{"id":75636,"date":"2020-03-27T07:42:42","date_gmt":"2020-03-27T05:42:42","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki"},"modified":"2020-03-27T07:42:42","modified_gmt":"2020-03-27T05:42:42","slug":"strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki","status":"publish","type":"post","link":"https:\/\/prohoster.info\/it\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki","title":{"rendered":"Strutturazione dei rischi e delle soluzioni nell'uso di BigData per ottenere statistiche ufficiali","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p><i>Prefazione del traduttore<\/i><\/p>\n<p>Il materiale mi ha interessato, soprattutto per la tabella qui sotto:<\/p>\n<p><img decoding=\"async\" alt=\"Strutturazione dei rischi e delle soluzioni nell&#039;uso di BigData per ottenere statistiche ufficiali\" src=\"\/wp-content\/uploads\/2020\/03\/e39f7d729696e704d437fca4d74b3d9d.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nConsiderando che le statistiche (e quelle russe, geneticamente parlando) non amano affatto tutto ci\u00f2 che si discosta dalla linearit\u00e0, 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 \u2013 \u00ab1 Qualsiasi errore o omissione \u00e8 di esclusiva responsabilit\u00e0 degli autori. Le opinioni espresse in questo documento sono personali e non riflettono necessariamente la posizione ufficiale della Commissione Europea\u00bb. Ma il lavoro \u00e8 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.<\/p>\n<p>Nel lavoro \u00e8 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 sar\u00e0 nel dialogo con il cliente e per confutare le sue affermazioni del tipo:<\/p>\n<p> \u2014 E noi raccogliamo noi stessi le statistiche, cosa vorreste esplorare qui?<br \/>\n \u2014 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 <noindex><a rel=\"nofollow\" href=\"http:\/\/www1.unece.org\/stat\/platform\/download\/attachments\/99484307\/Virtual%20Sprint%20Big%20Data%20paper.docx?version=1&amp;modificationDate=1395217470975&amp;api=v2\">Quanto \u00e8 grande il Big Data? Esplorando il ruolo del Big Data nelle Statistiche Ufficiali<\/a><\/noindex>)<\/p>\n<p>In questo lavoro, gli autori hanno espresso la loro visione del livello di rischio. Questo parametro \u00e8 posto tra parentesi, non confondere con il rimando alle fonti.<\/p>\n<p>Seconda osservazione. Gli autori utilizzano il termine BDS \u2013 \u00e8 l'analogo del concetto di Big Data. (probabilmente un omaggio alla statistica ufficiale).<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><br \/>\n<i>Prefazione degli autori<\/i><\/p>\n<p>Sempre pi\u00f9 uffici di statistica stanno esplorando la possibilit\u00e0 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 \u00e8 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 qualit\u00e0 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 qualit\u00e0 \u00e8 un compito fondamentale per gli uffici di statistica. Poich\u00e9 il rischio \u00e8 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 qualit\u00e0 che influenzano. <br \/>\nLa struttura proposta per la qualit\u00e0 dei dati statistici, provenienti da grandi fonti di dati, fornisce una rappresentazione strutturata della qualit\u00e0 correlata a tutte le fasi del processo statistico aziendale e, cos\u00ec facendo, pu\u00f2 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 complessit\u00e0. Utilizzando queste nuove misurazioni qualitative, \u00e8 possibile identificare in modo pi\u00f9 sistematico i rischi associati all'uso di grandi fonti di dati nella statistica ufficiale.<\/p>\n<p>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 qualit\u00e0 proposta. Concentrandoci sulle nuove misure di qualit\u00e0, 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 probabilit\u00e0 e dell'impatto di tali rischi. Poich\u00e9 la valutazione dei rischi implica una certa soggettivit\u00e0 nella loro attribuzione, misuriamo la probabilit\u00e0 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 conformit\u00e0 con questo principio, infine, valuteremo l'impatto potenziale di alcune misure di riduzione dei rischi sulla qualit\u00e0 dei risultati finali, al fine di giungere a una valutazione pi\u00f9 completa dell'uso dei big data per le statistiche ufficiali.<\/p>\n<h2>1. Introduzione<\/h2>\n<p><\/p>\n<h4>1.1. Contesto<\/h4>\n<p>\nLo sviluppo dei 'big data' \u00e8 stato caratterizzato da Kenneth Neil Cukier e Viktor Mayer-Sch\u00f6nberger nel loro articolo 'La crescita dei big data'. <noindex><a rel=\"nofollow\" href=\"http:\/\/www.foreignaffairs.com\/articles\/139104\/kenneth-neil-cukier-and-viktor-mayer-schoenberger\/therise-of-big-data\">www.foreignaffairs.com\/articles\/139104\/kenneth-neil-cukier-and-viktor-mayer-schoenberger\/therise-of-big-data<\/a><\/noindex>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 disponibilit\u00e0.<\/p>\n<p>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'\u00e8 ancora una comprensione comune e ampiamente accettata su come procedere, sia che si tratti di una sfida o di un'opportunit\u00e0, sia essa piccola o grande, ecc. Nell'ambito del Gruppo di alto livello per la modernizzazione della produzione statistica e dei servizi (3 Quanto \u00e8 grande Big Data? Esplorando il ruolo dei Big Data nella Statistica Ufficiale: <noindex><a rel=\"nofollow\" href=\"http:\/\/www1.unece.org\/stat\/platform\/download\/attachments\/99484307\/Virtual%20Sprint%20Big%20Data%20paper.docx?version=1&amp;modificationDate=1395217470975&amp;api=v2\">www1.unece.org\/stat\/platform\/download\/attachments\/99484307\/VirtualSprintBigDatapaper.docx?version=1&amp;modificationDate=1395217470975&amp;api=v2<\/a><\/noindex>), \u00e8 stata condotta una prima analisi SWOT, accompagnata da una valutazione approssimativa rischio\/beneficio. \u00c8 stato osservato che \u00abun'analisi completa dei rischi dovrebbe includere anche aspetti come la probabilit\u00e0 e l'impatto, e potrebbe essere ampliata per definire strategie per la mitigazione e gestione dei rischi\u00bb.