Prefazione del traduttore
Il materiale mi ha interessato, soprattutto per la tabella qui sotto:
Considerando che le statistiche (e quelle russe, geneticamente parlando) non amano affatto tutto ciò che si discosta dalla linearità, questi ragazzi sono riusciti a far passare l'uso della funzione di attivazione in forma parabolica per determinare il grado di rischio dell'utilizzo di Big Data nelle statistiche ufficiali. Bravi. Naturalmente, gli statistici hanno aggiunto la loro nota a questo lavoro – «1 Qualsiasi errore o omissione è di esclusiva responsabilità degli autori. Le opinioni espresse in questo documento sono personali e non riflettono necessariamente la posizione ufficiale della Commissione Europea». Ma il lavoro è stato pubblicato. Penso che per oggi sia sufficiente, e loro (gli autori) non hanno vietato a nessuno di trovare le proprie scale in questi aspetti.
Nel lavoro è possibile dividere in modo relativamente strutturato dove e come i metodi statistici si differenziano dai metodi di ricerca per Big Data. A mio avviso, il maggiore vantaggio di questo lavoro sarà nel dialogo con il cliente e per confutare le sue affermazioni del tipo:
— E noi raccogliamo noi stessi le statistiche, cosa vorreste esplorare qui?
— E voi presentateci i vostri risultati in modo tale da poterli confrontare con le nostre statistiche. In questo senso, gli autori dicono che sarebbe utile leggere questo lavoro (3 )
In questo lavoro, gli autori hanno espresso la loro visione del livello di rischio. Questo parametro è posto tra parentesi, non confondere con il rimando alle fonti.
Seconda osservazione. Gli autori utilizzano il termine BDS – è l'analogo del concetto di Big Data. (probabilmente un omaggio alla statistica ufficiale).
Prefazione degli autori
Sempre più uffici di statistica stanno esplorando la possibilità di utilizzare grandi fonti di dati per la produzione di statistiche ufficiali. Attualmente ci sono solo pochi esempi di queste fonti completamente integrate nella produzione statistica effettiva. Pertanto, il pieno grado delle conseguenze risultanti dalla loro integrazione non è ancora ben definito. Nel frattempo, sono stati compiuti i primi tentativi di analizzare le condizioni e l'impatto dei big data su vari aspetti della produzione statistica, come la qualità o la metodologia. Recentemente, un gruppo di lavoro ha sviluppato un quadro qualitativo per la preparazione di dati statistici basati su grandi dati nel contesto del progetto sui big data della Commissione Economica per l'Europa delle Nazioni Unite (CEU ONU). Secondo il codice di pratica statistica europeo, la fornitura di informazioni statistiche di alta qualità è un compito fondamentale per gli uffici di statistica. Poiché il rischio è definito come l'impatto dell'incertezza sugli obiettivi (ad esempio dall'organizzazione internazionale per la normalizzazione ISO 31000), abbiamo ritenuto opportuno categorizzare i rischi in base alle dimensioni della qualità che influenzano.
La struttura proposta per la qualità dei dati statistici, provenienti da grandi fonti di dati, fornisce una rappresentazione strutturata della qualità correlata a tutte le fasi del processo statistico aziendale e, così facendo, può fungere da base per una valutazione complessiva e per la gestione dei rischi associati a queste nuove fonti di dati. Introduce nuove misurazioni qualitative specifiche o di alta rilevanza quando si utilizza big data per la statistica ufficiale, come l'ambiente istituzionale/aziendale o la complessità. Utilizzando queste nuove misurazioni qualitative, è possibile identificare in modo più sistematico i rischi associati all'uso di grandi fonti di dati nella statistica ufficiale.
Nel presente lavoro ci proponiamo di identificare i rischi associati all'uso dei big data nel contesto delle statistiche ufficiali. Adottiamo un approccio sistemico nella definizione dei rischi all'interno della struttura di qualità proposta. Concentrandoci sulle nuove misure di qualità, possiamo descrivere i rischi attualmente assenti o che non incidono sulla produzione delle statistiche ufficiali. Allo stesso tempo, possiamo definire i rischi attuali che saranno valutati in modo completamente diverso quando si utilizzano i big data per generare statistiche. Procediamo quindi nel ciclo di gestione dei rischi e forniamo una valutazione della probabilità e dell'impatto di tali rischi. Poiché la valutazione dei rischi implica una certa soggettività nella loro attribuzione, misuriamo la probabilità e l'impatto dei vari rischi calcolando il consenso tra decine di parti interessate diverse, fornite in modo indipendente. Proponiamo quindi opzioni per mitigare questi rischi in base a quattro categorie principali: evitare, ridurre, condividere e mantenere. Secondo le norme ISO, uno dei principi della gestione dei rischi deve essere la creazione di valore, ossia le risorse destinate alla riduzione dei rischi devono essere inferiori a quelle necessarie per non agire. In conformità con questo principio, infine, valuteremo l'impatto potenziale di alcune misure di riduzione dei rischi sulla qualità dei risultati finali, al fine di giungere a una valutazione più completa dell'uso dei big data per le statistiche ufficiali.
1. Introduzione
1.1. Contesto
Lo sviluppo dei 'big data' è stato caratterizzato da Kenneth Neil Cukier e Viktor Mayer-Schönberger nel loro articolo 'La crescita dei big data'. Il termine 'datafication' descrive il processo di 'trasformare tutti gli aspetti della vita in dati'. Ad esempio, Facebook offre reti personali, sensori per vari tipi di condizioni ambientali, smartphone per comunicare e muoversi, e dati indossabili per vari aspetti personali. Questo porta a una raccolta di dati quasi onnipresente e alla loro disponibilità.
Come in molti altri settori, la statistica ufficiale ha iniziato a discutere solo di recente il problema dei big data a livello strategico. Non c'è ancora una comprensione comune e ampiamente accettata su come procedere, sia che si tratti di una sfida o di un'opportunità, sia essa piccola o grande, ecc. Nell'ambito del Gruppo di alto livello per la modernizzazione della produzione statistica e dei servizi (3 Quanto è grande Big Data? Esplorando il ruolo dei Big Data nella Statistica Ufficiale: ), è stata condotta una prima analisi SWOT, accompagnata da una valutazione approssimativa rischio/beneficio. È stato osservato che «un'analisi completa dei rischi dovrebbe includere anche aspetti come la probabilità e l'impatto, e potrebbe essere ampliata per definire strategie per la mitigazione e gestione dei rischi».
Anche se questo documento è ancora lontano da un'analisi completa dei rischi, è volto a migliorare la situazione attraverso la creazione della prima panoramica strutturata. Desideriamo sottolineare che questa panoramica dovrebbe essere vista come un punto di partenza per stimolare una discussione generale all'interno della Comunità Statistica Ufficiale (OSC).
1.2. Ambito
Questo articolo si concentra esclusivamente sui rischi, escludendo non solo i benefici, ma anche i punti di forza e di debolezza, le opportunità e le minacce. Ciò significa che i "rischi dell'inazione" (ad esempio, il rischio che l'OSC non sia competitiva con altri attori se non viene modernizzata) non rientrano nell'ambito; si tratta piuttosto di minacce. Invece, cerchiamo di evidenziare i rischi che potrebbero sorgere (a) se l'OSC sfrutta le opportunità offerte dai big data e inizia a sviluppare o migliorare un specifico "prodotto di statistica ufficiale basato su big data" (BOSP); (b) rischi per il nuovo "business consueto", cioè rischi per la statistica ufficiale basata sulla produzione di "big data". (Poiché tutta la produzione di statistiche ufficiali comporta rischi, ci limitiamo a (b) ai rischi specifici per i "big data", ovvero rischi che non esistono o sono insignificanti per il processo "tradizionale" di raccolta di statistiche ufficiali.)
