Prefazione del traduttore
Il materiale mi ha interessato principalmente per la tabella qui sotto:
Tenuto conto del fatto che gli statistici (e quelli russi, a livello genetico) di norma non apprezzano tutto ciò che si discosta dalla dipendenza lineare, questi ragazzi sono riusciti a strappare l'uso della funzione di attivazione in forma parabolica per determinare il grado di rischio nell'uso 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 loro scale in questi aspetti.
Nel lavoro è possibile suddividere in modo piuttosto strutturato dove e in che modo i metodi statistici si differenziano dai metodi di ricerca per Big Data. A mio avviso, il maggiore beneficio di questo lavoro si avrà durante una conversazione con il cliente e per confutare le sue affermazioni del tipo:
— E noi raccogliamo noi stessi le statistiche, cosa volete ancora ricercare?
— E ci presentate i vostri risultati in modo che li possiamo concordare con le nostre statistiche. In questa questione, gli autori suggeriscono 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 riferimento alle fonti.
Seconda osservazione. Gli autori utilizzano il termine BDS – è l'analogo del concetto di Big Data. (presumibilmente un omaggio alla statistica ufficiale).
Prefazione degli autori
Un numero sempre maggiore di uffici statistici sta studiando la possibilità di utilizzare grandi fonti di dati per la preparazione delle statistiche ufficiali. Attualmente ci sono solo pochi esempi in cui queste fonti sono state completamente integrate nella produzione statistica effettiva. Di conseguenza, non è ancora definita la piena misura delle conseguenze causate dalla loro integrazione. Nel frattempo, sono stati fatti 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 Big Data nel contesto del progetto Big Data della Commissione economica per l'Europa delle Nazioni Unite (CEE ONU). Secondo il codice di pratica statistica europeo, la fornitura di informazioni statistiche di alta qualità è un compito fondamentale per gli uffici statistici. Poiché il rischio è definito come l'impatto dell'incertezza sugli obiettivi (ad esempio dall'organizzazione internazionale per la standardizzazione ISO 31000), abbiamo ritenuto opportuno categorizzare i rischi in base alle dimensioni qualitative su cui influiscono.
La struttura proposta per la qualità dei dati statistici ottenuti da grandi fonti di dati fornisce una rappresentazione strutturata della qualità correlata a tutte le fasi del processo aziendale statistico e, in tal modo, può costituire la base per una valutazione complessiva e la gestione dei rischi associati a queste nuove fonti di dati. Introduce nuove misurazioni qualitative che sono specifiche per l'uso dei Big Data per le statistiche ufficiali, come l'ambiente istituzionale/imprenditoriale 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 derivanti dall'uso dei big data nel contesto della statistica ufficiale. Seguiamo un approccio sistemico nella definizione dei rischi nel contesto della struttura di qualità proposta. Concentrandoci sulle nuove misure di qualità suggerite, possiamo descrivere i rischi che attualmente non sono presenti o non influenzano la produzione di statistiche ufficiali. Allo stesso tempo, possiamo identificare i rischi attuali, che saranno valutati in modo completamente diverso quando si utilizzano i big data per ottenere statistiche. Successivamente, ci addentriamo ulteriormente nel ciclo di gestione dei rischi e forniamo una valutazione della probabilità e dell'impatto di questi rischi. Poiché la valutazione dei rischi implica soggettività nella loro attribuzione, misuriamo la probabilità e l'impatto di diversi rischi attraverso l'accordo tra decine di diverse parti interessate, fornite in modo indipendente. Proponiamo quindi opzioni per ridurre questi rischi secondo quattro categorie principali: evitare, ridurre, condividere e mantenere. Secondo la ISO, uno dei principi della gestione dei rischi deve essere la creazione di valore, cioè le risorse necessarie per ridurre i rischi devono essere inferiori rispetto a quelle per l'inattività. In conformità a questo principio, infine valuteremo l'impatto potenziale di alcune misure di mitigazione dei rischi sulla qualità dei risultati finali, al fine di arrivare a una valutazione più completa dell'uso dei Big Data per la statistica ufficiale.
1. Introduzione
1.1. Contesto
Lo sviluppo dei "big data" è stato descritto da Kenneth Neil Cukier e Viktor Mayer-Schönberger nel loro articolo "La crescita dei big data" (2. ) con il termine "datafication". La datafication è descritta come il processo di "catturare tutti gli aspetti della vita e trasformarli in dati". Ad esempio, Facebook fornisce reti personali, sensori per tutti i tipi di condizioni ambientali, smartphone per comunicazioni e spostamenti personali, dati indossabili per condizioni personali. Ciò porta a una raccolta e accessibilità dei dati praticamente pervasiva.
Come in molti altri settori, la statistica ufficiale ha iniziato a discutere solo recentemente il problema dei big data a livello strategico. Non esiste ancora una comprensione comune e ampiamente condivisa del modo in cui procedere, che si tratti di una sfida o di un'opportunità, che sia piccola o grande, ecc. Nell'ambito del Gruppo di alto livello per la modernizzazione della produzione e dei servizi statistici (3 How big is Big Data? Exploring the role of Big Data in Official Statistics: ), un'analisi SWOT iniziale, accompagnata da un'analisi preliminare dei rischi/benefici, è stata condotta. È stato osservato che un'analisi completa dei rischi dovrebbe includere anche aspetti come probabilità e impatto, e potrebbe anche essere ampliata per definire strategie per la riduzione e la gestione dei rischi.
Sebbene questo documento sia ancora lontano da un'analisi completa dei rischi, è volto a migliorare la situazione creando una prima panoramica strutturata. Ci teniamo a sottolineare che questa panoramica dovrebbe essere considerata 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 vantaggi, ma anche i punti di forza e di debolezza, le opportunità e le minacce. Ciò significa che i "rischi del non agire" (ad esempio, il rischio che l'OSC diventi non competitiva rispetto ad altri attori se non viene modernizzata) non rientrano nell'ambito; si tratta piuttosto di minacce. Invece, cerchiamo di evidenziare i rischi che possono sorgere (a) se l'OSC sfrutta le opportunità offerte dai big data e inizia a sviluppare o migliorare un "prodotto ufficiale di statistica basato sui big data" (BOSP); (b) i rischi per il nuovo "business abituale", cioè i rischi per la statistica ufficiale basata sulla produzione di "big data". (Poiché tutta la produzione di statistica ufficiale comporta dei rischi, ci limitiamo ai (b) rischi specifici da "big data", cioè ai rischi che non esistono o sono trascurabili per il processo "tradizionale" di raccolta della statistica ufficiale.)
