Vorwort des Übersetzers
Das Material hat mich vor allem wegen der untenstehenden Tabelle interessiert:
Angesichts der Tatsache, dass Statistiker (und russische, genetisch gesehen) alles, was von der linearen Beziehung abweicht, gelinde gesagt, nicht mögen, ist es diesen Leuten gelungen, die Verwendung einer Aktivierungsfunktion in parabolischer Form zur Bestimmung des Risikogrades bei der Nutzung von Big Data in der offiziellen Statistik durchzusetzen. Gut gemacht. Natürlich haben die Statistiker ihren Kommentar zu dieser Arbeit hinzugefügt – „1 Alle Fehler und Auslassungen liegen in der ausschließlichen Verantwortung der Autoren. Die in diesem Dokument geäußerten Meinungen sind persönlich und spiegeln nicht unbedingt die offizielle Position der Europäischen Kommission wider.“ Aber die Arbeit wurde veröffentlicht. Ich denke, das reicht für heute aus, und sie (die Autoren) haben niemandem verboten, ihre Maßstäbe in diesen Aspekten zu finden.
In der Arbeit lässt sich gut strukturieren, wo und wie sich statistische Methoden von den Forschungmethoden für Big Data unterscheiden. Meiner Meinung nach wird der größte Nutzen aus dieser Arbeit bei Gesprächen mit Kunden und zur Widerlegung von Äußerungen wie folgt gezogen:
— Wir sammeln selbst Statistiken, was wollen Sie hier noch untersuchen?
— Und Sie präsentieren uns Ihre Ergebnisse so, dass wir sie mit unserer Statistik abstimmen können. In dieser Frage empfehlen die Autoren, diese Arbeit zu lesen (3 )
In dieser Arbeit haben die Autoren ihre Sicht auf das Risikoniveau dargelegt. Dieser Parameter steht in Klammern, nicht zu verwechseln mit einer Quellenangabe.
Zweite Beobachtung. Die Autoren verwenden den Begriff BDS – dies ist das Äquivalent des Begriffs Big Data. (vermutlich eine Reverenz an die offizielle Statistik).
Vorwort der Autoren
Immer mehr statistische Ämter prüfen die Möglichkeit, große Datenquellen für die Erstellung offizieller Statistiken zu nutzen. Derzeit gibt es nur wenige Beispiele, bei denen diese Quellen vollständig in die tatsächliche statistische Produktion integriert wurden. Daher ist der vollständige Umfang der Folgen, die durch ihre Integration entstehen, noch nicht bekannt. In der Zwischenzeit wurden erste Versuche unternommen, die Bedingungen und den Einfluss großer Daten auf verschiedene Aspekte der statistischen Produktion, wie Qualität oder Methodologie, zu analysieren. Kürzlich entwickelte eine Arbeitsgruppe eine qualitative Grundlage für die Erstellung statistischer Daten auf der Grundlage großer Daten im Kontext des Projekts großer Daten der Wirtschaftskommission für Europa der Vereinten Nationen (ECE-UN). Laut dem Europäischen statistischen Kodex der Praxis ist die Bereitstellung hochwertiger statistischer Informationen eine Hauptaufgabe der statistischen Ämter. Da Risiko definiert wird als der Einfluss von Unsicherheit auf Ziele (z.B. aus der internationalen Norm ISO 31000), hielten wir es für sinnvoll, Risiken entsprechend den Qualitätsdimensionen zu kategorisieren, auf die sie Einfluss haben.
Die vorgeschlagene Struktur zur Qualität statistischer Daten, die aus großen Datenquellen gewonnen werden, bietet eine strukturierte Darstellung der Qualität, die mit allen Phasen des statistischen Geschäftsprozesses verbunden ist, und kann somit als Grundlage für eine umfassende Bewertung und das Risikomanagement im Zusammenhang mit diesen neuen Datenquellen dienen. Sie führt neue qualitative Maße ein, die spezifisch für oder von hoher Bedeutung sind, wenn große Daten für offizielle Statistiken verwendet werden, wie institutionelle/betriebliche Umgebung oder Komplexität. Mit diesen neuen qualitativen Maßen können die Risiken, die mit der Nutzung großer Datenquellen in der offiziellen Statistik verbunden sind, systematischer identifiziert werden.
In dieser Arbeit streben wir an, die Risiken, die durch die Nutzung von Big Data im Kontext offizieller Statistiken entstehen, zu identifizieren. Wir verfolgen einen systematischen Ansatz zur Bestimmung von Risiken im Rahmen des vorgeschlagenen Qualitätsrahmens. Indem wir uns auf die neu vorgeschlagenen Qualitätsmaße konzentrieren, können wir Risiken beschreiben, die derzeit fehlen oder keinen Einfluss auf die Erstellung offizieller Statistiken haben. Gleichzeitig können wir aktuelle Risiken identifizieren, die bei der Verwendung von Big Data zur Erstellung von Statistiken ganz anders bewertet werden. Anschließend gehen wir weiter im Risikomanagementzyklus und bieten eine Einschätzung der Wahrscheinlichkeit und der Auswirkungen dieser Risiken an. Da die Risikobewertung Subjektivität in der Zuschreibung der Wahrscheinlichkeit und Auswirkungen auf verschiedene Risiken beinhaltet, messen wir die Übereinstimmung zwischen Dutzenden von verschiedenen, unabhängig bereitgestellten Interessengruppen. Danach bieten wir Optionen zur Minderung dieser Risiken gemäß vier Hauptkategorien an: Vermeidung, Reduzierung, Teilen und Behalten. Laut ISO sollte eines der Prinzipien des Risikomanagements die Wertschöpfung sein, d.h. die Ressourcen zur Risikominderung sollten geringer sein als die für Untätigkeit. In Übereinstimmung mit diesem Prinzip werden wir schließlich die mögliche Auswirkung einiger Risikominderungsmaßnahmen auf die Qualität der Endergebnisse bewerten, um zu einer umfassenderen Bewertung der Nutzung von Big Data für offizielle Statistiken zu gelangen.
1. Einführung
1.1. Hintergrund
Die Entwicklung von "Big Data" wurde von Kenneth Neil Cukier und Viktor Mayer-Schönberger in ihrem Artikel "The Rise of Big Data" beschrieben. ) als "Datenübertragung" bezeichnet. Datafication wird als der Prozess beschrieben, "alle Aspekte des Lebens zu erfassen und sie in Daten umzuwandeln". Zum Beispiel bietet Facebook persönliche Netzwerke, Sensoren für alle Arten von Umweltbedingungen, Smartphones für persönliche Kommunikation und Bewegungen sowie tragbare Daten für persönliche Bedingungen. Dies führt zu nahezu universellem Sammeln und Zugänglichmachen von Daten.
Wie in vielen anderen Sektoren hat die offizielle Statistik erst kürzlich begonnen, das Thema Big Data auf strategischer Ebene zu diskutieren. Es gibt noch kein gemeinsames und weit verbreitetes Verständnis darüber, wie man vorankommt, ob es sich um eine Herausforderung oder eine Chance handelt, ob sie klein oder groß ist usw. Im Rahmen der Hochrangigen Gruppe zur Modernisierung der statistischen Produktion und Dienstleistungen (3 How big is Big Data? Exploring the role of Big Data in Official Statistics: ), wurde eine erste SWOT-Analyse, ergänzt durch eine grobe Risiko-/Nutzenanalyse, durchgeführt. Es wurde festgestellt, dass „eine umfassende Risikoanalyse auch Aspekte wie Wahrscheinlichkeit und Einfluss umfassen sollte und möglicherweise auch erweitert wird, um Strategien zur Risikominderung und -bewältigung zu definieren“.
Obwohl dieses Dokument noch weit entfernt von einer vollständigen Risikoanalyse ist, zielt es darauf ab, die Situation zu verbessern, indem es einen ersten strukturierten Überblick schafft. Wir möchten betonen, dass dieser Überblick als Ausgangspunkt für die Anregung einer allgemeinen Diskussion innerhalb der offiziellen Statistikgemeinschaft (OSC) betrachtet werden sollte.
1.2. Bereich
Dieser Artikel befasst sich ausschließlich mit Risiken und schließt nicht nur Vorteile, sondern auch Stärken und Schwächen, Chancen und Bedrohungen aus. Das bedeutet, dass „Risiken des Nicht-Handelns“ (z. B. das Risiko, dass die OSC im Wettbewerb mit anderen Akteuren ins Hintertreffen gerät, wenn sie nicht modernisiert wird) nicht in den Anwendungsbereich fallen; dies sind eher Bedrohungen. Stattdessen versuchen wir, Risiken hervorzuheben, die entstehen können (a) wenn die OSC die durch Big Data gebotenen Möglichkeiten nutzt und beginnt, ein spezifisches „Produkt offizieller Statistik auf Basis von Big Data“ (BOSP) zu entwickeln oder zu verbessern; (b) Risiken für das neue „gewöhnliche Geschäft“, d. h. Risiken für die offizielle Statistik, die auf der Produktion von „Big Data“ basiert. (Da alle Produktionen offizieller Statistik mit Risiken verbunden sind, beschränken wir uns auf (b) spezifisch auf „Big Data-Risiken“, d. h. Risiken, die für den „traditionellen“ Prozess der Erhebung offizieller Statistik nicht existieren oder geringfügig sind.)