1.3. Struttura
Nella sezione 2 presentiamo i principi fondamentali legati a questa tematica, partendo dalle basi necessarie per la gestione dei rischi e il risk management (sezione 2.1). Presentiamo anche una struttura preliminare della qualità dei dati statistici, ottenuti tramite big data (sezione 2.2), poiché allineare la struttura della qualità con i rischi soddisfa due obiettivi:
- Essa stabilisce il contesto per la definizione dei rischi. Indicatori di qualità specifici insieme alle caratteristiche in esame esprimono i valori dell'oggetto che si considerano importanti e decisivi per l'erogazione dei servizi ai clienti e agli utenti.
- Questo consente di associare rischi specifici a misurazioni di qualità, che sono incorporati in iperspazi generali e collegati a determinate fasi nel processo di produzione dei prodotti statistici.
Nei capitoli 3, 4, 5 e 6 presentiamo i rischi identificati finora in vari contesti (4 I documenti del business case del progetto ESS Big Data (https://www.europeansocialsurvey.org/about/structure_and_governance.html) così come le reti ESS Big Data contengono un elenco di rischi parzialmente correlati al progetto e parzialmente all'uso delle fonti di big data per scopi statistici. Il documento "Un framework suggerito per la qualità dei Big Data" menziona alcuni rischi relativi alle dimensioni della qualità. / I documenti del business case del progetto ESS Big Data, così come nelle reti ESS Big Data, contengono un elenco di rischi, parzialmente correlati al progetto e parzialmente all'uso delle fonti di big data per scopi statistici. Nel documento "Struttura suggerita per la qualità dei big data" vengono menzionati alcuni rischi legati alle dimensioni della qualità.). Qui utilizziamo la classificazione dell'accesso ai dati, l'ambiente legale, la privacy e la sicurezza dei dati, così come le competenze; la riorganizzazione secondo la struttura qualitativa delle statistiche ottenute dai big data (sezione 2.2) deve essere considerata non appena questa struttura raggiunge uno stato più avanzato. Per ciascun rischio identificato forniamo (i) una stima della probabilità e dell'impatto (secondo la sezione 2.1.3) e (ii) proponiamo strategie di mitigazione e gestione dei rischi (vedi sezione 2.1.4).
Alla fine, discuteremo le nostre conclusioni e delineeremo alcuni passaggi successivi nella Sezione 7
2. Fondamenti
2.1. Rischi e gestione dei rischi
Secondo la ISO 31000:20095, il rischio è definito come "l'effetto dell'incertezza sugli obiettivi stabiliti". Questo significa che gli obiettivi devono essere definiti o noti prima di poter identificare i rischi. Di solito, questi obiettivi sono definiti tenendo conto del contesto istituzionale dell'organizzazione pertinente. Un'altra considerazione importante è che i rischi comportano una caratteristica di incertezza, cioè non è chiaro se l'evento descritto si verificherà. Pertanto, i rischi vengono misurati in termini di probabilità che si verifichi un evento e delle sue conseguenze, ovvero l'impatto che questo evento ha sul raggiungimento degli obiettivi stabiliti. La valutazione dei rischi dovrebbe fornire informazioni più oggettive, il che alla fine consente di trovare un giusto equilibrio tra la realizzazione delle opportunità di profitto e la minimizzazione delle conseguenze negative. La gestione dei rischi è una parte essenziale della pratica di gestione e un elemento importante della buona prassi aziendale (6 Statistics Canada: rapporto 2014-2015 su Piani e Priorità. ). È un processo iterativo che, idealmente, consente di migliorare continuamente il processo decisionale e promuove un costante miglioramento delle prestazioni.
I rischi sono anche legati alla qualità. L'implementazione di un sistema di qualità deve permettere di sfruttare le opportunità offerte da diverse fonti e metodologie per raggiungere un risultato di determinato livello qualitativo, nel senso che tale risultato soddisfa le esigenze degli utenti. Come i rischi, i livelli di qualità possono derivare dall'ambiente istituzionale e dagli obiettivi di specifiche istituzioni. In questo contesto, l'ambiente istituzionale definisce il livello complessivo di rischio che un'organizzazione è disposta a sostenere per raggiungere i suoi obiettivi.
Il processo di valutazione e gestione dei rischi può essere suddiviso in diverse fasi, che comprendono la definizione del contesto, l'identificazione dei rischi, l'analisi dei rischi in termini di probabilità e impatto, la valutazione dei rischi e, infine, la gestione dei rischi.
2.1.1. Contesto istituzionale
Come primo passo, è necessario stabilire il contesto strategico, organizzativo e di gestione dei rischi, all'interno del quale si svolgerà il resto del processo. Ciò include la definizione dei criteri in base ai quali verranno valutati i rischi e la determinazione della struttura di analisi.
2.1.2. Identificazione del rischio
Nella seconda fase devono essere identificati eventi che potrebbero influenzare il raggiungimento degli obiettivi prefissati. L'identificazione deve includere questioni relative al tipo di rischi, alla tempistica degli eventi, al luogo o a come gli eventi possono prevenire, aggravare, ritardare o migliorare il raggiungimento degli obiettivi.
2.1.3. Valutazione del rischio
Il prossimo passo consiste nell'identificare i mezzi esistenti per il controllo e l'analisi dei rischi in termini di probabilità e delle potenziali conseguenze. Nel contesto di questo articolo, la probabilità o la possibilità che si verifichino rischi è misurata su una scala da 1 (poco probabile) a 5 (frequente). L'impatto degli eventi è valutato su una scala da 1 (irrilevante) a 5 (estremo). Come mostrato nella Tabella 1, il prodotto di probabilità e impatto determina il "livello di rischio" variabile da 1 a 25.
I livelli di rischio valutati possono essere confrontati con criteri predefiniti per stabilire un equilibrio tra i potenziali benefici e i risultati avversi. Questo consente di formulare giudizi sulle priorità di gestione.
La priorità per le azioni deve essere data ai rischi critici (vedi Tabella 2), cioè quelli che possono verificarsi e avere conseguenze gravi o estreme sugli obiettivi dell'organizzazione.
2.1.4. Risposta ai rischi
L'ultimo passo consiste nel decidere come affrontare i rischi. Alcuni rischi che si trovano al di sotto di un determinato livello possono essere ignorati o accettati. Per altri, i costi per mitigare i rischi possono essere così elevati da superare i benefici potenziali. In questo caso, l'organizzazione può decidere di astenersi dall'attività corrispondente. I rischi possono anche essere trasferiti a terzi, come le assicurazioni, che compensano le spese sostenute. L'ultima opzione è considerare i rischi nella definizione di strategie e azioni che bilanciano costi e benefici potenziali. In questo modo, l'organizzazione prenderà decisioni sulle strategie da implementare per massimizzare i benefici e minimizzare i potenziali costi.