1.3. Struttura
Nella sezione 2 presentiamo i principi fondamentali legati a questo compito, partendo dalle basi chiaramente necessarie per la gestione dei rischi e il risk management (sezione 2.1). Presentiamo anche una struttura preliminare della qualità dei dati statistici ottenuti attraverso i big data (sezione 2.2), poiché il legame tra la struttura della qualità e i rischi svolge due scopi:
- Stabilisce il contesto per la definizione dei rischi. Determinati indicatori di qualità insieme alle caratteristiche considerate esprimono i valori dell'oggetto, che sono ritenuti importanti e decisivi per fornire servizi ai clienti e agli utenti.
- Questo consente di assegnare rischi specifici a misurazioni qualitative, che sono inserite in iperspazi complessivi e collegate a fasi specifiche nel processo di produzione di prodotti statistici.
Nelle sezioni 3, 4, 5 e 6 presentiamo i rischi identificati fino ad ora in vari contesti (4 I documenti di business case del progetto ESS (https://www.europeansocialsurvey.org/about/structure_and_governance.html) Big Data e le reti ESS Big Data contengono un elenco di rischi parzialmente legati al progetto e parzialmente all'uso di fonti di big data per scopi statistici. Il documento "Un quadro suggerito per la qualità dei big data" menziona alcuni rischi relativi alle dimensioni della qualità.). Qui utilizziamo una classificazione relativa all'accesso ai dati, all'ambiente giuridico, alla riservatezza e alla sicurezza dei dati, così come alle competenze; la riorganizzazione in conformità con la struttura qualitativa delle statistiche ottenute dai big data (sezione 2.2) deve essere esaminata non appena questa struttura raggiunga uno stato più completo. Per ciascuno dei rischi identificati forniamo (i) una valutazione 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 passi successivi nella Sezione 7.
2. Fondamenti
2.1. Rischi e gestione dei rischi
Secondo l'ISO 31000: 20095, il rischio è definito come «l'impatto dell'incertezza sugli obiettivi stabiliti». Ciò significa che gli obiettivi devono essere definiti o noti prima che si possano identificare i rischi. Questi obiettivi sono generalmente definiti tenendo conto del contesto istituzionale dell'organizzazione pertinente. Un altro importante aspetto è che i rischi portano con sé una caratteristica di incertezza, cioè non è chiaro se un determinato evento si verificherà. Pertanto, i rischi vengono misurati in termini di probabilità che si verifichi l'evento e le sue conseguenze, vale a dire l'impatto che tale evento ha sul raggiungimento degli obiettivi stabiliti. La valutazione dei rischi deve fornire informazioni più obiettive che, in ultima analisi, consentiranno 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 integrante della pratica gestionale e un elemento importante delle buone pratiche aziendali (6 Statistics Canada: rapporto 2014-2015 su Piani e Priorità, ). Questo è un processo iterativo che, idealmente, consente di migliorare continuamente il processo decisionale e promuove un costante miglioramento delle prestazioni.
I rischi sono anche correlati alla qualità. L'applicazione di un sistema di qualità dovrebbe consentire di sfruttare le opportunità offerte da diverse fonti e metodologie per raggiungere risultati di un certo livello di qualità nel senso che questi risultati soddisfano le esigenze degli utenti. Così come i rischi, i livelli di qualità possono essere ottenuti dall'ambiente istituzionale e dagli obiettivi di specifiche istituzioni. In questo contesto, l'ambiente istituzionale definisce il livello generale di rischio che l'organizzazione è disposta a sostenere per raggiungere i propri obiettivi.
Il processo di valutazione e gestione dei rischi può essere suddiviso in varie fasi che includono l'instaurazione 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 in cui si svolgerà il resto del processo. Ciò include la definizione dei criteri in base ai quali saranno valutati i rischi e la determinazione della struttura dell'analisi.
2.1.2. Identificazione del rischio
Nella seconda fase, devono essere identificati gli eventi che possono influenzare il raggiungimento degli obiettivi prefissati. L'identificazione deve includere domande relative al tipo di rischi, ai tempi 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 passo successivo consiste nell'identificare i mezzi di controllo esistenti e analizzare i rischi sia in termini di probabilità che di conseguenze potenziali. Nel contesto di questo articolo, la probabilità o l'eventualità dei rischi utilizza una scala da 1 (improbabile) a 5 (frequente). L'impatto dell'insorgere degli eventi è misurato su una scala da 1 (trascurabile) a 5 (estremo). Come mostrato nella tabella 1, il prodotto di probabilità e impatto fornisce il “livello di rischio” in un intervallo da 1 a 25.
I livelli di rischio valutati possono essere confrontati con i criteri precedentemente definiti per stabilire un equilibrio tra i potenziali benefici e gli esiti sfavorevoli. 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 hanno conseguenze gravi o estreme per gli obiettivi dell'organizzazione.
2.1.4. Reazione ai rischi
L'ultimo passaggio consiste nelle decisioni su come affrontare i rischi. Alcuni rischi che sono al di sotto di un livello di rischio prestabilito possono essere ignorati o tollerati. Per altri, i costi per neutralizzare i rischi possono essere così elevati da superare i potenziali benefici. In tal caso, l'organizzazione può decidere di astenersi dall'attività pertinente. 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 delle strategie e delle azioni che bilanciano i costi con i potenziali benefici. In questo modo, l'organizzazione prenderà una decisione sull'implementazione di strategie per massimizzare i benefici e minimizzare i costi potenziali.
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 la statistica derivante da grandi dati. Il gruppo ha operato sotto l'egida del progetto UNECE/HLG "Il ruolo dei grandi dati nella modernizzazione della produzione statistica". Ha ampliato i sistemi di qualità esistenti, sviluppati per valutare la statistica proveniente da fonti amministrative di dati, con indicatori di qualità considerati pertinenti per le grandi fonti di dati.
