Vorwort des Übersetzers
Das Material hat mich vor allem wegen der folgenden Tabelle interessiert:
Angesichts der Tatsache, dass Statistiker (und russische Statistiker sind genetisch dazu veranlagt), gelinde gesagt, alles meiden, was von einer linearen Abhängigkeit abweicht, haben es diese Jungs geschafft, die Verwendung einer Aktivierungsfunktion in parabolischer Form einzuführen, um das Risiko der Nutzung von Big Data in der offiziellen Statistik zu bestimmen. Gute Arbeit. Natürlich haben die Statistiker ihren Kommentar zu dieser Arbeit hinzugefügt: „1 Alle Fehler und Auslassungen liegen in der alleinigen Verantwortung der Autoren. Die in diesem Dokument geäußerten Meinungen spiegeln nicht unbedingt die offizielle Position der Europäischen Kommission wider.“ Aber die Arbeit wurde veröffentlicht. Ich denke, das ist für heute genug, und sie (die Autoren) haben niemandem verboten, ihre Skalen in diesen Aspekten zu finden.
In der Arbeit kann man recht strukturiert unterscheiden, wo und wie sich statistische Methoden von den Methoden der Big-Data-Forschung unterscheiden. Meiner Meinung nach wird der größte Nutzen dieser Arbeit in der Diskussion mit dem Auftraggeber liegen, um seine Aussagen wie folgt zu widerlegen:
— Und was möchten Sie hier noch erforschen? Wir sammeln selbst die Statistiken.
— Stellen Sie uns Ihre Ergebnisse so vor, dass wir sie mit unseren Statistiken abgleichen können. In dieser Angelegenheit empfehlen die Autoren, diese Arbeit zu lesen (3 )
In dieser Arbeit haben die Autoren ihre Einschätzung des Risikoniveaus angegeben. Dieser Parameter steht in Klammern und ist nicht mit den Quellenangaben zu verwechseln.
Zweite Beobachtung. Die Autoren verwenden den Begriff BDS – das ist das Äquivalent des Begriffs Big Data. (anscheinend ein Hinweis auf die offizielle Statistik).
Vorwort der Autoren
Immer mehr statistische Ämter prüfen die Möglichkeit, große Datenquellen zur Erstellung offizieller Statistiken zu nutzen. Derzeit gibt es nur wenige Beispiele, in denen diese Quellen vollständig in die tatsächliche statistische Produktion integriert wurden. Daher ist das volle Ausmaß der Auswirkungen ihrer Integration noch nicht bekannt. In der Zwischenzeit wurden erste Versuche unternommen, die Bedingungen und den Einfluss großer Daten auf verschiedene Aspekte der statistischen Produkte, wie Qualität oder Methodologie, zu analysieren. Kürzlich hat eine Arbeitsgruppe eine qualitativ hochwertige Grundlage zur Erstellung statistischer Daten auf Basis großer Daten im Rahmen des Big Data-Projekts der Wirtschaftskommission für Europa der Vereinten Nationen (ECE-UN) entwickelt. Laut dem europäischen Statistikkodex ist die Bereitstellung von hochwertigen statistischen Informationen eine zentrale Aufgabe der statistischen Ämter. Da Risiko als Einfluss von Unsicherheit auf Ziele definiert wird (zum Beispiel durch die internationale Normungsorganisation ISO 31000), hielten wir es für sinnvoll, die Risiken entsprechend den Qualitätsdimensionen, auf die sie wirken, zu kategorisieren.
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. Sie kann somit als Grundlage für eine umfassende Bewertung und das Risikomanagement im Zusammenhang mit diesen neuen Datenquellen dienen. Neue qualitative Messgrößen, die spezifisch für die Nutzung von Big Data in der amtlichen Statistik sind, wie institutionelle bzw. geschäftliche Umgebungen oder Komplexität, werden eingeführt. Mit diesen neuen qualitativen Messgrößen können Risiken, die mit der Nutzung großer Datenquellen in der amtlichen Statistik verbunden sind, systematischer identifiziert werden.
In dieser Arbeit streben wir an, die Risiken zu identifizieren, die durch die Nutzung von Big Data im Kontext offizieller Statistiken entstehen. Wir verfolgen einen systematischen Ansatz zur Bestimmung der Risiken im Rahmen des vorgeschlagenen Qualitätsmodells. Indem wir uns auf neu vorgeschlagene Qualitätsmessungen konzentrieren, können wir Risiken beschreiben, die derzeit nicht existieren oder keinen Einfluss auf die Erstellung offizieller Statistiken haben. Gleichzeitig können wir aktuelle Risiken definieren, die bei der Nutzung von Big Data zur Erhebung von Statistiken ganz anders bewertet werden. Anschließend gehen wir weiter im Risikomanagementzyklus und geben eine Bewertung von Wahrscheinlichkeit und Einfluss dieser Risiken ab. Da die Risikobewertung eine Subjektivität in ihrer Zuschreibung impliziert, messen wir die Übereinstimmung zwischen Dutzenden von verschiedenen, unabhängig bereitgestellten Interessengruppen. Danach schlagen wir Optionen zur Minderung dieser Risiken in Übereinstimmung mit vier Hauptkategorien vor: Vermeidung, Verminderung, Mitteilung und Beibehaltung. Laut ISO sollte eines der Prinzipien des Risikomanagements die Wertschöpfung sein, d. h. die Ressourcen zur Risikominderung sollten geringer sein als die für das Nichtstun. Im Einklang mit diesem Prinzip werden wir schließlich die potenziellen Auswirkungen einiger Risikominderungsmaßnahmen auf die Qualität der Endergebnisse bewerten, um zu einer umfassenderen Einschätzung der Nutzung von Big Data für die offizielle Statistik zu gelangen.
1. Einleitung
1.1. Hintergrund
Die Entwicklung der "großen Daten" wurde von Kenneth Neil Cukier und Viktor Mayer-Schönberger in ihrem Artikel "Das Wachstum großer Daten" charakterisiert. Der Begriff "Datafication" beschreibt den Prozess, "alle Aspekte des Lebens in Daten zu verwandeln". Zum Beispiel bietet Facebook persönliche Netzwerke, Sensoren für verschiedene Umweltbedingungen, Smartphones für persönliche Kommunikation und Bewegungen sowie tragbare Daten für individuelle Bedürfnisse. Dies führt zu einer fast universellen Datensammlung und -verfügbarkeit.
Wie in vielen anderen Sektoren wird das Thema Big Data erst seit kurzem auf strategischer Ebene in der offiziellen Statistik erörtert. Es gibt noch kein gemeinsames und weit verbreitetes Verständnis darüber, wie man vorankommen kann, ob es sich um eine Herausforderung oder eine Möglichkeit handelt, ob sie klein oder groß ist usw. Im Rahmen der Hochrangigen Gruppe zur Modernisierung der statistischen Produktion und Dienstleistungen (3 Wie groß sind Big Data? Untersuchung der Rolle von Big Data in der offiziellen Statistik: ), eine erste SWOT-Analyse, begleitet von einer groben Risiko-Nutzen-Analyse, wurde durchgeführt. Es wurde festgestellt, dass eine umfassende Risikoanalyse auch Aspekte wie Wahrscheinlichkeit und Auswirkungen einbeziehen wird und möglicherweise erweitert wird, um Strategien zur Risikominderung und -verwaltung zu definieren.
Obwohl dieses Dokument noch weit von einer vollständigen Risikoanalyse entfernt ist, zielt es darauf ab, die Situation durch die Schaffung eines ersten strukturierten Überblicks zu verbessern. Wir möchten betonen, dass dieser Überblick als Ausgangspunkt für eine allgemeine Diskussion innerhalb der Offiziellen Statistischen Gemeinschaft (OSC) betrachtet werden sollte.
1.2. Bereich
Dieser Artikel beschäftigt sich ausschließlich mit Risiken und lässt nicht nur Vorteile, sondern auch Stärken, Schwächen, Chancen und Bedrohungen außen vor. Das bedeutet, dass "Risiken durch Unterlassung" (zum Beispiel das Risiko, dass OSC im Wettbewerb mit anderen Akteuren zurückfällt, wenn es nicht modernisiert wird) nicht in den Anwendungsbereich fallen; dies sind eher Bedrohungen. Stattdessen versuchen wir, die Risiken hervorzuheben, die entstehen können (a) wenn OSC die durch Big Data gebotenen Möglichkeiten nutzt und damit beginnt, ein konkretes "Produkt offizieller Statistiken auf Basis von Big Data" (BOSP) zu entwickeln oder zu verbessern; (b) Risiken für das neue "normale Geschäft", das heißt Risiken für die offizielle Statistik, die auf der Produktion von "Big Data" beruht. (Da alle Produktionen offizieller Statistiken mit Risiken verbunden sind, beschränken wir uns auf (b) spezifische "Big Data-Risiken", d.h. Risiken, die im traditionellen Prozess der Erstellung offizieller Statistiken nicht existieren oder von geringer Bedeutung sind.)