2.2. Sistemi di qualità
Un gruppo di lavoro composto da rappresentanti di organizzazioni statistiche nazionali e internazionali ha sviluppato nel 2014 una struttura preliminare di qualità per le statistiche provenienti da grandi dati. Questo gruppo ha operato sotto l'egida del progetto UNECE/HLG "Il ruolo dei big data nella modernizzazione della produzione statistica". Ha ampliato i sistemi di qualità esistenti, sviluppati per valutare le statistiche ottenute da fonti amministrative, introducendo indicatori di qualità ritenuti pertinenti per le grandi fonti di dati.
Nell'ambito di questo sistema viene effettuata una distinzione tra tre fasi del processo aziendale: ingresso, produzione e uscita. La fase di ingresso corrisponde alle fasi di "progettazione" e "raccolta" delle GSBP, la produzione alle fasi di "processo" e "analisi", mentre i risultati corrispondono alla fase di "distribuzione".
La struttura utilizza un'architettura gerarchica, ispirata a quella dei dati amministrativi sviluppata dall'Ufficio Statistico dei Paesi Bassi (7 Daas, P., S. Ossen, R. Vis-Visschers e J. Arends-Toth, (2009), Checklist for the Quality evaluation of Administrative Data Sources. Statistics Netherlands, L'Aia/Heerlen). Le misurazioni di qualità sono incorporate in una struttura gerarchica chiamata iperspazi. I tre iperdimensioni definiti sono "fonte", "metadati" e "dati". Le misurazioni di qualità vengono inserite in questi iperdimensioni e assegnate a ciascuna fase della produzione. Per la fase di ingresso sono stati proposti aspetti aggiuntivi come "riservatezza e confidenzialità", "complessità" (in riferimento alla struttura dei dati), "completezza" dei metadati e "coerenza" (la possibilità di correlare i dati con altri dati), per arricchire il modello di qualità standard. Per ciascuno degli indicatori di qualità sono suggeriti fattori relativi alla loro descrizione, così come possibili indicatori.
Nel contesto di questo articolo, i rischi possono essere esclusi da questi fattori. Ad esempio, i fattori da considerare per misurare la qualità dell'«ambiente istituzionale / aziendale» includono la sostenibilità del fornitore di dati. Il rischio ad esso associato potrebbe essere che i dati non siano disponibili presso il fornitore di dati in futuro. Un altro esempio è legato a un aspetto della qualità recentemente proposto, la privacy e la sicurezza. Uno dei fattori importanti è la «percezione», che implica una potenziale percezione negativa dell'uso previsto di determinate fonti di dati da parte delle varie parti interessate.
3. Rischi legati all'accesso ai dati
3.1. Mancanza di accesso ai dati
3.1.1. Descrizione
Questo rischio consiste nel progetto associato allo sviluppo del BOSP, che non ottiene accesso alla necessaria fonte di big data (BDS).
Fino ad oggi, OSC ha affrontato un percorso difficile, dove anche l'accesso ai blocchi di partenza e ottenere questa accessibilità possono talvolta rappresentare ostacoli insormontabili. A volte, è facile accedere a una certa fonte, come i registri dei dati delle chiamate (CDR), per fini di testing o ricerca, ma molto più difficile (per motivi legali o commerciali) accedervi per scopi produttivi.
3.1.2. Probabilità
La probabilità dipende in larga misura dalle caratteristiche del BDS. Quando si tratta di grandi dati amministrativi, può essere pari a 1, in particolare se (come nel caso dei dati di loop di traffico studiati da Daas et al. 8 Daas, P., M. Puts, B. Buelens e P. van den Hurk. 2015. "Big Data as a Source for Official Statistics". Journal of Official Statistics 31 (2). (In fase di pubblicazione; pubblicazione prevista per giugno 2015.)) non ci sono problemi di protezione dei dati personali. Se il caso di BDS appartiene a un individuo, in particolare se è sensibile (ad esempio, in termini di protezione dei dati) o prezioso (dal punto di vista commerciale), la probabilità può essere molto alta (5).
3.1.3. Impatto
L'impatto dipende da BOSP e dal modo in cui si utilizza BDS. Se BDS è al centro, l'impatto può essere molto elevato (4 = impossibile produrre BOSP), mentre può essere inferiore se è ancora possibile produrre BOSP (anche se di qualità inferiore), affidandosi ad altri URB, il che porta a un impatto nell'intervallo 2-3.
3.1.4. Prevenzione
Per ridurre il rischio di mancata accessibilità, è necessario stabilire contatti preliminari con il fornitore di dati e concludere un accordo a lungo termine per l'accesso ai dati. Inoltre, è necessario condurre un'analisi legale completa relativa alla specifica combinazione di BDS e BOSP. Devono anche essere valutate le possibilità di accesso ai dati tramite legislazione attuale o futura.
3.1.5. Mitigazione
Se ci sono BDS alternativi che possono essere utilizzati per BOSP, si possono considerare invece. Se non esiste modo di produrre BOSP senza BDS e se è impossibile superare la mancanza di accesso, gli sforzi dovrebbero essere interrotti e un nuovo BOSP non verrà realizzato.
3.2. Perdita di accesso ai dati
3.2.1. Descrizione
Questo rischio è che la gestione statistica perda il BDS, alla base del BOSP.
3.2.2. Probabilità
Se il BOSP è già in produzione, di solito esiste una certa stabilità, e in alcuni casi il rischio può essere molto basso (1). Tuttavia, in particolare nel caso di soggetti privati con cui sono stati stipulati accordi non sufficientemente solidi, non c'è nulla che impedisca, ad esempio, a una nuova direzione di cambiare la politica di fornitura dei dati, il che porta a un rischio moderato di interruzione (3). Inoltre, se il BDS è legato ad attività instabili, c'è sempre il rischio che il fornitore fallisca, e il rischio può essere anche maggiore (4).
3.2.3. Impatto
Poiché è impossibile produrre il BOSP esistente, spesso si verifica un impatto molto forte (5). In altri casi, quando il BDS ha una natura accessoria, l'impatto può tradursi piuttosto in una perdita di qualità con un impatto nell'intervallo 2-3.
3.2.4. Prevenzione
La strategia di prevenzione è simile alla strategia di assenza di accesso ai dati, ma con un accento maggiore sulla vigilanza continua anche nelle condizioni di produzione.
Non mettere tutte le uova nello stesso paniere (ossia avere più BDS alla base di ogni BSOP) può essere una strategia, ma potrebbe risultare impraticabile o troppo costosa.
3.2.5. Mitigazione
Se il BDS è il risultato di attività instabili, potrebbe gradualmente emergere un nuovo BDS che rifletta lo stesso fenomeno sociale. Tuttavia, sarebbe troppo tardi iniziare a "scansionare il mercato" una volta che il BSOP fallisce; è necessaria una vigilanza costante, e questo può essere difficile da raggiungere.
4. Rischio legato all'ambiente legale
4.1. Non conformità alle normative
4.1.1. Descrizione
Questo rischio consiste in un progetto relativo allo sviluppo di un BOSP, in cui non si considera la normativa pertinente, rendendo il BOSP non conforme alla legge. Ciò può riguardare la legislazione sulla protezione dei dati, le normative relative ai requisiti di risposta, ecc.
4.1.2. Probabilità
Considerando l'ignoranza di OSC riguardo ai big data, non si può escludere che possa avvenire un caso di non conformità casuale (3). La probabilità è generalmente legata a BDS, poiché più il sorgente è "meno sensibile", minore è la probabilità di disallineamento.
