{"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\/es\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki","title":{"rendered":"Estructuraci\u00f3n de riesgos y soluciones en el uso de BigData para la obtenci\u00f3n de estad\u00edsticas oficiales","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p><i>Prefacio del traductor<\/i><\/p>\n<p>Me interes\u00f3 este material, principalmente por la tabla a continuaci\u00f3n:<\/p>\n<p><img decoding=\"async\" alt=\"Estructuraci\u00f3n de riesgos y soluciones en el uso de BigData para la obtenci\u00f3n de estad\u00edsticas oficiales\" src=\"\/wp-content\/uploads\/2020\/03\/e39f7d729696e704d437fca4d74b3d9d.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nTeniendo en cuenta que a los estad\u00edsticos (y los rusos, gen\u00e9ticamente hablando) no les gusta, por decirlo suavemente, todo lo que se aparta de la dependencia lineal, estos chicos lograron incorporar el uso de funciones de activaci\u00f3n en forma parab\u00f3lica para determinar el grado de riesgo de usar Big Data en la estad\u00edstica oficial. Bien hecho. Naturalmente, los estad\u00edsticos a\u00f1adieron su nota a este trabajo: \u00ab1 Cualquier error u omisi\u00f3n es responsabilidad exclusiva de los autores. Las opiniones expresadas en este documento son personales y no necesariamente reflejan la postura oficial de la Comisi\u00f3n Europea\u00bb. Pero el trabajo fue publicado. Creo que por hoy esto es suficiente, y ellos (los autores) no prohibieron a nadie buscar sus escalas en estos aspectos.<\/p>\n<p>El trabajo se puede dividir de manera bastante estructurada en d\u00f3nde y c\u00f3mo los m\u00e9todos estad\u00edsticos difieren de los m\u00e9todos de investigaci\u00f3n para Big Data. En mi opini\u00f3n, el mayor beneficio de este trabajo ser\u00e1 en las conversaciones con el cliente y para refutar sus afirmaciones como:<\/p>\n<p> \u2014 Nosotros mismos recopilamos la estad\u00edstica, \u00bfqu\u00e9 m\u00e1s quieren investigar?<br \/>\n \u2014 Ustedes pres\u00e9ntenos sus resultados de tal manera que podamos conciliarlos con nuestra estad\u00edstica. En este tema, los autores sugieren que ser\u00eda bueno leer este trabajo (3 <noindex><a rel=\"nofollow\" href=\"http:\/\/www1.unece.org\/stat\/platform\/download\/attachments\/99484307\/Virtual%20Sprint%20Big%20Data%20paper.docx?version=1&amp;modificationDate=1395217470975&amp;api=v2\">\u00bfQu\u00e9 tan grande es Big Data? Explorando el papel de Big Data en las estad\u00edsticas oficiales<\/a><\/noindex>)<\/p>\n<p>En este trabajo, los autores han expresado su visi\u00f3n sobre el nivel de riesgo. Este par\u00e1metro est\u00e1 entre par\u00e9ntesis, no confundir con referencia a fuentes.<\/p>\n<p>Segunda observaci\u00f3n. Los autores utilizan el t\u00e9rmino BDS, que es un an\u00e1logo del concepto Big Data. (parece un gui\u00f1o a la estad\u00edstica oficial).<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><br \/>\n<i>Prefacio de los autores<\/i><\/p>\n<p>Un n\u00famero creciente de oficinas de estad\u00edsticas est\u00e1 explorando la posibilidad de utilizar grandes fuentes de datos para la preparaci\u00f3n de estad\u00edsticas oficiales. Actualmente, existen solo unos pocos ejemplos en los que estas fuentes han sido completamente integradas en la producci\u00f3n estad\u00edstica real. Por lo tanto, el alcance completo de las consecuencias de su integraci\u00f3n a\u00fan no se ha determinado. Mientras tanto, se han realizado los primeros intentos de analizar las condiciones y el impacto de los grandes datos en diversos aspectos de la producci\u00f3n estad\u00edstica, como la calidad o la metodolog\u00eda. Recientemente, un grupo de trabajo desarroll\u00f3 una base cualitativa para la preparaci\u00f3n de datos estad\u00edsticos basada en grandes datos en el contexto del proyecto de grandes datos de la Comisi\u00f3n Econ\u00f3mica para Europa de las Naciones Unidas (CEPE ONU). De acuerdo con el c\u00f3digo de pr\u00e1ctica estad\u00edstica europeo, proporcionar informaci\u00f3n estad\u00edstica de alta calidad es una tarea fundamental para las oficinas de estad\u00edsticas. Dado que el riesgo se define como la influencia de la incertidumbre en los objetivos (por ejemplo, la norma internacional ISO 31000), consideramos apropiado categorizar los riesgos de acuerdo con las dimensiones de calidad que afectan. <br \/>\nLa estructura de calidad propuesta para los datos estad\u00edsticos obtenidos de grandes fuentes de datos proporciona una representaci\u00f3n estructurada de la calidad en todos los etapas del proceso de negocio estad\u00edstico y, por lo tanto, puede servir como base para una evaluaci\u00f3n integral y gesti\u00f3n de los riesgos asociados con estas nuevas fuentes de datos. Introduce nuevas dimensiones cualitativas que son espec\u00edficas para el uso de grandes datos para estad\u00edsticas oficiales, como el entorno institucional\/empresarial o la complejidad. Al utilizar estas nuevas dimensiones cualitativas, es posible identificar de manera m\u00e1s sistem\u00e1tica los riesgos asociados con el uso de grandes fuentes de datos en estad\u00edsticas oficiales.<\/p>\n<p>En este trabajo, buscamos identificar los riesgos asociados con el uso de grandes datos en el contexto de la estad\u00edstica oficial. Adoptamos un enfoque sistem\u00e1tico para definir los riesgos dentro de la estructura de calidad propuesta. Centr\u00e1ndonos en las nuevas m\u00e9tricas de calidad sugeridas, podemos describir riesgos que actualmente est\u00e1n ausentes o que no afectan la producci\u00f3n de estad\u00edsticas oficiales. Al mismo tiempo, podemos identificar los riesgos actuales que ser\u00e1n evaluados de manera completamente diferente al usar grandes datos para obtener estad\u00edsticas. Luego avanzamos en el ciclo de gesti\u00f3n de riesgos y proporcionamos una evaluaci\u00f3n de la probabilidad y el impacto de estos riesgos. Dado que la evaluaci\u00f3n de riesgos implica una subjetividad en su atribuci\u00f3n, medimos la probabilidad y el impacto de los diferentes riesgos mediante el consenso entre decenas de partes interesadas diferentes, proporcionadas de manera independiente. Posteriormente, proponemos opciones para mitigar estos riesgos de acuerdo con cuatro categor\u00edas principales: evitar, reducir, compartir y retener. Seg\u00fan la ISO, uno de los principios de la gesti\u00f3n de riesgos debe ser la creaci\u00f3n de valor, es decir, los recursos destinados a mitigar los riesgos deben ser inferiores a los de la inacci\u00f3n. De acuerdo con este principio, finalmente realizaremos una evaluaci\u00f3n del posible impacto de algunas medidas de mitigaci\u00f3n sobre la calidad de los resultados finales, con el objetivo de llegar a una evaluaci\u00f3n m\u00e1s integral del uso de grandes datos para la estad\u00edstica oficial.<\/p>\n<h2>1. Introducci\u00f3n<\/h2>\n<p><\/p>\n<h4>1.1. Antecedentes<\/h4>\n<p>\nEl desarrollo de \"grandes datos\" fue caracterizado por Kenneth Neil Cukier y Viktor Mayer-Sch\u00f6nberger en su art\u00edculo \"El crecimiento de los grandes datos\" (2. <noindex><a rel=\"nofollow\" href=\"http:\/\/www.foreignaffairs.com\/articles\/139104\/kenneth-neil-cukier-and-viktor-mayer-schoenberger\/therise-of-big-data\">www.foreignaffairs.com\/articles\/139104\/kenneth-neil-cukier-and-viktor-mayer-schoenberger\/the-rise-of-big-data<\/a><\/noindex>) el t\u00e9rmino \"dataficaci\u00f3n\". La dataficaci\u00f3n se describe como el proceso de \"tomar todos los aspectos de la vida y convertirlos en datos\". Por ejemplo, Facebook proporciona redes personales, sensores para todo tipo de condiciones ambientales, tel\u00e9fonos inteligentes para la comunicaci\u00f3n personal y los desplazamientos, y datos port\u00e1tiles para condiciones personales. Esto conduce a la recopilaci\u00f3n y disponibilidad de datos casi omnipresentes.<\/p>\n<p>Al igual que en muchos otros sectores, la estad\u00edstica oficial solo ha comenzado a abordar recientemente el problema de los grandes datos a un nivel estrat\u00e9gico. A\u00fan no hay un entendimiento com\u00fan y ampliamente aceptado sobre el camino a seguir, ya sea un desaf\u00edo u oportunidad, sea peque\u00f1o o grande, etc. En el marco del Grupo de Alto Nivel sobre la Modernizaci\u00f3n de la Producci\u00f3n y los Servicios Estad\u00edsticos (3 \u00bfQu\u00e9 tan grandes son los Grandes Datos? Explorando el papel de los Grandes Datos en la Estad\u00edstica Oficial: <noindex><a rel=\"nofollow\" href=\"http:\/\/www1.unece.org\/stat\/platform\/download\/attachments\/99484307\/Virtual%20Sprint%20Big%20Data%20paper.docx?version=1&amp;modificationDate=1395217470975&amp;api=v2\">www1.unece.org\/stat\/platform\/download\/attachments\/99484307\/VirtualSprintBigDatapaper.docx?version=1&amp;modificationDate=1395217470975&amp;api=v2<\/a><\/noindex>), se realiz\u00f3 un an\u00e1lisis FODA inicial acompa\u00f1ado de un an\u00e1lisis preliminar de riesgos\/beneficios. Se observ\u00f3 que 'un an\u00e1lisis completo de riesgos tambi\u00e9n incluir\u00eda aspectos como la probabilidad y el impacto, y podr\u00eda ampliarse para identificar estrategias para mitigar y gestionar los riesgos'.<\/p>\n<p>Aunque este documento est\u00e1 lejos de ser un an\u00e1lisis completo de riesgos, busca mejorar la situaci\u00f3n mediante la creaci\u00f3n de la primera revisi\u00f3n estructurada. Nos gustar\u00eda enfatizar que esta revisi\u00f3n debe considerarse como un punto de partida para fomentar un debate general dentro de la Comunidad Estad\u00edstica Oficial (OSC).