1.3. Struktur
In Abschnitt 2 stellen wir die grundlegenden Prinzipien vor, die mit dieser Aufgabe verbunden sind, beginnend mit der offensichtlich notwendigen Grundlage für Risikomanagement und Risikobewertung (Abschnitt 2.1). Wir präsentieren auch einen vorläufigen Qualitätsrahmen für die aus Big Data gewonnenen Statistiken (Abschnitt 2.2), da die Verknüpfung der Qualitätsstruktur mit Risiken zwei Ziele erfüllt:
- Es schafft den Kontext zur Risikobestimmung. Bestimmte Qualitätsindikatoren zusammen mit den betrachteten Merkmalen drücken die Werte des Objekts aus, die als wichtig und entscheidend für die Bereitstellung von Dienstleistungen an Kunden und Nutzer angesehen werden.
- Dies ermöglicht es, spezifische Risiken qualitativen Messgrößen zuzuordnen, die in allgemeinen Hyperräumen eingebettet sind und an bestimmten Phasen im Produktionsprozess statistischer Produkte gebunden sind.
In den Abschnitten 3, 4, 5 und 6 stellen wir die bisher in verschiedenen Kontexten identifizierten Risiken dar (4 Die Business-Case-Dokumente des ESS (https://www.europeansocialsurvey.org/about/structure_and_governance.html) Big Data-Projekts sowie in den ESS Big Data-Netzwerken enthalten eine Liste von Risiken, die teilweise mit dem Projekt und teilweise mit der Nutzung von Big Data-Quellen zu statistischen Zwecken in Verbindung stehen. Das Dokument „Ein vorgeschlagenes Rahmenwerk für die Qualität von Big Data“ erwähnt einige Risiken, die mit Qualitätsdimensionen verbunden sind./ Die Business-Case-Dokumente des ESS Big Data-Projekts sowie in den ESS Big Data-Netzwerken enthalten eine Liste von Risiken, die teilweise mit dem Projekt und teilweise mit der Nutzung von Big Data-Quellen zu statistischen Zwecken in Verbindung stehen. Im Dokument „Vorgeschlagene Struktur für die Qualität von Big Data“ werden einige Risiken erwähnt, die mit den Qualitätsindikatoren verbunden sind.). Hier verwenden wir eine Klassifizierung des Zugangs zu Daten, des rechtlichen Rahmens, der Privatsphäre und der Datensicherheit sowie der Fähigkeiten; eine Reorganisation gemäß der Qualitätsstruktur der aus Big Data gewonnenen Statistiken (Abschnitt 2.2) sollte sofort in Betracht gezogen werden, sobald dieser Rahmen einen vollständigen Status erreicht. Für jedes identifizierte Risiko geben wir (i) eine Bewertung der Wahrscheinlichkeit sowie der Auswirkungen (gemäß Abschnitt 2.1.3) und (ii) schlagen Strategien zur Risikominderung und -verwaltung vor (siehe Abschnitt 2.1.4).
Am Ende werden wir unsere Schlussfolgerungen diskutieren und einige nächste Schritte in Abschnitt 7 skizzieren.
2. Grundlagen
2.1. Risiken und Risikomanagement
Laut ISO 31000: 20095 wird Risiko definiert als „den Einfluss von Unsicherheit auf die gesetzten Ziele“. Das bedeutet, dass die Ziele definiert oder bekannt sein müssen, bevor Risiken bestimmt werden können. Diese Ziele werden in der Regel unter Berücksichtigung des institutionellen Kontexts der jeweiligen Organisation festgelegt. Ein weiteres wichtiges Anliegen ist, dass Risiken das Merkmal der Unsicherheit tragen, d. h. es ist unklar, ob das beschriebene Ereignis eintreten wird. Daher werden Risiken hinsichtlich der Wahrscheinlichkeit des Eintritts eines Ereignisses und dessen Folgen gemessen, d. h. den Einfluss, den dieses Ereignis auf die Erreichung der gesetzten Ziele hat. Die Risikoabschätzung sollte objektivere Informationen liefern, die letztendlich dazu beitragen, ein angemessenes Gleichgewicht zwischen der Verwirklichung von Gewinnchancen und der Minimierung nachteiliger Folgen zu finden. Risikomanagement ist ein integraler Bestandteil des Managements und ein wichtiger Faktor für eine ordnungsgemäße Unternehmensführung (6 Statistics Canada: 2014-2015 report on Plans and Priorities, ). Es handelt sich um einen iterativen Prozess, der idealerweise die kontinuierliche Verbesserung des Entscheidungsprozesses ermöglicht und zur ständigen Verbesserung der Leistung beiträgt.
Risiken sind auch mit Qualität verbunden. Die Anwendung eines Qualitätssystems sollte es ermöglichen, die Chancen zu nutzen, die verschiedene Quellen und Methoden bieten, um Ergebnisse eines bestimmten Qualitätsniveaus zu erzielen, so dass dieses Ergebnis die Bedürfnisse der Nutzer erfüllt. Wie auch Risiken können Qualitätsniveaus aus dem institutionellen Umfeld und den Zielen bestimmter Einrichtungen abgeleitet werden. In diesem Kontext definiert das institutionelle Umfeld das allgemeine Risikoniveau, das eine Organisation bereit ist, einzugehen, um ihre Ziele zu erreichen.
Der Prozess der Risikoabschätzung und -verwaltung kann in verschiedene Phasen unterteilt werden, die die Festlegung des Kontextes, die Risikobestimmung, die Risikoanalyse hinsichtlich Wahrscheinlichkeit und Auswirkungen, die Risikoabschätzung und schließlich die Risikobehandlung umfassen.
2.1.1. Institutioneller Kontext
Als erster Schritt müssen der strategische, organisatorische Kontext und der Kontext des Risikomanagements festgelegt werden, in dem der restliche Prozess stattfinden wird. Dies umfasst die Festlegung der Kriterien, anhand derer Risiken bewertet werden, sowie die Bestimmung der Analysetrie.
2.1.2. Risikobe identification
Im zweiten Schritt müssen Ereignisse identifiziert werden, die die Erreichung der gesetzten Ziele beeinflussen können. Die Identifizierung muss Fragen zu den Risikotypen, dem Zeitrahmen der Ereignisse, dem Ort oder der Art und Weise, wie Ereignisse die Zielerreichung verhindern, verschlechtern, verzögern oder verbessern können, beinhalten.
2.1.3. Risikobewertung
Der nächste Schritt besteht darin, die bestehenden Kontrollmittel zu bestimmen und Risiken sowohl in Bezug auf die Wahrscheinlichkeit als auch auf die potenziellen Konsequenzen zu analysieren. Im Kontext dieses Artikels wird die Wahrscheinlichkeit oder Eintrittswahrscheinlichkeit von Risiken auf einer Skala von 1 (unwahrscheinlich) bis 5 (häufig) verwendet. Die Auswirkungen des Eintretens von Ereignissen werden auf einer Skala von 1 (geringfügig) bis 5 (extrem) gemessen. Wie in Tabelle 1 gezeigt, ergibt das Produkt aus Wahrscheinlichkeit und Auswirkungen den "Risikograd" im Bereich von 1 bis 25.
Die bewerteten Risikostufen können mit zuvor festgelegten Kriterien verglichen werden, um ein Gleichgewicht zwischen potenziellen Vorteilen und nachteiligen Ergebnissen herzustellen. Dies ermöglicht fundierte Urteile über Prioritäten im Management.
Die Priorität für Maßnahmen sollte auf kritische Risiken gelegt werden (siehe Tabelle 2), also jene, die eintreten können und schwerwiegende oder extreme Konsequenzen für die Ziele der Organisation haben.
2.1.4. Reaktion auf Risiken
Der letzte Schritt besteht aus Entscheidungen darüber, wie auf Risiken zu reagieren ist. Einige Risiken, die unterhalb eines vorher festgelegten Risikos liegen, können ignoriert oder hingenommen werden. Für andere können die Kosten der Risikominderung so hoch sein, dass sie die potenziellen Vorteile übersteigen. In diesem Fall kann die Organisation entscheiden, auf die entsprechende Tätigkeit zu verzichten. Risiken können auch an Dritte weitergegeben werden, wie zum Beispiel durch Versicherungen, die die entstandenen Kosten ausgleichen. Die letzte Option besteht darin, Risiken bei der Festlegung von Strategien und Maßnahmen zu berücksichtigen, die Kosten mit potenziellen Vorteilen ausbalancieren. Auf diese Weise entscheidet die Organisation über die Implementierung von Strategien zur Maximierung der Vorteile und Minimierung der potenziellen Kosten.
2.2. Qualitätssysteme
Eine Zielgruppe, bestehend aus Vertretern nationaler und internationaler statistischer Organisationen, entwickelte 2014 ein vorläufiges Qualitätsschema für Statistiken, die aus großen Datenquellen gewonnen werden. Die Zielgruppe arbeitete im Rahmen des UNECE/HLG-Projekts „Die Rolle großer Daten bei der Modernisierung der statistischen Produktion“. Sie erweiterte bestehende Qualitätssysteme, die zur Bewertung von Statistiken aus administrativen Datenquellen entwickelt wurden, um Qualitätsindikatoren, die für große Datenquellen als relevant erachtet werden.