4.1.3. Impatto
L'impatto è generalmente critico (4) nel senso che la produzione non conforme richiederà l'arresto di BOSP (o, se non ha ancora raggiunto la fase di implementazione, la sua sviluppo deve essere interrotto). Questo può essere estremo (5), poiché i rischi reputazionali derivanti da statistiche ufficiali non conformi ("illegali") possono avere conseguenze.
4.1.4. Prevenzione
Per ogni BOSP è necessario condurre un'attenta analisi legale — e questo avviene in più fasi (quello che è accettabile nella fase di sviluppo/ricerca potrebbe non esserlo nella fase di implementazione/produzione). Questo, a sua volta, può portare a un reengineering del BOSP per renderlo compatibile.
4.1.5. Mitigazione
A seconda della gravità della non conformità, il primo passo potrebbe essere quello di mettere BOSP in modalità offline.
Il re-engineering del BOSP per renderlo compatibile potrebbe essere un'opzione, ma la possibilità che il BOSP venga "salvato" in tal modo dipende fortemente dalla natura delle incompatibilità.
4.2. Modifiche sfavorevoli nell'ambiente legale
4.2.1. Descrizione
Potrebbe essere introdotta una nuova legislazione riguardante il BOSP in fase di sviluppo, che renderebbe effettivamente il BOSP incompatibile.
4.2.2. Probabilità
Non è escluso che i sostenitori di una maggiore protezione dei dati riescano a introdurre nuovi requisiti che influenzino direttamente o indirettamente la possibilità di creare specifici BOSP. Una probabilità compresa tra 2 e 3 sembra essere una stima realistica.
4.2.3. Impatto
L'impatto è generalmente critico (4), nel senso che la produzione non conforme richiederà di fermare il BOSP.
4.2.4. Prevenzione
È necessario monitorare regolarmente le evoluzioni legislative per raccogliere informazioni commerciali rilevanti — magari anche per influenzarle, sostenendo la necessità di statistiche ufficiali nei forum appropriati (ad esempio, consultivi).
4.2.5. Mitigazione
A condizione che sia stata effettuata una sorveglianza proattiva, potrebbe esserci tempo per il reengineering del BOSP, al fine di allinearlo alla nuova legislazione sin dal primo giorno della sua entrata in vigore.
Se, d'altra parte, non è stata effettuata alcuna sorveglianza, così che la nuova legislazione è stata una 'sorpresa' — o se la legislazione è così radicale che non esiste modo di rendere il BOSP incompatibile — l'unica opzione potrebbe essere disattivare il BOSP.
5. Rischi legati alla privacy e alla sicurezza dei dati
5.1. Violazioni della sicurezza dei dati
5.1.1. Descrizione
Questo rischio riguarda l'accesso non autorizzato ai dati archiviati nella gestione delle statistiche. Terze parti potrebbero ottenere dati che sono sotto embargo, ad esempio a causa del rilascio di un programma. Per qualsiasi BOSP che si basa completamente su un'unica BDS, è inevitabile che i dati siano implicitamente conosciuti dal proprietario originale dei dati e, se la metodologia è trasparente, anche le statistiche derivate saranno note. Questa situazione non è esaminata qui, ma piuttosto nel rischio associato all'abuso di potere da parte dei proprietari. Inoltre, questi dati possono comportare un rischio di violazione della riservatezza. Questo rischio sarà considerato separatamente. Ad esempio, potrebbero essere dati attesi dai investitori nel mercato azionario.
5.1.2. Probabilità
Per quanto riguarda gli aspetti tecnici di protezione dell'ambiente IT nel dipartimento statistico, il rischio ha la stessa probabilità per le BDS rispetto alle fonti tradizionali. Tuttavia, ci sono due aspetti aggiuntivi da considerare.
In primo luogo, il rischio associato a alcuni BDS aumenta leggermente, poiché la sicurezza dei dati presso il proprietario iniziale può essere compromessa. Questo può essere dovuto, ad esempio, a spionaggio industriale o hacking.
In secondo luogo, una volta che dati potenzialmente preziosi iniziano ad essere conservati in ufficio, aumenta il rischio di attirare intenzioni dannose. Se i dati conservati hanno un elevato valore per l'azienda, è fondamentale essere pronti a un'alta probabilità di attacchi mirati all'infrastruttura IT, e quindi la probabilità di una violazione può essere potenzialmente più alta (4).
Se i dati conservati non vengono percepiti come preziosi, la probabilità complessiva sembra non essere molto alta — da (1) a (3) a seconda della fonte dei dati.
5.1.3. Impatto
Il potenziale danno alla reputazione può essere significativo (5). Ciò che è importante nel caso dei BDS è che se un'incursione della sicurezza si verifica presso il proprietario iniziale, l'impatto sulla reputazione della gestione statistica è previsto essere inferiore rispetto a se l'incursione si verificasse con dati custoditi.
D'altra parte, è possibile che una violazione nella gestione statistica possa avere conseguenze negative per il proprietario originale. In questo caso, potrebbe nuovamente verificarsi un forte impatto negativo a causa del danno in termini di fiducia tra il fornitore e la gestione statistica (5).
5.1.4. Prevenzione
Ciò che caratterizza il caso BDS è che le procedure di sicurezza del proprietario originale possono essere rilevanti. È improbabile che le gestioni statistiche ottengano poteri di auditing per controllare questo. I proprietari i cui dati sono utilizzati per produrre registrazioni con cronoprogrammi riservati devono essere informati delle conseguenze per la statistica ufficiale di una potenziale violazione della sicurezza nei loro locali e devono ricevere una garanzia ufficiale che siano in atto procedure di sicurezza adeguate.
Un modo diretto per prevenire gravi effetti di una violazione della sicurezza nelle strutture di un proprietario sulla gestione statistica è garantire l'utilizzo di più fonti per lo stesso prodotto, in modo che una sola fonte compromessa non sia sufficiente per ottenere il numero finale. Il vantaggio di questo approccio è che un maggiore controllo è nelle mani della gestione statistica.
Il modo per prevenire le conseguenze negative di una violazione della sicurezza nell'ufficio statistico per il titolare originale dei dati è trovare un metodo di lavoro che non preveda la trasmissione di dati potenzialmente sensibili per il titolare alla gestione statistica. In forma grezza. Un approccio preventivo possibile è l'uso di dati aggregati. Tuttavia, è importante ricordare che alcune forme di aggregazione, come quelle destinate a prevenire l'identificazione di singoli membri della popolazione, potrebbero non essere appropriate in questo caso. Una delle ragioni potrebbe essere che il rischio per il titolare è associato al valore commerciale dei dati, il quale può essere significativo anche dopo aver raggiunto l'anonimato.
5.1.5. Mitigazione
In caso di violazione dei dati gestiti dalla statistica, le misure di mitigazione saranno le stesse di quelle per le fonti tradizionali, salvo che non ci sia stato un impatto negativo sul titolare originale.
In caso di conseguenze negative per il proprietario originale, l'ente di statistica deve rivedere e rafforzare le proprie procedure di sicurezza e comunicare chiaramente e dimostrare il proprio impegno in tal senso.
Se la violazione si è verificata nei locali del proprietario originale, l'ente statistico competente deve comunicare chiaramente la situazione e insistere per il miglioramento delle procedure di sicurezza del proprietario. Se necessario, si può cercare un fornitore alternativo.