<\/p>\n<p>Anche se questo documento \u00e8 ancora lontano da un'analisi completa dei rischi, \u00e8 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 Comunit\u00e0 Statistica Ufficiale (OSC).<\/p>\n<h4>1.2. Ambito<\/h4>\n<p>\nQuesto articolo si concentra esclusivamente sui rischi, escludendo non solo i benefici, ma anche i punti di forza e di debolezza, le opportunit\u00e0 e le minacce. Ci\u00f2 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 opportunit\u00e0 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\", cio\u00e8 rischi per la statistica ufficiale basata sulla produzione di \"big data\". (Poich\u00e9 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.)<\/p>\n<h4>1.3. Struttura<\/h4>\n<p>\nNella 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 qualit\u00e0 dei dati statistici, ottenuti tramite big data (sezione 2.2), poich\u00e9 allineare la struttura della qualit\u00e0 con i rischi soddisfa due obiettivi:<\/p>\n<ul>\n<li>Essa stabilisce il contesto per la definizione dei rischi. Indicatori di qualit\u00e0 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.<\/li>\n<li>Questo consente di associare rischi specifici a misurazioni di qualit\u00e0, che sono incorporati in iperspazi generali e collegati a determinate fasi nel processo di produzione dei prodotti statistici.<\/li>\n<\/ul>\n<p>\nNei 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) cos\u00ec 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 qualit\u00e0 dei Big Data\" menziona alcuni rischi relativi alle dimensioni della qualit\u00e0. \/ I documenti del business case del progetto ESS Big Data, cos\u00ec 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 qualit\u00e0 dei big data\" vengono menzionati alcuni rischi legati alle dimensioni della qualit\u00e0.). Qui utilizziamo la classificazione dell'accesso ai dati, l'ambiente legale, la privacy e la sicurezza dei dati, cos\u00ec 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 pi\u00f9 avanzato. Per ciascun rischio identificato forniamo (i) una stima della probabilit\u00e0 e dell'impatto (secondo la sezione 2.1.3) e (ii) proponiamo strategie di mitigazione e gestione dei rischi (vedi sezione 2.1.4).<\/p>\n<p>Alla fine, discuteremo le nostre conclusioni e delineeremo alcuni passaggi successivi nella Sezione 7<\/p>\n<h2>2. Fondamenti<\/h2>\n<p><\/p>\n<h4>2.1. Rischi e gestione dei rischi<\/h4>\n<p>\nSecondo la ISO 31000:20095, il rischio \u00e8 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 \u00e8 che i rischi comportano una caratteristica di incertezza, cio\u00e8 non \u00e8 chiaro se l'evento descritto si verificher\u00e0. Pertanto, i rischi vengono misurati in termini di probabilit\u00e0 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 pi\u00f9 oggettive, il che alla fine consente di trovare un giusto equilibrio tra la realizzazione delle opportunit\u00e0 di profitto e la minimizzazione delle conseguenze negative. La gestione dei rischi \u00e8 una parte essenziale della pratica di gestione e un elemento importante della buona prassi aziendale (6 Statistics Canada: rapporto 2014-2015 su Piani e Priorit\u00e0. <noindex><a rel=\"nofollow\" href=\"http:\/\/www.statcan.gc.ca\/aboutapercu\/rpp\/2014-2015\/s01p06-eng.htm\">www.statcan.gc.ca\/aboutapercu\/rpp\/2014-2015\/s01p06-eng.htm<\/a><\/noindex>). \u00c8 un processo iterativo che, idealmente, consente di migliorare continuamente il processo decisionale e promuove un costante miglioramento delle prestazioni.<\/p>\n<p>I rischi sono anche legati alla qualit\u00e0. L'implementazione di un sistema di qualit\u00e0 deve permettere di sfruttare le opportunit\u00e0 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 qualit\u00e0 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 \u00e8 disposta a sostenere per raggiungere i suoi obiettivi.<\/p>\n<p>Il processo di valutazione e gestione dei rischi pu\u00f2 essere suddiviso in diverse fasi, che comprendono la definizione del contesto, l'identificazione dei rischi, l'analisi dei rischi in termini di probabilit\u00e0 e impatto, la valutazione dei rischi e, infine, la gestione dei rischi.<\/p>\n<h4>2.1.1. Contesto istituzionale<\/h4>\n<p>\nCome primo passo, \u00e8 necessario stabilire il contesto strategico, organizzativo e di gestione dei rischi, all'interno del quale si svolger\u00e0 il resto del processo. Ci\u00f2 include la definizione dei criteri in base ai quali verranno valutati i rischi e la determinazione della struttura di analisi.<\/p>\n<h4>2.1.2. Identificazione del rischio<\/h4>\n<p>\nNella 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.<\/p>\n<h4>2.1.3. Valutazione del rischio<\/h4>\n<p>\nIl prossimo passo consiste nell'identificare i mezzi esistenti per il controllo e l'analisi dei rischi in termini di probabilit\u00e0 e delle potenziali conseguenze. Nel contesto di questo articolo, la probabilit\u00e0 o la possibilit\u00e0 che si verifichino rischi \u00e8 misurata su una scala da 1 (poco probabile) a 5 (frequente). L'impatto degli eventi \u00e8 valutato su una scala da 1 (irrilevante) a 5 (estremo). Come mostrato nella Tabella 1, il prodotto di probabilit\u00e0 e impatto determina il \"livello di rischio\" variabile da 1 a 25.<\/p>\n<p><img decoding=\"async\" alt=\"Strutturazione dei rischi e delle soluzioni nell&#039;uso di BigData per ottenere statistiche ufficiali\" src=\"\/wp-content\/uploads\/2020\/03\/486877e0bd16137b74227392fe85957c.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nI 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 priorit\u00e0 di gestione.<\/p>\n<p><img decoding=\"async\" alt=\"Strutturazione dei rischi e delle soluzioni nell&#039;uso di BigData per ottenere statistiche ufficiali\" src=\"\/wp-content\/uploads\/2020\/03\/b49cbaff80da9d93fdfedf7a94750b78.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nLa priorit\u00e0 per le azioni deve essere data ai rischi critici (vedi Tabella 2), cio\u00e8 quelli che possono verificarsi e avere conseguenze gravi o estreme sugli obiettivi dell'organizzazione.