<\/p>\n<h4>1.2. \u00c1mbito<\/h4>\n<p>\nEste art\u00edculo se centra exclusivamente en los riesgos, excluyendo no solo los beneficios, sino tambi\u00e9n las fortalezas y debilidades, oportunidades y amenazas. Esto significa que 'los riesgos de la inacci\u00f3n' (por ejemplo, el riesgo de que la OSC quede fuera de competencia con otros actores si no se moderniza) no est\u00e1n incluidos en el alcance; son m\u00e1s bien amenazas. En su lugar, intentamos resaltar los riesgos que pueden surgir (a) si la OSC utiliza las oportunidades que ofrecen los grandes datos y comienza a desarrollar o mejorar un 'producto oficial de estad\u00edstica basado en grandes datos' (BOSP); (b) los riesgos para el nuevo 'negocio habitual', es decir, los riesgos para la estad\u00edstica oficial basada en la producci\u00f3n de 'grandes datos'. (Dado que toda la producci\u00f3n de estad\u00edstica oficial est\u00e1 relacionada con riesgos, nos limitamos a (b) a los 'riesgos espec\u00edficos de grandes datos', es decir, riesgos que no existen o son insignificantes para el proceso 'tradicional' de recolecci\u00f3n de estad\u00edstica oficial.)<\/p>\n<h4>1.3. Estructura<\/h4>\n<p>\nEn la secci\u00f3n 2 presentamos los principios fundamentales relacionados con esta tarea, comenzando con la base claramente necesaria para la gesti\u00f3n de riesgos y la administraci\u00f3n de riesgos (secci\u00f3n 2.1). Tambi\u00e9n presentamos una estructura preliminar de calidad de los datos estad\u00edsticos obtenidos a partir de grandes datos (secci\u00f3n 2.2), ya que vincular la estructura de calidad con los riesgos cumple con dos objetivos:<\/p>\n<ul>\n<li>Establece el contexto para la definici\u00f3n de riesgos. Ciertos indicadores de calidad junto con las caracter\u00edsticas discutidas expresan los valores del objeto que se consideran importantes y decisivos para la prestaci\u00f3n de servicios a clientes y usuarios.<\/li>\n<li>Esto permite asignar riesgos espec\u00edficos a mediciones de calidad, que est\u00e1n incrustadas en espacios hiperespaciales y vinculadas a etapas particulares en el proceso de producci\u00f3n de productos estad\u00edsticos.<\/li>\n<\/ul>\n<p>\nEn las secciones 3, 4, 5 y 6, presentamos los riesgos identificados hasta ahora en varios contextos (4 Los documentos del caso de negocio del proyecto ESS Big Data, as\u00ed como en las redes ESS Big Data, contienen una lista de riesgos, parcialmente relacionados con el proyecto y parcialmente con el uso de fuentes de grandes datos para fines estad\u00edsticos. El documento \u00abUn marco sugerido para la calidad de los grandes datos\u00bb menciona algunos riesgos relacionados con dimensiones de calidad.). Aqu\u00ed utilizamos la clasificaci\u00f3n de acceso a datos, el entorno legal, la privacidad y seguridad de los datos, as\u00ed como las habilidades; la reorganizaci\u00f3n de acuerdo con la estructura de calidad de la estad\u00edstica obtenida de grandes datos (secci\u00f3n 2.2) debe considerarse de inmediato, tan pronto como esta estructura alcance un estado m\u00e1s completo. Para cada uno de los riesgos identificados, proporcionamos (i) una evaluaci\u00f3n de la probabilidad, as\u00ed como el impacto (de acuerdo con la secci\u00f3n 2.1.3) y (ii) proponemos estrategias para mitigar y gestionar riesgos (ver secci\u00f3n 2.1.4).<\/p>\n<p>Al final, discutiremos nuestras conclusiones y trazaremos algunos pasos siguientes en la Secci\u00f3n 7<\/p>\n<h2>2. Fundamentos<\/h2>\n<p><\/p>\n<h4>2.1. Riesgos y gesti\u00f3n de riesgos<\/h4>\n<p>\nSeg\u00fan la norma ISO 31000: 20095, el riesgo se define como \"el efecto de la incertidumbre sobre los objetivos establecidos\". Esto significa que los objetivos deben estar definidos o ser conocidos antes de que se puedan identificar los riesgos. Estos objetivos generalmente se determinan teniendo en cuenta el contexto institucional de la organizaci\u00f3n correspondiente. Otro aspecto importante es que los riesgos conllevan una caracter\u00edstica de incertidumbre, es decir, no est\u00e1 claro si el evento descrito ocurrir\u00e1. As\u00ed, los riesgos se miden en funci\u00f3n de la probabilidad de que ocurra el evento y sus consecuencias, es decir, el impacto que tiene este evento en el logro de los objetivos establecidos. La evaluaci\u00f3n de riesgos debe proporcionar informaci\u00f3n m\u00e1s objetiva que, en \u00faltima instancia, permita encontrar el adecuado equilibrio entre la realizaci\u00f3n de oportunidades de ganancias y la minimizaci\u00f3n de efectos adversos. La gesti\u00f3n de riesgos es una parte integral de la pr\u00e1ctica de gesti\u00f3n y un elemento importante de la debida pr\u00e1ctica corporativa (6 Statistics Canada: 2014-2015 report on Plans and Priorities, <noindex><a rel=\"nofollow\" href=\"http:\/\/www.statcan.gc.ca\/aboutapercu\/rpp\/2014-2015\/s01p06-eng.htm\">www.statcan.gc.ca\/aboutapercu\/rpp\/2014-2015\/s01p06-eng.htm<\/a><\/noindex>). Este es un proceso iterativo que, idealmente, permite mejorar continuamente el proceso de toma de decisiones y contribuye a la mejora constante del rendimiento.<\/p>\n<p>Los riesgos tambi\u00e9n est\u00e1n relacionados con la calidad. La aplicaci\u00f3n de un sistema de calidad debe permitir aprovechar las oportunidades que ofrecen diversas fuentes y metodolog\u00edas para lograr un resultado de cierto nivel de calidad en el sentido de que este resultado satisface las necesidades de los usuarios. Al igual que los riesgos, los niveles de calidad pueden derivarse del entorno institucional y de los objetivos de ciertas instituciones. En este contexto, el entorno institucional define el nivel general de riesgo que la organizaci\u00f3n est\u00e1 dispuesta a asumir para alcanzar sus objetivos.<\/p>\n<p>El proceso de evaluaci\u00f3n y gesti\u00f3n de riesgos puede dividirse en diversas etapas, que incluyen el establecimiento del contexto, la identificaci\u00f3n de riesgos, el an\u00e1lisis de riesgos en t\u00e9rminos de probabilidad e impacto, la evaluaci\u00f3n de riesgos y, por \u00faltimo, el tratamiento de riesgos.<\/p>\n<h4>2.1.1. Contexto institucional<\/h4>\n<p>\nComo primer paso, es necesario establecer el contexto estrat\u00e9gico, organizativo y de gesti\u00f3n de riesgos en el que se llevar\u00e1 a cabo el resto del proceso. Esto incluye el establecimiento de criterios por los cuales se evaluar\u00e1n los riesgos y la definici\u00f3n de la estructura del an\u00e1lisis.<\/p>\n<h4>2.1.2. Identificaci\u00f3n del riesgo<\/h4>\n<p>\nEn la segunda etapa, se deben identificar los eventos que pueden afectar el logro de los objetivos establecidos. La identificaci\u00f3n debe incluir cuestiones relacionadas con el tipo de riesgos, el momento del evento, el lugar o c\u00f3mo los eventos pueden prevenir, empeorar, retrasar o mejorar el logro de los objetivos.<\/p>\n<h4>2.1.3. Evaluaci\u00f3n del riesgo<\/h4>\n<p>\nEl siguiente paso consiste en determinar los controles existentes y analizar los riesgos desde el punto de vista de la probabilidad, as\u00ed como desde la perspectiva de las consecuencias potenciales. En el contexto de este art\u00edculo, la probabilidad o la posibilidad de que ocurran riesgos se mide en una escala del 1 (poco probable) al 5 (frecuente). El impacto de la ocurrencia de eventos se mide en una escala del 1 (insignificante) al 5 (extremo). Como se muestra en la tabla 1, el producto de la probabilidad y el impacto da como resultado el \"nivel de riesgo\" que oscila entre 1 y 25.<\/p>\n<p><img decoding=\"async\" alt=\"Estructuraci\u00f3n de riesgos y soluciones en el uso de BigData para la obtenci\u00f3n de estad\u00edsticas oficiales\" src=\"\/wp-content\/uploads\/2020\/03\/486877e0bd16137b74227392fe85957c.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nLos niveles de riesgo evaluados se pueden comparar con criterios predefinidos para establecer un equilibrio entre los beneficios potenciales y los resultados desfavorables. Esto permite hacer juicios sobre las prioridades de gesti\u00f3n.<\/p>\n<p><img decoding=\"async\" alt=\"Estructuraci\u00f3n de riesgos y soluciones en el uso de BigData para la obtenci\u00f3n de estad\u00edsticas oficiales\" src=\"\/wp-content\/uploads\/2020\/03\/b49cbaff80da9d93fdfedf7a94750b78.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nLa prioridad para las acciones debe concentrarse en los riesgos cr\u00edticos (ver Tabla 2), es decir, aquellos que pueden ocurrir y tienen consecuencias graves o extremas para los objetivos de la organizaci\u00f3n.<\/p>\n<h4>2.1.4. Respuesta a los riesgos<\/h4>\n<p>\nEl \u00faltimo paso consiste en decidir c\u00f3mo reaccionar ante los riesgos. Algunos riesgos que est\u00e1n por debajo de un nivel de riesgo predefinido pueden ser ignorados o aceptados. Para otros, los costos de mitigaci\u00f3n pueden ser tan altos que superan los beneficios potenciales. En este caso, la organizaci\u00f3n puede decidir abandonar la actividad correspondiente. Los riesgos tambi\u00e9n pueden ser transferidos a terceros, como el seguro, que compensa los gastos incurridos. La \u00faltima opci\u00f3n es considerar los riesgos al definir estrategias y acciones que equilibren los costos con los beneficios potenciales. De esta manera, la organizaci\u00f3n tomar\u00e1 decisiones sobre la implementaci\u00f3n de estrategias para maximizar los beneficios y minimizar los costos potenciales.<\/p>\n<p><img decoding=\"async\" alt=\"Estructuraci\u00f3n de riesgos y soluciones en el uso de BigData para la obtenci\u00f3n de estad\u00edsticas oficiales\" src=\"\/wp-content\/uploads\/2020\/03\/ff6b25f08f78d1619dcf2c657ae0bb63.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h4>2.2. Sistemas de calidad<\/h4>\n<p>\nEl grupo objetivo, compuesto por representantes de organizaciones estad\u00edsticas nacionales e internacionales, desarroll\u00f3 en 2014 un marco preliminar de calidad para las estad\u00edsticas obtenidas de grandes datos. El grupo objetivo trabaj\u00f3 bajo los auspicios del proyecto UNECE\/HLG \"El papel de los grandes datos en la modernizaci\u00f3n de la producci\u00f3n estad\u00edstica\". Ampli\u00f3 los sistemas de calidad existentes, dise\u00f1ados para evaluar las estad\u00edsticas obtenidas de fuentes de datos administrativas, con indicadores de calidad que se consideraron relevantes para grandes fuentes de datos.