5.2. Violazioni della riservatezza dei dati
5.2.1. Descrizione
C'è il rischio che la riservatezza di una o più persone all'interno del campione statistico venga violata. Ciò può essere correlato ad un attacco all'infrastruttura IT a causa della pressione di altre istituzioni governative o a causa di misure di controllo inadeguate riguardo alla divulgazione dei dati statistici.
5.2.2. Probabilità
Come nel caso del rischio di violazione della sicurezza dei dati, le condizioni tecniche per lo stoccaggio dei microdati non cambiano significativamente con l'aggiunta del BDS. Tuttavia, anche qui ci sono avvertenze.
I microdati provenienti da fonti specifiche possono avere un elevato valore commerciale, quindi conservarli aumenterà la probabilità di attacchi.
Inoltre, alcuni microdati possono essere potenzialmente molto utili per altre istituzioni pubbliche, come le forze dell'ordine, il fisco o la sanità. In determinate circostanze, l'impegno per il principio della riservatezza statistica può essere messo a dura prova.
Per quanto riguarda i fallimenti nel controllo della divulgazione delle informazioni statistiche, esiste già una pratica consolidata. Il BDS può consentire la produzione di statistiche per piccole sottogruppi di popolazione o offrire la possibilità di collegare dati aggregati da diversi BDS, il che può aumentare la probabilità di rischio. Inoltre, nuove fonti richiederanno nuovi sviluppi metodologici, quindi il reale pericolo è che la metodologia di controllo della divulgazione delle informazioni non venga aggiornata correttamente.
In generale, con adeguate misure preventive, la probabilità può essere mantenuta a livelli ragionevoli, ma, poiché esistono molti fattori diversi e variabili, la valutazione corretta qui sembra essere che la probabilità è alta (4).
5.2.3. Influenza
Il potenziale danno alla reputazione può essere significativo (5). Come nel caso del rischio di violazione della sicurezza dei dati, un'interruzione nella gestione statistica può avere conseguenze negative per il proprietario iniziale. Qui, l'impatto di un simile evento può essere potenzialmente ancora maggiore, soprattutto se le attuali tendenze nell'opinione pubblica si mantengono. Il danno nei rapporti tra il fornitore di dati e la gestione statistica è previsto essere molto elevato.
5.2.4. Prevenzione
Un modo infallibile per prevenire questo rischio è non avere affatto microdati da BDS (anche se la conservazione di altri microdati comporta comunque un rischio, sebbene con probabilità e impatto diversi). Questo percorso, come nel caso del rischio di violazione dei dati, comporterebbe la necessità di sviluppare altri modi di utilizzare i dati a fini statistici. Inoltre, la diversa natura delle fonti richiederà lo sviluppo di nuove metodologie con obiettivi concorrenti, per estrarre il maggior numero possibile di informazioni utili e proteggere la privacy da potenziali minacce.
Nel caso di archiviazione di microdati, le misure di sicurezza IT e i controlli di accesso devono essere mantenuti a un livello richiesto e monitorati continuamente. È fondamentale prestare particolare attenzione alla sicurezza dei nuovi metodi di acquisizione dei dati. Ironia della sorte, uno di questi nuovi metodi può essere il trasporto fisico dei dispositivi di archiviazione (come gli hard disk). Se questo metodo viene utilizzato, la consegna deve essere fisicamente protetta e deve essere utilizzata la crittografia.
5.2.5. Mitigazione
Le misure di mitigazione qui sono fondamentalmente le stesse che in caso di violazione della sicurezza dei dati. Se la causa della violazione è la pressione esercitata da un altro ente governativo, si dovrebbe sfruttare l'opportunità per rafforzare l'indipendenza della gestione, in modo che tali violazioni diventino ancora più difficili in futuro.
5.3. Manipolazione della fonte dei dati
5.3.1. Descrizione
I fornitori di dati di terze parti, come i dati dei social media o i dati volontariamente forniti, sono a rischio di manipolazione. Questo può essere fatto dal fornitore di dati stesso o da terze parti. Ad esempio, molti messaggi falsi sui social media possono essere generati per influenzare un indice statistico, ottenuto sulla base di questi dati, in un modo o nell'altro, se si sa che l'indice è calcolato su base di tali dati.
Per i dati forniti volontariamente, potrebbe verificarsi un caso in cui i volontari rappresentano un certo gruppo di interesse con un'agenda specifica.
5.3.2. Probabilità
Per i dati la cui manipolazione può portare a grandi benefici, la probabilità è maggiore. Questi possono essere dati per i quali le statistiche sono interessanti, come il mercato azionario. Alla luce dei recenti scandali legati al LIBOR e al Forex, si può supporre che, finché esiste uno stimolo, i tentativi di manipolare i dati saranno probabili.
Per le statistiche basate su dati forniti volontariamente, basta guardare alla recente pratica di assunzione di persone che fingono di avere una certa opinione e che vengono pagate per esprimersi pubblicamente (ad esempio, nei forum online) per concludere che la probabilità non è trascurabile. In generale, un valore tra 3 e 4 sembra adeguato.
5.3.3. Influenza
Un grande problema con le manipolazioni è che possono durare a lungo senza essere rilevate. Se le manipolazioni continuano per un lungo periodo, l'impatto sulla qualità può diventare significativo. Inoltre, il danno alla fiducia pubblica nelle statistiche ufficiali può essere considerevole, soprattutto se viene sottolineato pubblicamente il ruolo degli uffici statistici come fornitori di dati di qualità. D'altro canto, se le manipolazioni vengono scoperte in tempo e poi pubblicate, ciò può effettivamente migliorare la percezione pubblica. Fatta eccezione per i casi estremamente gravi, si può immaginare un'influenza massima (3).
5.3.4. Prevenzione
L'esecuzione di esercizi di controllo regolari con fonti alternative è uno dei possibili approcci preventivi. Queste fonti alternative possono essere tradizionali o diverse. L'uso di statistiche basate su una combinazione di fonti può ostacolare impatti significativi delle manipolazioni. Nei casi in cui ci si preoccupi di manipolazioni verificatesi da parte del fornitore, accordi legali possono anche essere un modo per prevenire tale pratica.
5.3.5. Mitigazione
Dal punto di vista del danno alle relazioni pubbliche, le misure di mitigazione che devono essere adottate qui non sono molto diverse dalle misure per affrontare qualsiasi crisi.
Dal punto di vista della qualità dei dati, sarebbe utile se i dati passati potessero essere corretti in modo che anche con un grande ritardo la serie corretta potesse essere
viene prodotto. A questo scopo può essere utile un benchmark regolare. Si noti che lo scopo dell'analisi comparativa in questo caso è leggermente diverso dallo scopo di prevenzione. Per la prevenzione, è importante notare rapidamente e indagare su discrepanze sospette tra i dati dei benchmark e il BDS. Per attenuare le conseguenze, dati utili precedenti sono sempre vantaggiosi.
Inoltre, è necessario assicurarsi di non consentire tali manovre in futuro: nei casi particolarmente delicati, ciò può significare ottenere potenzialmente dati ridondanti da più fornitori per l'analisi comparativa.
5.4. Percezione pubblica negativa sull'uso dei big data dalla statistica ufficiale
5.4.1. Descrizione
I media e il grande pubblico sono molto sensibili alle questioni della privacy e dell'uso dei dati personali provenienti da grandi fonti di dati, soprattutto nel contesto del riutilizzo dei dati da parte degli enti governativi che adottano misure amministrative o legali nei confronti dei cittadini. Un uso percepito negativamente può essere il monitoraggio della velocità basato sull'analisi dei dati di navigazione (11 Vedi ).