1.3. Struktur
In Abschnitt 2 präsentieren wir die grundlegenden Prinzipien, die mit dieser Aufgabe verbunden sind, beginnend mit der unverzichtbaren Basis für Risikomanagement und -bewertung (Abschnitt 2.1). Wir stellen ebenfalls einen vorläufigen Qualitätsrahmen für die statistischen Daten vor, die auf Big Data basieren (Abschnitt 2.2), da die Verknüpfung von Qualitätsstruktur mit Risiken zwei Ziele erfüllt:
- Sie schafft den Kontext für die Risikobestimmung. Bestimmte Qualitätsindikatoren zusammen mit den betrachteten Merkmalen drücken die Werte des Objekts aus, die als wichtig und entscheidend für die Bereitstellung von Dienstleistungen für Kunden und Benutzer angesehen werden.
- Dies ermöglicht die Zuordnung spezifischer Risiken zu qualitativen Messungen, die in allgemeinen Hyperräumen verankert und an spezifische Phasen im Prozess der Erstellung statistischer Produkte gebunden sind.
In den Abschnitten 3, 4, 5 und 6 stellen wir die bisher identifizierten Risiken in verschiedenen Kontexten vor (4 Die Geschäftsdokumente des ESS Big Data Projekts (https://www.europeansocialsurvey.org/about/structure_and_governance.html) sowie in den ESSnets für Big Data enthalten eine Liste von Risiken, die teilweise mit dem Projekt und teilweise mit der Nutzung von Big Data-Quellen für statistische Zwecke zusammenhängen. Das Dokument „Ein vorgeschlagenes Rahmenwerk für die Qualität von Big Data“ erwähnt einige Risiken, die mit Qualitätsdimensionen verbunden sind. / Die Geschäftsdokumente des ESS Big Data Projekts sowie die ESS Big Data-Netzwerke enthalten eine Liste von Risiken, die teilweise mit dem Projekt und teilweise mit der Nutzung von Big Data-Quellen für statistische Zwecke zusammenhängen. Im Dokument „Vorgeschlagenes Rahmenwerk für die Qualität von Big Data“ werden einige Risiken in Bezug auf Qualitätsindikatoren erwähnt.). Hier verwenden wir die Klassifikation des Zugangs zu Daten, die rechtliche Umgebung, sowie die Vertraulichkeit und Datensicherheit sowie die erforderlichen Fähigkeiten; eine Reorganisation gemäß der qualitativen Struktur der aus Big Data gewonnenen Statistiken (Abschnitt 2.2) sollte sofort in Betracht gezogen werden, sobald diese Struktur einen vollständigeren Status erreicht. Für jedes identifizierte Risiko bieten wir (i) eine Bewertung von Wahrscheinlichkeit und Auswirkung (gemäß Abschnitt 2.1.3) und (ii) Vorschläge für Risikominderungs- und Managementstrategien an (siehe Abschnitt 2.1.4).
Am Ende werden wir unsere Erkenntnisse zusammenfassen und einige nächste Schritte im Abschnitt 7 ansprechen.
2. Grundlagen
2.1. Risiken und Risikomanagement
Laut ISO 31000: 20095 wird Risiko als "Einfluss von Unsicherheit auf festgelegte Ziele" definiert. Das bedeutet, dass die Ziele zunächst klar definiert oder bekannt sein müssen, bevor Risiken identifiziert werden können. Diese Ziele werden in der Regel unter Berücksichtigung des institutionellen Kontexts der betreffenden Organisation festgelegt. Ein weiteres wichtiges Element ist, dass Risiken mit Unsicherheit verbunden sind, d.h. es ist ungewiss, ob das beschriebene Ereignis tatsächlich eintreten wird. Daher werden Risiken hinsichtlich der Eintrittswahrscheinlichkeit und der Folgen, also der Auswirkungen, die dieses Ereignis auf die Erreichung der festgelegten Ziele hat, gemessen. Die Risikobewertung sollte objektivere Informationen liefern, die letztendlich helfen, ein angemessenes Gleichgewicht zwischen der Verwirklichung von Gewinnchancen und der Minimierung nachteiliger Folgen zu finden. Risikomanagement ist ein wesentlicher Bestandteil der Führungspraxis und ein wichtiges Element ordnungsgemäßer Unternehmensführung. ). Dies ist ein iterativer Prozess, der idealerweise eine kontinuierliche Verbesserung des Entscheidungsprozesses ermöglicht und zur ständigen Leistungsverbesserung beiträgt.
Risiken sind auch mit der Qualität verbunden. Der Einsatz eines Qualitätsmanagementsystems sollte es ermöglichen, die Möglichkeiten verschiedener Quellen und Methoden zu nutzen, um ein Ergebnis eines bestimmten Qualitätsniveaus zu erzielen, das die Bedürfnisse der Nutzer erfüllt. Wie die Risiken können auch die Qualitätsniveaus aus dem institutionellen Umfeld und den Zielen bestimmter Einrichtungen abgeleitet werden. In diesem Zusammenhang bestimmt das institutionelle Umfeld das allgemeine Risikoniveau, das eine Organisation bereit ist, für die Erreichung ihrer Ziele zu tragen.
Der Prozess der Risikoabschätzung und -bewertung kann in verschiedene Phasen unterteilt werden, die die Kontextfestlegung, die Risikobestimmung, die Risikoanalyse hinsichtlich Wahrscheinlichkeit und Auswirkungen, die Risikobewertung und schließlich die Risikobehandlung umfassen.
2.1.1. Institutioneller Kontext
Im ersten Schritt ist es notwendig, den strategischen, organisatorischen Kontext und den Kontext des Risikomanagements festzulegen, innerhalb dessen der restliche Prozess stattfindet. Dazu gehört die Festlegung von Kriterien, nach denen die Risiken bewertet werden, sowie die Definition der Analyse-Struktur.
2.1.2. Risikoidentifikation
In der zweiten Phase müssen die Ereignisse bestimmt werden, die Einfluss auf das Erreichen der festgelegten Ziele haben können. Die Identifikation sollte Fragen zu Risikotypen, Zeitrahmen, Standort oder dazu, wie Ereignisse das Erreichen der Ziele verhindern, verschlechtern, verzögern oder verbessern können, umfassen.
2.1.3. Risikobewertung
Der nächste Schritt besteht darin, bestehende Kontroll- und Risikoanalyse-Mittel hinsichtlich der Wahrscheinlichkeit sowie der potenziellen Auswirkungen zu definieren. Im Kontext dieses Artikels wird die Wahrscheinlichkeit oder die Eintrittswahrscheinlichkeit von Risiken anhand einer Skala von 1 (unwahrscheinlich) bis 5 (häufig) bewertet. Die Auswirkung von Ereignissen wird auf einer Skala von 1 (gering) bis 5 (extrem) gemessen. Wie in Tabelle 1 dargestellt, ergibt das Produkt aus Wahrscheinlichkeit und Auswirkung den "Risiko-Level" in einem Bereich von 1 bis 25.
Die bewerteten Risikoniveaus können mit zuvor definierten Kriterien verglichen werden, um ein Gleichgewicht zwischen potenziellen Vorteilen und nachteiligen Ergebnissen zu finden. Dies ermöglicht es, Urteile über die Prioritäten im Management zu fällen.
Die Priorität für Maßnahmen sollte auf kritische Risiken gelegt werden (siehe Tabelle 2), also auf solche, die eintreten könnten und schwerwiegende oder extreme Folgen für die Ziele der Organisation haben.
2.1.4. Reaktion auf Risiken
Der letzte Schritt besteht darin, Entscheidungen darüber zu treffen, wie auf Risiken reagiert werden soll. Einige Risiken, die unter dem vordefinierten Risiko-Niveau liegen, können ignoriert oder toleriert werden. Bei anderen könnte die Neutralisierungskosten so hoch sein, dass sie die potenziellen Vorteile überwiegen. In diesem Fall kann die Organisation entscheiden, auf die entsprechende Tätigkeit zu verzichten. Risiken können auch an Dritte übertragen werden, etwa durch Versicherungen, die die angefallenen Kosten decken. Eine weitere Möglichkeit besteht darin, Risiken bei der Festlegung von Strategien und Maßnahmen zu berücksichtigen, die Kosten und potenzielle Vorteile ins Gleichgewicht bringen. So kann die Organisation entscheiden, Strategien umzusetzen, um Vorteile zu maximieren und potenzielle Kosten zu minimieren.