<\/p>\n<p>En el marco de este sistema se distingue entre tres fases del proceso empresarial: entrada, rendimiento y salida. La fase de entrada corresponde a las fases de \"dise\u00f1o\" y \"recolecci\u00f3n\" del GSBP, el rendimiento a las fases de \"proceso\" y \"an\u00e1lisis\", y los resultados son equivalentes a la fase de \"distribuci\u00f3n\".<\/p>\n<p>Se aplica una estructura jer\u00e1rquica, que fue tomada de la estructura de datos administrativos desarrollada por la Oficina de Estad\u00edstica de los Pa\u00edses Bajos (7 Daas, P., S. Ossen, R. Vis-Visschers, y J. Arends-Toth, (2009), Checklist for the Quality evaluation of Administrative Data Sources. Statistics Netherlands, The Hague\/Heerlen). Las dimensiones de la calidad est\u00e1n incrustadas en una estructura jer\u00e1rquica llamada hiperespacios. Las tres hiperdimensiones definidas son \u201cfuente\u201d, \u201cmetadatos\u201d y \u201cdatos\u201d. Las dimensiones de calidad se asignan a estos hiperespacios y a cada una de las etapas de producci\u00f3n. Para la fase de entrada, se han propuesto aspectos adicionales como \u201cprivacidad y confidencialidad\u201d, \u201ccomplejidad\u201d (de acuerdo con la estructura de datos), \u201ccompletitud\u201d de los metadatos y \u201cconectividad\u201d (la capacidad de relacionar datos con otros datos), para a\u00f1adir al modelo est\u00e1ndar de calidad. Para cada uno de los indicadores de calidad se proponen factores que se relacionan con su descripci\u00f3n, as\u00ed como posibles indicadores.<\/p>\n<p>En el contexto de este art\u00edculo, se pueden excluir los riesgos de estos factores. Por ejemplo, los factores que deben considerarse para medir la calidad del \u201centorno institucional\/empresarial\u201d son la sostenibilidad del proveedor de datos. Un riesgo asociado podr\u00eda ser que los datos no est\u00e9n disponibles del proveedor de datos en el futuro. Otro ejemplo se relaciona con el aspecto de calidad recientemente propuesto, la privacidad y seguridad. Uno de los factores importantes es la \u201cpercepci\u00f3n\u201d, que significa la posible percepci\u00f3n negativa del uso previsto de fuentes de datos espec\u00edficas por diversas partes interesadas.<\/p>\n<h2>3. Riesgos relacionados con el acceso a los datos<\/h2>\n<p><\/p>\n<h4>3.1. Falta de acceso a los datos<br \/>\n3.1.1. Descripci\u00f3n<\/h4>\n<p>\nEste riesgo consiste en un proyecto relacionado con el desarrollo de BOSP que no obtiene acceso a la fuente de grandes datos (BDS) necesaria.<\/p>\n<p>Hasta ahora, OSC ha aprendido por las malas que incluso salir de los bloques de inicio y obtener este acceso a veces son obst\u00e1culos insuperables. A veces es f\u00e1cil acceder a una fuente espec\u00edfica, como los registros de datos de llamadas (CDR), para fines de prueba\/investigaci\u00f3n, pero es mucho m\u00e1s dif\u00edcil (por razones legales o comerciales) acceder a ella para fines operativos.<\/p>\n<h4>3.1.2. Probabilidad<\/h4>\n<p>\nLa probabilidad depende en gran medida de las caracter\u00edsticas del BDS. Si se trata de grandes datos administrativos, puede ser tan baja como 1, especialmente si (como en el caso de los datos de bucle de tr\u00e1fico, investigados por Daas et al. 8 Daas, P., M. Puts, B. Buelens y P. van den Hurk. 2015. \u00abBig Data as a Source for Official Statistics\u00bb. Journal of Official Statistics 31 (2). (Pr\u00f3ximamente; publicaci\u00f3n prevista para junio de 2015.)) no hay problemas de protecci\u00f3n de datos personales. Si el caso de BDS pertenece a un individuo, especialmente si es sensible (por ejemplo, en t\u00e9rminos de protecci\u00f3n de datos) o valioso (desde una perspectiva comercial), la probabilidad puede ser muy alta (5).<\/p>\n<h4>3.1.3. Impacto<\/h4>\n<p>\nEl impacto depende del BOSP y de c\u00f3mo se utilice el BDS. Si el BDS est\u00e1 en el centro, el impacto puede ser muy alto (4 = es pr\u00e1cticamente imposible producir BOSP), mientras que puede ser menor si a\u00fan es posible producir BOSP (aunque con una calidad inferior), dependiendo de otros URB, lo que resulta en un impacto en el rango de 2-3.<\/p>\n<h4>3.1.4. Prevenci\u00f3n<\/h4>\n<p>\nPara reducir el riesgo de falta de acceso, se deben establecer contactos previos con el proveedor de datos y firmar un acuerdo a largo plazo sobre el acceso a los datos. Adem\u00e1s, se debe realizar un an\u00e1lisis legal integral relacionado con la combinaci\u00f3n espec\u00edfica de BDS y BOSP. Tambi\u00e9n se deben evaluar las posibilidades de acceso a los datos seg\u00fan la legislaci\u00f3n vigente o futura.<\/p>\n<h4>3.1.5. Mitigaci\u00f3n<\/h4>\n<p>\nSi hay BDS alternativos que se pueden usar para el BOSP, se deber\u00edan explorar en su lugar. Si no hay forma de producir BOSP sin el BDS, y si no es posible superar la falta de acceso, los esfuerzos deben cesar, y un nuevo BOSP no ver\u00e1 la luz.<\/p>\n<h4>3.2. P\u00e9rdida de acceso a los datos<br \/>\n3.2.1. Descripci\u00f3n<\/h4>\n<p>\nEste riesgo radica en que la gesti\u00f3n estad\u00edstica pierde el BDS subyacente al BOSP.<\/p>\n<h4>3.2.2. Probabilidad<\/h4>\n<p>\nSi el BOSP ya se est\u00e1 produciendo, generalmente existe cierta estabilidad, y en algunos casos, el riesgo puede ser muy bajo (1). Sin embargo, en particular, en el caso de entidades privadas con acuerdos que no son lo suficientemente s\u00f3lidos, nada impide, por ejemplo, que una nueva direcci\u00f3n cambie la pol\u00edtica de provisi\u00f3n de datos, lo que lleva a un riesgo moderado de ruptura (3). Adem\u00e1s, si el BDS est\u00e1 relacionado con actividades inestables, siempre existe el riesgo de que el proveedor simplemente quiebre, y el riesgo puede ser incluso mayor (4).<\/p>\n<h4>3.2.3. Impacto<\/h4>\n<p>\nDado que el BOSP existente puede ser imposible de producir, a menudo hay un impacto muy fuerte (5). En otros casos, cuando el BDS es auxiliar, el impacto puede ser m\u00e1s bien una p\u00e9rdida de calidad con un impacto en el rango de 2-3.<\/p>\n<h4>3.2.4. Prevenci\u00f3n<\/h4>\n<p>\nLa estrategia de prevenci\u00f3n es similar a la estrategia de falta de acceso a los datos, pero con un enfoque adicional en la vigilancia constante tambi\u00e9n en condiciones de producci\u00f3n.<\/p>\n<p>No poner todos los huevos en una sola canasta (es decir, tener varios BDS subyacentes a cada BSOP) tambi\u00e9n puede ser una estrategia, pero esto puede resultar poco pr\u00e1ctico o demasiado costoso.<\/p>\n<h4>3.2.5. Mitigaci\u00f3n<\/h4>\n<p>\nSi el BDS es resultado de una actividad inestable, es posible que poco a poco se vuelva accesible un nuevo BDS que refleje el mismo fen\u00f3meno social. Sin embargo, ser\u00eda demasiado tarde comenzar a \"escanear el mercado\" una vez que el BSOP falle; se requerir\u00e1 vigilancia constante, y esto puede ser dif\u00edcil de lograr.<\/p>\n<h2>4. Riesgo asociado con el entorno legal<\/h2>\n<p><\/p>\n<h4>4.1. Incumplimiento de la legislaci\u00f3n aplicable<br \/>\n4.1.1. Descripci\u00f3n<\/h4>\n<p>\nEste riesgo proviene de un proyecto relacionado con el desarrollo del BOSP, en el que no se tiene en cuenta la legislaci\u00f3n aplicable, lo que hace que el BOSP no cumpla con la legislaci\u00f3n especificada. Esto puede referirse a la legislaci\u00f3n sobre protecci\u00f3n de datos, regulaciones relacionadas con la carga de respuesta, etc.<\/p>\n<h4>4.1.2. Probabilidad<\/h4>\n<p>\nDada la falta de conocimiento del OSC sobre grandes datos, no se puede descartar que pueda ocurrir un incumplimiento accidental (3). La probabilidad, por lo general, est\u00e1 relacionada con el BDS, ya que cuanto menos \"sensible\" sea la fuente, menor ser\u00e1 la probabilidad de incumplimiento.<\/p>\n<h4>4.1.3. Impacto<\/h4>\n<p>\nEl impacto suele ser cr\u00edtico (4) en el sentido de que para una producci\u00f3n no conforme se requerir\u00e1 detener el BOSP (o, si a\u00fan no ha alcanzado la fase de implementaci\u00f3n, su desarrollo debe ser detenido). Esto puede ser incluso extremo (5), ya que los riesgos reputacionales que surgen de estad\u00edsticas oficiales no conformes (\u00abilegales\u00bb) pueden tener consecuencias.<\/p>\n<h4>4.1.4. Prevenci\u00f3n<\/h4>\n<p>\nPara cualquier BOSP, se necesita realizar un an\u00e1lisis legal exhaustivo, y esto ocurre en varias etapas (lo que es aceptable en la etapa de desarrollo \/ exploraci\u00f3n puede no serlo en la etapa de implementaci\u00f3n \/ producci\u00f3n). Esto, a su vez, puede llevar a la reingenier\u00eda del BOSP para hacerlo compatible.<\/p>\n<h4>4.1.5. Mitigaci\u00f3n<\/h4>\n<p>\nDependiendo de la gravedad de la inconformidad, el primer paso puede ser pasar el BOSP a modo offline.<\/p>\n<p>La reingenier\u00eda del BOSP para hacerlo compatible puede ser una opci\u00f3n, pero si el BOSP ser\u00e1 'salvado' de esta manera depende en gran medida del tipo de inconformidad.<\/p>\n<h4>4.2. Cambios desfavorables en el entorno legal<br \/>\n4.2.1. Descripci\u00f3n<\/h4>\n<p>\nPuede introducirse nueva legislaci\u00f3n relacionada con el BOSP en desarrollo, lo que efectivamente hace que el BOSP sea incompatible.<\/p>\n<h4>4.2.2. Probabilidad<\/h4>\n<p>\nNo es descartable que los partidarios de una mayor protecci\u00f3n de datos logren introducir nuevos requisitos que afecten directa o indirectamente la capacidad de crear BOSP espec\u00edficos. Una probabilidad en el rango de 2-3 parece una estimaci\u00f3n realista.<\/p>\n<h4>4.2.3. Impacto<\/h4>\n<p>\nEl impacto, en general, es cr\u00edtico (4), en el sentido de que una producci\u00f3n no conforme requerir\u00e1 detener el BOSP.<\/p>\n<h4>4.2.4. Prevenci\u00f3n<\/h4>\n<p>\nCierta informaci\u00f3n empresarial debe monitorearse regularmente para seguir el desarrollo de la legislaci\u00f3n \u2014 quiz\u00e1s tambi\u00e9n para influir en ella, planteando argumentos a favor de las estad\u00edsticas oficiales en foros pertinentes (por ejemplo, consultivos).<\/p>\n<h4>4.2.5. Mitigaci\u00f3n<\/h4>\n<p>\nSiempre que se haya realizado un monitoreo proactivo, puede haber tiempo para reingenier\u00eda del BOSP con el fin de alinearlo con la nueva legislaci\u00f3n desde el primer d\u00eda de su entrada en vigor.