Il caso specifico di TomTom Netherlands ha causato un notevole calo della domanda per i dispositivi TomTom e ha portato l'azienda a decidere di limitare l'accesso ai dati. In questo caso specifico, i dati riguardavano persone specifiche, ma a livelli di velocità su tratti stradali.
Tuttavia, potrebbero esserci applicazioni con big data che sono percepite positivamente dal pubblico. Un esempio potrebbero essere le applicazioni che prevengono crimini come i furti con scasso sulla base di metodi di big data.
L'opinione pubblica, sia positiva che negativa, può avere un forte impatto sull'uso del BDS nel contesto della produzione di statistiche ufficiali.
Una conseguenza della percezione pubblica negativa può essere che:
- il BDS non sarà più disponibile per gli uffici statistici, sia a causa delle decisioni del fornitore di dati o delle decisioni governative di non utilizzare i dati, oppure
- l'uso dei dati sarà limitato, il che potrebbe ostacolare la produzione, se ci sono determinati BOSP.
5.4.2. Probabilità
Fattori che possono influenzare la probabilità di tale evento o il suo impatto sulla produzione di statistiche:
- riservatezza dei dati, cioè quanto sia facile identificare le persone;
- volume delle informazioni che i dati rivelano sulle persone fisiche, ad esempio, aumenta collegando i dati provenienti da diverse fonti;
- tipo di dati, ad esempio, le operazioni finanziarie sono percepite come più riservate rispetto ad altri dati;
- tipo di azione potenziale che può essere intrapresa nei confronti dei cittadini, ad esempio, multare le persone per eccesso di velocità;
- un contesto giuridico poco chiaro, in cui operano fornitori e utenti di dati, o quando le condizioni legali sono in contrasto con le opinioni etiche/sociali pubbliche e gli standard;
- il grado di dipendenza da una specifica fonte di dati per ottenere statistiche; in fase di esplorazione questo fattore può avere un'importanza trascurabile. Tuttavia, può avere un impatto molto significativo sull'ottenimento delle statistiche in fasi successive e quindi deve essere considerato anche nella fase di esplorazione. Uno dei problemi potrebbe consistere nel fatto che l'ammontare finale dell'uso dei dati non è inizialmente noto, poiché le fonti di dati possono potenzialmente servire più di un'area statistica.
La valutazione del tempo degli eventi indesiderati è impossibile, poiché la mobilitazione del pubblico è spesso innescata dalla copertura mediatica di eventi che hanno un impatto negativo sui cittadini. Tuttavia, con l'aumento dell'uso dei big data da parte di governi e aziende private, e in particolare con il marketing attivo dei dati per finalità diverse da quelle che hanno portato alla loro raccolta iniziale, è più probabile che si verifichino tali eventi.
Gli eventi che influenzano fortemente la percezione pubblica sono più rari e piuttosto casuali (3) e distanti (2). Con l'aumento dell'uso di grandi fonti di dati, anche la probabilità aumenterà.
5.4.3. Influenza
L'impatto degli eventi dipende fortemente dai fattori discussi in precedenza. In generale, l'effetto è più significativo per le produzioni di dati statistici già esistenti, poiché è possibile che l'azione debba essere interrotta. L'impatto dipende anche dalla disponibilità di fonti di dati alternative, sebbene possa succedere che la percezione pubblica non distingua tra diverse fonti di dati in caso di materializzazione dell'evento. Nello stato attuale dell'uso dei big data, sembra che queste fonti non possano sostituire completamente le fonti di dati tradizionali, ma piuttosto completino le statistiche esistenti. Questo ridurrà l'impatto degli eventi. Pertanto, l'influenza dell'evento è considerata in un intervallo da 2 (non significativo) a 3 (principale). Nella fase di produzione, l'impatto può aumentare fino a 4 (valore critico).
5.4.4. Prevenzione
Le misure preventive possono includere la definizione di principi etici per i big data nella statistica ufficiale. I principi etici devono basarsi su concetti come il codice di pratica per la statistica europea o i principi fondamentali della statistica ufficiale (12 ). La misura successiva consisterà nel definire una strategia di comunicazione che pubblichi i risultati dei principi etici per il pubblico e possa essere utilizzata per informare le parti interessate sull'uso etico dei BDS per il BOSP.
Una valutazione separata dei rischi per un particolare BDS può essere condotta per identificare i rischi e suggerire azioni preventive o di mitigazione basate su principi etici. Una valutazione separata dei rischi può anche coinvolgere le parti interessate, come le agenzie per la protezione dei dati, per garantire l'identificazione di tutti i rischi e la giustificazione delle azioni.
5.4.5. Mitigazione
La strategia di comunicazione dovrebbe includere anche misure in caso di crescente atteggiamento negativo da parte del pubblico. Una valutazione del rischio separata dovrebbe raccogliere esempi positivi di utilizzo dei dati e misure per prevenire l'abuso dei dati, che potrebbero essere necessariamente adottate a livello politico, e la comunità statistica potrebbe non riuscire a influenzarle in modo efficace.
5.5. Perdita di fiducia — ottenuta non attraverso l'osservazione
5.5.1. Descrizione
Gli utenti delle statistiche ufficiali generalmente hanno un alto grado di fiducia nella precisione e nell'affidabilità dei dati statistici. Questo si basa sul fatto che la produzione dei dati statistici è inserita in una solida e accessibile base metodologica, insieme alla documentazione sulla qualità del prodotto statistico. Inoltre, la maggior parte dei dati statistici si basa su osservazioni, ossia sono ottenuti da indagini o censimenti che stabiliscono un legame facilmente comprensibile tra osservazione e dati statistici. L'utilizzo di BDS che non sono raccolti per lo scopo principale della statistica comporta il rischio di perdere queste relazioni, e gli utenti potrebbero perdere fiducia nei dati delle statistiche ufficiali. Un esempio, relativo all'ultimo round (2010) del censimento, è che in alcuni paesi i dati statistici sono stati ottenuti utilizzando più fonti e modelli statistici. In diversi casi, i soggetti interessati hanno contestato i dati statistici.
5.5.2. Probabilità
La probabilità di insorgenza del rischio dipende da fattori come la complessità del modello statistico / metodologico, l'affidabilità delle relazioni tra BSD e BOSP o la conformità ad altri dati statistici. La probabilità dovrebbe essere compresa tra 3 (casuale) e 4 (probabile), il che significa che potrebbe verificarsi alcune volte o frequentemente.
5.5.3. Impatto
L'impatto dell'insorgenza del rischio dipenderà in gran parte dalla capacità degli NSO di dimostrare con successo l'accuratezza e l'affidabilità dei dati statistici. Qualora questo non possa essere raggiunto, l'impatto dal punto di vista della perdita di fiducia potrebbe riguardare anche altri ambiti statistici, cioè l'affidabilità non solo di alcuni dati statistici, ma mettere in discussione l'organizzazione stessa. Gli NSO perderebbero il vantaggio competitivo rispetto ad altre organizzazioni private che operano in questo settore.
5.5.4. Prevenzione
Le azioni preventive consisteranno nello sviluppo e nella pubblicazione di una metodologia scientificamente valida, riconosciuta dalla comunità scientifica, per arricchire i dati con metadati di qualità, garantire la coerenza tra BOSP e non BOSP e attuare un rigoroso controllo della qualità.