<\/p>\n<h4>2.1.4. Risposta ai rischi<\/h4>\n<p>\nL'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 cos\u00ec elevati da superare i benefici potenziali. In questo caso, l'organizzazione pu\u00f2 decidere di astenersi dall'attivit\u00e0 corrispondente. I rischi possono anche essere trasferiti a terzi, come le assicurazioni, che compensano le spese sostenute. L'ultima opzione \u00e8 considerare i rischi nella definizione di strategie e azioni che bilanciano costi e benefici potenziali. In questo modo, l'organizzazione prender\u00e0 decisioni sulle strategie da implementare per massimizzare i benefici e minimizzare i potenziali costi.<\/p>\n<p><img decoding=\"async\" alt=\"Strutturazione dei rischi e delle soluzioni nell&#039;uso di BigData per ottenere statistiche ufficiali\" src=\"\/wp-content\/uploads\/2020\/03\/ff6b25f08f78d1619dcf2c657ae0bb63.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h4>2.2. Sistemi di qualit\u00e0<\/h4>\n<p>\nUn gruppo di lavoro composto da rappresentanti di organizzazioni statistiche nazionali e internazionali ha sviluppato nel 2014 una struttura preliminare di qualit\u00e0 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 qualit\u00e0 esistenti, sviluppati per valutare le statistiche ottenute da fonti amministrative, introducendo indicatori di qualit\u00e0 ritenuti pertinenti per le grandi fonti di dati.<\/p>\n<p>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\".<\/p>\n<p>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 qualit\u00e0 sono incorporate in una struttura gerarchica chiamata iperspazi. I tre iperdimensioni definiti sono \"fonte\", \"metadati\" e \"dati\". Le misurazioni di qualit\u00e0 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 confidenzialit\u00e0\", \"complessit\u00e0\" (in riferimento alla struttura dei dati), \"completezza\" dei metadati e \"coerenza\" (la possibilit\u00e0 di correlare i dati con altri dati), per arricchire il modello di qualit\u00e0 standard. Per ciascuno degli indicatori di qualit\u00e0 sono suggeriti fattori relativi alla loro descrizione, cos\u00ec come possibili indicatori.<\/p>\n<p>Nel contesto di questo articolo, i rischi possono essere esclusi da questi fattori. Ad esempio, i fattori da considerare per misurare la qualit\u00e0 dell'\u00abambiente istituzionale \/ aziendale\u00bb includono la sostenibilit\u00e0 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 \u00e8 legato a un aspetto della qualit\u00e0 recentemente proposto, la privacy e la sicurezza. Uno dei fattori importanti \u00e8 la \u00abpercezione\u00bb, che implica una potenziale percezione negativa dell'uso previsto di determinate fonti di dati da parte delle varie parti interessate.<\/p>\n<h2>3. Rischi legati all'accesso ai dati<\/h2>\n<p><\/p>\n<h4>3.1. Mancanza di accesso ai dati<br \/>\n3.1.1. Descrizione<\/h4>\n<p>\nQuesto rischio consiste nel progetto associato allo sviluppo del BOSP, che non ottiene accesso alla necessaria fonte di big data (BDS).<\/p>\n<p>Fino ad oggi, OSC ha affrontato un percorso difficile, dove anche l'accesso ai blocchi di partenza e ottenere questa accessibilit\u00e0 possono talvolta rappresentare ostacoli insormontabili. A volte, \u00e8 facile accedere a una certa fonte, come i registri dei dati delle chiamate (CDR), per fini di testing o ricerca, ma molto pi\u00f9 difficile (per motivi legali o commerciali) accedervi per scopi produttivi.<\/p>\n<h4>3.1.2. Probabilit\u00e0<\/h4>\n<p>\nLa probabilit\u00e0 dipende in larga misura dalle caratteristiche del BDS. Quando si tratta di grandi dati amministrativi, pu\u00f2 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 \u00e8 sensibile (ad esempio, in termini di protezione dei dati) o prezioso (dal punto di vista commerciale), la probabilit\u00e0 pu\u00f2 essere molto alta (5).<\/p>\n<h4>3.1.3. Impatto<\/h4>\n<p>\nL'impatto dipende da BOSP e dal modo in cui si utilizza BDS. Se BDS \u00e8 al centro, l'impatto pu\u00f2 essere molto elevato (4 = impossibile produrre BOSP), mentre pu\u00f2 essere inferiore se \u00e8 ancora possibile produrre BOSP (anche se di qualit\u00e0 inferiore), affidandosi ad altri URB, il che porta a un impatto nell'intervallo 2-3.<\/p>\n<h4>3.1.4. Prevenzione<\/h4>\n<p>\nPer ridurre il rischio di mancata accessibilit\u00e0, \u00e8 necessario stabilire contatti preliminari con il fornitore di dati e concludere un accordo a lungo termine per l'accesso ai dati. Inoltre, \u00e8 necessario condurre un'analisi legale completa relativa alla specifica combinazione di BDS e BOSP. Devono anche essere valutate le possibilit\u00e0 di accesso ai dati tramite legislazione attuale o futura.<\/p>\n<h4>3.1.5. Mitigazione<\/h4>\n<p>\nSe 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 \u00e8 impossibile superare la mancanza di accesso, gli sforzi dovrebbero essere interrotti e un nuovo BOSP non verr\u00e0 realizzato.<\/p>\n<h4>3.2. Perdita di accesso ai dati<br \/>\n3.2.1. Descrizione<\/h4>\n<p>\nQuesto rischio \u00e8 che la gestione statistica perda il BDS, alla base del BOSP.<\/p>\n<h4>3.2.2. Probabilit\u00e0<\/h4>\n<p>\nSe il BOSP \u00e8 gi\u00e0 in produzione, di solito esiste una certa stabilit\u00e0, e in alcuni casi il rischio pu\u00f2 essere molto basso (1). Tuttavia, in particolare nel caso di soggetti privati con cui sono stati stipulati accordi non sufficientemente solidi, non c'\u00e8 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 \u00e8 legato ad attivit\u00e0 instabili, c'\u00e8 sempre il rischio che il fornitore fallisca, e il rischio pu\u00f2 essere anche maggiore (4).<\/p>\n<h4>3.2.3. Impatto<\/h4>\n<p>\nPoich\u00e9 \u00e8 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 pu\u00f2 tradursi piuttosto in una perdita di qualit\u00e0 con un impatto nell'intervallo 2-3.<\/p>\n<h4>3.2.4. Prevenzione<\/h4>\n<p>\nLa strategia di prevenzione \u00e8 simile alla strategia di assenza di accesso ai dati, ma con un accento maggiore sulla vigilanza continua anche nelle condizioni di produzione.