Im Rahmen dieses Systems wird zwischen drei Phasen des Geschäftsprozesses unterschieden: Eingabe, Verarbeitung und Ausgabe. Die Eingabephase entspricht den Phasen „Entwurf“ und „Erfassung“ der GSBP, die Verarbeitung den Phasen „Prozess“ und „Analyse“, während die Ausgabe der Phase „Verbreitung“ entspricht.
In der Struktur wird eine hierarchische Struktur verwendet, die auf der von der Statistikbehörde der Niederlande entwickelten Struktur der administrativen Daten basiert (7 Daas, P., S. Ossen, R. Vis-Visschers und J. Arends-Toth, (2009), Checklist for the Quality evaluation of Administrative Data Sources. Statistics Netherlands, Den Haag/Heerlen). Die Qualitätsdimensionen sind in eine hierarchische Struktur integriert, die als Hyperräume bezeichnet wird. Die drei definierten Hyperräume sind „Quelle“, „Metadaten“ und „Daten“. Qualitätsdimensionen werden diesen Hyperräumen zugeordnet und jedem Produktionsschritt zugewiesen. Für die Eingabefase wurden zusätzliche Aspekte „Datenschutz und Vertraulichkeit“, „Komplexität“ (gemäß der Datenstruktur), „Vollständigkeit“ der Metadaten und „Kohärenz“ (die Möglichkeit, Daten mit anderen Daten zu verknüpfen) vorgeschlagen, um das Standardqualitätsmodell zu ergänzen. Für jeden Qualitätsindikator werden relevante Faktoren vorgeschlagen, die sich auf deren Beschreibung beziehen, sowie mögliche Messgrößen.
Im Kontext dieses Artikels können Risiken aus diesen Faktoren ausgeschlossen werden. Beispielsweise sind Faktoren, die zur Messung der Qualität der „institutionellen / geschäftlichen Umgebung“ berücksichtigt werden müssen, die Stabilität des Datenanbieters. Ein damit verbundenes Risiko könnte sein, dass die Daten in Zukunft beim Datenanbieter nicht verfügbar sind. Ein weiteres Beispiel bezieht sich auf den kürzlich vorgeschlagenen Aspekt der Qualität, Datenschutz und Sicherheit. Ein wichtiger Faktor ist „Wahrnehmung“, was eine mögliche negative Wahrnehmung des beabsichtigten Einsatzes bestimmter Datenquellen durch verschiedene Interessengruppen bedeutet.
3. Risiken im Zusammenhang mit dem Datenzugang
3.1. Fehlender Zugang zu Daten
3.1.1. Beschreibung
Dieses Risiko besteht darin, dass das Projekt, das mit der Entwicklung von BOSP verbunden ist, keinen Zugang zur benötigten Quelle großer Daten (BDS) erhält.
Bis jetzt hat OSC den schwierigen Weg gelernt, dass selbst der Start aus den Startblöcken und der Erhalt dieses Zugangs manchmal unüberwindbare Hindernisse darstellen. Manchmal ist der Zugang zu einer bestimmten Quelle – wie beispielsweise Datensätzen von Anrufprotokollen (CDR) – relativ leicht zu erhalten, beispielsweise für Test- / Forschungszwecke, aber es ist viel schwieriger (aus rechtlichen oder kommerziellen Gründen), Zugang für Produktionszwecke zu erhalten.
3.1.2. Wahrscheinlichkeit
Die Wahrscheinlichkeit hängt in erheblichem Maße von den Eigenschaften des BDS ab. Bei umfangreichen administrativen Daten kann sie nur 1 betragen, insbesondere wenn (wie im Fall von Verkehrsschleifendaten, die von Daas et al. untersucht wurden: Daas, P., M. Puts, B. Buelens und P. van den Hurk. 2015. „Big Data als Quelle für offizielle Statistiken“. Journal of Official Statistics 31 (2). (Erscheinen; Veröffentlichung wird für Juni 2015 erwartet.)) keine Datenschutzprobleme bestehen. Wenn es sich bei dem BDS um personenbezogene Daten handelt, insbesondere wenn diese sensibel (z.B. hinsichtlich des Datenschutzes) oder wertvoll (aus kommerzieller Sicht) sind, kann die Wahrscheinlichkeit sehr hoch sein (5).
3.1.3. Einfluss
Der Einfluss hängt vom BOSP und der Nutzung des BDS ab. Wenn das BDS im Zentrum steht, kann der Einfluss sehr hoch sein (4 = BOSP ist überhaupt nicht realisierbar), während er geringer sein kann, wenn die Produktion des BOSP weiterhin möglich ist (wenn auch mit einer niedrigeren Qualität), indem man sich auf andere URB stützt, was zu einem Einfluss in einem Bereich von 2-3 führt.
3.1.4. Prävention
Um das Risiko des Zugangsverlusts zu verringern, sollten vorläufige Kontakte mit dem Datendienstleister hergestellt und eine langfristige Vereinbarung über den Datenzugang getroffen werden. Darüber hinaus sollte eine umfassende rechtliche Analyse in Bezug auf die spezifische Kombination von BDS und BOSP durchgeführt werden. Zudem sollten die Möglichkeiten des Datenzugangs gemäß geltendem oder zukünftigen Recht bewertet werden.
3.1.5. Minderung
Wenn alternative BDS verfügbar sind, die für BOSP verwendet werden können, sollten diese stattdessen untersucht werden. Falls es keinen Weg gibt, BOSP ohne BDS zu produzieren, und es nicht möglich ist, den Zugangsausfall zu überwinden, sollten die Bemühungen eingestellt werden und ein neues BOSP wird nicht das Licht der Welt erblicken.
3.2. Verlust des Datenzugangs
3.2.1. Beschreibung
Dieses Risiko besteht darin, dass die statistische Verwaltung das BDS verliert, das dem BOSP zugrunde liegt.
3.2.2. Wahrscheinlichkeit
Wenn BOSP bereits hergestellt wird, gibt es in der Regel eine bestimmte Stabilität, und in einigen Fällen kann das Risiko sehr gering sein (1). Insbesondere im Fall von privaten Akteuren, bei denen unzureichend feste Vereinbarungen getroffen wurden, steht jedoch nichts im Wege, dass z. B. eine neue Geschäftsleitung die Datenbereitstellungspolitik ändert, was zu einem moderaten Risiko eines Ausfalls führen kann (3). Darüber hinaus besteht immer das Risiko, dass der Anbieter einfach pleitegeht, wenn BDS mit instabilen Aktivitäten verbunden ist, und das Risiko kann sogar höher sein (4).
3.2.3. Auswirkungen
Da die bestehende BOSP möglicherweise nicht herstellbar ist, gibt es häufig sehr starke Auswirkungen (5). In anderen Fällen, in denen BDS eine unterstützende Rolle spielt, kann die Auswirkung eher ein Qualitätsverlust sein, wobei die Auswirkungen im Bereich von 2-3 liegen.
3.2.4. Prävention
Die Präventionsstrategie ähnelt der Strategie des fehlenden Zugangs zu Daten, legt jedoch einen stärkeren Fokus auf kontinuierliche Wachsamkeit auch unter Produktionsbedingungen.
Alle Eier in einen Korb zu legen (d. h. mehrere BDS zu haben, die jedem BSOP zugrunde liegen) kann ebenfalls eine Strategie sein, kann jedoch entweder unpraktisch oder zu kostspielig sein.
3.2.5. Minderung
Wenn BDS das Ergebnis instabiler Aktivitäten ist, könnte allmählich ein neues BDS verfügbar werden, das dasselbe soziale Phänomen widerspiegelt. Es wäre jedoch zu spät, um mit dem "Markt-Scan" zu beginnen, sobald BSOP ausfällt; es bedarf kontinuierlicher Wachsamkeit – und das könnte schwer zu erreichen sein.
4. Risiko im Zusammenhang mit dem rechtlichen Umfeld
4.1. Nichteinhaltung der geltenden Gesetzgebung
4.1.1. Beschreibung
Dieses Risiko besteht darin, dass das Projekt, das mit der Entwicklung von BOSP verbunden ist, die geltenden Gesetze nicht berücksichtigt, wodurch BOSP nicht den angegebenen gesetzlichen Bestimmungen entspricht. Dies kann das Datenschutzgesetz, Vorschriften zur Reaktionslast usw. betreffen.
4.1.2. Wahrscheinlichkeit
Angesichts des Unwissens der OSC über große Datenmengen ist es nicht ausgeschlossen, dass unabsichtliche (3) Nichteinhaltung auftreten kann. Die Wahrscheinlichkeit steht in der Regel im Zusammenhang mit BDS, da je weniger "sensibel" die Quelle ist, desto geringer die Wahrscheinlichkeit eines Verstoßes.