<\/p>\n<p>Si, por otro lado, no se realiz\u00f3 el monitoreo, de manera que la nueva legislaci\u00f3n \"sorpresa\" \u2014 o si la legislaci\u00f3n es tan radical que no hay forma de hacer que BOSP sea incompatible \u2014 la \u00fanica opci\u00f3n puede ser desactivar BOSP.<\/p>\n<h2>5. Riesgos relacionados con la privacidad y la seguridad de los datos<\/h2>\n<p><\/p>\n<h4>5.1. Violaciones de la seguridad de los datos<br \/>\n5.1.1. Descripci\u00f3n<\/h4>\n<p>\nEste riesgo se refiere al acceso no autorizado a los datos almacenados en las gestiones estad\u00edsticas. Terceros pueden obtener datos que est\u00e1n bajo embargo, por ejemplo, debido a la liberaci\u00f3n de un cronograma (9 Para cualquier BOSP que se basa completamente en un \u00fanico BDS, es inevitable que los datos sean impl\u00edcitamente conocidos por el propietario original de los datos, y si la metodolog\u00eda es transparente, la estad\u00edstica derivada tambi\u00e9n ser\u00e1 conocida. Esta situaci\u00f3n no se considera aqu\u00ed, sino m\u00e1s bien en el riesgo relacionado con el abuso de poder por parte de los propietarios.) (10 Adem\u00e1s, estos datos pueden conllevar un riesgo de violaci\u00f3n de la privacidad. Este riesgo se abordar\u00e1 por separado.). Pueden ser, por ejemplo, datos que los inversores esperan en el mercado de valores.<\/p>\n<h4>5.1.2. Probabilidad<\/h4>\n<p>\nEn cuanto a los aspectos t\u00e9cnicos de la protecci\u00f3n del entorno de TI en la unidad estad\u00edstica, el riesgo tiene la misma probabilidad para los BDS como para las fuentes tradicionales. Sin embargo, hay dos aspectos adicionales que deben tenerse en cuenta.<\/p>\n<p>En primer lugar, con algunos BDS el riesgo general se incrementa ligeramente porque la seguridad de los datos del propietario original puede estar amenazada. Esto puede estar relacionado, por ejemplo, con espionaje industrial o hacking.<\/p>\n<p>En segundo lugar, una vez que datos potencialmente valiosos comienzan a almacenarse en la oficina, el riesgo de atraer intenciones maliciosas aumenta. Si los datos almacenados tienen un valor muy alto para el negocio, se debe estar preparado para una probabilidad muy alta de ataques dirigidos a la infraestructura de TI, por lo que la probabilidad de hackeos puede ser potencialmente mayor (4).<\/p>\n<p>Si los datos almacenados no se perciben como valiosos, la probabilidad general parece no ser muy alta \u2014 de (1) a (3) dependiendo de la fuente de datos.<\/p>\n<h4>5.1.3. Impacto<\/h4>\n<p>\nEl da\u00f1o potencial a la reputaci\u00f3n puede ser considerable (5). Lo importante en el caso de BDS es que, si ocurre una violaci\u00f3n de seguridad en el propietario original, se espera que el impacto en la reputaci\u00f3n de la gesti\u00f3n estad\u00edstica sea menor que si la violaci\u00f3n ocurriera con los datos en su almacenamiento.<\/p>\n<p>Por otro lado, es posible que una violaci\u00f3n en la gesti\u00f3n estad\u00edstica tenga consecuencias negativas para el propietario original. En este caso, nuevamente podr\u00eda haber un gran impacto negativo debido al da\u00f1o en t\u00e9rminos de confianza entre el proveedor y la gesti\u00f3n estad\u00edstica (5).<\/p>\n<h4>5.1.4. Prevenci\u00f3n<\/h4>\n<p>\nLo caracter\u00edstico del caso BDS es que los procedimientos de seguridad del propietario original pueden ser pertinentes. Es poco probable que las gestiones estad\u00edsticas obtengan facultades de auditor\u00eda para controlar esto. Los propietarios cuyos datos se utilizan para crear registros con cronogramas de publicaci\u00f3n confidenciales deben ser informados sobre las consecuencias para la estad\u00edstica oficial de una posible violaci\u00f3n de seguridad en sus instalaciones y deben recibir garant\u00edas oficiales de que se est\u00e1n aplicando los procedimientos de seguridad adecuados.<\/p>\n<p>Una forma directa de prevenir un impacto serio de una violaci\u00f3n de seguridad en las instalaciones del propietario sobre la gesti\u00f3n estad\u00edstica es asegurar el uso de m\u00faltiples fuentes para un mismo producto, de modo que una \u00fanica fuente comprometida no sea suficiente para obtener la cifra final. La ventaja de este enfoque es que se mantiene un mayor control en manos de la gesti\u00f3n estad\u00edstica.<\/p>\n<p>La forma de prevenir las consecuencias negativas de la violaci\u00f3n de la seguridad en la oficina estad\u00edstica para el propietario original de los datos consiste en encontrar una manera de trabajar que no implique la transferencia de datos que podr\u00edan ser sensibles desde la perspectiva del propietario, a la gesti\u00f3n estad\u00edstica. En su forma cruda. Un posible enfoque preventivo es el uso de datos agregados. Sin embargo, se debe tener en cuenta que algunas formas de agregaci\u00f3n, por ejemplo, aquellas destinadas a evitar la identificaci\u00f3n de individuos en la poblaci\u00f3n, pueden no ser adecuadas en este caso. Una de las razones puede ser el hecho de que el riesgo para el propietario est\u00e1 relacionado con el valor comercial de los datos, que puede ser significativo incluso despu\u00e9s de alcanzar el anonimato.<\/p>\n<h4>5.1.5. Mitigaci\u00f3n<\/h4>\n<p>\nEn caso de una violaci\u00f3n de datos bajo la responsabilidad de la gesti\u00f3n estad\u00edstica, las medidas de mitigaci\u00f3n ser\u00e1n las mismas que en el caso de fuentes tradicionales, a menos que haya un impacto negativo en el propietario original.<\/p>\n<p>En caso de consecuencias negativas para el propietario original, la gesti\u00f3n estad\u00edstica debe revisar y fortalecer sus procedimientos de seguridad y comunicar y demostrar claramente su compromiso con ello.<\/p>\n<p>Si la violaci\u00f3n ocurri\u00f3 en las instalaciones del propietario original, el organismo estad\u00edstico correspondiente debe comunicar claramente la situaci\u00f3n y insistir en la mejora de los procedimientos de seguridad del propietario. Si es necesario, se puede buscar un proveedor alternativo.<\/p>\n<h4>5.2. Violaciones de la privacidad de datos<\/h4>\n<p><\/p>\n<h4>5.2.1. Descripci\u00f3n<\/h4>\n<p>\nEste es el riesgo de que la privacidad de una o m\u00e1s personas de la poblaci\u00f3n estad\u00edstica sea violada. Esto puede estar relacionado con un ataque a la infraestructura de TI debido a la presi\u00f3n de otras agencias gubernamentales o a medidas inadecuadas de control sobre la divulgaci\u00f3n de datos estad\u00edsticos.<\/p>\n<h4>5.2.2. Probabilidad<\/h4>\n<p>\nAl igual que en el caso del riesgo de violaci\u00f3n de la seguridad de los datos, las condiciones t\u00e9cnicas para el almacenamiento de microdatos no cambian significativamente con la adici\u00f3n de BDS. Sin embargo, aqu\u00ed tambi\u00e9n hay advertencias.<\/p>\n<p>Los microdatos de ciertas fuentes de datos pueden tener un alto valor comercial, por lo que su almacenamiento aumentar\u00e1 la probabilidad de ataques.<\/p>\n<p>Adem\u00e1s, algunos microdatos pueden ser potencialmente muy \u00fatiles para otras instituciones gubernamentales, como las fuerzas del orden, la tributaci\u00f3n o la sanidad. En ciertas circunstancias, el compromiso con el principio de confidencialidad estad\u00edstica puede estar bajo una gran presi\u00f3n.<\/p>\n<p>En cuanto a las fallas en el control de la divulgaci\u00f3n de informaci\u00f3n estad\u00edstica, ya existe una pr\u00e1ctica establecida. BDS puede permitir generar estad\u00edsticas para peque\u00f1os subgrupos de la poblaci\u00f3n o proporcionar la posibilidad de vincular datos agregados de diferentes BDS, lo que podr\u00eda aumentar la probabilidad de riesgo. Adem\u00e1s, nuevas fuentes, sin embargo, requerir\u00e1n nuevos desarrollos metodol\u00f3gicos, por lo que el verdadero peligro radica en que la metodolog\u00eda de control de divulgaci\u00f3n no se actualice adecuadamente.<\/p>\n<p>En general, con medidas preventivas razonables, la probabilidad puede mantenerse en niveles razonables, pero, dado que hay m\u00faltiples y diversas variables, la evaluaci\u00f3n correspondiente aqu\u00ed parece indicar que la probabilidad es alta (4).<\/p>\n<h4>5.2.3. Impacto<\/h4>\n<p>\nEl da\u00f1o potencial a la reputaci\u00f3n puede ser considerable (5). Al igual que en el caso del riesgo de violaci\u00f3n de seguridad de datos, una violaci\u00f3n en la gesti\u00f3n estad\u00edstica puede tener consecuencias negativas para el propietario original. El impacto de tal evento aqu\u00ed puede ser potencialmente incluso mayor, especialmente si las tendencias actuales en la opini\u00f3n p\u00fablica se mantienen. Se espera que el da\u00f1o en las relaciones entre el proveedor de datos y la gesti\u00f3n estad\u00edstica tambi\u00e9n sea muy significativo.<\/p>\n<h4>5.2.4. Prevenci\u00f3n<\/h4>\n<p>\nUna manera infalible de prevenir tal riesgo es no tener microdatos de BDS (aunque almacenar otros microdatos conlleva riesgos correspondientes, aunque con diferentes probabilidades e impactos). Este enfoque, al igual que el riesgo de violaci\u00f3n de la seguridad de los datos, requerir\u00e1 el desarrollo de otros m\u00e9todos para el uso de datos con fines estad\u00edsticos. Adem\u00e1s, aqu\u00ed la naturaleza diversa de las fuentes significar\u00e1 que ser\u00e1 necesario desarrollar nuevas metodolog\u00edas con objetivos opuestos de extraer la mayor cantidad posible de informaci\u00f3n \u00fatil mientras se protege la privacidad de los riesgos.<\/p>\n<p>En el caso de almacenamiento de microdatos, los mecanismos de seguridad IT y control de acceso deben estar a un nivel requerido y ser monitoreados constantemente. Se debe prestar especial atenci\u00f3n a la seguridad de los nuevos m\u00e9todos de obtenci\u00f3n de datos. Ir\u00f3nicamente, este nuevo m\u00e9todo puede ser el transporte f\u00edsico de dispositivos de almacenamiento (por ejemplo, discos duros). Si se utiliza este m\u00e9todo, la entrega debe estar protegida f\u00edsicamente y debe utilizarse cifrado.