{"id":75636,"date":"2020-03-27T07:42:42","date_gmt":"2020-03-27T05:42:42","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki"},"modified":"2020-03-27T07:42:42","modified_gmt":"2020-03-27T05:42:42","slug":"strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki","title":{"rendered":"Strukturierung von Risiken und L\u00f6sungen bei der Nutzung von Big Data zur Gewinnung offizieller Statistiken","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Vorwort des \u00dcbersetzers<\/i><\/p>\n

Das Material hat mich vor allem wegen der folgenden Tabelle interessiert:<\/p>\n

\"Strukturierung
\n
\nAngesichts der Tatsache, dass Statistiker (und russische Statistiker sind genetisch dazu veranlagt), gelinde gesagt, alles meiden, was von einer linearen Abh\u00e4ngigkeit abweicht, haben es diese Jungs geschafft, die Verwendung einer Aktivierungsfunktion in parabolischer Form einzuf\u00fchren, um das Risiko der Nutzung von Big Data in der offiziellen Statistik zu bestimmen. Gute Arbeit. Nat\u00fcrlich haben die Statistiker ihren Kommentar zu dieser Arbeit hinzugef\u00fcgt: \u201e1 Alle Fehler und Auslassungen liegen in der alleinigen Verantwortung der Autoren. Die in diesem Dokument ge\u00e4u\u00dferten Meinungen spiegeln nicht unbedingt die offizielle Position der Europ\u00e4ischen Kommission wider.\u201c Aber die Arbeit wurde ver\u00f6ffentlicht. Ich denke, das ist f\u00fcr heute genug, und sie (die Autoren) haben niemandem verboten, ihre Skalen in diesen Aspekten zu finden.<\/p>\n

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 gr\u00f6\u00dfte Nutzen dieser Arbeit in der Diskussion mit dem Auftraggeber liegen, um seine Aussagen wie folgt zu widerlegen:<\/p>\n

\u2014 Und was m\u00f6chten Sie hier noch erforschen? Wir sammeln selbst die Statistiken.
\n \u2014 Stellen Sie uns Ihre Ergebnisse so vor, dass wir sie mit unseren Statistiken abgleichen k\u00f6nnen. In dieser Angelegenheit empfehlen die Autoren, diese Arbeit zu lesen (3 Wie gro\u00df ist Big Data? Die Rolle von Big Data in offiziellen Statistiken erkunden<\/a><\/noindex>)<\/p>\n

In dieser Arbeit haben die Autoren ihre Einsch\u00e4tzung des Risikoniveaus angegeben. Dieser Parameter steht in Klammern und ist nicht mit den Quellenangaben zu verwechseln.<\/p>\n

Zweite Beobachtung. Die Autoren verwenden den Begriff BDS \u2013 das ist das \u00c4quivalent des Begriffs Big Data. (anscheinend ein Hinweis auf die offizielle Statistik).
\n<\/a><\/noindex>
\nVorwort der Autoren<\/i><\/p>\n