4.1.3. Auswirkungen
Die Auswirkungen sind in der Regel kritisch (4), was bedeutet, dass für eine nicht konforme Produktion eine Einstellung des BOSP erforderlich ist (oder, wenn es noch nicht in die Umsetzungsphase eingetreten ist, die Entwicklung eingestellt werden muss). Dies kann sogar extrem (5) sein, da die reputationsschädigenden Risiken, die durch nicht konforme ('illegale') offizielle Statistiken entstehen, Konsequenzen haben können.
4.1.4. Prävention
Für jeden BOSP ist eine gründliche juristische Analyse erforderlich – und dies geschieht in mehreren Phasen (was in der Entwicklungs-/Erkundungsphase akzeptabel ist, kann in der Implementierungs-/Produktionsphase nicht der Fall sein). Dies kann wiederum zu einem Reengineering des BOSP führen, um ihn kompatibel zu machen.
4.1.5. Minderung
Abhängig von der Schwere der Nichtkonformität kann der erste Schritt darin bestehen, den BOSP in den Offlinemodus zu versetzen.
Das Reengineering des BOSP, um ihn kompatibel zu machen, könnte eine Option sein, aber ob der BOSP auf diese Weise 'gerettet' wird, hängt stark von der Art der Nichtkonformität ab.
4.2. Ungünstige Veränderungen im rechtlichen Umfeld
4.2.1. Beschreibung
Es kann neue gesetzliche Regelungen geben, die sich auf den entwickelten BOSP beziehen und ihn faktisch inkompatibel machen.
4.2.2. Wahrscheinlichkeit
Es ist nicht auszuschließen, dass Befürworter eines verstärkten Datenschutzes neue Anforderungen einführen, die direkt oder indirekt die Möglichkeit zur Schaffung bestimmter BOSP beeinflussen. Eine Wahrscheinlichkeit im Bereich von 2-3 scheint eine realistische Einschätzung zu sein.
4.2.3. Auswirkungen
Die Auswirkungen sind in der Regel kritisch (4), was bedeutet, dass eine nicht konforme Produktion eine Einstellung des BOSP erfordert.
4.2.4. Prävention
Bestimmte Geschäftsinformationen sollten regelmäßig überwacht werden, um die Entwicklung der Gesetzgebung zu verfolgen – möglicherweise auch, um Einfluss zu nehmen, indem man auf entsprechenden (z.B. beratenden) Foren für offizielle Statistiken plädiert.
4.2.5. Minderung
Vorausgesetzt, dass ein präventives Monitoring durchgeführt wurde, kann Zeit für ein Reengineering des BOSP zur Verfügung stehen, um ihn ab dem ersten Tag der Inkraftsetzung mit den neuen gesetzlichen Regelungen in Einklang zu bringen.
Wenn die Überwachung hingegen nicht durchgeführt wurde und die neue Gesetzgebung daher eine "Überraschung" war – oder wenn die Gesetzgebung so radikal ist, dass es keine Möglichkeit gibt, BOSP inkompatibel zu machen – könnte die einzige Option darin bestehen, BOSP abzuschalten.
5. Risiken im Zusammenhang mit Datenschutz und Datensicherheit
5.1. Sicherheitsverletzungen von Daten
5.1.1. Beschreibung
Dieses Risiko bezieht sich auf den unbefugten Zugriff auf Daten, die in statistischen Verwaltungen gespeichert sind. Dritte könnten Daten, die unter Embargo stehen, erhalten, zum Beispiel aufgrund der Veröffentlichung von Zeitplänen (9 Für jedes BOSP, das vollständig auf einem einzigen BDS basiert, ist es unvermeidlich, dass die Daten dem ursprünglichen Dateninhaber implizit bekannt sind, und wenn die Methodik transparent ist, werden auch abgeleitete Statistiken bekannt sein. Diese Situation wird hier nicht behandelt, sondern im Risiko der Missbrauchs durch die Eigentümer.) (10 Außerdem könnten diese Daten ein Risiko für die Verletzung der Privatsphäre darstellen. Dieses Risiko wird separat betrachtet.) Dazu könnten beispielsweise Daten gehören, die Investoren an den Finanzmärkten erwarten.
5.1.2. Wahrscheinlichkeit
Was die technischen Aspekte des Schutzes der IT-Umgebung in der statistischen Abteilung angeht, so ist das Risiko für BDSs ebenso hoch wie für traditionelle Quellen. Es gibt jedoch zwei zusätzliche Aspekte, die berücksichtigt werden müssen.
Erstens erhöht sich das allgemeine Risiko bei einigen BDS leicht, da die Datensicherheit beim ursprünglichen Eigentümer gefährdet sein kann. Dies kann beispielsweise durch Industriespionage oder Hacking passieren.
Zweitens, sobald potenziell wertvolle Daten im Büro gespeichert werden, steigt das Risiko, dass böswillige Absichten angezogen werden. Wenn die gespeicherten Daten für das Unternehmen von sehr hohem Wert sind, sollte man sich auf eine sehr hohe Wahrscheinlichkeit von Angriffen auf die IT-Infrastruktur vorbereiten, weshalb die Wahrscheinlichkeit eines Hacks potenziell höher sein könnte (4).
Wenn die gespeicherten Daten nicht als wertvoll angesehen werden, scheint die allgemeine Wahrscheinlichkeit nicht sehr hoch zu sein – von (1) bis (3) je nach Datenquelle.
5.1.3. Einfluss
Der potenzielle Rufschaden kann erheblich sein (5). Im Falle von BDS ist es jedoch wichtig, dass, wenn eine Sicherheitsverletzung beim ursprünglichen Eigentümer auftritt, die Auswirkungen auf den Ruf des statistischen Verwaltungsorgans voraussichtlich geringer sind, als wenn die Verletzung bei den Daten auftritt, die es speichert.
Andererseits kann eine Verletzung im statistischen Management negative Folgen für den ursprünglichen Eigentümer haben. In diesem Fall kann erneut ein stark negativer Einfluss durch den Vertrauensverlust zwischen dem Anbieter und dem statistischen Management entstehen (5).
5.1.4. Prävention
Charakteristisch für den Fall BDS ist, dass die Sicherheitsverfahren des ursprünglichen Eigentümers relevant sein können. Es ist unwahrscheinlich, dass statistische Verwaltungen Prüfungsbefugnisse erhalten, um dies zu kontrollieren. Eigentümer, deren Daten zur Erstellung von Aufzeichnungen mit vertraulichen Veröffentlichungsterminen verwendet werden, sollten über die Auswirkungen einer potenziellen Sicherheitsverletzung in ihren Einrichtungen auf die offizielle Statistik informiert werden und eine offizielle Zusicherung erhalten, dass angemessene Sicherheitsverfahren angewendet werden.
Ein direkter Weg, um die ernsthaften Auswirkungen einer Sicherheitsverletzung in den Räumlichkeiten des Eigentümers auf das statistische Management zu verhindern, besteht darin, mehrere Quellen für dasselbe Produkt zu verwenden, sodass eine einzige kompromittierte Quelle nicht ausreicht, um die endgültige Zahl zu erhalten. Der Vorteil dieses Ansatzes liegt darin, dass eine größere Kontrolle in den Händen des statistischen Managements liegt.
Die Verhinderung negativer Folgen von Sicherheitsverletzungen im Statistikbüro für den ursprünglichen Datenbesitzer besteht darin, einen Arbeitsansatz zu finden, der nicht den Transfer von potenziell sensiblen Daten des Eigentümers in die statistische Verwaltung erforderlich macht. In Rohform. Ein möglicher präventiver Ansatz ist die Verwendung aggregierter Daten. Es sollte jedoch berücksichtigt werden, dass einige Formen der Aggregation, wie beispielsweise solche, die darauf abzielen, die Identifizierung einzelner Mitglieder der Bevölkerung zu verhindern, in diesem Fall möglicherweise nicht geeignet sind. Einer der Gründe dafür könnte sein, dass das Risiko für den Eigentümer mit dem kommerziellen Wert der Daten verbunden ist, der auch nach Erreichung der Anonymität erheblich sein kann.
5.1.5. Minderung
Im Falle einer Datenverletzung, die in der Verantwortung der statistischen Verwaltung liegt, werden die Maßnahmen zur Minderung der Auswirkungen dieselben sein wie bei herkömmlichen Quellen, es sei denn, es gab negative Auswirkungen auf den ursprünglichen Eigentümer.
Im Falle negativer Folgen für den ursprünglichen Eigentümer sollte die statistische Verwaltung ihre Sicherheitsverfahren überprüfen und verstärken und ihre Verpflichtung dazu klar kommunizieren und demonstrieren.
Wenn die Verletzung in den Räumlichkeiten des ursprünglichen Eigentümers aufgetreten ist, sollte die zuständige statistische Behörde die Situation klar kommunizieren und auf eine Verbesserung der Sicherheitsverfahren des Eigentümers drängen. Gegebenenfalls sollte ein alternativer Anbieter in Betracht gezogen werden.
5.2. Datenrechtsverletzungen
5.2.1. Beschreibung
Es besteht das Risiko, dass die Vertraulichkeit einer oder mehrerer Personen aus der statistischen Gesamtheit verletzt wird. Dies kann mit einem Angriff auf die IT-Infrastruktur aufgrund von Druck von anderen Regierungsbehörden oder aufgrund unzureichender Maßnahmen zur Kontrolle der Offenlegung statistischer Daten verbunden sein.