All'interno di questo sistema si distingue tra tre fasi del processo aziendale: input, produttività e output. La fase di input corrisponde alle fasi di "progettazione" e "raccolta" del GSBP, la produttività per le fasi di "processo" e "analisi", mentre i dati di output sono equivalenti alla fase di "distribuzione".
Nella struttura viene applicata una gerarchia, presa dalla struttura 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 misure di qualità sono contenute in una struttura gerarchica chiamata iperspazi. I tre iperdimensioni specifici sono "fonte", "metadati" e "dati". Le misure di qualità vengono collocate in questi iperdimensioni e assegnate a ciascuna delle fasi di produzione. Per la fase di input sono stati proposti aspetti aggiuntivi di "riservatezza e confidenzialità", "complessità" (in base alla struttura dei dati), "completezza" dei metadati e "coerenza" (la possibilità di collegare i dati con altri dati), per arricchire il modello di qualità standard. Per ciascuno degli indicatori di qualità vengono suggeriti fattori pertinenti 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 connesso può consistere nel fatto che i dati non saranno disponibili presso il fornitore in futuro. Un altro esempio è legato all'aspetto recentemente proposto della qualità, la riservatezza e la sicurezza. Uno dei fattori importanti è "percezione", che significa la potenziale percezione negativa dell'uso previsto di fonti di dati specifiche da parte di vari stakeholders.
3. Rischi legati all'accesso ai dati
3.1. Mancanza di accesso ai dati
3.1.1. Descrizione
Questo rischio consiste in un progetto legato allo sviluppo di BOSP che non ottiene accesso alla fonte necessaria di grandi dati (BDS).
Fino ad ora, OSC ha appreso che anche partire dal blocco di partenza e ottenere questo accesso è talvolta un ostacolo insormontabile. A volte è facile ottenere accesso a una certa fonte — come i registri delle chiamate (CDR), per scopi di test/ricerca, ma molto più difficile (per motivi legali o commerciali) ottenerlo per scopi produttivi.
3.1.2. Probabilità
La probabilità dipende in larga misura dalle caratteristiche del BDS. Se si tratta di grandi dati amministrativi, possono rappresentare solo 1, in particolare se (come nel caso dei dati del 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 uscita; pubblicazione prevista per giugno 2015.)) non ci sono problemi di protezione dei dati personali. Se il caso del BDS appartiene a un privato, in particolare se è sensibile (ad esempio, dal punto di vista della protezione dei dati) o di valore (dal punto di vista commerciale), la probabilità può essere molto alta (5).
3.1.3. Influenza
L'impatto dipende dal BOSP e dal modo in cui viene utilizzato il BDS. Se il BDS è al centro, l'impatto può essere molto alto (4 = praticamente impossibile produrre il BOSP), mentre può essere inferiore se è comunque possibile produrre il BOSP (anche se con qualità inferiore), facendo affidamento su altri URB, il che porta a un impatto nella gamma di 2-3.
3.1.4. Prevenzione
Per ridurre il rischio di mancanza di accesso, è opportuno stabilire contatti preliminari con il fornitore di dati e stipulare un accordo di accesso ai dati a lungo termine. Inoltre, è necessario eseguire un'analisi giuridica completa riguardante la specifica combinazione di BDS e BOSP. Dovrebbero essere valutate anche le possibilità di accesso ai dati in base alla legislazione vigente o futura.
3.1.5. Mitigazione
Se ci sono BDS alternativi che possono essere utilizzati per il BOSP, si potrebbero esaminare invece. Se non esiste un modo per produrre il BOSP senza BDS, e se non è possibile superare l'assenza di accesso, gli sforzi dovrebbero essere interrotti e un nuovo BOSP non vedrà la luce.
3.2. Perdita di accesso ai dati
3.2.1. Descrizione
Questo rischio consiste nel fatto che l'ufficio di statistica perde 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 poco solidi, nulla impedisce, ad esempio, 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 a un'attività instabile, esiste sempre il rischio che il fornitore possa semplicemente fallire, e il rischio può essere anche maggiore (4).
3.2.3. Impatto
Poiché l'attuale BOSP potrebbe essere impossibile da produrre, spesso si verifica un impatto molto forte (5). In altri casi, quando il BDS ha un carattere ausiliario, l'impatto può essere piuttosto una perdita di qualità con un impatto compreso tra 2 e 3.
3.2.4. Prevenzione
La strategia di prevenzione è simile alla strategia di assenza di accesso ai dati, ma con un maggiore accento sulla vigilanza continua anche nelle condizioni di produzione.
Non mettere tutte le uova in un unico paniere (cioè avere più BDS alla base di ciascun BSOP) può essere una strategia, ma può rivelarsi impraticabile o troppo costosa.
3.2.5. Mitigazione
Se il BDS è il risultato di un'attività non sostenibile, potrebbe diventare gradualmente disponibile un nuovo BDS che rifletta lo stesso fenomeno sociale. Tuttavia, sarebbe troppo tardi iniziare a "scansionare il mercato" non appena il BSOP fallisce; sarà necessaria una vigilanza costante — e questo potrebbe essere difficile da raggiungere.
4. Rischio legato all'ambiente legale
4.1. Mancanza di conformità alle normative pertinenti
4.1.1. Descrizione
Questo rischio deriva da un progetto legato allo sviluppo del BOSP, in cui non vengono considerate le normative pertinenti, rendendo il BOSP non conforme alla legislazione indicata. Ciò può riguardare normative sulla protezione dei dati, regolamenti riguardanti il onere di risposta, ecc.
4.1.2. Probabilità
Dato che l'OSC è poco informata sui big data, non è da escludere che si possa verificare una violazione accidentale (3) della conformità. La probabilità, di norma, è collegata al BDS, poiché più il sorgente è "meno sensibile", minore è la probabilità di incongruenza.
4.1.3. Impatto
L'impatto è generalmente critico (4) nel senso che una produzione non conforme richiederà l'arresto del BOSP (oppure, se non ha ancora raggiunto la fase di implementazione, la sua sviluppo dovrà essere interrotto). Questo può essere anche estremamente (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'analisi legale approfondita — e questo avviene in diverse fasi (ciò che è accettabile nella fase di sviluppo / esplorazione potrebbe non esserlo nella fase di implementazione / produzione). Questo, a sua volta, potrebbe 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 il BOSP in modalità autonoma.