Prima di avviare la produzione statistica, il BOSP potrebbe essere pubblicato come sperimentale, e agli stakeholder sarebbe consigliato di contestare il BOSP per confermare o migliorare il BOSP.
5.5.5. Mitigazione
Ci sono due casi da distinguere. Nel caso in cui i dati statistici siano contestati, ma abbiano alta/sufficiente qualità (corretti/precisi), sarebbe sufficiente spiegare e comunicare i dati statistici al pubblico, fornendo esempi facili da comprendere.
6. Rischi legati alle competenze
6.1. Mancanza di specialisti
6.1.1. Descrizione
L'analisi delle tracce digitali lasciate dalle persone durante le loro attività richiede strumenti di analisi dei dati che attualmente non sono i più comuni nelle statistiche ufficiali. Innanzitutto, l'uso di dati indiretti sulle attività delle persone, piuttosto che di sondaggi diretti, richiede l'impiego di modelli statistici e, di conseguenza, competenze in inferenza e machine learning. In secondo luogo, queste registrazioni digitali sono composte da dati che spesso non hanno un formato tabellare convenzionale, tipico dei risultati dei sondaggi, con righe corrispondenti a unità statistiche e colonne con caratteristiche specifiche di queste unità statistiche. Le tracce digitali possono anche essere rappresentate in forma di testo, audio, immagini e video. L'estrazione di informazioni statistiche rilevanti da questi tipi di dati richiede competenze in elaborazione del linguaggio naturale, elaborazione del segnale audio e elaborazione dell'immagine. Infine, queste fonti di dati tendono a fornire insiemi di dati massivi, la cui elaborazione richiede una buona comprensione delle metodologie di calcolo distribuito.
Il rischio di mancanza di esperti è legato all'ottenimento di dati da una delle nuove grandi fonti di dati, poiché l'ente statistico non ha la capacità di elaborarlo e analizzarlo adeguatamente a causa della mancanza delle competenze necessarie nel suo personale.
6.1.2. Probabilità
La probabilità di questo rischio dipenderà da tre fattori: 1) i tipi specifici di competenze richieste per ciascun tipo di fonte di big data e la probabilità che l'ente statistico trovi l'opportunità di esplorare tale fonte; 2) la disponibilità attuale delle competenze necessarie nell'ente statistico; e 3) la cultura organizzativa dell'ente statistico.
Per quanto riguarda i tipi di competenze che potrebbero essere necessarie, è importante notare che non tutte le fonti richiedono tutte le competenze elencate sopra. Alcune (come i dati di Google Trends) non necessitano di calcolo distribuito, poiché sono già stati preprocessati dal detentore dei dati o possiedono competenze di elaborazione dei segnali, richiedendo principalmente competenze di modellazione statistica. Tuttavia, esiste una grande varietà di fonti di big data, per la maggior parte delle quali sono necessarie competenze di calcolo distribuito, elaborazione dei segnali e apprendimento automatico. Allo stesso tempo, una corretta analisi di queste tracce digitali richiederà l'elaborazione di diverse fonti. Pertanto, esiste un'alta probabilità che fonti di dati di grandi dimensioni, diventando disponibili per la gestione statistica, richiedano queste competenze peculiari, e la probabilità di questo rischio è molto alta (5).
Per quanto riguarda le competenze attuali necessarie, queste dipenderanno dalla specifica direzione statistica. Anche se il metodo di indagine è meno comune rispetto alla metodologia di sondaggio, viene comunque utilizzato nelle statistiche ufficiali in settori specifici. Pertanto, anche se potrà essere necessaria una certa riallocazione delle risorse umane, le direzioni statistiche possono trovare soluzioni autonomamente. Per quanto riguarda le competenze in calcolo distribuito, principalmente legate all'IT, queste dipenderanno da come l'infrastruttura IT è gestita all'interno dell'organizzazione. A seconda di quanto l'IT sia coinvolto, possono essere trovate soluzioni nel contesto degli accordi esistenti. Tuttavia, le competenze in elaborazione dei segnali e apprendimento automatico generalmente non sono presenti nella maggior parte delle direzioni statistiche ufficiali e l'applicazione di tali competenze non può essere affidata a terzi, in quanto devono essere applicate da esperti nel campo della statistica. Di conseguenza, da questo punto di vista, la probabilità di questo rischio sembra anch'essa molto alta (5).
La cultura organizzativa influirà anche sulla probabilità di questo rischio. La disponibilità di personale pronto ad acquisire le competenze necessarie attraverso l'autoapprendimento può consentire all'organizzazione di rispondere a situazioni con nuove fonti di dati che richiedono competenze diverse rispetto al normale. Ciò dipenderà dalla cultura organizzativa della gestione statistica, ovvero se essa incoraggerà i dipendenti ad apprendere nuove competenze e se consente loro il tempo per l'autoapprendimento.
Pertanto, la probabilità che la gestione statistica non sia in grado di elaborare e analizzare nuove fonti di dati a causa della mancanza di competenze tra i suoi dipendenti sarà compresa tra probabile (4) e frequente (5), a seconda della cultura di autoapprendimento dell'organizzazione.
6.1.3. Impatto
La gestione statistica, che non riesce a elaborare e analizzare grandi fonti di dati a causa della mancanza di competenze tra i propri dipendenti, può avere due possibili conseguenze negative: 1) la fonte di dati non sarà esplorata, almeno non completamente; 2) la fonte sarà utilizzata in modo errato.
L'assenza della possibilità di esplorare appieno il potenziale di una preziosa fonte di big data avrà un impatto limitato (2) nel breve periodo, poiché gli enti statistici dispongono effettivamente di strumenti statistici per soddisfare le esigenze attuali. Tuttavia, a lungo termine (e forse anche a medio termine), le conseguenze della perdita di questa opportunità saranno fondamentali (4), poiché gli enti statistici si trovano sempre più a fronteggiare la concorrenza di fornitori privati, che non hanno la stessa struttura istituzionale in grado di garantire all'opinione pubblica l'indipendenza dei dati statistici.
Tuttavia, un uso scorretto delle fonti avrà conseguenze estremamente negative per gli enti statistici, poiché la statistica ufficiale dipende in gran parte dalla sua reputazione nel portare a termine la propria missione. Tuttavia, possiamo affermare che la competenza più importante, la cui mancanza può portare a risultati errati, è l'inferenza statistica, in particolare l'inferenza basata su modelli, che è meno probabile manchi. Pertanto, l'impatto atteso sarà piuttosto critico (4) che estremo.
6.1.4. Prevenzione
Gli enti statistici possono attivamente prevenire questo rischio in due modi: 1) formazione; e 2) reclutamento.
Le autorità statistiche possono fornire al personale le competenze necessarie, definendo in dettaglio le competenze richieste per l'utilizzo di grandi fonti di dati nella produzione statistica, redigendo un elenco delle competenze esistenti del personale, identificando le necessità formative e quindi organizzando corsi di formazione.
Le statistiche possono anche assumere nuovi dipendenti con le competenze necessarie. Tuttavia, questo presenta seri limiti poiché le statistiche non saranno in grado di raggiungere una massa critica di personale per situazioni in cui l'uso di grandi fonti di dati sarà ampiamente diffuso, e ai nuovi assunti serviranno ancora anni per raggiungere il livello di esperienza dei dipendenti esistenti. Tuttavia, almeno alcuni dei nuovi dipendenti assunti durante un normale aggiornamento del personale potrebbero avere competenze legate ai big data.