<\/p>\n<h4>5.2.5. Mitigaci\u00f3n<\/h4>\n<p>\nLas medidas de mitigaci\u00f3n aqu\u00ed son en principio las mismas que en el caso de violaciones de seguridad de datos. Si la causa de la violaci\u00f3n es la presi\u00f3n de otra autoridad gubernamental, se debe aprovechar la oportunidad para fortalecer la independencia de la gesti\u00f3n, de manera que tales violaciones sean a\u00fan m\u00e1s dif\u00edciles en el futuro.<\/p>\n<h4>5.3. Manipulaci\u00f3n de la fuente de datos<br \/>\n5.3.1. Descripci\u00f3n<\/h4>\n<p>\nLos proveedores de datos de terceros, como los datos de redes sociales o datos proporcionados voluntariamente, est\u00e1n en riesgo de manipulaci\u00f3n. Esto puede ser realizado por el propio proveedor de datos o por terceros. Por ejemplo, muchos mensajes falsos en redes sociales pueden ser generados para influir en el \u00edndice estad\u00edstico obtenido a partir de esos datos, de alguna manera, si se sabe que el \u00edndice se calcula con base en dichos datos.<\/p>\n<p>Para los datos proporcionados voluntariamente, puede haber un caso en el que los voluntarios representen un determinado grupo de intereses con una agenda espec\u00edfica.<\/p>\n<h4>5.3.2. Probabilidad<\/h4>\n<p>\nPara los datos cuya manipulaci\u00f3n puede ser muy beneficiosa, la probabilidad es mayor. Estos pueden ser datos que son de inter\u00e9s estad\u00edstico, como el mercado de valores. A la luz de los recientes esc\u00e1ndalos relacionados con LIBOR y Forex, se puede suponer que mientras exista un incentivo, los intentos de manipulaci\u00f3n de datos ser\u00e1n probables.<\/p>\n<p>Para las estad\u00edsticas basadas en datos proporcionados voluntariamente, solo hay que mirar la reciente pr\u00e1ctica de relaciones p\u00fablicas de contratar personas que fingen tener una opini\u00f3n determinada y a las que se les paga por expresarse p\u00fablicamente (por ejemplo, en foros de internet) para concluir que la probabilidad no es baja. En general, una cifra de entre 3 y 4 parece adecuada.<\/p>\n<h4>5.3.3. Influencia<\/h4>\n<p>\nUn gran problema con las manipulaciones es que pueden durar mucho tiempo sin ser detectadas. Si las manipulaciones contin\u00faan durante un largo per\u00edodo, el impacto en la calidad puede ser significativo. Adem\u00e1s, el da\u00f1o a la confianza p\u00fablica en las estad\u00edsticas oficiales tambi\u00e9n puede ser grande, especialmente si se enfatiza p\u00fablicamente el papel de las oficinas estad\u00edsticas como proveedores de datos de calidad. Por otro lado, si las manipulaciones se detectan a tiempo y luego se publican, esto puede mejorar la percepci\u00f3n p\u00fablica. A excepci\u00f3n de casos extremadamente malos, se puede imaginar un impacto m\u00e1ximo (3).<\/p>\n<h4>5.3.4. Prevenci\u00f3n<\/h4>\n<p>\nRealizar ejercicios de control regulares con fuentes alternativas es uno de los posibles enfoques preventivos. Estas fuentes alternativas pueden ser tradicionales o de otro tipo. Utilizar estad\u00edsticas basadas en una combinaci\u00f3n de fuentes puede mitigar los impactos significativos de las manipulaciones. En casos donde se teme que haya manipulaciones iniciadas por el proveedor, los acuerdos legales tambi\u00e9n pueden ser una forma de prevenir dicha pr\u00e1ctica.<\/p>\n<h4>5.3.5. Mitigaci\u00f3n<\/h4>\n<p>\nDesde el punto de vista del da\u00f1o a las relaciones p\u00fablicas, las medidas de mitigaci\u00f3n que deben tomarse aqu\u00ed no son muy diferentes de las medidas para enfrentar cualquier crisis.<\/p>\n<p>Desde el punto de vista de la calidad de los datos, ser\u00eda \u00fatil si los datos pasados pudieran ser corregidos de modo que incluso con un gran retraso se pudiera tener una serie correcta.<br \/>\nse produce. Para ello, puede ser \u00fatil un benchmarking regular. Tenga en cuenta que el objetivo del an\u00e1lisis comparativo en este caso es un poco diferente del objetivo de prevenci\u00f3n. Para prevenir, es importante detectar e investigar r\u00e1pidamente las discrepancias sospechosas entre los datos de la prueba de referencia y BDS. Para mitigar las consecuencias, siempre son \u00fatiles los datos hist\u00f3ricos.<\/p>\n<p>Adem\u00e1s, se debe tener cuidado de no permitir que tales manipulaciones ocurran en el futuro; en casos especialmente delicados, esto puede significar obtener datos potencialmente redundantes de varios proveedores para an\u00e1lisis comparativo.<\/p>\n<h4>5.4. Percepci\u00f3n negativa del p\u00fablico sobre el uso de grandes datos por parte de las estad\u00edsticas oficiales<br \/>\n5.4.1. Descripci\u00f3n<\/h4>\n<p>\nLos medios de comunicaci\u00f3n y el p\u00fablico en general son muy sensibles a las cuestiones de privacidad y al uso de datos personales de grandes fuentes de datos, especialmente en el contexto de la reutilizaci\u00f3n secundaria de datos por parte de organismos administrativos que toman medidas legales o administrativas contra ciudadanos. El uso que se percibe negativamente puede incluir el control de velocidad basado en el an\u00e1lisis de datos de navegaci\u00f3n (11 V\u00e9ase <noindex><a rel=\"nofollow\" href=\"http:\/\/www.theguardian.com\/technology\/2011\/apr\/28\/tomtom-satnav-data-police-speed-traps\">www.theguardian.com\/technology\/2011\/apr\/28\/tomtom-satnav-data-police-speed-traps<\/a><\/noindex>). <br \/>\nEl caso espec\u00edfico de TomTom Netherlands provoc\u00f3 una ca\u00edda significativa en la demanda de dispositivos TomTom y llev\u00f3 a la empresa a limitar el acceso a los datos. En este caso espec\u00edfico, los datos se refer\u00edan a individuos, pero a niveles de velocidad en tramos de carretera.<\/p>\n<p>Sin embargo, puede haber aplicaciones de grandes datos que son percibidas positivamente por el p\u00fablico. Un ejemplo puede ser aplicaciones que previenen delitos como el robo con m\u00e9todos basados en grandes datos.<\/p>\n<p>La opini\u00f3n p\u00fablica positiva, as\u00ed como la negativa, puede tener un fuerte impacto en el uso de BDS en el contexto de la producci\u00f3n de estad\u00edsticas oficiales.<\/p>\n<p>Las consecuencias de una percepci\u00f3n negativa del p\u00fablico pueden ser que:<\/p>\n<ul>\n<li>BDS ya no estar\u00e1 disponible para las oficinas estad\u00edsticas, ya sea por decisiones del proveedor de datos o decisiones gubernamentales de no utilizar los datos, o<\/li>\n<li>el uso de los datos estar\u00e1 limitado, lo que puede obstaculizar la producci\u00f3n si ciertos BOSP.<\/li>\n<\/ul>\n<p><\/p>\n<h4>5.4.2. Probabilidad<\/h4>\n<p>\nFactores que pueden influir en la probabilidad de tal evento o su impacto en la producci\u00f3n estad\u00edstica:<\/p>\n<ul>\n<li>la confidencialidad de los datos, es decir, cu\u00e1n f\u00e1cilmente se pueden identificar a las personas;<\/li>\n<li>la cantidad de informaci\u00f3n que los datos revelan sobre personas f\u00edsicas, por ejemplo, aumenta al vincular datos de diferentes fuentes;<\/li>\n<li>el tipo de datos, por ejemplo, las transacciones financieras se perciben como m\u00e1s confidenciales que otros datos;<\/li>\n<li>el tipo de acci\u00f3n potencial que se puede realizar con respecto a los ciudadanos, por ejemplo, multar a las personas por exceso de velocidad;<\/li>\n<li>un entorno legal difuso, en el que operan proveedores y usuarios de datos o cuando las condiciones legales entran en conflicto con las opiniones\/est\u00e1ndares \u00e9ticos sociales;<\/li>\n<li>el grado de dependencia de una fuente de datos espec\u00edfica para obtener estad\u00edsticas; en la etapa de exploraci\u00f3n, este factor puede ser de poca importancia. Sin embargo, esto puede tener un gran impacto en la obtenci\u00f3n de estad\u00edsticas en etapas posteriores y, por lo tanto, debe considerarse tambi\u00e9n en la etapa de exploraci\u00f3n. Uno de los problemas puede ser que el volumen final de uso de los datos inicialmente sea desconocido, ya que las fuentes de datos pueden atender potencialmente a m\u00e1s de un \u00e1rea estad\u00edstica.<\/li>\n<\/ul>\n<p>\nLa evaluaci\u00f3n del tiempo de fen\u00f3menos no deseados es imposible, ya que la movilizaci\u00f3n del p\u00fablico a menudo se inicia con la cobertura de eventos que tienen un impacto negativo en los ciudadanos. Sin embargo, con el aumento del uso de grandes datos por parte de gobiernos y empresas privadas, y especialmente con la comercializaci\u00f3n activa de datos para otros fines que los que llevaron a su recolecci\u00f3n inicial, es m\u00e1s probable que ocurran tales eventos.<\/p>\n<p>Los eventos que tienen un fuerte impacto en la percepci\u00f3n p\u00fablica son poco frecuentes y m\u00e1s bien aleatorios (3) y lejanos (2). Con el aumento del uso de grandes fuentes de datos, la probabilidad tambi\u00e9n aumentar\u00e1.<\/p>\n<h4>5.4.3. Impacto<\/h4>\n<p>\nEl impacto de un evento depende en gran medida de los factores discutidos anteriormente. En general, el efecto es m\u00e1s serio para la producci\u00f3n ya existente de datos estad\u00edsticos, ya que es posible que se deba detener la acci\u00f3n. El impacto tambi\u00e9n depende de la disponibilidad de fuentes de datos alternativas, aunque puede suceder que la percepci\u00f3n p\u00fablica no distinga entre diferentes fuentes de datos en caso de que se materialice un evento. En el estado actual del uso de grandes datos, parece que estas fuentes no pueden reemplazar completamente las fuentes de datos tradicionales, sino que complementan la estad\u00edstica existente. Esto reducir\u00e1 el impacto de los eventos. Por lo tanto, el impacto de un evento se considera en el rango de 2 (insignificante) a 3 (principal). En la etapa de producci\u00f3n, el impacto puede aumentar a 4 (valor cr\u00edtico).