Il reengineering del BOSP per renderlo compatibile potrebbe essere un'opzione, ma la possibilità che il BOSP venga «salvato» in questo modo dipende fortemente dalla natura della non conformità.
4.2. Cambiamenti sfavorevoli nell'ambiente giuridico
4.2.1. Descrizione
Potrebbero essere introdotte nuove leggi relative al BOSP in fase di sviluppo, rendendo di fatto 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 una stima realistica.
4.2.3. Impatto
L'impatto è generalmente critico (4), nel senso che una produzione non conforme richiederà l'arresto del BOSP.
4.2.4. Prevenzione
Informazioni commerciali specifiche devono essere monitorate regolarmente per seguire l'evoluzione della legislazione — possibilmente anche per influenzarla, argomentando a favore delle statistiche ufficiali nei forum appropriati (ad esempio, consultivi).
4.2.5. Mitigazione
A condizione che sia stato effettuato un monitoraggio proattivo, potrebbe esserci tempo per reengineering del BOSP per allinearlo con la nuova legislazione dal primo giorno della sua entrata in vigore.
D'altra parte, se il monitoraggio non è stato effettuato, quindi la nuova legislazione è diventata una "sorpresa" – oppure se la legislazione è così radicale che non esiste modo di rendere BOSP incompatibile – l'unica opzione potrebbe essere disattivare BOSP.
5. Rischi legati alla privacy e alla sicurezza dei dati
5.1. Violazioni della sicurezza dei dati
5.1.1. Descrizione
Questo rischio si riferisce all'accesso non autorizzato ai dati memorizzati negli uffici statistici. Terzi potrebbero ottenere dati sottoposti a embargo, ad esempio, a causa del rilascio di un calendario (9 Per qualsiasi BOSP che si basa interamente su un singolo BDS, è inevitabile che i dati siano implicitamente noti al proprietario originale dei dati, e se la metodologia è trasparente, anche le statistiche derivate saranno conosciute. Questa situazione non è trattata qui, ma piuttosto nel rischio associato agli abusi di potere da parte dei proprietari.) (10 Inoltre, questi dati potrebbero comportare il rischio di violazione della privacy. Questo rischio sarà considerato separatamente.). Questi possono essere, ad esempio, dati che gli investitori si aspettano nel mercato azionario.
5.1.2. Probabilità
Per quanto riguarda gli aspetti tecnici della protezione dell'ambiente IT nell'ufficio statistico, il rischio ha la stessa probabilità per i BDS quanto per le fonti tradizionali. Tuttavia, ci sono due aspetti aggiuntivi che devono essere considerati.
In primo luogo, con alcuni BDS il rischio generale aumenta leggermente perché la sicurezza dei dati presso il proprietario originale può essere compromessa. Questo può essere legato, ad esempio, a spionaggio industriale o hacking.
In secondo luogo, una volta che dati potenzialmente preziosi iniziano a essere memorizzati in ufficio, il rischio di attrarre intenzioni malevole aumenterà. Se i dati memorizzati hanno un valore molto alto per l'azienda, si dovrebbe essere pronti a una probabilità molto alta di attacchi mirati all'infrastruttura IT, quindi la probabilità di un hack potrebbe essere potenzialmente più elevata (4).
Se i dati memorizzati non sono percepiti come aventi valore, la probabilità complessiva appare non molto alta – da (1) a (3) a seconda della fonte dei dati.
5.1.3. Impatto
Il danno reputazionale potenziale può essere considerevole (5). Ciò che è importante nel caso del BDS è che, se si verifica una violazione della sicurezza presso il proprietario originale, l'impatto sulla reputazione della gestione statistica, si prevede, sarà inferiore rispetto a una violazione avvenuta su dati in loro custodia.
D'altra parte, è possibile che una violazione nella gestione statistica possa avere conseguenze negative per il proprietario originale. In questo caso, è nuovamente possibile 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 del BDS è che le procedure di sicurezza del proprietario originale possono essere pertinenti. È poco probabile che le gestioni statistiche ottengano poteri di audit per controllare questo. I proprietari i cui dati vengono utilizzati per generare registrazioni con grafici di pubblicazione riservati devono essere informati delle conseguenze per le statistiche ufficiali di una potenziale violazione della sicurezza nei loro locali e devono ricevere garanzie ufficiali che vengano applicate le adeguate procedure di sicurezza.
Un modo diretto per prevenire un impatto serio di una violazione della sicurezza nei locali del 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 delle violazioni della sicurezza nell'ufficio statistico per il proprietario iniziale dei dati consiste nel trovare un modo di lavorare che non comporti la trasmissione di dati che potrebbero essere sensibili dal punto di vista del proprietario, verso l'agenzia statistica. In forma grezza. Un possibile approccio preventivo 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 adatte in questo caso. Una delle ragioni di ciò potrebbe essere il fatto che il rischio per il proprietario è legato al valore commerciale dei dati, che può essere significativo anche dopo aver raggiunto l'anonimato.
5.1.5. Mitigazione
In caso di violazione dei dati gestiti dall'agenzia statistica, le misure di mitigazione saranno le stesse che per le fonti tradizionali, a meno che non ci sia stato un impatto negativo sul proprietario iniziale.
In caso di conseguenze negative per il proprietario iniziale, l'agenzia statistica deve riesaminare e rafforzare le proprie procedure di sicurezza e comunicare chiaramente e dimostrare il proprio impegno in tal senso.
Se la violazione è avvenuta nei locali del proprietario iniziale, l'agenzia statistica competente deve comunicare chiaramente la situazione e insistere sul 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
Questo è il rischio che la riservatezza di uno o più individui all'interno della popolazione statistica venga compromessa. Questo potrebbe essere legato ad attacchi all'infrastruttura informatica a causa di pressioni da parte di altre istituzioni governative o per misure di controllo inadeguate nella divulgazione dei dati statistici.
5.2.2. Probabilità
Come nel caso del rischio di violazione della sicurezza dei dati, le condizioni tecniche di archiviazione dei microdati non cambiano sostanzialmente con l'aggiunta del BDS. Tuttavia, anche qui ci sono avvertenze.
I microdati di determinate fonti possono avere un alto valore commerciale, quindi il loro stoccaggio aumenterà la probabilità di attacchi.