2.2. Qualitätssysteme
Eine Zielgruppe bestehend aus Vertretern nationaler und internationaler statistischer Organisationen entwickelte 2014 einen vorläufigen Qualitätsrahmen für Statistiken, die aus großen Datenquellen gewonnen werden. Diese Zielgruppe arbeitete unter dem Dach des UNECE/HLG-Projekts "Die Rolle großer Daten bei der Modernisierung der statistischen Produktion". Das Konzept erweitert bestehende Qualitätssysteme, die zur Bewertung von Statistiken aus administrativen Datenquellen erstellt 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 Eingabefase entspricht den Phasen "Entwurf" und "Erhebung" des GSBP, die Verarbeitung bezieht sich auf die Phasen "Prozess" und "Analyse", während die Ausgabe der Phase "Verbreitung" entspricht.
In der Struktur wird eine hierarchische Anordnung verwendet, die aus der administrativen Datenstruktur des Statistischen Amts der Niederlande übernommen wurde (7 Daas, P., S. Ossen, R. Vis-Visschers und J. Arends-Toth, (2009), Checkliste zur Qualitätsbewertung administrativer Datenquellen. Statistisches Amt der Niederlande, Den Haag/Heerlen). Qualitätsmessungen sind in eine hierarchische Struktur eingebettet, die als Hyperräume bezeichnet wird. Die drei spezifischen Hyperdimensionen sind „Quelle“, „Metadaten“ und „Daten“. Qualitätsmessungen werden diesen Hyperdimensionen zugeordnet und jedem Herstellungsschritt zugewiesen. Für die Eingabefase wurden zusätzliche Aspekte vorgeschlagen, darunter „Datenschutz und Vertraulichkeit“, „Komplexität“ (entsprechend der Datenstruktur), „Vollständigkeit“ der Metadaten und „Kohärenz“ (die Möglichkeit, Daten mit anderen Daten zu verknüpfen), um das Modell des Standardqualitätsstandards zu ergänzen. Für jede Qualitätskennzahl werden Faktoren vorgeschlagen, die sich auf deren Beschreibung beziehen, sowie mögliche Indikatoren.
Im Kontext dieses Artikels können Risiken aus diesen Faktoren ausgeschlossen werden. Zum Beispiel sind einige der Faktoren, die berücksichtigt werden müssen, um die Qualität der „institutionellen / geschäftlichen Umgebung“ zu messen, die Stabilität des Datenanbieters. Ein damit verbundener Risikofaktor könnte sein, dass die Daten in Zukunft möglicherweise nicht mehr beim Datenanbieter verfügbar sind. Ein weiteres Beispiel bezieht sich auf einen kürzlich vorgeschlagenen Aspekt der Qualität, nämlich Datenschutz und Sicherheit. Ein wesentlicher Faktor hierbei ist das „Wahrnehmung“, was mögliche negative Wahrnehmungen der angenommenen Nutzung bestimmter Datenquellen durch verschiedene Interessengruppen bedeutet.
3. Risiken im Zusammenhang mit dem Datenzugang
3.1. Fehlender Datenzugang
3.1.1. Beschreibung
Dieses Risiko besteht darin, dass das Projekt im Zusammenhang mit der Entwicklung von BOSP keinen Zugang zur erforderlichen Quelle großer Daten (BDS) erhält.
Bis jetzt hat OSC den schwierigen Weg zurückgelegt, dass selbst der Zugang zu den Startblöcken manchmal eine unüberwindbare Hürde darstellt. Manchmal ist der Zugang zu einer bestimmten Quelle, wie etwa den Anrufdatensätzen (CDR), für Test- oder Forschungszwecke einfach zu erhalten, aber viel schwieriger (aus rechtlichen oder kommerziellen Gründen), diesen Zugang zu Produktionszwecken zu erlangen.
3.1.2. Wahrscheinlichkeit
Die Wahrscheinlichkeit hängt wesentlich von den Eigenschaften des BDS ab. Bei umfassenden administrativen Daten kann sie nur 1 betragen, insbesondere wenn (wie im Fall der von Daas et al. untersuchten Verkehrsdaten) keine Probleme mit dem Datenschutz bestehen. Wenn der BDS einem privaten Individuum gehört, insbesondere wenn er sensibel (z. B. im Hinblick auf den Datenschutz) oder wertvoll (aus kommerzieller Sicht) ist, kann die Wahrscheinlichkeit sehr hoch sein (5).
3.1.3. Einfluss
Die Auswirkungen hängen von BOSP und der Nutzung von BDS ab. Wenn sich BDS im absoluten Zentrum befindet, können die Auswirkungen sehr hoch sein (4 = BOSP kann überhaupt nicht produziert werden), während sie geringer sein können, wenn die Produktion von BOSP weiterhin möglich ist (wenn auch mit niedrigerer Qualität), wobei man auf andere URB angewiesen ist, was zu einem Einflussbereich von 2-3 führt.
3.1.4. Prävention
Um das Risiko eines Zugangsverlusts zu verringern, sollten im Voraus Kontakte mit dem Datenanbieter geknüpft und eine langfristige Vereinbarung über den Datenzugang getroffen werden. Darüber hinaus sollte eine umfassende rechtliche Analyse durchgeführt werden, die auf der spezifischen Kombination von BDS und BOSP basiert. Auch die Möglichkeiten des Datenzugangs sollten im Hinblick auf bestehende oder zukünftige gesetzliche Regelungen bewertet werden.
3.1.5. Minderung
Wenn alternative BDS verfügbar sind, die für BOSP genutzt werden könnten, sollten diese in Betracht gezogen werden. Wenn es keinen Weg gibt, BOSP ohne BDS zu produzieren und der Zugang nicht überwunden werden kann, sollten die Bestrebungen eingestellt werden, und ein neuer BOSP wird nicht realisiert.
3.2. Datenzugang verlieren
3.2.1. Beschreibung
Dieses Risiko besteht darin, dass das statistische Management den BDS, der der BOSP zugrunde liegt, verliert.
3.2.2. Wahrscheinlichkeit
Wenn BOSP bereits hergestellt wird, besteht normalerweise eine gewisse Stabilität, und in einigen Fällen kann das Risiko sehr gering sein (1). Insbesondere im Falle von privaten Akteuren, mit denen nicht ausreichend feste Vereinbarungen getroffen wurden, steht jedoch nichts einer neuen Geschäftsführung im Weg, die beispielsweise die Datenrichtlinien ändert, was zu einem moderaten Risiko eines Ausbruchs führen kann (3). Darüber hinaus, wenn BDS mit instabilen Aktivitäten verbunden ist, besteht immer das Risiko, dass der Anbieter einfach bankrottgeht, und das Risiko kann sogar höher sein (4).
3.2.3. Einfluss
Da die bestehende BOSP möglicherweise nicht produziert werden kann, gibt es oft einen sehr starken Einfluss (5). In anderen Fällen, wo BDS unterstützend ist, kann der Einfluss eher in Form eines Qualitätsverlustes auftreten, mit einem Einflussbereich von 2-3.
3.2.4. Prävention
Die Präventionsstrategie ist ähnlich der Strategie ohne Zugang zu Daten, legt jedoch einen stärkeren Fokus auf ständige Wachsamkeit, auch in Produktionsbedingungen.
Alle Eier in einen Korb zu legen (d.h. mehrere BDS zu haben, die jedem BSOP zugrunde liegen) kann auch eine Strategie sein, aber sie kann entweder unpraktisch oder zu kostspielig sein.
3.2.5. Minderung
Wenn BDS das Ergebnis instabiler Aktivitäten ist, könnte schrittweise ein neues BDS verfügbar werden, das dasselbe soziale Phänomen widerspiegelt. Es wäre jedoch zu spät, mit dem «Marktscan» zu beginnen, sobald BSOP ausfällt; es bedarf ständiger Wachsamkeit – und das kann schwierig zu erreichen sein.
4. Risiko, das mit dem rechtlichen Umfeld verbunden ist
4.1. Nichteinhaltung der relevanten Gesetzgebung
4.1.1. Beschreibung
Dieses Risiko besteht in einem Projekt, das mit der Entwicklung von BOSP verbunden ist, bei dem die relevanten Gesetze nicht berücksichtigt werden, was das BOSP nicht konform mit der angegebenen Gesetzgebung macht. Dies kann die Datenschutzgesetze, Vorschriften bezüglich der Last von Reaktionen usw. betreffen.
4.1.2. Wahrscheinlichkeit
Angesichts des mangelnden Wissens von OSC über Big Data könnte es durchaus zu zufälligen (3) Compliance-Verstößen kommen. Die Wahrscheinlichkeit ist in der Regel mit der BDS verbunden, da je weniger "sensibel" die Quelle ist, desto geringer die Wahrscheinlichkeit eines Verstoßes.