<\/p>\n<p>Non mettere tutte le uova nello stesso paniere (ossia avere pi\u00f9 BDS alla base di ogni BSOP) pu\u00f2 essere una strategia, ma potrebbe risultare impraticabile o troppo costosa.<\/p>\n<h4>3.2.5. Mitigazione<\/h4>\n<p>\nSe il BDS \u00e8 il risultato di attivit\u00e0 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; \u00e8 necessaria una vigilanza costante, e questo pu\u00f2 essere difficile da raggiungere.<\/p>\n<h2>4. Rischio legato all'ambiente legale<\/h2>\n<p><\/p>\n<h4>4.1. Non conformit\u00e0 alle normative<br \/>\n4.1.1. Descrizione<\/h4>\n<p>\nQuesto 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. Ci\u00f2 pu\u00f2 riguardare la legislazione sulla protezione dei dati, le normative relative ai requisiti di risposta, ecc.<\/p>\n<h4>4.1.2. Probabilit\u00e0<\/h4>\n<p>\nConsiderando l'ignoranza di OSC riguardo ai big data, non si pu\u00f2 escludere che possa avvenire un caso di non conformit\u00e0 casuale (3). La probabilit\u00e0 \u00e8 generalmente legata a BDS, poich\u00e9 pi\u00f9 il sorgente \u00e8 \"meno sensibile\", minore \u00e8 la probabilit\u00e0 di disallineamento.<\/p>\n<h4>4.1.3. Impatto<\/h4>\n<p>\nL'impatto \u00e8 generalmente critico (4) nel senso che la produzione non conforme richieder\u00e0 l'arresto di BOSP (o, se non ha ancora raggiunto la fase di implementazione, la sua sviluppo deve essere interrotto). Questo pu\u00f2 essere estremo (5), poich\u00e9 i rischi reputazionali derivanti da statistiche ufficiali non conformi (\"illegali\") possono avere conseguenze.<\/p>\n<h4>4.1.4. Prevenzione<\/h4>\n<p>\nPer ogni BOSP \u00e8 necessario condurre un'attenta analisi legale \u2014 e questo avviene in pi\u00f9 fasi (quello che \u00e8 accettabile nella fase di sviluppo\/ricerca potrebbe non esserlo nella fase di implementazione\/produzione). Questo, a sua volta, pu\u00f2 portare a un reengineering del BOSP per renderlo compatibile.<\/p>\n<h4>4.1.5. Mitigazione<\/h4>\n<p>\nA seconda della gravit\u00e0 della non conformit\u00e0, il primo passo potrebbe essere quello di mettere BOSP in modalit\u00e0 offline.<\/p>\n<p>Il re-engineering del BOSP per renderlo compatibile potrebbe essere un'opzione, ma la possibilit\u00e0 che il BOSP venga \"salvato\" in tal modo dipende fortemente dalla natura delle incompatibilit\u00e0.<\/p>\n<h4>4.2. Modifiche sfavorevoli nell'ambiente legale<br \/>\n4.2.1. Descrizione<\/h4>\n<p>\nPotrebbe essere introdotta una nuova legislazione riguardante il BOSP in fase di sviluppo, che renderebbe effettivamente il BOSP incompatibile.<\/p>\n<h4>4.2.2. Probabilit\u00e0<\/h4>\n<p>\nNon \u00e8 escluso che i sostenitori di una maggiore protezione dei dati riescano a introdurre nuovi requisiti che influenzino direttamente o indirettamente la possibilit\u00e0 di creare specifici BOSP. Una probabilit\u00e0 compresa tra 2 e 3 sembra essere una stima realistica.<\/p>\n<h4>4.2.3. Impatto<\/h4>\n<p>\nL'impatto \u00e8 generalmente critico (4), nel senso che la produzione non conforme richieder\u00e0 di fermare il BOSP.<\/p>\n<h4>4.2.4. Prevenzione<\/h4>\n<p>\n\u00c8 necessario monitorare regolarmente le evoluzioni legislative per raccogliere informazioni commerciali rilevanti \u2014 magari anche per influenzarle, sostenendo la necessit\u00e0 di statistiche ufficiali nei forum appropriati (ad esempio, consultivi).<\/p>\n<h4>4.2.5. Mitigazione<\/h4>\n<p>\nA 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.<\/p>\n<p>Se, d'altra parte, non \u00e8 stata effettuata alcuna sorveglianza, cos\u00ec che la nuova legislazione \u00e8 stata una 'sorpresa' \u2014 o se la legislazione \u00e8 cos\u00ec radicale che non esiste modo di rendere il BOSP incompatibile \u2014 l'unica opzione potrebbe essere disattivare il BOSP.<\/p>\n<h2>5. Rischi legati alla privacy e alla sicurezza dei dati<\/h2>\n<p><\/p>\n<h4>5.1. Violazioni della sicurezza dei dati<br \/>\n5.1.1. Descrizione<\/h4>\n<p>\nQuesto 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, \u00e8 inevitabile che i dati siano implicitamente conosciuti dal proprietario originale dei dati e, se la metodologia \u00e8 trasparente, anche le statistiche derivate saranno note. Questa situazione non \u00e8 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 sar\u00e0 considerato separatamente. Ad esempio, potrebbero essere dati attesi dai investitori nel mercato azionario.<\/p>\n<h4>5.1.2. Probabilit\u00e0<\/h4>\n<p>\nPer quanto riguarda gli aspetti tecnici di protezione dell'ambiente IT nel dipartimento statistico, il rischio ha la stessa probabilit\u00e0 per le BDS rispetto alle fonti tradizionali. Tuttavia, ci sono due aspetti aggiuntivi da considerare.<\/p>\n<p>In primo luogo, il rischio associato a alcuni BDS aumenta leggermente, poich\u00e9 la sicurezza dei dati presso il proprietario iniziale pu\u00f2 essere compromessa. Questo pu\u00f2 essere dovuto, ad esempio, a spionaggio industriale o hacking.<\/p>\n<p>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, \u00e8 fondamentale essere pronti a un'alta probabilit\u00e0 di attacchi mirati all'infrastruttura IT, e quindi la probabilit\u00e0 di una violazione pu\u00f2 essere potenzialmente pi\u00f9 alta (4).<\/p>\n<p>Se i dati conservati non vengono percepiti come preziosi, la probabilit\u00e0 complessiva sembra non essere molto alta \u2014 da (1) a (3) a seconda della fonte dei dati.<\/p>\n<h4>5.1.3. Impatto<\/h4>\n<p>\nIl potenziale danno alla reputazione pu\u00f2 essere significativo (5). Ci\u00f2 che \u00e8 importante nel caso dei BDS \u00e8 che se un'incursione della sicurezza si verifica presso il proprietario iniziale, l'impatto sulla reputazione della gestione statistica \u00e8 previsto essere inferiore rispetto a se l'incursione si verificasse con dati custoditi.<\/p>\n<p>D'altra parte, \u00e8 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).<\/p>\n<h4>5.1.4. Prevenzione<\/h4>\n<p>\nCi\u00f2 che caratterizza il caso BDS \u00e8 che le procedure di sicurezza del proprietario originale possono essere rilevanti. \u00c8 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.