5.2.2. Wahrscheinlichkeit
Wie im Fall des Risikos von Sicherheitsverletzungen ändert sich die technische Speicherung von Mikrodaten nicht erheblich, wenn BDS hinzugefügt wird. Allerdings gibt es auch hier Warnhinweise.
Mikrodaten aus bestimmten Datenquellen können einen hohen geschäftlichen Wert haben, so dass ihre Speicherung die Wahrscheinlichkeit von Angriffen erhöht.
Darüber hinaus können einige Mikrodaten potenziell sehr nützlich für andere öffentliche Einrichtungen sein, zum Beispiel für Strafverfolgungsbehörden, Steuerbehörden oder das Gesundheitswesen. Unter bestimmten Umständen kann das Festhalten am Prinzip der statistischen Vertraulichkeit unter großem Druck stehen.
Was die Mängel bei der Kontrolle der Offenlegung statistischer Informationen angeht, so gibt es bereits eine etablierte Praxis. BDS kann es ermöglichen, Statistiken für kleine Untergruppen der Bevölkerung zu erstellen oder die Verknüpfung aggregierter Daten aus verschiedenen BDS zu ermöglichen, was das Risiko erhöhen kann. Zudem erfordern neue Quellen jedoch neue methodische Entwicklungen, sodass die tatsächliche Gefahr darin besteht, dass die Methodik zur Kontrolle der Informationsoffenlegung nicht angemessen aktualisiert wird.
Insgesamt kann die Wahrscheinlichkeit bei angemessenen präventiven Maßnahmen auf einem angemessenen Niveau gehalten werden, aber da es viele verschiedene und vielfältige Faktoren gibt, scheint die entsprechende Bewertung hier zu sein, dass die Wahrscheinlichkeit hoch ist (4).
5.2.3. Einfluss
Der potenzielle Schaden für den Ruf kann groß sein (5). Wie im Falle des Risikos eines Datenmissbrauchs kann ein Verstoß gegen das statistische Management negative Folgen für den ursprünglichen Eigentümer haben. Hier kann der Einfluss eines solchen Ereignisses potenziell sogar größer sein, insbesondere wenn die aktuellen Trends in der öffentlichen Meinung anhalten. Der Schaden in den Beziehungen zwischen Datenanbietern und dem statistischen Management wird ebenfalls als sehr groß erwartet.
5.2.4. Prävention
Die fehlerfreie Methode, um solch ein Risiko zu vermeiden, besteht darin, überhaupt keine Mikrodaten aus BDS zu haben (obwohl die Speicherung anderer Mikrodaten weiterhin mit entsprechenden Risiken verbunden ist, wenn auch mit einer anderen Wahrscheinlichkeit und Auswirkung). Ein solcher Ansatz, wie im Fall des Risikos eines Datenverlusts, führt dazu, dass andere Methoden zur Datennutzung für statistische Zwecke entwickelt werden müssen. Darüber hinaus wird die unterschiedliche Natur der Quellen erfordern, dass neue Methodologien mit konkurrierenden Zielen entwickelt werden, um so viele nützliche Informationen wie möglich zu extrahieren und gleichzeitig die Privatsphäre vor Gefahr zu schützen.
Im Fall der Speicherung von Mikrodaten müssen IT-Sicherheitsmechanismen und Zugangskontrollen auf dem erforderlichen Niveau sein und ständig überwacht werden. Besondere Aufmerksamkeit sollte der Sicherstellung neuer Methoden zur Datenerfassung gewidmet werden. Ironischerweise kann eine dieser neuen Methoden der physische Transport von Speichermedien (zum Beispiel Festplatten) sein. Wird dieses Verfahren verwendet, so muss die Lieferung physisch geschützt sein und es sollte Verschlüsselung eingesetzt werden.
5.2.5. Minderung
Die Milderungsmaßnahmen sind hier im Prinzip dieselben wie im Fall eines Datenverlusts. Wenn der Grund für den Vorfall Druck von einer anderen staatlichen Stelle ist, sollte die Gelegenheit genutzt werden, um die Unabhängigkeit des Managements zu stärken, sodass ähnliche Vorfälle in Zukunft noch schwieriger werden.
5.3. Manipulation der Datenquelle
5.3.1. Beschreibung
Datenanbieter Dritter, wie zum Beispiel soziale Netzwerkdaten oder freiwillig bereitgestellte Daten, sind manipulationsanfällig. Dies kann entweder vom Datenanbieter selbst oder von Dritten erfolgen. Zum Beispiel können viele falsche Nachrichten in sozialen Netzwerken generiert werden, um den statistischen Index, der auf diesen Daten basiert, in irgendeiner Weise zu beeinflussen, wenn bekannt ist, dass der Index auf solchen Daten berechnet wird.
Im Fall von freiwillig bereitgestellten Daten könnte es vorkommen, dass Freiwillige eine bestimmte Interessengruppe mit einer bestimmten Agenda vertreten.
5.3.2. Wahrscheinlichkeit
Für Daten, deren Manipulation erheblichen Nutzen bringen kann, ist die Wahrscheinlichkeit höher. Dies können Daten sein, für die Statistiken von Interesse sind, beispielsweise der Aktienmarkt. Angesichts der jüngsten Skandale im Zusammenhang mit LIBOR und Forex kann man annehmen, dass solange es einen Anreiz gibt, Versuche zur Datenmanipulation wahrscheinlich sind.
Für Statistiken, die auf freiwillig bereitgestellten Daten basieren, muss man nur auf die jüngste PR-Praxis achten, bei der Personen eingestellt werden, die vorgeben, eine bestimmte Meinung zu haben und dafür bezahlt werden, diese öffentlich auszudrücken (z.B. in Internetforen), um zu dem Schluss zu kommen, dass die Wahrscheinlichkeit nicht gering ist. Insgesamt erscheint eine Zahl zwischen 3 und 4 angemessen.
5.3.3. Einfluss
Ein großes Problem bei Manipulationen ist, dass sie lange unentdeckt bleiben können. Wenn Manipulationen über längere Zeit andauern, kann der Einfluss auf die Qualität erheblich werden. Zudem kann der Schaden an dem öffentlichen Vertrauen in offizielle Statistiken ebenfalls groß sein, insbesondere wenn die Rolle der statistischen Ämter als Anbieter qualitativ hochwertiger Daten öffentlich betont wird. Auf der anderen Seite kann die rechtzeitige Entdeckung von Manipulationen und deren anschließende Veröffentlichung tatsächlich die öffentliche Wahrnehmung verbessern. Abgesehen von extrem schlechten Fällen kann man den maximalen Einfluss (3) annehmen.
5.3.4. Prävention
Die Durchführung regelmäßiger Kontrollübungen mit alternativen Quellen ist ein möglicher präventiver Ansatz. Diese alternativen Quellen können traditionell oder anders sein. Der Einsatz von Statistiken, die auf einer Kombination von Quellen basieren, kann signifikante Auswirkungen von Manipulationen verhindern. In Fällen, in denen befürchtet wird, dass vom Anbieter verursachte Manipulationen stattfinden, können rechtliche Vereinbarungen auch eine Möglichkeit sein, solche Praktiken zu verhindern.
5.3.5. Minderung
In Bezug auf den Schaden für die öffentlichen Beziehungen unterscheiden sich die hier zu ergreifenden mildernden Maßnahmen kaum von den Maßnahmen zur Krisenbewältigung.
In Bezug auf die Datenqualität wäre es hilfreich, wenn frühere Daten so korrigiert werden könnten, dass selbst bei großer Verzögerung die richtige Reihe wiederhergestellt werden kann.
Es wird durchgeführt. Regelmäßiges Benchmarking kann dabei hilfreich sein. Es ist wichtig zu beachten, dass das Ziel der vergleichenden Analyse in diesem Fall etwas anders ist als bei der Vermeidung. Bei der Vermeidung ist es entscheidend, verdächtige Diskrepanzen zwischen den Referenztestdaten und den BDS schnell zu erkennen und zu untersuchen. Um die Auswirkungen zu mildern, sind frühere nützliche Daten immer hilfreich.
Darüber hinaus sollte darauf geachtet werden, derartige Manipulationen in Zukunft zu vermeiden – in besonders sensiblen Fällen kann dies bedeuten, potenziell überflüssige Daten von mehreren Anbietern für die vergleichende Analyse zu erhalten.
5.4. Ungünstige öffentliche Wahrnehmung der Nutzung von Big Data durch offizielle Statistiken
5.4.1. Beschreibung
Die Medien und die breite Öffentlichkeit sind sehr empfindlich gegenüber Fragen der Privatsphäre und der Nutzung personenbezogener Daten aus großen Datenquellen, insbesondere im Kontext der sekundären Nutzung von Daten durch staatliche Stellen, die administrative oder rechtliche Maßnahmen gegen Bürger ergreifen. Eine negativ wahrgenommene Nutzung könnte die Geschwindigkeitskontrolle auf Basis der Analyse von Navigationsdaten sein (11 Siehe ).