<\/p>\n<h4>5.4.4. Prevenci\u00f3n<\/h4>\n<p>\nLas medidas preventivas pueden incluir la definici\u00f3n de principios \u00e9ticos para los grandes datos en la estad\u00edstica oficial. Las directrices \u00e9ticas deben basarse en principios como el c\u00f3digo de pr\u00e1cticas para la estad\u00edstica europea o los principios fundamentales de la estad\u00edstica oficial (12 <noindex><a rel=\"nofollow\" href=\"http:\/\/unstats.un.org\/unsd\/dnss\/gp\/fundprinciples.aspx\">unstats.un.org\/unsd\/dnss\/gp\/fundprinciples.aspx<\/a><\/noindex>). La siguiente medida ser\u00e1 la definici\u00f3n de una estrategia de comunicaci\u00f3n que publique los resultados de las directrices \u00e9ticas para el p\u00fablico y que puede utilizarse para informar a las partes interesadas sobre el uso \u00e9tico de los GDS para el BOSP.<\/p>\n<p>Una evaluaci\u00f3n de riesgo separada para un GDS espec\u00edfico puede llevarse a cabo para identificar riesgos y proponer medidas preventivas o mitigadoras basadas en principios \u00e9ticos. La evaluaci\u00f3n de riesgos tambi\u00e9n puede incluir a partes interesadas, como agencias de protecci\u00f3n de datos, para asegurar la identificaci\u00f3n de todos los riesgos y la justificaci\u00f3n de las acciones.<\/p>\n<h4>5.4.5. Mitigaci\u00f3n<\/h4>\n<p>\nLa estrategia de comunicaci\u00f3n tambi\u00e9n debe incluir medidas en caso de un creciente descontento p\u00fablico. Una evaluaci\u00f3n de riesgos separada debe recopilar ejemplos positivos del uso de datos y medidas para prevenir el abuso de datos, que deben ser adoptadas a nivel pol\u00edtico, y la comunidad estad\u00edstica puede no ser capaz de influir eficazmente en ellas.<\/p>\n<h4>5.5. P\u00e9rdida de confianza \u2014 obtenida no a trav\u00e9s de observaci\u00f3n<br \/>\n5.5.1. Descripci\u00f3n<\/h4>\n<p>\nLos usuarios de estad\u00edsticas oficiales generalmente tienen alta confianza en la precisi\u00f3n y veracidad de los datos estad\u00edsticos. Esto se basa en el hecho de que la producci\u00f3n de datos estad\u00edsticos est\u00e1 integrada en una base metodol\u00f3gica confiable y accesible, as\u00ed como en la documentaci\u00f3n sobre la calidad del producto estad\u00edstico. Adem\u00e1s, la mayor\u00eda de los datos estad\u00edsticos se basan en observaciones, es decir, se obtienen de encuestas o censos, estableciendo una relaci\u00f3n f\u00e1cilmente comprensible entre la observaci\u00f3n y los datos estad\u00edsticos. El uso de BDS que no se recopilan con el objetivo principal de la estad\u00edstica conlleva el riesgo de que estas relaciones se pierdan, y los usuarios pierdan confianza en los datos de la estad\u00edstica oficial. Un ejemplo relacionado con el \u00faltimo censo (2010) est\u00e1 relacionado con que en algunos pa\u00edses los datos estad\u00edsticos se obtuvieron utilizando varias fuentes y modelos estad\u00edsticos. En varios casos, las partes interesadas impugnaron los datos estad\u00edsticos.<\/p>\n<h4>5.5.2. Probabilidad<\/h4>\n<p>\nLa probabilidad de que ocurra el riesgo depende de factores como la complejidad del modelo estad\u00edstico \/ metodol\u00f3gico, la validez de las relaciones entre BSD y BOSP o la conformidad con otros datos estad\u00edsticos. La probabilidad debe estar en un rango de 3 (aleatorios) a 4 (probables), lo que significa que podr\u00eda ocurrir algunas veces o frecuentemente.<\/p>\n<h4>5.5.3. Impacto<\/h4>\n<p>\nEl impacto del surgimiento de riesgos depender\u00e1 en gran medida de si las NSOs pueden demostrar con \u00e9xito la precisi\u00f3n y fiabilidad de los datos estad\u00edsticos. Si esto no se puede lograr, el efecto en t\u00e9rminos de p\u00e9rdida de confianza podr\u00eda tambi\u00e9n afectar otras \u00e1reas estad\u00edsticas, es decir, la credibilidad no solo de algunos datos estad\u00edsticos, sino cuestionar la organizaci\u00f3n misma. Las NSOs perder\u00edan su ventaja competitiva frente a otras organizaciones privadas que operan en este \u00e1mbito.<\/p>\n<h4>5.5.4. Prevenci\u00f3n<\/h4>\n<p>\nLas acciones preventivas consistir\u00e1n en el desarrollo y publicaci\u00f3n de una metodolog\u00eda fundamentada cient\u00edficamente, que sea reconocida por la comunidad cient\u00edfica, enriquecer los datos con metadatos de calidad, garantizar la coherencia del BOSP con el no BOSP, y ejercer un estricto control de calidad.<\/p>\n<p>Antes de iniciar la producci\u00f3n estad\u00edstica, el BOSP podr\u00eda publicarse como experimental, y se recomendar\u00eda a las partes interesadas desafiar el BOSP para confirmar o mejorar el BOSP.<\/p>\n<h4>5.5.5. Mitigaci\u00f3n<\/h4>\n<p>\nHay dos casos a distinguir. En el caso de que los datos estad\u00edsticos sean impugnados, pero tengan una alta \/ suficiente calidad (correctos \/ precisos), ser\u00eda suficiente explicar y comunicar los datos estad\u00edsticos al p\u00fablico, proporcionando ejemplos f\u00e1ciles de entender.<\/p>\n<h2>6. Riesgos relacionados con las habilidades<\/h2>\n<p><\/p>\n<h4>6.1. Falta de especialistas<br \/>\n6.1.1. Descripci\u00f3n<\/h4>\n<p>\nEl an\u00e1lisis de los rastros digitales dejados por las personas durante sus actividades requiere ciertas herramientas de an\u00e1lisis de datos, que actualmente no son las m\u00e1s comunes en la estad\u00edstica oficial. En primer lugar, el uso de datos indirectos sobre la actividad de las personas en lugar de encuestas directas en los sondeos requiere la utilizaci\u00f3n de modelos estad\u00edsticos y, por lo tanto, habilidades de inferencia y aprendizaje autom\u00e1tico. En segundo lugar, estos registros digitales consisten en datos que a menudo no tienen un formato tabular convencional, habitual en los resultados de encuestas, con filas correspondientes a la unidad estad\u00edstica y columnas con caracter\u00edsticas espec\u00edficas de estas unidades. Las huellas digitales tambi\u00e9n se presentan en forma de texto, sonido, imagen y video. Extraer informaci\u00f3n estad\u00edstica relevante de estos tipos de datos requiere habilidades en procesamiento de lenguaje natural, procesamiento de se\u00f1ales de audio y procesamiento de im\u00e1genes. En tercer lugar, estas fuentes de datos tienden a proporcionar conjuntos de datos masivos, cuya manipulaci\u00f3n requiere un buen entendimiento de metodolog\u00edas de computaci\u00f3n distribuida.<\/p>\n<p>El riesgo de escasez de expertos radica en la obtenci\u00f3n de datos de una de estas nuevas grandes fuentes de datos, ya que la administraci\u00f3n estad\u00edstica no tiene la capacidad de procesar y analizar adecuadamente dichos datos debido a que su personal carece de las habilidades necesarias.<\/p>\n<h4>6.1.2. Probabilidad<\/h4>\n<p>\nLa probabilidad de este riesgo depender\u00e1 de tres factores: 1) los tipos espec\u00edficos de habilidades necesarias para cada tipo de fuente de grandes datos y la probabilidad de que la administraci\u00f3n estad\u00edstica encuentre la oportunidad de estudiar una fuente as\u00ed; 2) la disponibilidad actual de las habilidades necesarias en la administraci\u00f3n estad\u00edstica; y 3) la cultura organizacional de la administraci\u00f3n estad\u00edstica.<\/p>\n<p>En cuanto a los tipos de habilidades que pueden ser necesarias, es importante se\u00f1alar que no todas las fuentes requieren todas las habilidades mencionadas anteriormente. Algunas (por ejemplo, datos de Google Trends) no requieren computaci\u00f3n distribuida, ya que ya han sido procesadas previamente por el custodio de datos o cuentan con habilidades de procesamiento de se\u00f1ales, y principalmente necesitar\u00e1n habilidades de modelado estad\u00edstico. Sin embargo, hay una gran variedad de fuentes de grandes datos, para la mayor\u00eda de las cuales se requieren habilidades de computaci\u00f3n distribuida, procesamiento de se\u00f1ales y aprendizaje autom\u00e1tico. Al mismo tiempo, la correcta investigaci\u00f3n de estas huellas digitales requerir\u00e1 el procesamiento de m\u00faltiples fuentes. Por lo tanto, existe una alta probabilidad de que las grandes fuentes de datos que se vuelven accesibles para la gesti\u00f3n estad\u00edstica requieran estas habilidades inusuales, y la probabilidad de este riesgo es muy alta (5).<\/p>\n<p>En cuanto a la disponibilidad actual de las habilidades necesarias, esto depender\u00e1 de la gesti\u00f3n estad\u00edstica espec\u00edfica. Incluso si la metodolog\u00eda de encuestas es menos com\u00fan que la metodolog\u00eda de an\u00e1lisis, tambi\u00e9n se utiliza en estad\u00edsticas oficiales en \u00e1reas espec\u00edficas. Por lo tanto, aunque pueda requerir cierta redistribuci\u00f3n de recursos humanos, las gestiones estad\u00edsticas pueden encontrar soluciones por s\u00ed mismas. En cuanto a las habilidades de computaci\u00f3n distribuida, que est\u00e1n principalmente relacionadas con TI, depender\u00e1n de c\u00f3mo se gestione la infraestructura de TI en la organizaci\u00f3n. Dependiendo de cu\u00e1n alineado est\u00e9 el departamento de TI, se pueden encontrar soluciones en el contexto de los acuerdos existentes. Sin embargo, las habilidades de procesamiento de se\u00f1ales y aprendizaje autom\u00e1tico generalmente no existen en la mayor\u00eda de las gestiones estad\u00edsticas oficiales, y la aplicaci\u00f3n de estas habilidades no puede subcontratarse, ya que deben ser aplicadas por expertos en estad\u00edstica. Por lo tanto, desde este punto de vista, la probabilidad de este riesgo tambi\u00e9n parece ser muy alta (5).<\/p>\n<p>La cultura organizacional tambi\u00e9n influir\u00e1 en la probabilidad de este riesgo. La disponibilidad de personal dispuesto a adquirir las habilidades necesarias a trav\u00e9s del autoaprendizaje puede brindar a la organizaci\u00f3n la capacidad de responder a situaciones que impliquen nuevas fuentes de datos, que requieren habilidades diferentes a las habituales. Esto depender\u00e1 de la cultura organizacional de la gesti\u00f3n estad\u00edstica, es decir, de si esta fomenta a los empleados a adquirir nuevas habilidades y si les permite tiempo para el autoaprendizaje.