Inoltre, alcune microdati possono essere potenzialmente molto utili per altri enti governativi, come le forze dell'ordine, la tassazione o la sanità. In determinate circostanze, l'impegno al principio della riservatezza statistica può essere messo sotto forte pressione.
Per quanto riguarda i problemi di controllo della divulgazione delle informazioni statistiche, attualmente esiste una prassi consolidata. Il BDS può consentire la produzione di statistiche per piccoli sottogruppi della popolazione o fornire la possibilità di collegare dati aggregati provenienti da diversi BDS, il che può aumentare la probabilità di rischio. Inoltre, le nuove fonti richiederanno nuove elaborazioni metodologiche, pertanto il reale pericolo è che la metodologia di controllo della divulgazione delle informazioni non venga aggiornato in modo adeguato.
In generale, con misure preventive ragionevoli, la probabilità può essere mantenuta a livelli ragionevoli, ma poiché ci sono molti fattori diversi e variabili, la valutazione corrispondente qui sembra suggerire che la probabilità sia alta (4).
5.2.3. Impatto
Il potenziale danno alla reputazione può essere significativo (5). Così come nel caso del rischio di violazione della sicurezza dei dati, un'incidente nella gestione statistica può avere conseguenze negative per il proprietario iniziale. Qui l'impatto di tale evento potrebbe essere potenzialmente ancora maggiore, soprattutto a condizione che le attuali tendenze dell'opinione pubblica rimangano invariate. Si prevede anche che i danni nelle relazioni tra il fornitore di dati e la gestione statistica saranno molto elevati.
5.2.4. Prevenzione
Il modo infallibile per prevenire tale rischio è non avere affatto microdati da BDS (anche se la conservazione di altri microdati comporta comunque un rischio corrispondente, sebbene con una probabilità e un impatto diversi). Questo approccio, come nel caso del rischio di violazione della sicurezza dei dati, comporterà la necessità di sviluppare altri modi per utilizzare i dati a fini statistici. Inoltre, la diversa natura delle fonti significherà che sarà necessario sviluppare nuove metodologie con obiettivi concorrenti per estrarre quante più informazioni utili possibile e proteggere la riservatezza dal pericolo.
Nel caso di conservazione di microdati, i meccanismi di sicurezza IT e di controllo degli accessi devono essere mantenuti a un livello adeguato e monitorati costantemente. È necessario prestare particolare attenzione alla sicurezza dei nuovi metodi di raccolta dati. Ironia della sorte, un nuovo metodo potrebbe essere il trasporto fisico dei dispositivi di memorizzazione (ad esempio, dischi rigidi). 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 essenzialmente le stesse che nel caso di una violazione della sicurezza dei dati. Se la causa della violazione è la pressione da parte di un altro ente governativo, si dovrebbe cogliere l'opportunità di rafforzare l'indipendenza della gestione, affinché 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 forniti volontariamente, sono a rischio di manipolazione. Questo può essere fatto sia dal fornitore di dati stesso, sia da terze parti. Ad esempio, molti messaggi falsi sui social media possono essere generati per influenzare l'indice statistico basato su questi dati in un modo o nell'altro, se si sa che l'indice è calcolato sulla base di tali dati.
Per i dati forniti volontariamente, potrebbe esserci il 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 la statistica è interessante, ad esempio, il mercato azionario. Alla luce dei recenti scandali legati a LIBOR e Forex, si può supporre che, finché esiste un incentivo, i tentativi di manipolare i dati saranno probabili.
Per la statistica basata su dati forniti volontariamente, basta guardare alla recente pratica di PR di assumere persone che fingono di avere un'opinione specifica e che vengono pagate per esprimersi pubblicamente (ad esempio, nei forum online) per concludere che la probabilità non è trascurabile. In generale, un numero da 3 a 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'influenza sulla qualità può diventare significativa. Inoltre, il danno alla fiducia pubblica nelle statistiche ufficiali può essere altrettanto grande, soprattutto se viene sottolineato pubblicamente il ruolo degli uffici statistici come fornitori di dati di qualità. D'altra parte, se le manipolazioni vengono rilevate in tempo e poi pubblicizzate, questo può in effetti migliorare la percezione pubblica. A parte i casi estremamente negativi, si può immaginare un impatto massimo (3).
5.3.4. Prevenzione
Eseguire esercizi di controllo regolari con fonti alternative è uno dei possibili approcci preventivi. Queste fonti alternative possono essere tradizionali o di altro tipo. Utilizzare statistiche basate su una combinazione di fonti può ostacolare impatti significativi delle manipolazioni. Nei casi in cui si teme la manipolazione iniziata dal 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 si differenziano molto 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 tal fine può essere utile un benchmarking regolare. Si noti che l'obiettivo dell'analisi comparativa in questo caso è leggermente diverso dall'obiettivo della prevenzione. Per la prevenzione, è importante notare e indagare rapidamente eventuali discrepanze sospette tra i dati del test di riferimento e i BDS. Per attenuare le conseguenze, i vecchi dati utili sono sempre preziosi.
Inoltre, è necessario assicurarsi di non consentire tali manipolazioni in futuro: in casi particolarmente delicati ciò può significare ottenere dati potenzialmente ridondanti da più fornitori per l'analisi comparativa.
5.4. Percezione pubblica sfavorevole dell'uso dei big data da parte della statistica ufficiale
5.4.1. Descrizione
I media e il grande pubblico sono molto sensibili alle questioni di riservatezza e all'uso dei dati personali provenienti da grandi fonti di dati, soprattutto nel contesto del riutilizzo dei dati da parte delle autorità che adottano misure amministrative o legali nei confronti dei cittadini. L'uso percepito negativamente può essere la sorveglianza della velocità basata sull'analisi dei dati di navigazione (11 vedi ).
Il caso specifico di TomTom Netherlands ha portato a un significativo calo della domanda dei dispositivi TomTom e ha comportato la decisione dell'azienda di limitare l'accesso ai dati. In questo caso specifico, i dati riguardavano individui, ma a livelli di velocità su tratti stradali.
Tuttavia, potrebbero esserci applicazioni con big data che sono percepite positivamente dal pubblico. Un esempio può essere dato da applicazioni che prevengono crimini come il furto con scasso utilizzando metodi di big data.