4.1.3. Einfluss
Der Einfluss ist in der Regel kritisch (4), da für die betroffene Produktion eine Einstellung des BOSP erforderlich ist (oder, falls es noch nicht in die Umsetzungsphase eingetreten ist, die Entwicklung eingestellt werden muss). Dies kann sogar extrem (5) sein, da die Reputationsrisiken, die durch nicht konforme ("illegale") offizielle Statistiken entstehen, Konsequenzen haben können.
4.1.4. Prävention
Für jeden BOSP ist eine gründliche rechtliche Analyse erforderlich – und dies geschieht in mehreren Phasen (was in der Entwicklungs- oder Erkundungsphase akzeptabel ist, kann in der Implementierungs- oder Produktionsphase möglicherweise nicht der Fall sein). Dies kann wiederum dazu führen, dass der BOSP neu gestaltet wird, um sicherzustellen, dass er den Anforderungen entspricht.
4.1.5. Minderung
Je nach Schwere des Verstoßes kann der erste Schritt darin bestehen, den BOSP in den Offline-Modus zu versetzen.
Die Neugestaltung von BOSP, um dessen Kompatibilität zu gewährleisten, könnte eine Option sein, aber ob BOSP auf diese Weise "gerettet" wird, hängt stark von der Art der Inkonsistenz ab.
4.2. Ungünstige Veränderungen im rechtlichen Umfeld
4.2.1. Beschreibung
Es könnte neue Gesetzgebung eingeführt werden, die sich auf das entwickelte BOSP bezieht, was das BOSP faktisch inkompatibel macht.
4.2.2. Wahrscheinlichkeit
Es ist nicht auszuschließen, dass Befürworter erhöhter Datenschutzmaßnahmen neue Anforderungen durchsetzen, die direkt oder indirekt die Möglichkeit zur Erstellung bestimmter BOSP beeinflussen. Eine Wahrscheinlichkeit im Bereich von 2-3 scheint eine realistische Einschätzung zu sein.
4.2.3. Einfluss
Der Einfluss ist im Allgemeinen kritisch (4), insofern als die inkonsistente Erstellung eine Aussetzung des BOSP erfordern würde.
4.2.4. Prävention
Bestimmte Geschäftsinformationen sollten regelmäßig erfasst werden, um die Entwicklung der Gesetzgebung zu überwachen — möglicherweise auch, um darauf Einfluss zu nehmen, indem Argumente für offizielle Statistiken auf relevanten (z. B. beratenden) Foren vorgebracht werden.
4.2.5. Minderung
Wenn proaktive Überwachung durchgeführt wurde, könnte Zeit für ein Reengineering des BOSP zur Verfügung stehen, um es ab dem ersten Tag der Inkraftsetzung an die neuen gesetzlichen Vorgaben anzupassen.
Wenn hingegen keine Überwachung stattfand und die neuen Gesetze eine "Überraschung" darstellen — oder wenn das Gesetz so radikal ist, dass keine Möglichkeit besteht, den BOSP anzupassen — könnte die einzige Option darin bestehen, den BOSP auszuschalten.
5. Risiken in Bezug auf Datenschutz und Datensicherheit
5.1. Datenpannen
5.1.1. Beschreibung
Dieses Risiko bezieht sich auf den unbefugten Zugriff auf Daten, die in statistischen Verwaltungen gespeichert sind. Dritte könnten auf embargo-behaftete Daten zugreifen, beispielsweise aufgrund der Veröffentlichung eines Zeitplans. (9 Für jede BOSP, die vollständig auf einer einzelnen BDS basiert, ist es unvermeidlich, dass die Daten implizit dem ursprünglichen Dateninhaber bekannt sind. Wenn die Methodik transparent ist, wird auch die abgeleitete Statistik bekannt sein. Diese Situation wird hier nicht behandelt, sondern vielmehr im Zusammenhang mit den Risiken des Missbrauchs von Befugnissen durch die Eigentümer.) (10 Darüber hinaus könnten diese Daten ein Risiko für die Verletzung der Vertraulichkeit darstellen. Dieses Risiko wird separat betrachtet.). Es könnte sich beispielsweise um Daten handeln, die von Investoren auf dem Aktienmarkt erwartet werden.
5.1.2. Wahrscheinlichkeit
Was die technischen Aspekte des Schutzes der IT-Umgebung in der statistischen Abteilung betrifft, so hat das Risiko die gleiche Wahrscheinlichkeit für BDSs wie für traditionelle Quellen. Es gibt jedoch zwei zusätzliche Aspekte, die berücksichtigt werden müssen.
Erstens steigt bei einigen BDS das allgemeine Risiko leicht, da die Datensicherheit beim ursprünglichen Eigentümer gefährdet sein kann. Dies kann beispielsweise auf Industriespionage oder Hacking zurückzuführen sein.
Zweitens, sobald potenziell wertvolle Daten im Büro gespeichert werden, erhöht sich das Risiko, dass böswillige Absichten geweckt 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 einstellen, sodass 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), abhängig von der Quelle der Daten.
5.1.3. Einfluss
Der potenzielle Rufschaden kann erheblich sein (5). Was im Fall von BDS wichtig ist, ist, dass, wenn eine Sicherheitsverletzung beim ursprünglichen Eigentümer auftritt, die Auswirkungen auf den Ruf des statistischen Managements voraussichtlich geringer sein werden als bei einer Verletzung von Daten, die in seinem Besitz sind.
Andererseits kann ein Verstoß im statistischen Management negative Auswirkungen auf den ursprünglichen Besitzer haben. In diesem Fall könnte es erneut zu starken negativen Auswirkungen auf das Vertrauen zwischen dem Anbieter und dem statistischen Management kommen (5).
5.1.4. Prävention
Ein besonderes Merkmal des BDS-Falls ist, dass die Sicherheitsverfahren des ursprünglichen Eigentümers angemessen sein können. Es ist unwahrscheinlich, dass die statistischen Ämter Prüfungsbefugnisse erhalten, um dies zu kontrollieren. Eigentümer, deren Daten zur Erstellung von Aufzeichnungen mit vertraulichen Veröffentlichungsplänen verwendet werden, sollten über die Auswirkungen potenzieller Sicherheitsverletzungen in ihren Räumlichkeiten für die amtliche Statistik informiert werden und eine offizielle Garantie erhalten, dass angemessene Sicherheitsverfahren angewendet werden.
Ein direkter Weg, um schwerwiegende Auswirkungen von Sicherheitsverletzungen im Besitz des Eigentümers auf das statistische Management zu verhindern, besteht darin, mehrere Quellen für dasselbe Produkt zu nutzen, sodass eine einzige kompromittierte Quelle nicht ausreicht, um die finale Zahl zu erhalten. Der Vorteil dieses Ansatzes liegt darin, dass eine größere Kontrolle im Bereich des statistischen Managements liegt.
Um negative Folgen einer Sicherheitsverletzung im statistischen Büro für den ursprünglichen Datenbesitzer zu vermeiden, besteht der Ansatz darin, einen Arbeitsweg zu finden, der die Übermittlung von potenziell sensiblen Daten an die statistische Verwaltung ausschließt. In ihrem Rohformat. Ein möglicher präventiver Ansatz ist die Verwendung aggregierter Daten. Es ist jedoch zu beachten, dass bestimmte Formen der Aggregation, wie solche, die zur Verhinderung der Identifizierung einzelner Mitglieder der Bevölkerung gedacht sind, in diesem Fall möglicherweise nicht geeignet sind. Ein Grund dafür könnte sein, dass das Risiko für den Besitzer mit dem kommerziellen Wert der Daten verbunden ist, der auch nach Erreichung der Anonymität erheblich sein kann.
5.1.5. Minderung
Im Falle eines Datenverstoßes, der unter der Aufsicht der statistischen Verwaltung steht, werden die Maßnahmen zur Minderung der Auswirkungen dieselben sein wie bei traditionellen Quellen, es sei denn, es gab einen negativen Einfluss auf den ursprünglichen Besitzer.
Im Falle negativer Folgen für den ursprünglichen Eigentümer muss die statistische Verwaltung ihre Sicherheitsverfahren überprüfen und verstärken sowie ihr Engagement klar kommunizieren und demonstrieren.
Wenn der Vorfall in den Räumlichkeiten des ursprünglichen Eigentümers stattgefunden hat, sollte die zuständige statistische Stelle die Situation klar kommunizieren und auf die Verbesserung der Sicherheitsmaßnahmen des Eigentümers drängen. Gegebenenfalls kann auch nach einem alternativen Anbieter gesucht werden.
5.2. Datenmissbrauch
5.2.1. Beschreibung
Dies ist das Risiko, dass die Vertraulichkeit einer oder mehrerer Personen aus der statistischen Gesamtheit verletzt wird. Dies kann durch Angriffe auf die IT-Infrastruktur aufgrund von Druck durch andere staatliche Stellen oder unzureichende Kontrollen zur Offenlegung statistischer Daten verursacht werden.