6.1.5. Mitigazione
Di fronte a situazioni in cui nuove fonti di big data sono disponibili senza personale con le competenze necessarie, le statistiche possono mitigare le conseguenze negative in due modi: 1) subappalto; e 2) collaborazione.
Le amministrazioni statistiche possono stipulare contratti per la gestione dei dati e l'analisi di nuove fonti di big data con altre organizzazioni che forniscono tali servizi. Sembra essere una soluzione fattibile, poiché sta emergendo un nuovo settore di imprese specializzate nella gestione di questo tipo di dati. Tuttavia, questa soluzione comporta alcuni rischi, poiché l'amministrazione statistica avrà un minore controllo sulla produzione di potenziali prodotti statistici sensibili. Un altro svantaggio di questa soluzione è che non consente agli impiegati delle amministrazioni statistiche di apprendere e acquisire le competenze necessarie.
La collaborazione con altre organizzazioni che dispongono di personale con competenze necessarie e che sono anch'esse interessate a studiare le fonti di big data sembra una soluzione più promettente. Questa collaborazione potrebbe assumere la forma di progetti comuni con il personale degli uffici statistici e di altre organizzazioni in parità, che condividono le proprie conoscenze. Ciò non solo consentirebbe di ridurre il rischio di carenza di competenze, ma permetterebbe anche al personale degli uffici statistici di acquisire tali competenze.
6.2. Fuoriuscita di esperti in altre organizzazioni
6.2.1. Descrizione
Questo rischio consiste nel fatto che gli uffici statistici perdono il proprio personale a favore di altre organizzazioni dopo che questi hanno acquisito competenze legate ai big data.
6.2.2. Probabilità
La probabilità di questo rischio dipenderà da due fattori: 1) opportunità esistenti attraenti in organizzazioni al di fuori della statistica ufficiale; 2) le condizioni lavorative negli uffici statistici.
Per quanto riguarda le opportunità nelle organizzazioni al di fuori delle statistiche ufficiali, la probabilità di questo rischio sembra realistica (4). C'è una forte domanda di persone con competenze nella gestione dei big data nel settore privato, così come in altre organizzazioni del settore pubblico. Dopo aver acquisito competenze nel lavoro con i big data, le statistiche ufficiali otterranno un vantaggio competitivo, diventando esperti nel campo della statistica. Oltre alle competenze specifiche del big data, altre organizzazioni richiedono specialisti dei dati che abbiano competenze più tradizionali, come la valutazione delle esigenze degli utenti e lo sviluppo di indicatori chiave di performance (KPI), che sono comuni per gli statistici ufficiali. Inoltre, si prevede che i dipendenti più propensi ad acquisire nuove competenze siano anche quelli più aperti a cambiamenti di carriera e lasciaranno l'ufficio di statistica.
Per quanto riguarda le condizioni di lavoro negli uffici di statistica, queste dipenderanno principalmente dall'ufficio specifico. Tuttavia, gli uffici di statistica continuano a offrire opportunità professionali interessanti per le persone con competenze quantitative. Offrono il più ampio raggio di ambiti di lavoro e la maggiore varietà di dati con cui lavorare. Questo ridurrà in qualche modo la probabilità che gli uffici di statistica perdano il proprio personale a causa di circostanze impreviste (3).
6.2.3. Impatto
L'impatto di questo rischio sarà lo stesso del rischio di mancanza di personale con competenze adeguate in primo luogo. Pertanto, l'impatto sarà critico (4), come indicato sopra.
6.2.4. Prevenzione
Sembra che l'unica possibilità per gli uffici statistici di prevenire questo rischio sia offrire condizioni di lavoro allettanti per i propri dipendenti. Questo è generalmente vero per tutto il personale. Tuttavia, nel caso specifico in cui i dipendenti siano aperti a migliorare le proprie competenze, in particolare nell'ambito delle big data, le condizioni di lavoro possono essere migliorate fornendo loro opportunità di formazione, dove possono sviluppare i propri interessi professionali. Gli uffici statistici possono anche prestare particolare attenzione ad essere aperti a nuovi progetti e idee innovativi legati a nuove fonti di big data provenienti da statistici attivi in diversi settori. Infine, prevenire la perdita di personale verso altre organizzazioni in virtù delle loro competenze nelle big data dipenderà dalla buona identificazione del personale capace e disposto a lavorare con tali dati, e dalla fornitura di buone opportunità per il loro sviluppo professionale.
6.2.5. Mitigazione
La riduzione di questo rischio sarà effettuata in merito al rischio di mancanza di personale con le competenze adeguate: 1) subappalto; e 2) collaborazione.
7. Discussione
Dalla presente prima revisione è evidente che non è possibile stabilire un'unica probabilità o impatto per questo «rischio dei big data» — generalmente, entrambi gli indicatori dipendono in larga misura dalla fonte dei big data, così come dalle «statistiche ufficiali basate sui big data».
prodotto «.
Pertanto, giungiamo alla conclusione che il passo logico successivo in questa direzione è l'adozione di una serie di possibili progetti pilota (ciascuno dei quali include una combinazione di uno o più BDS e uno o più BDOS) come punto di partenza e – per ciascun pilota – l'intento di valutare la probabilità e l'impatto di ciascun rischio.
A tal fine, siamo sul punto di avviare un sondaggio tra gli stakeholder, cercando di valutare la probabilità di OSC, l'impatto (e le possibili azioni di prevenzione/mitigazione) riguardo a una serie di potenziali progetti pilota – e richiedere proposte OSC relative ai rischi che non abbiamo incluso in questo documento.
8. RIFERIMENTIUNECE (2014), «Un quadro suggerito per la qualità dei Big Data», Risultati del Gruppo di Lavoro UNECE sulla Qualità dei Big Data,
a%20Quality%20Framework%20-%20final-%20Jan08-2015.pdf?version=1&modificationDate=1420725063663&api=v2
UNECE (2014), «Quanto è grande il Big Data? Esplorare il ruolo dei Big Data nelle statistiche ufficiali»,
Daas, P., S. Ossen, R. Vis-Visschers e J. Arends-Toth, (2009), Lista di controllo per la valutazione della qualità delle fonti di dati amministrativi, Statistics Netherlands, L'Aia/Heerlen
Dorfman, Mark S. (2007), Introduzione alla gestione del rischio (edizione e), Cambridge, Regno Unito, Woodhead-Faulkner, p. 18, ISBN 0-85941-332-22)
Eurostat (2014), «Procedura di accreditamento per i dati statistici provenienti da fonti non ufficiali» in Analisi delle metodologie per l'uso di Internet per la raccolta di statistiche sulla società dell'informazione e altre statistiche,
Reimsbach-Kounatze, C. (2015), “La proliferazione dei “Big Data” e le implicazioni per le statistiche ufficiali e le agenzie statistiche: un'analisi preliminare”, OECD Digital Economy Papers, No. 245, OECD Publishing.
Reis, F., Ferreira, P., Perduca, V. (2014) «L'uso delle evidenze di attività web per aumentare la tempestività degli indicatori statistici ufficiali», documento presentato alla conferenza IAOS 2014,
Anche se non menzionando esplicitamente i rischi, questo documento affronta in effetti i numerosi rischi associati all'uso dei dati di attività web per le statistiche ufficiali. Eurostat (2007), Manuale sui Metodi e Strumenti di Valutazione della Qualità dei Dati,
Fonte: habr.com