L'opinione pubblica positiva, così come quella negativa, può avere un forte impatto sull'uso dei BDS nel contesto della produzione di statistiche ufficiali.
Una conseguenza della percezione pubblica negativa può essere che:
- i BDS non saranno più disponibili per gli uffici di statistica, sia a causa di decisioni del fornitore di dati o decisioni governative di non utilizzare i dati, oppure
- l'uso dei dati sarà limitato, il che potrebbe ostacolare la produzione, se determinati BOSP.
5.4.2. Probabilità
Fattori che possono influenzare la probabilità di tale evento o il suo impatto sulla produzione statistica:
- riservatezza dei dati, cioè quanto facilmente è possibile identificare le persone;
- volume di informazioni che i dati rivelano sulle persone fisiche, ad esempio, che aumenta collegando 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;
- ambiente giuridico poco chiaro in cui operano i fornitori e gli utenti dei dati o quando le condizioni legali contraddicono l'opinione pubblica etica / standard;
- gradata dipendenza da una certa fonte di dati per ottenere statistiche; in fase di esplorazione, questo fattore può avere un'importanza limitata. Tuttavia, può influenzare notevolmente l'acquisizione di statistiche in una fase successiva e quindi deve essere preso in considerazione anche nella fase di esplorazione. Uno dei problemi può essere che il volume finale dell'utilizzo dei dati è inizialmente sconosciuto, poiché le fonti dei dati possono potenzialmente servire più di un'area statistica.
È impossibile stimare i tempi degli eventi indesiderati, poiché la mobilitazione del pubblico è spesso avviata dalla copertura di eventi che hanno un impatto negativo sui cittadini. Tuttavia, con l'aumento dell'uso di grandi dati da parte dei governi e delle imprese private, e in particolare con il marketing attivo dei dati per scopi diversi da quelli che hanno portato alla loro raccolta iniziale, è più probabile che si verifichino tali eventi.
Gli eventi che influenzano fortemente la percezione pubblica non sono frequenti, ma piuttosto sporadici (3) e distanti (2). Con l'aumento dell'uso di grandi fonti di dati, anche la probabilità aumenterà.
5.4.3. Influenza
L'impatto dell'evento dipende fortemente dai fattori discussi in precedenza. In generale, l'influenza è più significativa per la produzione già esistente di dati statistici, poiché, probabilmente, l'azione deve essere interrotta. L'impatto dipende anche dalla disponibilità di fonti alternative di dati, anche se potrebbe succedere che la percezione pubblica non riconosca le diverse fonti di dati nel caso si materializzi l'evento. Nello stato attuale dell'utilizzo dei big data, sembra che queste fonti non possano sostituire completamente le fonti tradizionali di dati, ma piuttosto integrino le statistiche esistenti. Ciò ridurrà l'impatto degli eventi. Pertanto, l'impatto dell'evento è considerato in un intervallo da 2 (trascurabile) 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 nelle statistiche ufficiali. Le linee guida etiche devono basarsi su principi come il codice di condotta per le statistiche europee o i principi fondamentali delle statistiche ufficiali (12 ). La misura successiva sarà la definizione di una strategia di comunicazione che pubblichi i risultati delle linee guida etiche per il pubblico e che possa essere utilizzata per informare gli stakeholder sull'uso etico dei BDS per il BOSP.
Una valutazione del rischio separata per un particolare BDS può essere condotta per identificare i rischi e proporre azioni preventive o mitigative basate sui principi etici. La valutazione dei rischi separata può anche includere gli stakeholder, 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 deve includere anche misure in caso di un crescente atteggiamento negativo del pubblico. Una valutazione separata del rischio dovrebbe raccogliere esempi positivi di utilizzo dei dati e misure per prevenire gli abusi dei dati, che potrebbero essere obbligatoriamente adottati a livello politico, e la community statistica potrebbe non essere in grado di esercitare un'influenza efficace su di essi.
5.5. Perdita di fiducia — ottenuta non a seguito di osservazione
Gli utenti delle statistiche ufficiali di solito hanno alta fiducia nella precisione e affidabilità dei dati statistici. Questo si basa sul fatto che la produzione di dati statistici è integrata in una solida base metodologica accessibile al pubblico e nella documentazione sulla qualità del prodotto statistico. Inoltre, la maggior parte dei dati statistici si basa su osservazioni, ovvero è ottenuta da indagini o censimenti che stabiliscono un legame facilmente comprensibile tra osservazione e dati statistici. L'uso di BDS, che non sono raccolti per il principale obiettivo della statistica, comporta il rischio che queste relazioni vengano perse e gli utenti possano perdere fiducia nei dati delle statistiche ufficiali. Un esempio, relativo all'ultimo giro (2010) del censimento della popolazione, è che in alcuni paesi i dati statistici sono stati ottenuti utilizzando più fonti e modelli statistici. In alcuni casi, le parti interessate hanno contestato i dati statistici.
5.5.2. Probabilità
La probabilità che si verifichi un rischio dipende da fattori come la complessità del modello statistico/metodologico, l'affidabilità delle relazioni tra BSD e BOSP o la corrispondenza con altri dati statistici. La probabilità deve essere compresa tra 3 (casuale) e 4 (probabile), il che significa che potrebbe verificarsi un certo numero di volte o frequentemente.
5.5.3. Impatto
L'impatto
L'impatto del rischio emergente dipenderà in larga misura dalla capacità degli NSO di dimostrare con successo l'accuratezza e l'affidabilità dei dati statistici. Se ciò non può essere raggiunto, l'effetto sulla perdita di fiducia e credibilità potrebbe estendersi anche ad altri ambiti statistici, ovvero l'affidabilità non solo di alcuni dati statistici, ma mettere in discussione l'intera organizzazione. Gli NSO perderebbero il vantaggio competitivo rispetto ad altre organizzazioni private attive in questo campo.
5.5.4. Prevenzione
Le azioni preventive consisteranno nello sviluppo e nella pubblicazione di una metodologia scientificamente valida, riconosciuta dalla comunità scientifica, arricchendo i dati con metadati sulla qualità, garantendo la coerenza del BOSP con il non BOSP e attuando un rigoroso controllo della qualità.