<\/p>\n<p>Por lo tanto, la probabilidad de que la gesti\u00f3n estad\u00edstica no pueda procesar y analizar nuevas fuentes de datos debido a la falta de habilidades en su personal estar\u00e1 entre probable (4) y frecuente (5), dependiendo de la cultura de autoaprendizaje de la organizaci\u00f3n.<\/p>\n<h4>6.1.3. Influencia<\/h4>\n<p>\nLa gesti\u00f3n estad\u00edstica que no puede procesar y analizar grandes fuentes de datos debido a la falta de habilidades en su personal puede tener dos posibles consecuencias negativas: 1) la fuente de datos no ser\u00e1 estudiada, al menos no en su totalidad; 2) la fuente ser\u00e1 mal utilizada.<\/p>\n<p>La falta de capacidad para explorar completamente el potencial de una valiosa fuente de big data tendr\u00e1 un impacto leve (2) a corto plazo, ya que las gestiones estad\u00edsticas realmente cuentan con herramientas estad\u00edsticas para satisfacer las necesidades actuales. Sin embargo, a largo plazo (y, posiblemente, incluso a mediano plazo), las consecuencias de perder esta oportunidad ser\u00e1n cr\u00edticas (4), ya que las gestiones estad\u00edsticas se enfrentan cada vez m\u00e1s a la competencia de proveedores privados que no cuentan con la misma estructura institucional que les permita garantizar a la sociedad la independencia de los datos estad\u00edsticos.<\/p>\n<p>Sin embargo, el uso incorrecto de la fuente tendr\u00e1 consecuencias extremadamente negativas para las oficinas de estad\u00edsticas, ya que la estad\u00edstica oficial depende en gran medida de su reputaci\u00f3n al cumplir con su misi\u00f3n. No obstante, podemos afirmar que la habilidad m\u00e1s importante, que si se omite puede conducir a resultados incorrectos, es la inferencia estad\u00edstica, en particular la inferencia basada en modelos, que tambi\u00e9n es menos probable que falte. Por lo tanto, el impacto esperado ser\u00e1 m\u00e1s bien cr\u00edtico (4) que extremo.<\/p>\n<h4>6.1.4. Prevenci\u00f3n<\/h4>\n<p>\nLas oficinas de estad\u00edsticas pueden prevenir activamente este riesgo de dos maneras: 1) formaci\u00f3n; y 2) contrataci\u00f3n.<\/p>\n<p>Las oficinas de estad\u00edsticas pueden proporcionar al personal las habilidades necesarias, definiendo detalladamente las habilidades requeridas para utilizar grandes fuentes de datos en la producci\u00f3n estad\u00edstica, elaborando un inventario de las habilidades existentes del personal, identificando las necesidades de capacitaci\u00f3n y luego organizando cursos de formaci\u00f3n.<\/p>\n<p>Las oficinas de estad\u00edsticas tambi\u00e9n pueden contratar nuevos empleados con las habilidades necesarias. Esto parece tener serias limitaciones, dado que las oficinas de estad\u00edsticas no podr\u00e1n reunir una masa cr\u00edtica de personal para la situaci\u00f3n en la que el uso de grandes fuentes de datos se generalice en la sucursal, y los nuevos empleados a\u00fan necesitar\u00e1n varios a\u00f1os para alcanzar el nivel de experiencia de los empleados existentes. Sin embargo, al menos algunos de los nuevos empleados contratados como parte de una renovaci\u00f3n de personal normal pueden tener habilidades relacionadas con grandes datos.<\/p>\n<h4>6.1.5. Mitigaci\u00f3n<\/h4>\n<p>\nAnte una situaci\u00f3n en la que nuevas fuentes de grandes datos est\u00e1n disponibles sin empleados con las habilidades necesarias, las oficinas de estad\u00edsticas pueden mitigar las consecuencias negativas de dos maneras: 1) subcontrataci\u00f3n; y 2) colaboraci\u00f3n.<\/p>\n<p>Las oficinas estad\u00edsticas pueden celebrar acuerdos para el procesamiento de datos y el an\u00e1lisis de nuevas fuentes de grandes datos con otras organizaciones que ofrecen estos servicios. Parece ser una soluci\u00f3n viable, ya que aparece un nuevo sector empresarial especializado en el procesamiento de este tipo de datos. Sin embargo, esta soluci\u00f3n conlleva ciertos riesgos, ya que la oficina estad\u00edstica tendr\u00e1 menos control sobre la producci\u00f3n de productos estad\u00edsticos potencialmente sensibles. Adem\u00e1s, esta opci\u00f3n tiene la desventaja de que no permite a los empleados de la oficina estad\u00edstica aprender y adquirir las habilidades necesarias.<\/p>\n<p>Colaborar con otras organizaciones que cuentan con personal con las habilidades necesarias y que tambi\u00e9n est\u00e1n interesadas en estudiar la fuente de grandes datos se presenta como una soluci\u00f3n m\u00e1s prometedora. Esta colaboraci\u00f3n puede tomar la forma de proyectos conjuntos entre empleados de la oficina estad\u00edstica y empleados de otras organizaciones en igualdad de condiciones, compartiendo sus conocimientos. Esto no solo reducir\u00eda el riesgo de falta de habilidades, sino que tambi\u00e9n permitir\u00eda a los empleados de la oficina estad\u00edstica adquirir esas habilidades.<\/p>\n<h4>6.2. Fuga de expertos a otras organizaciones<br \/>\n6.2.1. Descripci\u00f3n<\/h4>\n<p>\nEste riesgo consiste en que las oficinas estad\u00edsticas pierden su personal hacia otras organizaciones una vez que han adquirido habilidades relacionadas con grandes datos.<\/p>\n<h4>6.2.2. Probabilidad<\/h4>\n<p>\nLa probabilidad de este riesgo depender\u00e1 de dos factores: 1) oportunidades atractivas existentes en organizaciones fuera de la estad\u00edstica oficial; 2) las condiciones de trabajo en las oficinas estad\u00edsticas.<\/p>\n<p>En cuanto a las oportunidades en organizaciones fuera de la estad\u00edstica oficial, la probabilidad de este riesgo parece ser alta (4). Hay una gran demanda de personas con habilidades en el manejo de grandes datos en el sector privado, as\u00ed como en otras organizaciones del sector p\u00fablico. Despu\u00e9s de adquirir habilidades en el manejo de grandes datos, las estad\u00edsticas oficiales obtendr\u00e1n una ventaja comparativa al ser especialistas experimentados en el campo estad\u00edstico. Adem\u00e1s de las habilidades espec\u00edficas en grandes datos, otras organizaciones requieren especialistas en datos que posean habilidades m\u00e1s tradicionales, como la evaluaci\u00f3n de las necesidades de los usuarios y el desarrollo de indicadores clave de rendimiento (KPI), que son comunes para los estad\u00edsticos oficiales. Adem\u00e1s, se espera que los empleados que est\u00e9n m\u00e1s dispuestos a adquirir nuevas habilidades tambi\u00e9n sean quienes est\u00e9n m\u00e1s abiertos a cambios en su carrera y abandonen la administraci\u00f3n estad\u00edstica.<\/p>\n<p>En cuanto a las condiciones de trabajo en las administraciones estad\u00edsticas, esto, evidentemente, depender\u00e1 principalmente de la oficina espec\u00edfica. Sin embargo, las administraciones estad\u00edsticas, en general, todav\u00eda ofrecen atractivas oportunidades profesionales para las personas con un enfoque cuantitativo. Las administraciones estad\u00edsticas ofrecen el mayor rango de dominios posibles para trabajar y la mayor variedad de datos con los que trabajar. Esto, de alguna manera, reducir\u00e1 la probabilidad de que las administraciones estad\u00edsticas pierdan su personal debido a circunstancias imprevistas (3).<\/p>\n<h4>6.2.3. Impacto<\/h4>\n<p>\nEl impacto de este riesgo ser\u00e1 el mismo que el riesgo de la falta de personal con las habilidades adecuadas, en primer lugar. Por lo tanto, el impacto ser\u00e1 cr\u00edtico (4), como se mencion\u00f3 anteriormente.<\/p>\n<h4>6.2.4. Prevenci\u00f3n<\/h4>\n<p>\nParece que la \u00fanica manera para que las oficinas de estad\u00edstica prevengan este riesgo es asegurando condiciones de trabajo atractivas para sus empleados. Esto es, en general, cierto para todo el personal. Sin embargo, en el caso espec\u00edfico de aquellos empleados interesados en adquirir nuevas habilidades, especialmente en el manejo de grandes datos, se pueden mejorar las condiciones laborales proporcionando oportunidades de formaci\u00f3n donde puedan desarrollar sus intereses profesionales. Las oficinas de estad\u00edstica tambi\u00e9n pueden prestar especial atenci\u00f3n a estar abiertas a nuevos proyectos e ideas innovadoras relacionadas con las nuevas fuentes de grandes datos que provienen de estad\u00edsticos que trabajan en varios campos de la estad\u00edstica. Finalmente, prevenir la p\u00e9rdida de personal hacia otras organizaciones que requieran su habilidad en el manejo de grandes datos depender\u00e1 de la buena identificaci\u00f3n del personal dispuesto y capaz de trabajar con estos datos, as\u00ed como de ofrecer buenas oportunidades para su desarrollo profesional.<\/p>\n<h4>6.2.5. Mitigaci\u00f3n<\/h4>\n<p>\nLa reducci\u00f3n de este riesgo se realizar\u00e1 en relaci\u00f3n con la falta de personal con las habilidades adecuadas: 1) subcontrataci\u00f3n; y 2) colaboraci\u00f3n.<\/p>\n<h2>7. Discusi\u00f3n<\/h2>\n<p>\nDe esta primera revisi\u00f3n, es evidente que no es posible establecer una \u00fanica probabilidad o impacto para este \u00abriesgo de grandes datos\u00bb; generalmente, ambos indicadores dependen en gran medida de la fuente de grandes datos, as\u00ed como de la \u00abestad\u00edstica oficial basada en grandes datos\u00bb.<br \/>\nproducto \u00ab.<\/p>\n<p>Por lo tanto, llegamos a la conclusi\u00f3n de que el siguiente paso l\u00f3gico en esta direcci\u00f3n es adoptar una serie de posibles proyectos piloto (cada uno de los cuales incluye una combinaci\u00f3n de uno o varios BDS y uno o varios BDOS) como punto de partida y, para cada uno de estos pilotos, el objetivo es evaluar la probabilidad y el impacto de cada riesgo.<\/p>\n<p>Con este fin, estamos a punto de lanzar una encuesta a las partes interesadas, tratando de evaluar la estimaci\u00f3n de OSC sobre la probabilidad, el impacto (y las posibles acciones para prevenir\/mitigar) en relaci\u00f3n con una serie de posibles proyectos piloto, y solicitar propuestas de OSC sobre los riesgos que no hemos incluido en este documento.