5.2.2. Wahrscheinlichkeit
Wie im Fall des Risikos eines Datenmissbrauchs ändern sich die technischen Bedingungen für die Speicherung von Mikrodaten bei der Hinzufügung von BDS nicht wesentlich. Auch hier gibt es jedoch Warnhinweise.
Mikrodaten aus bestimmten Datenquellen können einen hohen geschäftlichen Wert besitzen, weshalb deren Speicherung die Wahrscheinlichkeit von Angriffen erhöht.
Darüber hinaus können einige Mikrodaten potenziell sehr nützlich für andere öffentliche Einrichtungen sein, wie etwa für Strafverfolgungsbehörden, das Finanzwesen oder das Gesundheitswesen. Unter bestimmten Umständen könnte das Bekenntnis zur statistischen Vertraulichkeit einem erheblichen Druck ausgesetzt sein.
Was die Aufsicht über die Offenlegung statistischer Informationen betrifft, so gibt es bereits eine etablierte Praxis. BDS kann es ermöglichen, Statistiken für kleine Untergruppen der Bevölkerung zu erstellen oder aggregierte Daten aus verschiedenen BDS zu verknüpfen, was das Risiko erhöhen könnte. Neuartige Quellen erfordern jedoch neue methodologische Entwicklungen, weshalb die reale Gefahr besteht, dass die Methodologie zur Kontrolle der Informationsoffenlegung nicht angemessen aktualisiert wird.
Insgesamt kann die Wahrscheinlichkeit bei vernünftigen präventiven Maßnahmen auf einem angemessenen Niveau gehalten werden. Angesichts der Vielzahl unterschiedlicher Faktoren scheint die entsprechende Einschätzung jedoch darauf hinzudeuten, dass die Wahrscheinlichkeit hoch ist (4).
5.2.3. Einfluss
Der potenzielle Reputationsschaden kann erheblich sein (5). Wie beim Risiko eines Datenschutzvorfalls können Verstöße im Bereich des Statistischen Managements negative Folgen für den ursprünglichen Eigentümer haben. Der Einfluss eines solchen Ereignisses könnte hier sogar größer sein, insbesondere wenn die aktuellen Trends in der öffentlichen Meinung anhalten. Auch die Schäden in der Beziehung zwischen Datenanbieter und statistischem Management werden voraussichtlich erheblich sein.
5.2.4. Prävention
Der fehlerfreie Weg, um das Risiko vollständig zu vermeiden, besteht darin, überhaupt keine Mikrodaten aus BDS zu haben (obwohl die Speicherung anderer Mikrodaten weiterhin mit entsprechenden Risiken verbunden ist, jedoch mit anderer Wahrscheinlichkeit und Einfluss).Dieser Ansatz, ähnlich dem Risiko von Datenschutzverletzungen, erfordert die Entwicklung neuer Methoden zur Datennutzung für statistische Zwecke. Darüber hinaus wird die unterschiedliche Natur der Quellen bedeuten, dass neue Methodologien entwickelt werden müssen, um sowohl möglichst viele nützliche Informationen zu extrahieren als auch die Privatsphäre vor Gefahren zu schützen.
Bei der Speicherung von Mikrodaten müssen die IT-Sicherheitsmechanismen und Zugangskontrollen auf dem erforderlichen Niveau sein und kontinuierlich überwacht werden. Besonderes Augenmerk sollte auf die Sicherheit neuer Datenzugriffsmethoden gelegt werden. Ironischerweise kann eine solcher neuer Zugang die physische Transportierung von Speichergeräten (z. B. Festplatten) sein. Wenn diese Methode verwendet wird, muss die Lieferung physisch gesichert werden und es sollte Verschlüsselung eingesetzt werden.
5.2.5. Minderung
Die Minderungsmaßnahmen sind hier im Grunde die gleichen wie im Fall eines Datenmissbrauchs. Wenn der Grund für den Vorfall Druck von einer anderen Behörde ist, sollte die Gelegenheit genutzt werden, um die Unabhängigkeit des Managements zu stärken, damit solche Vorfälle in Zukunft noch schwieriger werden.
5.3. Umgang mit Datenquellen
5.3.1. Beschreibung
Drittanbieter-Daten, wie beispielsweise soziale Mediendaten oder freiwillig bereitgestellte Informationen, sind dem Risiko der Manipulation ausgesetzt. Dies kann sowohl durch den Datenanbieter selbst als auch durch Dritte geschehen. So können beispielsweise viele falsche Meldungen in sozialen Medien erstellt werden, um statistische Indizes, die auf diesen Daten basieren, in einer bestimmten Weise zu beeinflussen, insbesondere wenn bekannt ist, dass der Index aus solchen Daten berechnet wird.
Bei freiwillig bereitgestellten Daten kann es vorkommen, dass Freiwillige eine spezifische Interessengruppe mit einer bestimmten Agenda vertreten.
5.3.2. Wahrscheinlichkeit
Für Daten, deren Manipulation erhebliche Vorteile bringen könnte, ist die Wahrscheinlichkeit höher. Dazu gehören Informationen, für die die Statistiken von Interesse sind, wie beispielsweise der Aktienmarkt. Angesichts der jüngsten Skandale im Zusammenhang mit LIBOR und Forex kann angenommen werden, dass solange ein Anreiz besteht, die Wahrscheinlichkeit von Manipulationsversuchen hoch bleibt.
Für eine Statistik, die auf freiwillig bereitgestellten Daten basiert, muss man nur einen Blick auf die jüngste PR-Praxis werfen, in der Menschen angeheuert werden, die vorgeben, eine bestimmte Meinung zu haben und dafür bezahlt werden, um diese öffentlich zu äußern (z. B. in Internetforen). Daraus lässt sich ableiten, dass die Wahrscheinlichkeit nicht gering ist. Insgesamt erscheint eine Zahl zwischen 3 und 4 angemessen.
5.3.3. Einfluss
Ein großes Problem bei Manipulationen besteht darin, dass sie lange unentdeckt bleiben können. Wenn Manipulationen über einen längeren Zeitraum andauern, kann der Einfluss auf die Qualität erheblich werden. Darüber hinaus kann der Schaden des öffentlichen Vertrauens in offizielle Statistiken ebenfalls groß sein, insbesondere wenn die Rolle der statistischen Ämter als Anbieter qualitativ hochwertiger Daten öffentlich hervorgehoben wird. Andererseits kann, wenn Manipulationen rechtzeitig entdeckt und veröffentlicht werden, dies tatsächlich die öffentliche Wahrnehmung verbessern. Abgesehen von extrem schlechten Fällen kann man den maximalen Einfluss (3) annehmen.
5.3.4. Prävention
Die regelmäßige Durchführung von Kontrollen mit alternativen Quellen ist einer der präventiven Ansätze. Diese alternativen Quellen können traditionell oder anders sein. Der Einsatz von Statistiken, die auf einer Kombination von Quellen basieren, kann verhindern, dass signifikante Auswirkungen von Manipulationen auftreten. In Fällen, in denen Bedenken hinsichtlich manipulativer Maßnahmen eines Anbieters bestehen, könnten auch rechtliche Vereinbarungen eine Möglichkeit darstellen, solche Praktiken zu verhindern.
5.3.5. Minderung
In Bezug auf den Schaden für die öffentlichen Beziehungen unterscheiden sich die hier zu ergreifenden Minderungmaßnahmen kaum von den Gegenmaßnahmen, die in jeder Krisensituation ergriffen werden sollten.
In Bezug auf die Datenqualität wäre es hilfreich, wenn vergangene Daten so korrigiert werden könnten, dass selbst bei erheblicher Verzögerung die korrekte Reihe wiederhergestellt werden kann.
Es ist wichtig, regelmäßige Benchmarks durchzuführen, um potenzielle Probleme frühzeitig zu erkennen. Beachten Sie, dass das Ziel einer solchen Analyse in diesem Fall etwas anders ist als bei der Prävention. Bei der Prävention ist es wichtig, schnell verdächtige Abweichungen zwischen den Benchmark-Daten und den BDS-Daten zu erkennen und zu untersuchen. Um die Auswirkungen zu mildern, sind historische nützliche Daten von großem Wert.
Darüber hinaus sollte darauf geachtet werden, zukünftige Manipulationen zu vermeiden – in besonders heiklen Fällen kann dies bedeuten, potenziell redundante Daten von mehreren Anbietern für einen Vergleich zu sammeln.