<\/p>\n<p>Un modo diretto per prevenire gravi effetti di una violazione della sicurezza nelle strutture di un proprietario sulla gestione statistica \u00e8 garantire l'utilizzo di pi\u00f9 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 \u00e8 che un maggiore controllo \u00e8 nelle mani della gestione statistica.<\/p>\n<p>Il modo per prevenire le conseguenze negative di una violazione della sicurezza nell'ufficio statistico per il titolare originale dei dati \u00e8 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 \u00e8 l'uso di dati aggregati. Tuttavia, \u00e8 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 \u00e8 associato al valore commerciale dei dati, il quale pu\u00f2 essere significativo anche dopo aver raggiunto l'anonimato.<\/p>\n<h4>5.1.5. Mitigazione<\/h4>\n<p>\nIn 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.<\/p>\n<p>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.<\/p>\n<p>Se la violazione si \u00e8 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 pu\u00f2 cercare un fornitore alternativo.<\/p>\n<h4>5.2. Violazioni della riservatezza dei dati<\/h4>\n<p><\/p>\n<h4>5.2.1. Descrizione<\/h4>\n<p>\nC'\u00e8 il rischio che la riservatezza di una o pi\u00f9 persone all'interno del campione statistico venga violata. Ci\u00f2 pu\u00f2 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.<\/p>\n<h4>5.2.2. Probabilit\u00e0<\/h4>\n<p>\nCome 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.<\/p>\n<p>I microdati provenienti da fonti specifiche possono avere un elevato valore commerciale, quindi conservarli aumenter\u00e0 la probabilit\u00e0 di attacchi.<\/p>\n<p>Inoltre, alcuni microdati possono essere potenzialmente molto utili per altre istituzioni pubbliche, come le forze dell'ordine, il fisco o la sanit\u00e0. In determinate circostanze, l'impegno per il principio della riservatezza statistica pu\u00f2 essere messo a dura prova.<\/p>\n<p>Per quanto riguarda i fallimenti nel controllo della divulgazione delle informazioni statistiche, esiste gi\u00e0 una pratica consolidata. Il BDS pu\u00f2 consentire la produzione di statistiche per piccole sottogruppi di popolazione o offrire la possibilit\u00e0 di collegare dati aggregati da diversi BDS, il che pu\u00f2 aumentare la probabilit\u00e0 di rischio. Inoltre, nuove fonti richiederanno nuovi sviluppi metodologici, quindi il reale pericolo \u00e8 che la metodologia di controllo della divulgazione delle informazioni non venga aggiornata correttamente.<\/p>\n<p>In generale, con adeguate misure preventive, la probabilit\u00e0 pu\u00f2 essere mantenuta a livelli ragionevoli, ma, poich\u00e9 esistono molti fattori diversi e variabili, la valutazione corretta qui sembra essere che la probabilit\u00e0 \u00e8 alta (4).<\/p>\n<h4>5.2.3. Influenza<\/h4>\n<p>\nIl potenziale danno alla reputazione pu\u00f2 essere significativo (5). Come nel caso del rischio di violazione della sicurezza dei dati, un'interruzione nella gestione statistica pu\u00f2 avere conseguenze negative per il proprietario iniziale. Qui, l'impatto di un simile evento pu\u00f2 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 \u00e8 previsto essere molto elevato.<\/p>\n<h4>5.2.4. Prevenzione<\/h4>\n<p>\nUn modo infallibile per prevenire questo rischio \u00e8 non avere affatto microdati da BDS (anche se la conservazione di altri microdati comporta comunque un rischio, sebbene con probabilit\u00e0 e impatto diversi). Questo percorso, come nel caso del rischio di violazione dei dati, comporterebbe la necessit\u00e0 di sviluppare altri modi di utilizzare i dati a fini statistici. Inoltre, la diversa natura delle fonti richieder\u00e0 lo sviluppo di nuove metodologie con obiettivi concorrenti, per estrarre il maggior numero possibile di informazioni utili e proteggere la privacy da potenziali minacce.<\/p>\n<p>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. \u00c8 fondamentale prestare particolare attenzione alla sicurezza dei nuovi metodi di acquisizione dei dati. Ironia della sorte, uno di questi nuovi metodi pu\u00f2 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.<\/p>\n<h4>5.2.5. Mitigazione<\/h4>\n<p>\nLe misure di mitigazione qui sono fondamentalmente le stesse che in caso di violazione della sicurezza dei dati. Se la causa della violazione \u00e8 la pressione esercitata da un altro ente governativo, si dovrebbe sfruttare l'opportunit\u00e0 per rafforzare l'indipendenza della gestione, in modo che tali violazioni diventino ancora pi\u00f9 difficili in futuro.<\/p>\n<h4>5.3. Manipolazione della fonte dei dati<br \/>\n5.3.1. Descrizione<\/h4>\n<p>\nI fornitori di dati di terze parti, come i dati dei social media o i dati volontariamente forniti, sono a rischio di manipolazione. Questo pu\u00f2 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 \u00e8 calcolato su base di tali dati.<\/p>\n<p>Per i dati forniti volontariamente, potrebbe verificarsi un caso in cui i volontari rappresentano un certo gruppo di interesse con un'agenda specifica.<\/p>\n<h4>5.3.2. Probabilit\u00e0<\/h4>\n<p>\nPer i dati la cui manipolazione pu\u00f2 portare a grandi benefici, la probabilit\u00e0 \u00e8 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 pu\u00f2 supporre che, finch\u00e9 esiste uno stimolo, i tentativi di manipolare i dati saranno probabili.<\/p>\n<p>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 probabilit\u00e0 non \u00e8 trascurabile. In generale, un valore tra 3 e 4 sembra adeguato.<\/p>\n<h4>5.3.3. Influenza<\/h4>\n<p>\nUn grande problema con le manipolazioni \u00e8 che possono durare a lungo senza essere rilevate. Se le manipolazioni continuano per un lungo periodo, l'impatto sulla qualit\u00e0 pu\u00f2 diventare significativo. Inoltre, il danno alla fiducia pubblica nelle statistiche ufficiali pu\u00f2 essere considerevole, soprattutto se viene sottolineato pubblicamente il ruolo degli uffici statistici come fornitori di dati di qualit\u00e0. D'altro canto, se le manipolazioni vengono scoperte in tempo e poi pubblicate, ci\u00f2 pu\u00f2 effettivamente migliorare la percezione pubblica. Fatta eccezione per i casi estremamente gravi, si pu\u00f2 immaginare un'influenza massima (3).