Immer mehr statistische \u00c4mter pr\u00fcfen die M\u00f6glichkeit, gro\u00dfe Datenquellen zur Erstellung offizieller Statistiken zu nutzen. Derzeit gibt es nur wenige Beispiele, in denen diese Quellen vollst\u00e4ndig in die tats\u00e4chliche statistische Produktion integriert wurden. Daher ist das volle Ausma\u00df der Auswirkungen ihrer Integration noch nicht bekannt. In der Zwischenzeit wurden erste Versuche unternommen, die Bedingungen und den Einfluss gro\u00dfer Daten auf verschiedene Aspekte der statistischen Produkte, wie Qualit\u00e4t oder Methodologie, zu analysieren. K\u00fcrzlich hat eine Arbeitsgruppe eine qualitativ hochwertige Grundlage zur Erstellung statistischer Daten auf Basis gro\u00dfer Daten im Rahmen des Big Data-Projekts der Wirtschaftskommission f\u00fcr Europa der Vereinten Nationen (ECE-UN) entwickelt. Laut dem europ\u00e4ischen Statistikkodex ist die Bereitstellung von hochwertigen statistischen Informationen eine zentrale Aufgabe der statistischen \u00c4mter. Da Risiko als Einfluss von Unsicherheit auf Ziele definiert wird (zum Beispiel durch die internationale Normungsorganisation ISO 31000), hielten wir es f\u00fcr sinnvoll, die Risiken entsprechend den Qualit\u00e4tsdimensionen, auf die sie wirken, zu kategorisieren.
\nDie vorgeschlagene Struktur zur Qualit\u00e4t statistischer Daten, die aus gro\u00dfen Datenquellen gewonnen werden, bietet eine strukturierte Darstellung der Qualit\u00e4t, die mit allen Phasen des statistischen Gesch\u00e4ftsprozesses verbunden ist. Sie kann somit als Grundlage f\u00fcr eine umfassende Bewertung und das Risikomanagement im Zusammenhang mit diesen neuen Datenquellen dienen. Neue qualitative Messgr\u00f6\u00dfen, die spezifisch f\u00fcr die Nutzung von Big Data in der amtlichen Statistik sind, wie institutionelle bzw. gesch\u00e4ftliche Umgebungen oder Komplexit\u00e4t, werden eingef\u00fchrt. Mit diesen neuen qualitativen Messgr\u00f6\u00dfen k\u00f6nnen Risiken, die mit der Nutzung gro\u00dfer Datenquellen in der amtlichen Statistik verbunden sind, systematischer identifiziert werden.<\/p>\n

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 Qualit\u00e4tsmodells. Indem wir uns auf neu vorgeschlagene Qualit\u00e4tsmessungen konzentrieren, k\u00f6nnen wir Risiken beschreiben, die derzeit nicht existieren oder keinen Einfluss auf die Erstellung offizieller Statistiken haben. Gleichzeitig k\u00f6nnen wir aktuelle Risiken definieren, die bei der Nutzung von Big Data zur Erhebung von Statistiken ganz anders bewertet werden. Anschlie\u00dfend gehen wir weiter im Risikomanagementzyklus und geben eine Bewertung von Wahrscheinlichkeit und Einfluss dieser Risiken ab. Da die Risikobewertung eine Subjektivit\u00e4t in ihrer Zuschreibung impliziert, messen wir die \u00dcbereinstimmung zwischen Dutzenden von verschiedenen, unabh\u00e4ngig bereitgestellten Interessengruppen. Danach schlagen wir Optionen zur Minderung dieser Risiken in \u00dcbereinstimmung mit vier Hauptkategorien vor: Vermeidung, Verminderung, Mitteilung und Beibehaltung. Laut ISO sollte eines der Prinzipien des Risikomanagements die Wertsch\u00f6pfung sein, d. h. die Ressourcen zur Risikominderung sollten geringer sein als die f\u00fcr das Nichtstun. Im Einklang mit diesem Prinzip werden wir schlie\u00dflich die potenziellen Auswirkungen einiger Risikominderungsma\u00dfnahmen auf die Qualit\u00e4t der Endergebnisse bewerten, um zu einer umfassenderen Einsch\u00e4tzung der Nutzung von Big Data f\u00fcr die offizielle Statistik zu gelangen.<\/p>\n

1. Einleitung<\/h2>\n

<\/p>\n

1.1. Hintergrund<\/h4>\n

\nDie Entwicklung der \"gro\u00dfen Daten\" wurde von Kenneth Neil Cukier und Viktor Mayer-Sch\u00f6nberger in ihrem Artikel \"Das Wachstum gro\u00dfer Daten\" charakterisiert. www.foreignaffairs.com\/articles\/139104\/kenneth-neil-cukier-and-viktor-mayer-schoenberger\/therise-of-big-data<\/a><\/noindex>Der Begriff \"Datafication\" beschreibt den Prozess, \"alle Aspekte des Lebens in Daten zu verwandeln\". Zum Beispiel bietet Facebook pers\u00f6nliche Netzwerke, Sensoren f\u00fcr verschiedene Umweltbedingungen, Smartphones f\u00fcr pers\u00f6nliche Kommunikation und Bewegungen sowie tragbare Daten f\u00fcr individuelle Bed\u00fcrfnisse. Dies f\u00fchrt zu einer fast universellen Datensammlung und -verf\u00fcgbarkeit.<\/p>\n