5.4. Negative öffentliche Wahrnehmung der Nutzung großer Daten durch offizielle Statistiken
5.4.1. Beschreibung
Die Medien und die breite Öffentlichkeit sind sehr sensibilisiert für Fragen des Datenschutzes und der Nutzung personenbezogener Daten aus umfangreichen Datenquellen, insbesondere im Kontext der sekundären Datennutzung durch staatliche Stellen, die administrative oder rechtliche Maßnahmen gegen Bürger ergreifen. Eine negativ wahrgenommene Verwendung könnte die Geschwindigkeitskontrolle auf Basis der Analyse von Navigationsdaten sein (11 Siehe ).
Der spezifische Fall von TomTom Netherlands führte zu einem erheblichen Rückgang der Nachfrage nach TomTom-Geräten und veranlasste das Unternehmen, den Zugang zu den Daten einzuschränken. In diesem speziellen Fall bezogen sich die Daten auf Einzelpersonen, jedoch auf Geschwindigkeitslevels in bestimmten Straßenabschnitten.
Dennoch kann es Anwendungen mit großen Datenmengen geben, die von der Öffentlichkeit positiv wahrgenommen werden. Ein Beispiel dafür sind Anwendungen, die Verbrechen wie Einbrüche auf Basis von Big-Data-Methoden verhindern.
Sowohl positive als auch negative öffentliche Meinungen können einen erheblichen Einfluss auf die Verwendung von BDS im Kontext der Erstellung offizieller Statistiken haben.
Folgen einer negativen öffentlichen Wahrnehmung können sein:
- BDS steht den statistischen Ämtern nicht mehr zur Verfügung, entweder aufgrund von Entscheidungen des Datenanbieters oder staatlichen Beschlüssen, die die Nutzung der Daten verhindern, oder
- die Nutzung der Daten ist eingeschränkt, was die Erstellung von Statistiken behindern kann, wenn bestimmte BOSP betroffen sind.
5.4.2. Wahrscheinlichkeit
Faktoren, die die Wahrscheinlichkeit eines solchen Ereignisses oder dessen Einfluss auf die Erstellung von Statistiken beeinflussen können:
- Datenschutz, d.h. wie einfach Personen identifiziert werden können;
- Umfang der Informationen, die die Daten über Einzelpersonen offenbaren, z.B. 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. Geldstrafen für Geschwindigkeitsübertretungen;
- eine unklare rechtliche Umgebung, in der Datenanbieter und -nutzer tätig sind, oder wenn rechtliche Rahmenbedingungen mit gesellschaftlichen ethischen Überzeugungen/Standards in Konflikt stehen;
- der Grad der Abhängigkeit von einer bestimmten Datenquelle zur Gewinnung von Statistiken; in der Erkundungsphase kann dieser Faktor eine untergeordnete Rolle spielen. Dennoch kann er sich erheblich auf die Gewinnung von Statistiken in späteren Phasen auswirken und sollte daher auch in der Erkundungsphase berücksichtigt werden. Ein Problem könnte darin bestehen, dass das endgültige Ausmaß der Datennutzung zu Beginn unbekannt ist, da Datenquellen potenziell mehr als einem statistischen Bereich dienen können.
Die Einschätzung unerwünschter Ereignisse ist nicht möglich, da die Mobilisierung der Öffentlichkeit oft durch die Berichterstattung über Ereignisse ausgelöst wird, die einen negativen Einfluss auf die Bürger haben. Mit dem zunehmenden Einsatz von Big Data durch Regierungen und private Unternehmen, und insbesondere mit aktivem Marketing von Daten für andere Zwecke als die, für die sie ursprünglich gesammelt wurden, ist es wahrscheinlicher, dass solche Ereignisse eintreten.
Ereignisse, die die öffentliche Wahrnehmung stark beeinflussen, sind nicht häufig, sondern eher zufällig (3) und fernliegend (2). Mit der zunehmenden Nutzung großer Datenquellen wird auch die Wahrscheinlichkeit steigen.
5.4.3. Einfluss
Die Auswirkungen eines Ereignisses hängen stark von den zuvor besprochenen Faktoren ab. Insgesamt ist der Einfluss auf bereits bestehende Datenproduktionen gravierender, 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 aktuellen Nutzung von Big Data scheint es, als könnten diese Quellen die traditionellen Datenquellen nicht vollständig ersetzen, sondern vielmehr die bestehenden Statistiken ergänzen. Dies würde die Auswirkungen der Ereignisse verringern. Daher wird der Einfluss eines Ereignisses in einem Spektrum von 2 (geringfügig) bis 3 (wesentlich) betrachtet. In der Produktionsphase kann der Einfluss auf bis zu 4 (kritischer Wert) steigen.
5.4.4. Prävention
Präventive Maßnahmen können die Definition von ethischen Grundsätzen für Big Data in der amtlichen Statistik umfassen. Ethische Leitlinien sollten auf Prinzipien basieren wie dem Kodex für europäische Statistik oder den grundlegenden Prinzipien der amtlichen Statistik. Ein weiterer Schritt besteht darin, eine Kommunikationsstrategie zu entwickeln, die die Ergebnisse der ethischen Leitlinien für die Öffentlichkeit veröffentlicht und zur Information der Interessengruppen über die ethische Nutzung von BDS für BOSP verwendet werden kann.
Eine separate Risikobewertung für spezifische BDS kann durchgeführt werden, um Risiken zu identifizieren und präventive oder mildernde Maßnahmen auf Grundlage ethischer Grundsätze vorzuschlagen. Eine separate Risikobewertung kann auch Interessengruppen einbeziehen, wie Datenschutzbehörden, um sicherzustellen, dass alle Risiken identifiziert und die Maßnahmen gerechtfertigt sind.
5.4.5. Milderung
Die Kommunikationsstrategie sollte auch Maßnahmen für den Fall eines zunehmenden negativen öffentlichen Engagements beinhalten. Eine separate Risikobewertung sollte positive Anwendungsbeispiele für Daten sowie Maßnahmen zur Verhinderung von Datenmissbrauch sammeln, die auf politischer Ebene zwingend berücksichtigt werden müssen, wobei die statistische Gemeinschaft möglicherweise nicht in der Lage ist, hierauf effektiv Einfluss zu nehmen.
5.5. Vertrauensverlust — nicht durch Beobachtung gewonnen
5.5.1. Beschreibung
Nutzer offizieller Statistiken haben in der Regel ein hohes Vertrauen in die Genauigkeit und Verlässlichkeit statistischer Daten. Dies beruht auf der Tatsache, dass die Erstellung statistischer Daten in eine zuverlässige und öffentlich zugängliche methodische Grundlage sowie in Dokumentationen zur Qualität des statistischen Produkts eingebettet ist. Darüber hinaus basieren die meisten statistischen Daten auf Beobachtungen, d.h. sie werden durch Erhebungen oder Volkszählungen gewonnen, die eine leicht verständliche Verbindung zwischen Beobachtung und statistischen Daten herstellen. Die Verwendung von BDS, die nicht für statistische Zwecke erhoben werden, birgt das Risiko, dass diese Beziehungen verloren gehen und die Nutzer das Vertrauen in die Daten offizieller Statistiken verlieren. Ein Beispiel, das sich auf die letzte Runde (2010) der Volkszählung bezieht, ist, dass in einigen Ländern statistische Daten mit Hilfe mehrerer Quellen und statistischer Modelle ermittelt wurden. In mehreren Fällen haben Interessengruppen die statistischen Daten angefochten.
5.5.2. Wahrscheinlichkeit
Die Wahrscheinlichkeit eines Risikos hängt von Faktoren wie der Komplexität des statistischen bzw. 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 auftreten kann.
5.5.3. Einfluss
Der Einfluss der Entstehung eines Risikos wird erheblich davon abhängen, ob die NSOs in der Lage sind, die Genauigkeit und Zuverlässigkeit der statistischen Daten erfolgreich nachzuweisen. Sollte dies nicht möglich sein, kann die Auswirkung in Bezug auf den Verlust von Vertrauen auch andere statistische Bereiche betreffen, d. h. nicht nur die Zuverlässigkeit bestimmter statistischer Daten, sondern auch die Glaubwürdigkeit der gesamten Organisation in Frage stellen. NSOs würden damit ihren Wettbewerbsvorteil gegenüber anderen privaten Organisationen in diesem Bereich verlieren.
5.5.4. Prävention
Präventive Maßnahmen bestehen in der Entwicklung und Veröffentlichung einer wissenschaftlich fundierten Methodologie, die von der wissenschaftlichen Gemeinschaft anerkannt wird, um die Daten mit qualitativ hochwertigen Metadaten anzureichern, die Konsistenz von BOSP mit Nicht-BOSP sicherzustellen und strenge Qualitätskontrollen durchzuführen.
Bevor die statistische Produktion beginnt, könnte BOSP als experimentell veröffentlicht werden, und es wäre ratsam, dass Interessengruppen BOSP anfechten, um es zu bestätigen oder zu verbessern.