Der spezifische Fall TomTom Nederland führte zu einem erheblichen Rückgang der Nachfrage nach TomTom-Geräten und veranlasste das Unternehmen, den Zugriff auf die Daten einzuschränken. In diesem speziellen Fall bezogen sich die Daten auf Einzelpersonen, aber auf Geschwindigkeitsniveaus über Strecken.
Dennoch kann es Anwendungen mit Big Data geben, die von der Öffentlichkeit positiv wahrgenommen werden. Ein Beispiel können Anwendungen sein, die solche Verbrechen wie Einbruchdiebstahl auf Basis von Methoden der Big Data verhindern.
Sowohl positive als auch negative öffentliche Meinungen können einen starken Einfluss auf die Nutzung von BDS im Kontext der Produktion offizieller Statistiken haben.
Eine Folge der negativen öffentlichen Wahrnehmung könnte sein, dass:
- BDS nicht mehr für statistische Ämter verfügbar sein wird, entweder aufgrund von Entscheidungen des Datenanbieters oder staatlichen Entscheidungen, die Daten nicht zu verwenden, oder
- die Nutzung von Daten eingeschränkt wird, was die Produktion behindern kann, wenn bestimmte BOSP.
5.4.2. Wahrscheinlichkeit
Faktoren, die die Wahrscheinlichkeit eines solchen Ereignisses oder dessen Einfluss auf die Statistikerstellung beeinflussen können:
- Datenschutz, d. h. wie leicht Personen identifiziert werden können;
- Umfang der Informationen, die die Daten über natürliche Personen preisgeben, beispielsweise durch Verknüpfung von Daten aus verschiedenen Quellen;
- Art der Daten, z. B. werden Finanztransaktionen als vertraulicher angesehen als andere Daten;
- Art der potenziellen Maßnahmen, die gegenüber Bürgern ergriffen werden können, z. B. Bußgelder für Geschwindigkeitsübertretungen;
- unklare rechtliche Rahmenbedingungen, in denen Anbieter und Nutzer von Daten agieren, oder wenn rechtliche Bedingungen mit öffentlichen ethischen Meinungen / Standards in Konflikt treten;
- Grad der Abhängigkeit von einer bestimmten Datenquelle zur Erstellung von Statistiken; in der Erkundungsphase kann dieser Faktor von geringer Bedeutung sein. Dies kann jedoch erheblichen Einfluss auf die Erstellung von Statistiken in späteren Phasen haben und sollte daher auch in der Erkundungsphase betrachtet werden. Ein Problem kann darin bestehen, dass das endgültige Ausmaß der Datennutzung zu Beginn unbekannt ist, da Datenquellen potenziell mehrere statistische Bereiche bedienen können.
Die Einschätzung der Zeit unerwünschter Phänomene ist unmöglich, da die Mobilisierung der Öffentlichkeit oft durch die Berichterstattung über Ereignisse, die negative Auswirkungen auf die Bürger haben, eingeleitet wird. Mit der Zunahme der Nutzung von Big Data durch Regierungen und private Unternehmen, insbesondere durch aktives Marketing von Daten für andere Zwecke als dem, zu deren ursprünglicher Sammlung sie geführt haben, wird es jedoch wahrscheinlicher, dass solche Ereignisse eintreten.
Ereignisse, die das öffentliche Bewusstsein stark beeinflussen, sind nicht häufig, sondern eher zufällig (3) und entfernt (2). Mit der zunehmenden Nutzung großer Datenquellen wird auch die Wahrscheinlichkeit steigen.
5.4.3. Einfluss
Die Auswirkungen von Ereignissen hängen stark von den oben besprochenen Faktoren ab. Im Allgemeinen sind die Einflüsse schwerwiegender für bereits bestehende Produktionsstatistiken, da möglicherweise Maßnahmen eingestellt werden müssen. Die Auswirkungen hängen auch von der Verfügbarkeit alternativer Datenquellen ab, obwohl es sein kann, dass die öffentliche Wahrnehmung verschiedene Datenquellen im Falle eines Ereignisses nicht unterscheidet. In der gegenwärtigen Nutzung von Big Data scheint es, dass diese Quellen traditionelle Datenquellen nicht vollständig ersetzen können, sondern vielmehr die bestehenden Statistiken ergänzen. Dies wird die Auswirkungen von Ereignissen verringern. Daher werden die Auswirkungen eines Ereignisses auf einer Skala von 2 (geringfügig) bis 3 (hauptsächlich) betrachtet. In der Produktionsphase kann der Einfluss auf 4 (kritischer Wert) ansteigen.
5.4.4. Prävention
Präventive Maßnahmen können die Festlegung ethischer Prinzipien für Big Data in der amtlichen Statistik umfassen. Ethische Leitlinien sollten auf Prinzipien wie dem Kodex der Praxis für europäische Statistik oder den grundlegenden Prinzipien der amtlichen Statistik basieren (12 ). Eine nächste Maßnahme könnte die Festlegung einer Kommunikationsstrategie sein, die die Ergebnisse der ethischen Leitlinien der Öffentlichkeit veröffentlicht und möglicherweise verwendet werden kann, um die Interessengruppen über die ethische Nutzung von BDS für BOSP zu informieren.
Eine separate Risikobewertung für spezifische BDS kann durchgeführt werden, um Risiken zu identifizieren und präventive oder mildernde Maßnahmen auf Grundlage ethischer Prinzipien vorzuschlagen. Eine separate Risikobewertung könnte auch Interessengruppen wie Datenschutzbehörden einbeziehen, um die Identifikation aller Risiken und die Angemessenheit von Maßnahmen sicherzustellen.
5.4.5. Minderung
Die Kommunikationsstrategie sollte auch Maßnahmen für den Fall eines wachsenden negativen öffentlichen Ansehens enthalten. Eine separate Risikobewertung sollte positive Beispiele für die Nutzung von Daten sowie Maßnahmen zur Verhinderung des Missbrauchs von Daten sammeln, die auf politischer Ebene zwingend ergriffen werden müssen, und die statistische Gemeinschaft könnte möglicherweise nicht in der Lage sein, wirksam darauf einzuwirken.
5.5. Vertrauensverlust – nicht aus Beobachtungen gewonnen
5.5.1. Beschreibung
Benutzer der offiziellen Statistiken haben in der Regel ein hohes Vertrauen in die Genauigkeit und Zuverlässigkeit von statistischen Daten. Dies basiert auf der Tatsache, dass die Erstellung statistischer Daten in eine zuverlässige und öffentlich zugängliche methodologische Basis eingebettet ist, sowie auf der Dokumentation zur Qualität des statistischen Produkts. Darüber hinaus basieren die meisten statistischen Daten auf Beobachtungen, d.h. sie werden aus Umfragen oder Volkszählungen gewonnen, die eine leicht verständliche Verbindung zwischen Beobachtung und statistischen Daten herstellen. Die Verwendung von BDS, die nicht zum Hauptzweck der Statistik erhoben werden, birgt das Risiko, dass diese Beziehungen verloren gehen und die Benutzer das Vertrauen in die Daten der offiziellen Statistik verlieren. Ein Beispiel, das sich auf die letzte Runde (2010) der Volkszählung bezieht, besteht darin, dass in einigen Ländern die statistischen Daten unter Verwendung mehrerer Quellen und statistischer Modelle gewonnen wurden. In einigen Fällen haben Interessengruppen die statistischen Daten angefochten.
5.5.2. Wahrscheinlichkeit
Die Wahrscheinlichkeit des Eintretens des Risikos hängt von Faktoren wie der Komplexität des statistischen / methodologischen Modells, der Zuverlässigkeit der Beziehungen zwischen BSD und BOSP oder der Übereinstimmung mit anderen statistischen Daten ab. Die Wahrscheinlichkeit sollte im Bereich von 3 ( zufällig ) bis 4 ( wahrscheinlich ) liegen, was bedeutet, dass es mehrere Male oder häufig vorkommen kann.
5.5.3. Einfluss
Der Einfluss des Risikos wird wesentlich davon abhängen, ob NSOs in der Lage sind, die Genauigkeit und Zuverlässigkeit der statistischen Daten erfolgreich nachzuweisen. Falls dies nicht erreicht werden kann, könnte das Vertrauen, sowohl in Bezug auf den Verlust von Vertrauen als auch auf andere statistische Bereiche, beeinträchtigt werden, welches nicht nur die Zuverlässigkeit bestimmter statistischer Daten betrifft, sondern auch die gesamte Organisation in Frage stellt. NSOs würden ihren Wettbewerbsvorteil gegenüber anderen, in diesem Bereich tätigen, privaten Organisationen verlieren.
5.5.4. Prävention
Präventive Maßnahmen werden darin bestehen, eine wissenschaftlich fundierte Methodologie zu entwickeln und zu veröffentlichen, die von der wissenschaftlichen Gemeinschaft anerkannt wird, die Daten mit Qualitätsmetadata anzureichern, die Konsistenz von BOSP mit nicht-BOSP sicherzustellen und eine strenge Qualitätskontrolle durchzuführen.