Wie in vielen anderen Sektoren wird das Thema Big Data erst seit kurzem auf strategischer Ebene in der offiziellen Statistik er\u00f6rtert. Es gibt noch kein gemeinsames und weit verbreitetes Verst\u00e4ndnis dar\u00fcber, wie man vorankommen kann, ob es sich um eine Herausforderung oder eine M\u00f6glichkeit handelt, ob sie klein oder gro\u00df ist usw. Im Rahmen der Hochrangigen Gruppe zur Modernisierung der statistischen Produktion und Dienstleistungen (3 Wie gro\u00df sind Big Data? Untersuchung der Rolle von Big Data in der offiziellen Statistik: www1.unece.org\/stat\/platform\/download\/attachments\/99484307\/VirtualSprintBigDatapaper.docx?version=1&modificationDate=1395217470975&api=v2<\/a><\/noindex>), eine erste SWOT-Analyse, begleitet von einer groben Risiko-Nutzen-Analyse, wurde durchgef\u00fchrt. Es wurde festgestellt, dass eine umfassende Risikoanalyse auch Aspekte wie Wahrscheinlichkeit und Auswirkungen einbeziehen wird und m\u00f6glicherweise erweitert wird, um Strategien zur Risikominderung und -verwaltung zu definieren.<\/p>\n

Obwohl dieses Dokument noch weit von einer vollst\u00e4ndigen Risikoanalyse entfernt ist, zielt es darauf ab, die Situation durch die Schaffung eines ersten strukturierten \u00dcberblicks zu verbessern. Wir m\u00f6chten betonen, dass dieser \u00dcberblick als Ausgangspunkt f\u00fcr eine allgemeine Diskussion innerhalb der Offiziellen Statistischen Gemeinschaft (OSC) betrachtet werden sollte.<\/p>\n

1.2. Bereich<\/h4>\n

\nDieser Artikel besch\u00e4ftigt sich ausschlie\u00dflich mit Risiken und l\u00e4sst nicht nur Vorteile, sondern auch St\u00e4rken, Schw\u00e4chen, Chancen und Bedrohungen au\u00dfen vor. Das bedeutet, dass \"Risiken durch Unterlassung\" (zum Beispiel das Risiko, dass OSC im Wettbewerb mit anderen Akteuren zur\u00fcckf\u00e4llt, wenn es nicht modernisiert wird) nicht in den Anwendungsbereich fallen; dies sind eher Bedrohungen. Stattdessen versuchen wir, die Risiken hervorzuheben, die entstehen k\u00f6nnen (a) wenn OSC die durch Big Data gebotenen M\u00f6glichkeiten nutzt und damit beginnt, ein konkretes \"Produkt offizieller Statistiken auf Basis von Big Data\" (BOSP) zu entwickeln oder zu verbessern; (b) Risiken f\u00fcr das neue \"normale Gesch\u00e4ft\", das hei\u00dft Risiken f\u00fcr die offizielle Statistik, die auf der Produktion von \"Big Data\" beruht. (Da alle Produktionen offizieller Statistiken mit Risiken verbunden sind, beschr\u00e4nken 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.)<\/p>\n

1.3. Struktur<\/h4>\n

\nIn Abschnitt 2 pr\u00e4sentieren wir die grundlegenden Prinzipien, die mit dieser Aufgabe verbunden sind, beginnend mit der unverzichtbaren Basis f\u00fcr Risikomanagement und -bewertung (Abschnitt 2.1). Wir stellen ebenfalls einen vorl\u00e4ufigen Qualit\u00e4tsrahmen f\u00fcr die statistischen Daten vor, die auf Big Data basieren (Abschnitt 2.2), da die Verkn\u00fcpfung von Qualit\u00e4tsstruktur mit Risiken zwei Ziele erf\u00fcllt:<\/p>\n