. Struktur<\/h4>\n

\nI afsnit 2 pr\u00e6senterer vi de grundl\u00e6ggende principper relateret til denne opgave, begyndende med den \u00e5benlyse n\u00f8dvendighed af risikostyring og risikoh\u00e5ndtering (afsnit 2.1). Vi pr\u00e6senterer ogs\u00e5 en forel\u00f8big struktur for kvaliteten af statistiske data opn\u00e5et p\u00e5 baggrund af big data (afsnit 2.2), da sammenk\u00e6dning af kvalitetsstrukturen med risici opfylder to form\u00e5l:<\/p>\n