Bevor mit der statistischen Produktion begonnen wird, könnte BOSP als experimentell veröffentlicht werden, und den Interessengruppen könnte empfohlen werden, BOSP anzufechten, um es zu bestätigen oder zu verbessern.
5.5.5. Minderung
Es gibt zwei Fälle zu unterscheiden. Wenn die statistischen Daten angefochten, aber von hoher / ausreichender Qualität (richtig / genau) sind, wäre es ausreichend, die statistischen Daten zu erklären und der Öffentlichkeit zu präsentieren, indem verständliche Beispiele bereitgestellt werden.
6. Risiken in Bezug auf die Fähigkeiten
6.1. Mangel an Fachkräften
6.1.1. Beschreibung
Die Analyse der digitalen Spuren, die Menschen während ihrer Aktivitäten hinterlassen, erfordert bestimmte Datenanalyse-Tools, die derzeit in der offiziellen Statistik nicht weit verbreitet sind. Erstens erfordert die Verwendung indirekter Daten über das Verhalten von Menschen anstelle von direkten Umfragen in Erhebungen den Einsatz statistischer Modelle und somit Fähigkeiten im Bereich des Schließend und maschinellen Lernens. Zweitens bestehen diese digitalen Aufzeichnungen aus Daten, die oft nicht das übliche Tabellenformat aufweisen, das für Umfrageergebnisse typisch ist, mit Zeilen, die den statistischen Einheiten entsprechen, und Spalten mit bestimmten Merkmalen dieser statistischen Einheiten. Digitale Spuren sind auch in Form von Text, Audio, Bildern und Videos vorhanden. Das Extrahieren relevanter statistischer Informationen aus diesen Datentypen erfordert Fähigkeiten in der Verarbeitung natürlicher Sprache, der Audioverarbeitung und der Bildverarbeitung. Drittens neigen diese Datenquellen dazu, massive Datensätze bereitzustellen, deren Verarbeitung ein gutes Verständnis der Methodologien verteilter Berechnungen erfordert.
Das Risiko eines Mangels an Experten besteht darin, Daten aus einer dieser neuen großen Datenquellen zu erhalten, da die statistische Verwaltung nicht in der Lage ist, diese ordnungsgemäß zu verarbeiten und zu analysieren, weil das Personal nicht über die erforderlichen Fähigkeiten verfügt.
6.1.2. Wahrscheinlichkeit
Die Wahrscheinlichkeit dieses Risikos hängt von drei Faktoren ab: 1) den spezifischen Fähigkeiten, die für jede Art von großer Datenquelle erforderlich sind, und der Wahrscheinlichkeit, dass die statistische Verwaltung die Möglichkeit findet, eine solche Quelle zu erforschen; 2) der aktuellen Verfügbarkeit der erforderlichen Fähigkeiten in der statistischen Verwaltung; und 3) der organisatorischen Kultur der statistischen Verwaltung.
Was die erforderlichen Fähigkeiten betrifft, so sollten wir beachten, dass nicht alle Datenquellen alle oben genannten Fähigkeiten erfordern. Einige (wie z. B. Google Trends-Daten) benötigen keine verteilte Verarbeitung, da sie bereits vom Dateninhaber vorverarbeitet wurden oder Signalverarbeitungskompetenzen besitzen; sie benötigen hauptsächlich Fähigkeiten in statistischer Modellierung. Dennoch gibt es eine große Vielfalt an Big Data-Quellen, für die in der Regel Fähigkeiten in verteilter Verarbeitung, Signalverarbeitung und maschinellem Lernen erforderlich sind. Gleichzeitig wird eine gründliche Untersuchung dieser digitalen Spuren mehrere Quellen erfordern. Daher besteht eine hohe Wahrscheinlichkeit, dass große Datenquellen, die für die statistische Verwaltung zugänglich werden, diese speziellen Fähigkeiten benötigen, und das Risiko dabei ist sehr hoch (5).
Was die aktuelle Verfügbarkeit der erforderlichen Fähigkeiten betrifft, so hängt dies von der spezifischen statistischen Verwaltung ab. Selbst wenn die Umfragemethodik weniger verbreitet ist als die Umfragemethodologie, wird sie auch in bestimmten Bereichen der offiziellen Statistik verwendet. Daher können statistische Verwaltungen, auch wenn sie möglicherweise einige personelle Umverteilungen erfordert, selbst Lösungen finden. Was die Fähigkeiten in der verteilten Verarbeitung betrifft, die in der Regel mit IT verbunden sind, hängen sie davon ab, wie die IT-Infrastruktur in der Organisation verwaltet wird. Je nach dem, wie die IT-Abteilung positioniert ist, können Lösungen im Rahmen bestehender Vereinbarungen gefunden werden. Nichtsdestotrotz sind Fähigkeiten in der Signalverarbeitung und im maschinellen Lernen in den meisten offiziellen statistischen Verwaltungen in der Regel nicht vorhanden, und der Einsatz dieser Fähigkeiten kann nicht an externe Dienstleister ausgelagert werden, da sie von Experten auf dem Gebiet der Statistik angewendet werden müssen. In diesem Sinne scheint das Risiko ebenfalls sehr hoch zu sein (5).
Die Unternehmenskultur wird ebenfalls die Wahrscheinlichkeit dieses Risikos beeinflussen. Vorhandensein von Personal, das bereit ist, die erforderlichen Fähigkeiten durch Selbstlernen zu erwerben, kann der Organisation die Möglichkeit geben, auf Situationen mit neuen Datenquellen zu reagieren, die Fähigkeiten erfordern, die von den üblichen abweichen. Dies hängt von der Unternehmenskultur des statistischen Managements ab, insbesondere davon, ob diese die Mitarbeiter ermutigt, neue Fähigkeiten zu erlernen und den Mitarbeitern Zeit für das Selbststudium einräumt.
Somit wird die Wahrscheinlichkeit, dass das statistische Management nicht in der Lage ist, neue Datenquellen zu verarbeiten und zu analysieren, aufgrund fehlender Fähigkeiten seiner Mitarbeiter, zwischen wahrscheinlich (4) und häufig (5) liegen, abhängig von der Selbstlernkultur der Organisation.
6.1.3. Einfluss
Statistisches Management, das nicht in der Lage ist, große Datenquellen aufgrund fehlender Fähigkeiten seiner Mitarbeiter zu verarbeiten und zu analysieren, kann zwei mögliche negative Konsequenzen haben: 1) Die Datenquelle wird nicht untersucht, zumindest nicht vollständig; 2) Die Quelle wird falsch verwendet.
Das Fehlen der Möglichkeit, das volle Potenzial einer wertvollen Quelle großer Daten zu untersuchen, wird kurzfristig (2) nur geringe Auswirkungen haben, da statistische Dienstleistungen tatsächlich über statistische Werkzeuge verfügen, um die aktuellen Bedürfnisse zu erfüllen. Langfristig (und möglicherweise sogar mittelfristig) werden die Folgen des Verlusts dieser Möglichkeit entscheidend sein (4), da statistische Dienstleistungen zunehmend mit der Konkurrenz privater Anbieter konfrontiert sind, die nicht über die gleiche institutionelle Struktur verfügen, welche ihnen ermöglicht, der Gesellschaft die Unabhängigkeit statistischer Daten zu garantieren.
Die falsche Nutzung von Quellen wird jedoch äußerst negative Folgen für statistische Ämter haben, da die offizielle Statistik in hohem Maße von ihrem Ruf bei der Durchführung ihrer Mission abhängt. Dennoch können wir behaupten, dass die wichtigste Fähigkeit, deren Fehlen zu falschen Ergebnissen führen kann, der statistische Schlussfolgerung ist, insbesondere die modellbasierte Schlussfolgerung, die auch mit größerer Wahrscheinlichkeit nicht fehlen wird. Daher wird die erwartete Auswirkung eher kritisch (4) als extrem sein.
6.1.4. Prävention
Statistische Ämter können dieses Risiko aktiv auf zwei Arten verhindern: 1) Schulung; und 2) Rekrutierung.
Statistische Ämter können dem Personal die erforderlichen Fähigkeiten bereitstellen, indem sie die Fähigkeiten detailliert definieren, die für die Nutzung großer Datenquellen in der statistischen Produktion notwendig sind, eine Liste der vorhandenen Fähigkeiten des Personals erstellen, den Schulungsbedarf bestimmen und dann Schulungskurse organisieren.
Statistische Ämter können auch neue Mitarbeiter mit den erforderlichen Fähigkeiten einstellen. Dies scheint jedoch ernsthafte Einschränkungen zu haben, da statistische Ämter möglicherweise nicht die kritische Masse an Personal erreichen können, die erforderlich ist, wenn die Nutzung großer Datenquellen in der Abteilung weit verbreitet wird, und neuen Mitarbeitern wird es dennoch einige Jahre dauern, um das Erfahrungsniveau bestehender Mitarbeiter zu erreichen. Allerdings könnten zumindest einige der neuen Mitarbeiter, die im Rahmen der üblichen Personalaktualisierung eingestellt werden, Fähigkeiten im Bereich der großen Daten haben.