Prima di procedere con la produzione statistica, il BOSP potrebbe essere pubblicato come sperimentale e le parti interessate sarebbero invitate a 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 (corretta / precisa), 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 dagli individui durante l'esecuzione delle loro attività richiede strumenti specifici per l'analisi dei dati, che attualmente non sono tra i più diffusi nella statistica ufficiale. In primo luogo, l'uso di dati indiretti sull'attività delle persone invece dei sondaggi diretti richiede l'impiego di modelli statistici e, di conseguenza, competenze in inferenza e apprendimento automatico. In secondo luogo, queste registrazioni digitali consistono in dati che spesso non hanno un formato tabellare comune, tipico per i risultati delle indagini, con righe corrispondenti alle unità statistiche e colonne con caratteristiche specifiche di queste unità statistiche. Le tracce digitali sono anche presentate sotto forma di testo, suono, immagini e video. L'estrazione delle informazioni statistiche pertinenti da questi tipi di dati richiede competenze nel trattamento del linguaggio naturale, nell'elaborazione dei segnali audio e nella elaborazione delle immagini. In terzo luogo, 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 una carenza di esperti consiste nell'ottenere dati da una di queste nuove grandi fonti di dati, poiché l'ufficio statistico non ha la capacità di elaborare e analizzare adeguatamente tali informazioni a causa della mancanza delle competenze necessarie nel proprio personale.
6.1.2. Probabilità
La probabilità di questo rischio dipenderà da tre fattori: 1) i tipi specifici di competenze necessarie per ciascun tipo di fonte di big data e la probabilità che l'ufficio statistico trovi l'opportunità di esplorare tale fonte; 2) la disponibilità attuale delle competenze necessarie nell'ufficio statistico; e 3) la cultura organizzativa dell'ufficio statistico.
Per quanto riguarda i tipi di competenze richieste, è importante notare che non tutte le fonti richiedono tutte le competenze elencate sopra. Alcune (ad esempio, i dati di Google Trends) non richiedono calcolo distribuito, poiché sono già stati elaborati in anticipo dal detentore dei dati o possiedono abilità di elaborazione del segnale, e richiederanno principalmente competenze di modellazione statistica. Tuttavia, esiste una grande varietà di fonti di big data, per la maggior parte delle quali sono richieste competenze di calcolo distribuito, elaborazione del segnale e apprendimento automatico. Allo stesso tempo, un'adeguata analisi di queste tracce digitali richiederà l'elaborazione di più fonti. Pertanto, c'è un'alta probabilità che le grandi fonti di dati, diventando disponibili per la gestione statistica, richiederanno queste competenze insolite, e la probabilità di questo rischio è molto elevata (5).
Per quanto riguarda la disponibilità attuale delle competenze necessarie, questa dipenderà dalla specifica gestione statistica. Anche se la metodologia dell'indagine è meno diffusa rispetto alla metodologia del sondaggio, è comunque utilizzata nella statistica ufficiale in determinati ambiti. Pertanto, anche se potrebbe richiedere una certa riallocazione delle risorse umane, le gestioni statistiche possono trovare soluzioni con le proprie forze. Per quanto riguarda le competenze di calcolo distribuito, principalmente legate all'IT, esse dipenderanno da come l'infrastruttura IT è gestita all'interno dell'organizzazione. A seconda di quanto il dipartimento IT sia vicino, possono essere trovate soluzioni nel contesto degli accordi esistenti. Tuttavia, le competenze di elaborazione del segnale e di apprendimento automatico, in genere, non esistono nella maggior parte delle gestioni statistiche ufficiali, e l'applicazione di queste competenze non può essere esternalizzata, poiché devono essere applicate da esperti di statistica. Di conseguenza, da questo punto di vista, la probabilità di questo rischio appare anch'essa molto alta (5).
La cultura organizzativa influenzerà anche la probabilità di questo rischio. La presenza di personale pronto ad acquisire le competenze necessarie attraverso l'autoapprendimento può dare all'organizzazione la possibilità di rispondere a una situazione con una nuova fonte di dati che richiede abilità diverse rispetto a quelle consuete. Questo dipenderà dalla cultura organizzativa della statistica, ovvero se essa incoraggerà i dipendenti a apprendere nuove competenze e se consentirà loro tempo per l'autoapprendimento.
Pertanto, la probabilità che la statistica non riesca a elaborare e analizzare nuove fonti di dati a causa della mancanza di competenze tra i propri dipendenti sarà compresa tra probabile (4) e frequente (5), a seconda della cultura dell'autoapprendimento dell'organizzazione.
6.1.3. Influenza
La statistica, incapace di 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 studiata, almeno non completamente; 2) la fonte sarà utilizzata in modo errato.
L'incapacità di esplorare completamente il potenziale di una preziosa fonte di Big Data avrà un impatto marginale (2) a breve termine, poiché gli organismi statistici dispongono realmente 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 significative (4), poiché gli organismi statistici si trovano sempre più a dover affrontare la concorrenza di fornitori privati che non possiedono la stessa struttura istituzionale in grado di garantire all'utenza l'indipendenza dei dati statistici.
Tuttavia, un uso scorretto della fonte avrà conseguenze estremamente negative per le amministrazioni statistiche, poiché la statistica ufficiale dipende in larga misura dalla propria reputazione nel compiere la sua missione. Tuttavia, possiamo affermare che l'abilità più importante, la cui mancanza può portare a risultati errati, è l'inferenza statistica, in particolare l'inferenza basata su modelli, che è anche meno probabile che manchi. Pertanto, l'impatto previsto sarà piuttosto critico (4) che estremo.
6.1.4. Prevenzione
Le agenzie statistiche possono prevenire attivamente questo rischio in due modi: 1) formazione; e 2) assunzione.
Le amministrazioni statistiche possono fornire al personale le competenze necessarie, definendo in dettaglio le abilità richieste per utilizzare grandi fonti di dati nella produzione statistica, redigendo un elenco delle competenze esistenti del personale, identificando le esigenze di formazione e organizzando corsi di formazione.