<\/p>\n<h4>5.3.4. Prevenzione<\/h4>\n<p>\nL'esecuzione di esercizi di controllo regolari con fonti alternative \u00e8 uno dei possibili approcci preventivi. Queste fonti alternative possono essere tradizionali o diverse. L'uso di statistiche basate su una combinazione di fonti pu\u00f2 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.<\/p>\n<h4>5.3.5. Mitigazione<\/h4>\n<p>\nDal 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.<\/p>\n<p>Dal punto di vista della qualit\u00e0 dei dati, sarebbe utile se i dati passati potessero essere corretti in modo che anche con un grande ritardo la serie corretta potesse essere<br \/>\nviene prodotto. A questo scopo pu\u00f2 essere utile un benchmark regolare. Si noti che lo scopo dell'analisi comparativa in questo caso \u00e8 leggermente diverso dallo scopo di prevenzione. Per la prevenzione, \u00e8 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.<\/p>\n<p>Inoltre, \u00e8 necessario assicurarsi di non consentire tali manovre in futuro: nei casi particolarmente delicati, ci\u00f2 pu\u00f2 significare ottenere potenzialmente dati ridondanti da pi\u00f9 fornitori per l'analisi comparativa.<\/p>\n<h4>5.4. Percezione pubblica negativa sull'uso dei big data dalla statistica ufficiale<br \/>\n5.4.1. Descrizione<\/h4>\n<p>\nI 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 pu\u00f2 essere il monitoraggio della velocit\u00e0 basato sull'analisi dei dati di navigazione (11 Vedi <noindex><a rel=\"nofollow\" href=\"http:\/\/www.theguardian.com\/technology\/2011\/apr\/28\/tomtom-satnav-data-police-speed-traps\">www.theguardian.com\/technology\/2011\/apr\/28\/tomtom-satnav-data-police-speed-traps<\/a><\/noindex>). <br \/>\nIl 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 velocit\u00e0 su tratti stradali.<\/p>\n<p>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.<\/p>\n<p>L'opinione pubblica, sia positiva che negativa, pu\u00f2 avere un forte impatto sull'uso del BDS nel contesto della produzione di statistiche ufficiali.<\/p>\n<p>Una conseguenza della percezione pubblica negativa pu\u00f2 essere che:<\/p>\n<ul>\n<li>il BDS non sar\u00e0 pi\u00f9 disponibile per gli uffici statistici, sia a causa delle decisioni del fornitore di dati o delle decisioni governative di non utilizzare i dati, oppure<\/li>\n<li>l'uso dei dati sar\u00e0 limitato, il che potrebbe ostacolare la produzione, se ci sono determinati BOSP.<\/li>\n<\/ul>\n<p><\/p>\n<h4>5.4.2. Probabilit\u00e0<\/h4>\n<p>\nFattori che possono influenzare la probabilit\u00e0 di tale evento o il suo impatto sulla produzione di statistiche:<\/p>\n<ul>\n<li>riservatezza dei dati, cio\u00e8 quanto sia facile identificare le persone;<\/li>\n<li>volume delle informazioni che i dati rivelano sulle persone fisiche, ad esempio, aumenta collegando i dati provenienti da diverse fonti;<\/li>\n<li>tipo di dati, ad esempio, le operazioni finanziarie sono percepite come pi\u00f9 riservate rispetto ad altri dati;<\/li>\n<li>tipo di azione potenziale che pu\u00f2 essere intrapresa nei confronti dei cittadini, ad esempio, multare le persone per eccesso di velocit\u00e0;<\/li>\n<li>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;<\/li>\n<li>il grado di dipendenza da una specifica fonte di dati per ottenere statistiche; in fase di esplorazione questo fattore pu\u00f2 avere un'importanza trascurabile. Tuttavia, pu\u00f2 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 \u00e8 inizialmente noto, poich\u00e9 le fonti di dati possono potenzialmente servire pi\u00f9 di un'area statistica.<\/li>\n<\/ul>\n<p>\nLa valutazione del tempo degli eventi indesiderati \u00e8 impossibile, poich\u00e9 la mobilitazione del pubblico \u00e8 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 finalit\u00e0 diverse da quelle che hanno portato alla loro raccolta iniziale, \u00e8 pi\u00f9 probabile che si verifichino tali eventi.<\/p>\n<p>Gli eventi che influenzano fortemente la percezione pubblica sono pi\u00f9 rari e piuttosto casuali (3) e distanti (2). Con l'aumento dell'uso di grandi fonti di dati, anche la probabilit\u00e0 aumenter\u00e0.<\/p>\n<h4>5.4.3. Influenza<\/h4>\n<p>\nL'impatto degli eventi dipende fortemente dai fattori discussi in precedenza. In generale, l'effetto \u00e8 pi\u00f9 significativo per le produzioni di dati statistici gi\u00e0 esistenti, poich\u00e9 \u00e8 possibile che l'azione debba essere interrotta. L'impatto dipende anche dalla disponibilit\u00e0 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 ridurr\u00e0 l'impatto degli eventi. Pertanto, l'influenza dell'evento \u00e8 considerata in un intervallo da 2 (non significativo) a 3 (principale). Nella fase di produzione, l'impatto pu\u00f2 aumentare fino a 4 (valore critico).<\/p>\n<h4>5.4.4. Prevenzione<\/h4>\n<p>\nLe 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 <noindex><a rel=\"nofollow\" href=\"http:\/\/unstats.un.org\/unsd\/dnss\/gp\/fundprinciples.aspx\">unstats.un.org\/unsd\/dnss\/gp\/fundprinciples.aspx<\/a><\/noindex>). La misura successiva consister\u00e0 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.<\/p>\n<p>Una valutazione separata dei rischi per un particolare BDS pu\u00f2 essere condotta per identificare i rischi e suggerire azioni preventive o di mitigazione basate su principi etici. Una valutazione separata dei rischi pu\u00f2 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.<\/p>\n<h4>5.4.5. Mitigazione<\/h4>\n<p>\nLa 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 comunit\u00e0 statistica potrebbe non riuscire a influenzarle in modo efficace.