6.1.5. Milderung
Angesichts der Situation, in der neue Quellen großer Daten verfügbar sind, ohne dass Mitarbeiter mit den erforderlichen Fähigkeiten vorhanden sind, können statistische Ämter die negativen Folgen auf zwei Arten mildern: 1) Subauftrag; und 2) Zusammenarbeit.
Statistische Ämter können Verträge zur Datenverarbeitung und Analyse neuer Quellen großer Daten mit anderen Organisationen abschließen, die solche Dienstleistungen anbieten. Dies scheint eine tragfähige Lösung zu sein, da ein neuer Sektor von Unternehmen entsteht, die sich auf die Verarbeitung dieser Datenarten spezialisiert haben. Allerdings ist dieses Lösung auch mit bestimmten Risiken verbunden, da die Statistischen Ämter weniger Kontrolle über die Herstellung potenziell sensibler statistischer Produkte haben. Ein weiterer Nachteil dieser Lösung ist, dass sie den Mitarbeitern der Statistischen Ämter nicht die Möglichkeit gibt, zu lernen und die notwendigen Fähigkeiten zu erwerben.
Die Zusammenarbeit mit anderen Organisationen, in denen Mitarbeiter mit den erforderlichen Fähigkeiten vorhanden sind und die ebenfalls an der Erforschung von Big-Data-Quellen interessiert sind, scheint eine vielversprechendere Lösung zu sein. Diese Zusammenarbeit könnte in Form von gemeinsamen Projekten zwischen den Mitarbeitern der Statistischen Ämter und den Mitarbeitern anderer Organisationen auf gleichberechtigter Basis erfolgen, die ihr Wissen teilen. Dadurch könnte nicht nur das Risiko eines Fachkräftemangels verringert, sondern auch den Mitarbeitern der Statistischen Ämter die Möglichkeit gegeben werden, diese Fähigkeiten zu erwerben.
6.2. Verlust von Experten an andere Organisationen
6.2.1. Beschreibung
Dieses Risiko besteht darin, dass Statistische Ämter ihr Personal an andere Organisationen verlieren, nachdem diese Fähigkeiten im Zusammenhang mit Big Data erworben haben.
6.2.2. Wahrscheinlichkeit
Die Wahrscheinlichkeit dieses Risikos wird von zwei Faktoren abhängen: 1) bestehenden attraktiven Möglichkeiten in Organisationen außerhalb der offiziellen Statistik; 2) den Arbeitsbedingungen in den Statistischen Ämtern.
Was die Möglichkeiten in Organisationen außerhalb der offiziellen Statistiken betrifft, so erscheint die Wahrscheinlichkeit dieses Risikos wahrscheinlich (4). Es gibt eine hohe Nachfrage nach Menschen mit Fähigkeiten im Umgang mit Big Data im privaten Sektor sowie in anderen Organisationen des öffentlichen Sektors. Nach dem Erwerb von Fähigkeiten im Umgang mit Big Data werden die offiziellen Statistiken einen vergleichenden Vorteil haben, indem sie erfahrene Fachleute auf dem Gebiet der Statistik sind. Neben spezifischen Fähigkeiten im Umgang mit Big Data benötigen andere Organisationen Datenexperten mit traditionelleren Fähigkeiten, wie der Bewertung von Benutzerbedürfnissen und der Entwicklung von Schlüsselkennzahlen (KPI), die für offizielle Statistiken allgemein sind. Darüber hinaus wird erwartet, dass Mitarbeiter, die eher bereit sind, neue Fähigkeiten zu erlernen, auch diejenigen sind, die offener für Veränderungen in ihrer Karriere sind und das statistische Amt verlassen.
Was die Arbeitsbedingungen in statistischen Ämtern betrifft, so wird dies offensichtlich hauptsächlich von dem jeweiligen Büro abhängen. Dennoch bieten statistische Ämter insgesamt weiterhin attraktive berufliche Möglichkeiten für quantitativ denkende Menschen. Statistische Ämter bieten die größte Bandbreite an möglichen Arbeitsbereichen und die größte Auswahl an Daten, mit denen gearbeitet werden kann. Dies wird in gewisser Weise die Wahrscheinlichkeit verringern, dass statistische Ämter aufgrund unvorhergesehener Umstände ihr Personal verlieren (3).
6.2.3. Einfluss
Die Auswirkungen dieses Risikos werden dieselben sein wie das Risiko, dass es an Personal mit den entsprechenden Fähigkeiten fehlt. Folglich wird die Auswirkung kritisch sein (4), wie oben beschrieben.
6.2.4. Prävention
Offensichtlich ist die einzige Möglichkeit für statistische Ämter, dieses Risiko zu verhindern, die Schaffung attraktiver Arbeitsbedingungen für ihre Mitarbeiter. Dies gilt im Allgemeinen für das gesamte Personal. Im konkreten Fall, wenn die Mitarbeiter offen für die Entwicklung neuer Fähigkeiten sind, insbesondere im Umgang mit großen Datenmengen, können die Arbeitsbedingungen durch die Bereitstellung von Schulungsmöglichkeiten verbessert werden, bei denen sie ihre beruflichen Interessen weiterentwickeln können. Statistische Ämter sollten auch besonders darauf achten, offen für neue innovative Projekte und Ideen zu sein, die mit neuen Quellen großer Datenmengen verbunden sind, die von Statistikern aus verschiedenen Bereichen kommen. Schließlich wird die Verhinderung des Personalverlusts an andere Organisationen in Abhängigkeit von ihren Fähigkeiten im Umgang mit großen Datenmengen davon abhängen, dass das Personal gut identifiziert wird, das fähig und bereit ist, mit solchen Daten zu arbeiten, sowie von der Bereitstellung hervorragender Möglichkeiten für deren berufliche Entwicklung.
6.2.5. Minderung
Die Minderung dieses Risikos wird in Bezug auf das Fehlen von Personal mit den entsprechenden Fähigkeiten wie folgt erfolgen: 1) Subunternehmer; und 2) Kooperation.
7. Diskussion
Aus dieser ersten Übersicht geht hervor, dass es unmöglich ist, eine einheitliche Wahrscheinlichkeit oder Auswirkung für dieses „Risiko großer Datenmengen“ zu bestimmen – in der Regel hängen beide Größen stark von der Quelle großer Datenmengen ab, sowie von der „offiziellen Statistik auf Basis großer Datenmengen“.
Produkt „.
Daher ziehen wir den Schluss, dass der logische nächste Schritt in diese Richtung die Annahme einer Reihe möglicher Pilotprojekte ist (von denen jedes eine Kombination aus einem oder mehreren BDSs und einem oder mehreren BDOSs umfasst) als Ausgangspunkt und – für jedes solche Pilotprojekt – das Ziel besteht, die Wahrscheinlichkeit und die Auswirkungen jedes Risikos zu bewerten.
Zu diesem Zweck stehen wir kurz vor dem Start einer Umfrage unter den Interessengruppen, um die Einschätzung der OSC hinsichtlich Wahrscheinlichkeit, Auswirkungen (und möglicher Maßnahmen zur Verhinderung / Milderung) in Bezug auf eine Reihe möglicher Pilotprojekte zu bewerten – und Vorschläge der OSC zu Risiken anzufordern, die wir nicht in dieses Dokument aufgenommen haben.
8. QUELLENUNECE (2014), „Ein vorgeschlagenes Rahmenwerk für die Qualität von Big Data“, Ergebnisse des UNECE Big Data Quality Task Teams,
a%20Quality%20Framework%20-%20final-%20Jan08-2015.pdf?version=1&modificationDate=1420725063663&api=v2
UNECE (2014), „Wie groß ist Big Data? Die Rolle von Big Data in der offiziellen Statistik erkunden“,
Daas, P., S. Ossen, R. Vis-Visschers und J. Arends-Toth (2009), Checkliste zur Qualitätsbewertung von administrativen Datenquellen, Statistik Niederlande, Den Haag/Heerlen
Dorfman, Mark S. (2007), Einführung in das Risikomanagement (e Aufl.), Cambridge, UK, Woodhead-Faulkner, S. 18, ISBN 0-85941-332-22)
Eurostat (2014), „Akkreditierungsverfahren für statistische Daten aus nicht offiziellen Quellen“ in Analyse der Methoden zur Nutzung des Internets für die Erhebung von Informationen zur Informationsgesellschaft und anderen Statistiken,
Reimsbach-Kounatze, C. (2015), „Die Verbreitung von „Big Data“ und die Auswirkungen auf die offizielle Statistik und statistische Ämter: Eine vorläufige Analyse“, OECD Digital Economy Papers, Nr. 245, OECD-Verlag.
Reis, F., Ferreira, P., Perduca, V. (2014) „Die Nutzung von Webaktivitätsnachweisen zur Erhöhung der Aktualität offizieller Statistikindikatoren“, Vortrag auf der IAOS 2014-Konferenz,
Selbst wenn Risiken nicht ausdrücklich erwähnt werden, behandelt dieses Papier tatsächlich die vielen Risiken, die mit der Nutzung von Webaktivitätsdaten für offizielle Statistiken verbunden sind. Eurostat (2007), Handbuch zu Methoden und Werkzeugen zur Qualitätsbewertung von Daten,
Quelle: habr.com