<\/p>\n<p><b class=\"spoiler_title\">8. REFERENCIAS<\/b>UNECE (2014), \u00abUn marco sugerido para la calidad de los grandes datos\u00bb, Entregables del Grupo de Trabajo sobre la Calidad de Big Data de la UNECE, <noindex><a rel=\"nofollow\" href=\"http:\/\/www1.unece.org\/stat\/platform\/download\/attachments\/108102944\/Big%20Dat\">www1.unece.org\/stat\/platform\/download\/attachments\/108102944\/BigDat<\/a><\/noindex><br \/>\na%20Quality%20Framework%20-%20final-%20Jan08-2015.pdf?version=1&amp;modificationDate=1420725063663&amp;api=v2 <\/p>\n<p>UNECE (2014), \u00ab\u00bfQu\u00e9 tan grandes son los grandes datos? Explorando el papel de los grandes datos en las estad\u00edsticas oficiales\u00bb, <noindex><a rel=\"nofollow\" href=\"http:\/\/www1.unece.org\/stat\/platform\/download\/attachments\/99484307\/Virtual%20Sprint%20Big%20Data%20paper.docx?version=1&amp;modificationDate=1395217470975&amp;api=v2\">www1.unece.org\/stat\/platform\/download\/attachments\/99484307\/VirtualSprintBigDatapaper.docx?version=1&amp;modificationDate=1395217470975&amp;api=v2<\/a><\/noindex><\/p>\n<p>Daas, P., S. Ossen, R. Vis-Visschers, y J. Arends-Toth, (2009), Lista de control para la evaluaci\u00f3n de la calidad de las fuentes de datos administrativos, Estad\u00edsticas de los Pa\u00edses Bajos, La Haya\/Heerlen <\/p>\n<p>Dorfman, Mark S. (2007), Introducci\u00f3n a la Gesti\u00f3n del Riesgo (ed. e), Cambridge, Reino Unido, Woodhead-Faulkner, p. 18, ISBN 0-85941-332-22)<\/p>\n<p>Eurostat (2014), \u00abProcedimiento de acreditaci\u00f3n para datos estad\u00edsticos de fuentes no oficiales\u00bb en An\u00e1lisis de M\u00e9todos para el uso de Internet para la recopilaci\u00f3n de estad\u00edsticas de la sociedad de la informaci\u00f3n y otras estad\u00edsticas, <noindex><a rel=\"nofollow\" href=\"http:\/\/www.cros-portal.eu\/content\/analysismethodologies-using-internet-collection-information-society-and-other-statistics-1\">www.cros-portal.eu\/content\/analysismethodologies-using-internet-collection-information-society-and-other-statistics-1<\/a><\/noindex><\/p>\n<p>Reimsbach-Kounatze, C. (2015), \u201cLa proliferaci\u00f3n de los \u201cgrandes datos\u201d y las implicaciones para las estad\u00edsticas oficiales y las agencias estad\u00edsticas: Un an\u00e1lisis preliminar\u201d, Documentos de la Econom\u00eda Digital de la OCDE, No. 245, Publicaci\u00f3n de la OCDE. <noindex><a rel=\"nofollow\" href=\"http:\/\/dx.doi.org\/10.1787\/5js7t9wqzvg8-en\">dx.doi.org\/10.1787\/5js7t9wqzvg8-en<\/a><\/noindex><\/p>\n<p>Reis, F., Ferreira, P., Perduca, V. (2014) \u00abEl uso de evidencia de actividad web para aumentar la puntualidad de los indicadores de estad\u00edsticas oficiales\u00bb, trabajo presentado en la conferencia IAOS 2014, <noindex><a rel=\"nofollow\" href=\"https:\/\/iaos2014.gso.gov.vn\/document\/reis1.p1.v1.docx\">iaos2014.gso.gov.vn\/document\/reis1.p1.v1.docx<\/a><\/noindex><\/p>\n<p>Incluso si no menciona expl\u00edcitamente los riesgos, este art\u00edculo, de hecho, aborda los muchos riesgos asociados con el uso de datos de actividad web para estad\u00edsticas oficiales. Eurostat (2007), Manual sobre M\u00e9todos y Herramientas de Evaluaci\u00f3n de la Calidad de los Datos, <noindex><a rel=\"nofollow\" href=\"http:\/\/ec.europa.eu\/eurostat\/documents\/64157\/4373903\/05-Handbook-ondata-quality-assessment-methods-and-tools.pdf\/c8bbb146-4d59-4a69-b7c4-218c43952214\">ec.europa.eu\/eurostat\/documents\/64157\/4373903\/05-Handbook-ondata-quality-assessment-methods-and-tools.pdf\/c8bbb146-4d59-4a69-b7c4-218c43952214<\/a><\/noindex><\/p>\n<p>Fuente: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/494044\/\">habr.com<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u041f\u0440\u0435\u0434\u0438\u0441\u043b\u043e\u0432\u0438\u0435 \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0447\u0438\u043a\u0430 \u041c\u0430\u0442\u0435\u0440\u0438\u0430\u043b \u0437\u0430\u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043e\u0432\u0430\u043b \u043c\u0435\u043d\u044f, \u0432 \u043f\u0435\u0440\u0432\u0443\u044e \u043e\u0447\u0435\u0440\u0435\u0434\u044c \u0438\u0437-\u0437\u0430 \u0442\u0430\u0431\u043b\u0438\u0446\u044b \u043d\u0438\u0436\u0435: \u0421 \u0443\u0447\u0435\u0442\u043e\u043c \u0442\u043e\u0433\u043e, \u0447\u0442\u043e \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 (\u0430 \u0440\u043e\u0441\u0441\u0438\u0439\u0441\u043a\u0438\u0435, \u043d\u0430 \u0433\u0435\u043d\u0435\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u0443\u0440\u043e\u0432\u043d\u0435), \u043c\u044f\u0433\u043a\u043e \u0433\u043e\u0432\u043e\u0440\u044f, \u043d\u0435 \u043b\u044e\u0431\u044f\u0442 \u0432\u0441\u0435, \u0447\u0442\u043e \u043e\u0442\u043b\u0438\u0447\u0430\u0435\u0442\u0441\u044f \u043e\u0442 \u043b\u0438\u043d\u0435\u0439\u043d\u043e\u0439 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438, \u044d\u0442\u0438 \u043f\u0430\u0440\u043d\u0438 \u0443\u043c\u0443\u0434\u0440\u0438\u043b\u0438\u0441\u044c \u043f\u0440\u043e\u0442\u0430\u0449\u0438\u0442\u044c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438 \u0432 \u043f\u0430\u0440\u0430\u0431\u043e\u043b\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u0432\u0438\u0434\u0435 \u0434\u043b\u044f \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f \u0441\u0442\u0435\u043f\u0435\u043d\u0438 \u0440\u0438\u0441\u043a\u0430 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f BigData \u0432 \u043e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0435. \u041c\u043e\u043b\u043e\u0434\u0446\u044b. \u0415\u0441\u0442\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u043e, \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 \u0434\u043e\u0431\u0430\u0432\u0438\u043b\u0438 \u0441\u0432\u043e\u0435 [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":75637,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[688],"tags":[],"class_list":["post-75636","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-administrirovanie"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.2 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u041f\u0440\u0435\u0434\u0438\u0441\u043b\u043e\u0432\u0438\u0435 \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0447\u0438\u043a\u0430 \u041c\u0430\u0442\u0435\u0440\u0438\u0430\u043b \u0437\u0430\u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043e\u0432\u0430\u043b \u043c\u0435\u043d\u044f, \u0432 \u043f\u0435\u0440\u0432\u0443\u044e \u043e\u0447\u0435\u0440\u0435\u0434\u044c \u0438\u0437-\u0437\u0430 \u0442\u0430\u0431\u043b\u0438\u0446\u044b \u043d\u0438\u0436\u0435:\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/es\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.2\" \/>\n\t\t<meta property=\"og:locale\" content=\"es_ES\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u0421\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u0440\u0438\u0441\u043a\u043e\u0432 \u0438 \u0440\u0435\u0448\u0435\u043d\u0438\u0439 \u043f\u0440\u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0438 BigData \u0434\u043b\u044f \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u044f \u043e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u041f\u0440\u0435\u0434\u0438\u0441\u043b\u043e\u0432\u0438\u0435 \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0447\u0438\u043a\u0430 \u041c\u0430\u0442\u0435\u0440\u0438\u0430\u043b \u0437\u0430\u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043e\u0432\u0430\u043b \u043c\u0435\u043d\u044f, \u0432 \u043f\u0435\u0440\u0432\u0443\u044e \u043e\u0447\u0435\u0440\u0435\u0434\u044c \u0438\u0437-\u0437\u0430 \u0442\u0430\u0431\u043b\u0438\u0446\u044b \u043d\u0438\u0436\u0435:\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/es\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2020-03-27T05:42:42+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2020-03-27T05:42:42+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47Estructuraci\u00f3n de riesgos y soluciones en el uso de Big Data para la obtenci\u00f3n de estad\u00edsticas oficiales | ProHoster","description":"Prefacio del traductor El material me interes\u00f3, principalmente por la tabla a continuaci\u00f3n:","canonical_url":"https:\/\/prohoster.info\/es\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"es_ES","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u0421\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u0440\u0438\u0441\u043a\u043e\u0432 \u0438 \u0440\u0435\u0448\u0435\u043d\u0438\u0439 \u043f\u0440\u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0438 BigData \u0434\u043b\u044f \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u044f \u043e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 | ProHoster","og:description":"\u041f\u0440\u0435\u0434\u0438\u0441\u043b\u043e\u0432\u0438\u0435 \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0447\u0438\u043a\u0430 \u041c\u0430\u0442\u0435\u0440\u0438\u0430\u043b \u0437\u0430\u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043e\u0432\u0430\u043b \u043c\u0435\u043d\u044f, \u0432 \u043f\u0435\u0440\u0432\u0443\u044e \u043e\u0447\u0435\u0440\u0435\u0434\u044c \u0438\u0437-\u0437\u0430 \u0442\u0430\u0431\u043b\u0438\u0446\u044b \u043d\u0438\u0436\u0435:","og:url":"https:\/\/prohoster.info\/es\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2020-03-27T05:42:42+00:00","article:modified_time":"2020-03-27T05:42:42+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"75636","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":null,"breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 17:53:27","updated":"2022-09-28 07:15:59","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts\/75636","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/comments?post=75636"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts\/75636\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/media\/75637"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/media?parent=75636"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/categories?post=75636"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/tags?post=75636"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}