Le amministrazioni statistiche possono anche assumere nuovi dipendenti con competenze necessarie. Questa opzione sembra avere gravi limitazioni, poiché le amministrazioni statistiche non saranno in grado di raggiungere una massa critica di personale per una situazione in cui l'uso di grandi fonti di dati sarà ampiamente diffuso nel dipartimento, e i nuovi assunti avranno comunque bisogno di diversi anni per raggiungere il livello di esperienza dei dipendenti esistenti. Tuttavia, almeno alcuni nuovi dipendenti assunti nell'ambito del normale turn-over del personale possono possedere competenze legate ai big data.
6.1.5. Mitigazione
Di fronte a una situazione in cui nuove fonti di big data sono disponibili senza personale con le competenze necessarie, le amministrazioni statistiche possono mitigare le conseguenze negative in due modi: 1) subappalto; e 2) collaborazione.
Gli uffici statistici possono stipulare contratti per l'elaborazione dei dati e l'analisi di nuove fonti di big data con altre organizzazioni che offrono questi tipi di servizi. Sembra che questa sia una soluzione praticabile, poiché emerge un nuovo settore di imprese specializzate nell'elaborazione di dati di questo tipo. Tuttavia, questa soluzione comporta dei rischi, poiché l'ufficio statistico avrà meno controllo sulla produzione di prodotti statistici potenzialmente sensibili. Inoltre, questa soluzione presenta lo svantaggio di non consentire ai dipendenti dell'ufficio statistico di apprendere e acquisire le competenze necessarie.
Collaborare con altre organizzazioni, in cui lavorano dipendenti con le competenze necessarie e che sono anche interessate a studiare la fonte di big data, sembra essere una soluzione più promettente. Questa collaborazione può manifestarsi sotto forma di progetti congiunti tra i dipendenti dell'ufficio statistico e i dipendenti di altre organizzazioni, in un’ottica di parità, che condividono le loro conoscenze. Questo non solo ridurrebbe il rischio di carenza di competenze, ma permetterebbe anche ai dipendenti dell'ufficio statistico di acquisire tali competenze.
6.2. Perdita di esperti verso altre organizzazioni
6.2.1. Descrizione
Questo rischio consiste nel fatto che gli uffici statistici perdono il proprio personale a vantaggio di altre organizzazioni dopo che quest'ultimo ha acquisito competenze relative ai big data.
6.2.2. Probabilità
La probabilità di questo rischio dipenderà da due fattori: 1) le opportunità attrattive esistenti in organizzazioni al di fuori della statistica ufficiale; 2) le condizioni di lavoro negli uffici statistici.
Per quanto riguarda le opportunità nelle organizzazioni al di fuori delle statistiche ufficiali, la probabilità di questo rischio sembra elevata (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 nella gestione dei big data, le statistiche ufficiali otterranno un vantaggio competitivo, essendo esperti nel campo delle statistiche. Oltre alle competenze specifiche nella gestione dei big data, altre organizzazioni necessitano di esperti in dati che abbiano competenze più tradizionali, come la valutazione delle esigenze degli utenti e lo sviluppo di indicatori chiave di prestazione (KPI), che sono comuni per i statistici ufficiali. Inoltre, si prevede che i dipendenti più propensi ad acquisire nuove competenze saranno anche coloro che saranno più aperti ai cambiamenti nella carriera e lasceranno l'ufficio statistico.
Per quanto riguarda le condizioni di lavoro negli uffici statistici, ciò dipenderà ovviamente principalmente dall'ufficio specifico. Tuttavia, gli uffici statistici, in generale, continuano a offrire opportunità professionali attraenti per le persone con un forte orientamento quantitativo. Gli uffici statistici offrono il più ampio range possibile di domini per il lavoro e la maggiore varietà di dati su cui lavorare. Ciò riduce in qualche modo la probabilità che gli uffici statistici perdano il proprio personale a causa di circostanze impreviste (3).
6.2.3. Influenza
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
A quanto pare, l'unica possibilità per le agenzie statistiche di prevenire questo rischio è garantire condizioni di lavoro attraenti per i propri dipendenti. Questo vale in generale per tutto il personale. Tuttavia, nel caso specifico in cui i dipendenti siano aperti ad apprendere nuove competenze, in particolare competenze relative ai big data, le condizioni di lavoro possono essere migliorate offrendo loro opportunità di formazione in cui possano sviluppare i propri interessi professionali. Le agenzie statistiche possono anche prestare particolare attenzione a essere aperte a nuovi progetti e idee innovative legate a nuove fonti di big data, provenienti da statistici che lavorano in diversi ambiti. Infine, prevenire la perdita di personale verso altre organizzazioni in sequenza con le loro competenze in 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 riguardo al rischio di assenza di personale con competenze appropriate: 1) subappalto; e 2) collaborazione.
7. Discussione
Da questa prima revisione è evidente che non è possibile stabilire una singola probabilità o impatto per il «rischio dei big data» — in generale, entrambi gli indicatori dipendono in larga misura dalla sorgente dei big data e dalla «statistica ufficiale basata sui big data».
prodotto «.
Pertanto, giungiamo alla conclusione che il passo successivo logico in questa direzione è l'adozione di una serie di possibili progetti pilota (ognuno dei quali include una combinazione di uno o più BDS e uno o più BDOS) come punto di partenza e – per ciascun pilota – l'impegno a valutare la probabilità e l'impatto di ciascun rischio.
A tale scopo, siamo sul punto di avviare un sondaggio tra le parti interessate, cercando di valutare la stima di OSC sulla probabilità, l'impatto (e le possibili azioni di prevenzione / mitigazione) in relazione a una serie di possibili progetti pilota – e di richiedere proposte a OSC riguardo ai rischi che non abbiamo incluso in questo documento.
8. RIFERIMENTIUNECE (2014), «Un Framework 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? Esplorando il ruolo del Big Data nelle Statistiche Ufficiali»,
Daas, P., S. Ossen, R. Vis-Visschers, e J. Arends-Toth, (2009), Checklist per la valutazione della qualità delle fonti di dati amministrativi, Statistics Netherlands, L'Aia/Heerlen
Dorfman, Mark S. (2007), Introduzione alla Gestione del Rischio (ed. 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'utilizzo di Internet nella raccolta di informazioni 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, N. 245, OECD Publishing.
Reis, F., Ferreira, P., Perduca, V. (2014) «L'uso di prove di attività web per aumentare l'accuratezza temporale 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 per la Valutazione della Qualità dei Dati,
Fonte: habr.com