5.5.5. Minderung
Es gibt zwei Fälle, die zu unterscheiden sind. Falls die statistischen Daten angefochten werden, aber von hoher / ausreichender Qualität (korrekt / genau) sind, wäre es ausreichend, die statistischen Daten zu erklären und der Öffentlichkeit verständliche Beispiele zu präsentieren.
6. Risiken im Zusammenhang mit Fähigkeiten
6.1. Mangel an Fachkräften
6.1.1. Beschreibung
Die Analyse der digitalen Spuren, die Menschen während ihrer Aktivitäten hinterlassen, erfordert bestimmte Datenanalysetools, die derzeit in der offiziellen Statistik nicht weit verbreitet sind. Erstens erfordert die Nutzung indirekter Daten über menschliche Aktivitäten anstelle von direkten Befragungen in Umfragen den Einsatz statistischer Modelle und damit Fähigkeiten in den Bereichen Schlussfolgerungen und maschinelles Lernen. Zweitens bestehen diese digitalen Aufzeichnungen aus Daten, die oft nicht im gewöhnlichen Tabellenformat vorliegen, das typischerweise für Umfrageergebnisse verwendet wird, mit Zeilen, die den statistischen Einheiten entsprechen, und Spalten, die spezifische Merkmale dieser statistischen Einheiten enthalten. Digitale Spuren werden auch in Form von Text, Audio, Bildern und Videos dargestellt. Das Extrahieren relevanter statistischer Informationen aus diesen Datentypen erfordert Kenntnisse in der Verarbeitung natürlicher Sprache, der Audiobearbeitung und der Bildverarbeitung. Drittens neigen diese Datenquellen dazu, massive Datensätze bereitzustellen, deren Verarbeitung ein gutes Verständnis der Methoden verteilter Datenverarbeitung erfordert.
Das Risiko eines Fachkräftemangels besteht darin, Daten aus einer dieser neuen umfangreichen Datenquellen zu gewinnen, da die statistischen Ämter nicht in der Lage sind, diese angemessen zu verarbeiten und zu analysieren, weil ihrem Personal die erforderlichen Fähigkeiten fehlen.
6.1.2. Wahrscheinlichkeit
Die Wahrscheinlichkeit dieses Risikos hängt von drei Faktoren ab: 1) den spezifischen Arten von Fähigkeiten, die für jeden Typ von Big Data-Quelle erforderlich sind, und der Wahrscheinlichkeit, dass die statistischen Ämter die Möglichkeit finden, eine solche Quelle zu untersuchen; 2) der aktuellen Verfügbarkeit der erforderlichen Fähigkeiten in den statistischen Ämtern; und 3) der Unternehmenskultur der statistischen Ämter.
Was die Arten von Fähigkeiten betrifft, die erforderlich sein könnten, ist anzumerken, dass nicht alle Quellen alle oben genannten Fähigkeiten verlangen. Einige (zum Beispiel Google Trends-Daten) benötigen keine verteilten Berechnungen, da sie bereits vom Dateninhaber vorab verarbeitet wurden oder Signalverarbeitungsfähigkeiten haben und hauptsächlich statistisches Modellieren erfordern. Dennoch gibt es eine große Vielfalt an Quellen für Big Data, für die in den meisten Fällen Fähigkeiten in verteilten Berechnungen, Signalverarbeitung und maschinellem Lernen erforderlich sind. Gleichzeitig erfordert die korrekte Untersuchung dieser digitalen Spuren die Verarbeitung mehrerer Quellen. Daher ist es sehr wahrscheinlich, dass die großen Datenquellen, die für statistische Analysen zugänglich werden, diese ungewöhnlichen Fähigkeiten benötigen, und die Wahrscheinlichkeit dieses Risikos ist sehr hoch (5).
Hinsichtlich der aktuellen Verfügbarkeit der erforderlichen Fähigkeiten hängt dies von der jeweiligen Statistikbehörde ab. Selbst wenn die Umfragemethodik weniger verbreitet ist als die Umfragemethodik, wird sie dennoch in der amtlichen Statistik in bestimmten Bereichen verwendet. Daher, auch wenn dies eine gewisse Umverteilung von personellen Ressourcen erfordern könnte, können die Statistikbehörden möglicherweise eigenständig Lösungen finden. Was die Fähigkeiten in der verteilten Datenverarbeitung betrifft, die hauptsächlich mit IT verbunden sind, hängen diese davon ab, wie die IT-Infrastruktur in der Organisation verwaltet wird. Je nachdem, wie die IT-Abteilung strukturiert ist, können Lösungen im Kontext bestehender Vereinbarungen gefunden werden. Dennoch sind Fähigkeiten in der Signalverarbeitung und im maschinellen Lernen in den meisten offiziellen Statistikbehörden in der Regel nicht vorhanden, und die Anwendung dieser Fähigkeiten kann nicht extern vergeben werden, da sie von Experten auf dem Gebiet der Statistik angewendet werden müssen. Aus dieser Perspektive erscheint die Wahrscheinlichkeit dieses Risikos ebenfalls sehr hoch.
Die Unternehmenskultur wird ebenfalls die Wahrscheinlichkeit dieses Risikos beeinflussen. Das Vorhandensein von Mitarbeitern, die bereit sind, die notwendigen Fähigkeiten durch Selbstlernen zu erwerben, kann der Organisation ermöglichen, auf Situationen mit neuen Datenquellen zu reagieren, die Fähigkeiten erfordern, die über das Gewöhnliche hinausgehen. Dies hängt von der Unternehmenskultur des statistischen Managements ab, insbesondere davon, ob sie die Mitarbeiter dazu ermutigt, neue Fähigkeiten zu erlernen, und ob genügend Zeit für das Selbststudium eingeräumt wird.
Daher wird die Wahrscheinlichkeit, dass das statistische Management neue Datenquellen aufgrund fehlender Fähigkeiten seiner Mitarbeiter nicht verarbeiten und analysieren kann, zwischen wahrscheinlich (4) und häufig (5) liegen, je nach der Kultur des Selbstlernens in der Organisation.
6.1.3. Einfluss
Ein statistisches Management, das aufgrund mangelnder Fähigkeiten seiner Mitarbeiter große Datenquellen nicht verarbeiten und analysieren kann, könnte zwei mögliche negative Folgen haben: 1) Die Datenquelle wird nicht umfassend untersucht; 2) Die Quelle wird möglicherweise falsch genutzt.
Das Fehlen der Möglichkeit, das volle Potenzial einer wertvollen Quelle großer Daten zu erschließen, wird kurzfristig nur geringe Auswirkungen haben (2), da statistische Ämter tatsächlich über statistische Werkzeuge verfügen, um den aktuellen Bedürfnissen gerecht zu werden. Langfristig (und möglicherweise sogar mittelfristig) werden die Folgen des Verlusts dieser Möglichkeit jedoch entscheidend sein (4), da statistische Ämter zunehmend mit der Konkurrenz privater Anbieter konfrontiert sind, die nicht über die gleiche institutionelle Struktur verfügen, die es ihnen erlaubt, der Gesellschaft eine Unabhängigkeit der statistischen Daten zu garantieren.
Jedoch kann eine falsche Nutzung der Datenquelle äußerst negative Konsequenzen für die statistischen Ämter nach sich ziehen, da die offizielle Statistik in hohem Maße von ihrem Ruf bei der Erfüllung ihrer Aufgaben abhängt. Dennoch können wir sagen, dass die wesentliche Fähigkeit, deren Fehlen zu falschen Ergebnissen führen kann, das statistische Schlussfolgern ist, insbesondere das modellbasierte Schlussfolgern, das ebenfalls weniger wahrscheinlich 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) Ausbildung; und 2) Rekrutierung.
Statistische Ämter können dem Personal die erforderlichen Fähigkeiten vermitteln, indem sie die für die Nutzung großer Datenquellen in der statistischen Produktion notwendigen Fähigkeiten detailliert festlegen, eine Liste der bestehenden Fähigkeiten des Personals erstellen, den Fortbildungsbedarf ermitteln und dann Schulungskurse organisieren.
Statistikbehörden können auch neue Mitarbeiter mit den erforderlichen Fähigkeiten einstellen. Dies scheint jedoch erhebliche Einschränkungen zu haben, da Statistikbehörden möglicherweise nicht die kritische Masse an Personal erreichen, die benötigt wird, wenn die Verwendung großer Datenquellen in der Abteilung weit verbreitet ist, und neue Mitarbeiter mehrere Jahre benötigen, um das Erfahrungsniveau der bestehenden Mitarbeiter zu erreichen. Dennoch könnten zumindest einige der neuen Mitarbeiter, die im Rahmen der regulären Personalaktualisierung eingestellt werden, über Fähigkeiten im Bereich Big Data verfügen.