<\/p>\n<h4>5.5. Perdita di fiducia \u2014 ottenuta non attraverso l'osservazione<br \/>\n5.5.1. Descrizione<\/h4>\n<p>\nGli utenti delle statistiche ufficiali generalmente hanno un alto grado di fiducia nella precisione e nell'affidabilit\u00e0 dei dati statistici. Questo si basa sul fatto che la produzione dei dati statistici \u00e8 inserita in una solida e accessibile base metodologica, insieme alla documentazione sulla qualit\u00e0 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, \u00e8 che in alcuni paesi i dati statistici sono stati ottenuti utilizzando pi\u00f9 fonti e modelli statistici. In diversi casi, i soggetti interessati hanno contestato i dati statistici.<\/p>\n<h4>5.5.2. Probabilit\u00e0<\/h4>\n<p>\nLa probabilit\u00e0 di insorgenza del rischio dipende da fattori come la complessit\u00e0 del modello statistico \/ metodologico, l'affidabilit\u00e0 delle relazioni tra BSD e BOSP o la conformit\u00e0 ad altri dati statistici. La probabilit\u00e0 dovrebbe essere compresa tra 3 (casuale) e 4 (probabile), il che significa che potrebbe verificarsi alcune volte o frequentemente.<\/p>\n<h4>5.5.3. Impatto<\/h4>\n<p>\nL'impatto dell'insorgenza del rischio dipender\u00e0 in gran parte dalla capacit\u00e0 degli NSO di dimostrare con successo l'accuratezza e l'affidabilit\u00e0 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, cio\u00e8 l'affidabilit\u00e0 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.<\/p>\n<h4>5.5.4. Prevenzione<\/h4>\n<p>\nLe azioni preventive consisteranno nello sviluppo e nella pubblicazione di una metodologia scientificamente valida, riconosciuta dalla comunit\u00e0 scientifica, per arricchire i dati con metadati di qualit\u00e0, garantire la coerenza tra BOSP e non BOSP e attuare un rigoroso controllo della qualit\u00e0.<\/p>\n<p>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.<\/p>\n<h4>5.5.5. Mitigazione<\/h4>\n<p>\nCi sono due casi da distinguere. Nel caso in cui i dati statistici siano contestati, ma abbiano alta\/sufficiente qualit\u00e0 (corretti\/precisi), sarebbe sufficiente spiegare e comunicare i dati statistici al pubblico, fornendo esempi facili da comprendere.<\/p>\n<h2>6. Rischi legati alle competenze<\/h2>\n<p><\/p>\n<h4>6.1. Mancanza di specialisti<br \/>\n6.1.1. Descrizione<\/h4>\n<p>\nL'analisi delle tracce digitali lasciate dalle persone durante le loro attivit\u00e0 richiede strumenti di analisi dei dati che attualmente non sono i pi\u00f9 comuni nelle statistiche ufficiali. Innanzitutto, l'uso di dati indiretti sulle attivit\u00e0 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 unit\u00e0 statistiche e colonne con caratteristiche specifiche di queste unit\u00e0 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.<\/p>\n<p>Il rischio di mancanza di esperti \u00e8 legato all'ottenimento di dati da una delle nuove grandi fonti di dati, poich\u00e9 l'ente statistico non ha la capacit\u00e0 di elaborarlo e analizzarlo adeguatamente a causa della mancanza delle competenze necessarie nel suo personale.<\/p>\n<h4>6.1.2. Probabilit\u00e0<\/h4>\n<p>\nLa probabilit\u00e0 di questo rischio dipender\u00e0 da tre fattori: 1) i tipi specifici di competenze richieste per ciascun tipo di fonte di big data e la probabilit\u00e0 che l'ente statistico trovi l'opportunit\u00e0 di esplorare tale fonte; 2) la disponibilit\u00e0 attuale delle competenze necessarie nell'ente statistico; e 3) la cultura organizzativa dell'ente statistico.<\/p>\n<p>Per quanto riguarda i tipi di competenze che potrebbero essere necessarie, \u00e8 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, poich\u00e9 sono gi\u00e0 stati preprocessati dal detentore dei dati o possiedono competenze di elaborazione dei segnali, richiedendo principalmente competenze di modellazione statistica. Tuttavia, esiste una grande variet\u00e0 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 richieder\u00e0 l'elaborazione di diverse fonti. Pertanto, esiste un'alta probabilit\u00e0 che fonti di dati di grandi dimensioni, diventando disponibili per la gestione statistica, richiedano queste competenze peculiari, e la probabilit\u00e0 di questo rischio \u00e8 molto alta (5).<\/p>\n<p>Per quanto riguarda le competenze attuali necessarie, queste dipenderanno dalla specifica direzione statistica. Anche se il metodo di indagine \u00e8 meno comune rispetto alla metodologia di sondaggio, viene comunque utilizzato nelle statistiche ufficiali in settori specifici. Pertanto, anche se potr\u00e0 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 \u00e8 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 pu\u00f2 essere affidata a terzi, in quanto devono essere applicate da esperti nel campo della statistica. Di conseguenza, da questo punto di vista, la probabilit\u00e0 di questo rischio sembra anch'essa molto alta (5).<\/p>\n<p>La cultura organizzativa influir\u00e0 anche sulla probabilit\u00e0 di questo rischio. La disponibilit\u00e0 di personale pronto ad acquisire le competenze necessarie attraverso l'autoapprendimento pu\u00f2 consentire all'organizzazione di rispondere a situazioni con nuove fonti di dati che richiedono competenze diverse rispetto al normale. Ci\u00f2 dipender\u00e0 dalla cultura organizzativa della gestione statistica, ovvero se essa incoragger\u00e0 i dipendenti ad apprendere nuove competenze e se consente loro il tempo per l'autoapprendimento.<\/p>\n<p>Pertanto, la probabilit\u00e0 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 sar\u00e0 compresa tra probabile (4) e frequente (5), a seconda della cultura di autoapprendimento dell'organizzazione.<\/p>\n<h4>6.1.3. Impatto<\/h4>\n<p>\nLa gestione statistica, che non riesce a elaborare e analizzare grandi fonti di dati a causa della mancanza di competenze tra i propri dipendenti, pu\u00f2 avere due possibili conseguenze negative: 1) la fonte di dati non sar\u00e0 esplorata, almeno non completamente; 2) la fonte sar\u00e0 utilizzata in modo errato.<\/p>\n<p>L'assenza della possibilit\u00e0 di esplorare appieno il potenziale di una preziosa fonte di big data avr\u00e0 un impatto limitato (2) nel breve periodo, poich\u00e9 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 opportunit\u00e0 saranno fondamentali (4), poich\u00e9 gli enti statistici si trovano sempre pi\u00f9 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.