6.1.5. Minderung
Um in der Situation, dass neue Quellen großer Daten ohne Mitarbeiter mit den erforderlichen Fähigkeiten verfügbar sind, die negativen Auswirkungen zu mildern, können Statistikbehörden dies auf zwei Arten tun: 1) Untervergabe; und 2) Kooperation.
Statistische Ämter können Verträge zur Datenverarbeitung und Analyse neuer Quellen von Big Data 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 solcher Daten spezialisiert haben. Allerdings birgt diese Lösung bestimmte Risiken, da statistische Ämter weniger Kontrolle über die Erstellung potenziell sensibler statistischer Produkte haben. Ein weiterer Nachteil dieser Lösung besteht darin, dass sie es den Mitarbeitenden der statistischen Ämter nicht ermöglicht, die erforderlichen Fähigkeiten zu erlernen und zu erwerben.
Die Zusammenarbeit mit anderen Organisationen, die über Mitarbeiter mit den erforderlichen Fähigkeiten verfügen und ebenfalls an der Erschließung großer Datenquellen interessiert sind, erweist sich als vielversprechende Lösung. Diese Zusammenarbeit kann in Form von gemeinsamen Projekten zwischen den Mitarbeitern der statistischen Ämter und den Mitarbeitern anderer Organisationen stattfinden, wobei Kenntnisse geteilt werden. Dies würde nicht nur das Risiko eines Fachkräftemangels verringern, sondern auch den Mitarbeitern der statistischen Ämter ermöglichen, diese Fähigkeiten zu erwerben.
6.2. Abwanderung von Experten zu anderen Organisationen
6.2.1. Beschreibung
Dieses Risiko besteht darin, dass statistische Ämter ihr Personal an andere Organisationen verlieren, nachdem diese Kenntnisse im Umgang mit großen Daten erworben haben.
6.2.2. Wahrscheinlichkeit
Die Wahrscheinlichkeit dieses Risikos hängt von zwei Faktoren ab: 1) den bestehenden attraktiven Möglichkeiten in Organisationen außerhalb der amtlichen Statistik; 2) den Arbeitsbedingungen in den statistischen Ämtern.
Was die Möglichkeiten in Organisationen außerhalb der offiziellen Statistiken betrifft, erscheint das Risiko als wahrscheinlich (4). Es gibt eine hohe Nachfrage nach Fachkräften mit Kenntnissen in Big Data im Privatsektor sowie in anderen Organisationen des öffentlichen Sektors. Nach dem Erwerb von Fähigkeiten im Umgang mit Big Data werden die offiziellen Statistiken einen vergleichbaren Vorteil erlangen, indem sie erfahrene Fachleute im Bereich Statistik sind. Neben spezifischen Fähigkeiten im Umgang mit Big Data benötigen andere Organisationen Daten-Spezialisten mit traditionelleren Fähigkeiten, wie die Erfassung der Nutzerbedürfnisse und die Entwicklung von Schlüssel-Leistungsindikatoren (KPI), die für offizielle Statistiker üblich sind. Darüber hinaus wird erwartet, dass Mitarbeiter, die eher bereit sind, neue Fähigkeiten zu erlernen, auch diejenigen sind, die sich besser für Veränderungen in ihrer Karriere öffnen und die Statistikbehörde verlassen werden.
Die Arbeitsbedingungen in statistischen Ämtern hängen offensichtlich hauptsächlich vom jeweiligen Büro ab. Dennoch bieten statistische Ämter insgesamt nach wie vor attraktive berufliche Möglichkeiten für Menschen mit quantitativen Fähigkeiten. Sie bieten das größte Spektrum an möglichen Tätigkeitsfeldern sowie die größte Auswahl an Daten zur Bearbeitung. Dies mindert in gewissem Maße die Wahrscheinlichkeit, dass statistische Ämter aufgrund unvorhergesehener Umstände ihr Personal verlieren (3).
6.2.3. Einfluss
Die Auswirkungen dieses Risikos sind ähnlich wie das Risiko eines Mangels an Mitarbeitern mit den entsprechenden Fähigkeiten. Daher wird die Wirkung als kritisch angesehen (4), wie oben angegeben.
6.2.4. Prävention
Offensichtlich besteht die einzige Möglichkeit für statistische Ämter, dieses Risiko zu vermeiden, darin, attraktive Arbeitsbedingungen für ihre Mitarbeiter zu schaffen. Dies gilt im Allgemeinen für das gesamte Personal. Im konkreten Fall, wenn die Mitarbeiter bereit sind, neue Fähigkeiten zu erlernen, insbesondere im Bereich Big Data, können die Arbeitsbedingungen verbessert werden, indem ihnen Weiterbildungsmöglichkeiten angeboten werden, in denen sie ihre beruflichen Interessen weiterentwickeln können. Statistische Ämter sollten auch darauf achten, offen für neue innovative Projekte und Ideen zu sein, die mit neuen Quellen von Big Data verbunden sind, die von Statistiken in verschiedenen Bereichen stammen. Schließlich wird die Vermeidung von Fachkräfteabwanderungen zu anderen Organisationen, basierend auf ihren Fähigkeiten im Umgang mit Big Data, von der richtigen Identifizierung des Personals abhängen, das in der Lage und bereit ist, mit solchen Daten zu arbeiten, sowie von der Bereitstellung guter Möglichkeiten für ihre berufliche Entwicklung.
6.2.5. Minderung
Das Risiko, dass das Personal nicht über die erforderlichen Fähigkeiten verfügt, wird wie folgt verringert: 1) Subunternehmer; und 2) Zusammenarbeit.
7. Diskussion
Aus dieser ersten Übersicht wird deutlich, dass es unmöglich ist, eine einheitliche Wahrscheinlichkeit oder Auswirkung für das sogenannte „Big Data-Risiko“ festzulegen – in der Regel hängen beide Werte stark von der Quelle der großen Daten sowie von den „offiziellen Statistiken auf Basis großer Daten“ ab.
Produkt „.
Somit kommen wir zu dem Schluss, dass der nächste logische Schritt in diese Richtung die Einführung einer Reihe möglicher Pilotprojekte ist (von denen jedes eine Kombination aus einem oder mehreren BDS und einem oder mehreren BDOS umfasst), um einen Ausgangspunkt zu schaffen und – für jedes dieser Pilotprojekte – die Wahrscheinlichkeit und die Auswirkungen jedes Risikos zu bewerten.
Zu diesem Zweck stehen wir vor der Einführung einer Umfrage unter den Interessengruppen, um die Risiken der OSC sowohl in Bezug auf Wahrscheinlichkeit als auch auf Auswirkungen (sowie mögliche Maßnahmen zur Vermeidung / Minderung) hinsichtlich einer Reihe möglicher Pilotprojekte zu bewerten – und um Vorschläge der OSC zu den Risiken zu erbitten, die wir in dieses Dokument nicht aufgenommen haben.
8. VERWEISQUELLENUNECE (2014), «Ein vorgeschlagenes Rahmenwerk für die Qualität von Big Data», Ergebnisse des UNECE Task Teams zur Big Data-Qualität,
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 offiziellen Statistiken erkunden»,
Daas, P., S. Ossen, R. Vis-Visschers und J. Arends-Toth, (2009), Checkliste zur Qualitätsbewertung von Verwaltungsdatenquellen, Statistik Niederlande, Den Haag/Heerlen
Dorfman, Mark S. (2007), Einführung in das Risikomanagement, Cambridge, UK, Woodhead-Faulkner, S. 18, ISBN 0-85941-332-22)
Eurostat (2014), «Akkreditierungsverfahren für statistische Daten aus nicht-offiziellen Quellen» in Analyse von Methoden zur Nutzung des Internets zur Sammlung von Informationen zur Gesellschaft und anderen Statistiken,
Reimsbach-Kounatze, C. (2015), „Die Verbreitung von „Big Data“ und die Auswirkungen auf offizielle Statistiken und statistische Ämter: Eine vorläufige Analyse“, OECD Digital Economy Papers, Nr. 245, OECD Publishing.
Reis, F., Ferreira, P., Perduca, V. (2014) «Die Nutzung von Webaktivitätsnachweisen zur Erhöhung der Aktualität von offiziellen Statistikindikatoren», Papier auf der IAOS 2014-Konferenz präsentiert,
Auch wenn Risiken nicht ausdrücklich erwähnt werden, behandelt dieses Dokument in der Tat die vielen Risiken, die mit der Nutzung von Webaktivitätsdaten für offizielle Statistiken verbunden sind. Eurostat (2007), Handbuch zu Methoden und Werkzeugen zur Bewertung der Datenqualität,
Quelle: habr.com