<\/p>\n<p>Tuttavia, un uso scorretto delle fonti avr\u00e0 conseguenze estremamente negative per gli enti statistici, poich\u00e9 la statistica ufficiale dipende in gran parte dalla sua reputazione nel portare a termine la propria missione. Tuttavia, possiamo affermare che la competenza pi\u00f9 importante, la cui mancanza pu\u00f2 portare a risultati errati, \u00e8 l'inferenza statistica, in particolare l'inferenza basata su modelli, che \u00e8 meno probabile manchi. Pertanto, l'impatto atteso sar\u00e0 piuttosto critico (4) che estremo.<\/p>\n<h4>6.1.4. Prevenzione<\/h4>\n<p>\nGli enti statistici possono attivamente prevenire questo rischio in due modi: 1) formazione; e 2) reclutamento.<\/p>\n<p>Le autorit\u00e0 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 necessit\u00e0 formative e quindi organizzando corsi di formazione.<\/p>\n<p>Le statistiche possono anche assumere nuovi dipendenti con le competenze necessarie. Tuttavia, questo presenta seri limiti poich\u00e9 le statistiche non saranno in grado di raggiungere una massa critica di personale per situazioni in cui l'uso di grandi fonti di dati sar\u00e0 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.<\/p>\n<h4>6.1.5. Mitigazione<\/h4>\n<p>\nDi 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.<\/p>\n<p>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, poich\u00e9 sta emergendo un nuovo settore di imprese specializzate nella gestione di questo tipo di dati. Tuttavia, questa soluzione comporta alcuni rischi, poich\u00e9 l'amministrazione statistica avr\u00e0 un minore controllo sulla produzione di potenziali prodotti statistici sensibili. Un altro svantaggio di questa soluzione \u00e8 che non consente agli impiegati delle amministrazioni statistiche di apprendere e acquisire le competenze necessarie.<\/p>\n<p>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 pi\u00f9 promettente. Questa collaborazione potrebbe assumere la forma di progetti comuni con il personale degli uffici statistici e di altre organizzazioni in parit\u00e0, che condividono le proprie conoscenze. Ci\u00f2 non solo consentirebbe di ridurre il rischio di carenza di competenze, ma permetterebbe anche al personale degli uffici statistici di acquisire tali competenze.<\/p>\n<h4>6.2. Fuoriuscita di esperti in altre organizzazioni<br \/>\n6.2.1. Descrizione<\/h4>\n<p>\nQuesto 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.<\/p>\n<h4>6.2.2. Probabilit\u00e0<\/h4>\n<p>\nLa probabilit\u00e0 di questo rischio dipender\u00e0 da due fattori: 1) opportunit\u00e0 esistenti attraenti in organizzazioni al di fuori della statistica ufficiale; 2) le condizioni lavorative negli uffici statistici.<\/p>\n<p>Per quanto riguarda le opportunit\u00e0 nelle organizzazioni al di fuori delle statistiche ufficiali, la probabilit\u00e0 di questo rischio sembra realistica (4). C'\u00e8 una forte domanda di persone con competenze nella gestione dei big data nel settore privato, cos\u00ec 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 pi\u00f9 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 pi\u00f9 propensi ad acquisire nuove competenze siano anche quelli pi\u00f9 aperti a cambiamenti di carriera e lasciaranno l'ufficio di statistica.<\/p>\n<p>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 opportunit\u00e0 professionali interessanti per le persone con competenze quantitative. Offrono il pi\u00f9 ampio raggio di ambiti di lavoro e la maggiore variet\u00e0 di dati con cui lavorare. Questo ridurr\u00e0 in qualche modo la probabilit\u00e0 che gli uffici di statistica perdano il proprio personale a causa di circostanze impreviste (3).<\/p>\n<h4>6.2.3. Impatto<\/h4>\n<p>\nL'impatto di questo rischio sar\u00e0 lo stesso del rischio di mancanza di personale con competenze adeguate in primo luogo. Pertanto, l'impatto sar\u00e0 critico (4), come indicato sopra.<\/p>\n<h4>6.2.4. Prevenzione<\/h4>\n<p>\nSembra che l'unica possibilit\u00e0 per gli uffici statistici di prevenire questo rischio sia offrire condizioni di lavoro allettanti per i propri dipendenti. Questo \u00e8 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 opportunit\u00e0 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 virt\u00f9 delle loro competenze nelle big data dipender\u00e0 dalla buona identificazione del personale capace e disposto a lavorare con tali dati, e dalla fornitura di buone opportunit\u00e0 per il loro sviluppo professionale.<\/p>\n<h4>6.2.5. Mitigazione<\/h4>\n<p>\nLa riduzione di questo rischio sar\u00e0 effettuata in merito al rischio di mancanza di personale con le competenze adeguate: 1) subappalto; e 2) collaborazione.<\/p>\n<h2>7. Discussione<\/h2>\n<p>\nDalla presente prima revisione \u00e8 evidente che non \u00e8 possibile stabilire un'unica probabilit\u00e0 o impatto per questo \u00abrischio dei big data\u00bb \u2014 generalmente, entrambi gli indicatori dipendono in larga misura dalla fonte dei big data, cos\u00ec come dalle \u00abstatistiche ufficiali basate sui big data\u00bb.<br \/>\nprodotto \u00ab.<\/p>\n<p>Pertanto, giungiamo alla conclusione che il passo logico successivo in questa direzione \u00e8 l'adozione di una serie di possibili progetti pilota (ciascuno dei quali include una combinazione di uno o pi\u00f9 BDS e uno o pi\u00f9 BDOS) come punto di partenza e \u2013 per ciascun pilota \u2013 l'intento di valutare la probabilit\u00e0 e l'impatto di ciascun rischio.<\/p>\n<p>A tal fine, siamo sul punto di avviare un sondaggio tra gli stakeholder, cercando di valutare la probabilit\u00e0 di OSC, l'impatto (e le possibili azioni di prevenzione\/mitigazione) riguardo a una serie di potenziali progetti pilota \u2013 e richiedere proposte OSC relative ai rischi che non abbiamo incluso in questo documento.<\/p>\n<p><b class=\"spoiler_title\">8. RIFERIMENTI<\/b>UNECE (2014), \u00abUn quadro suggerito per la qualit\u00e0 dei Big Data\u00bb, Risultati del Gruppo di Lavoro UNECE sulla Qualit\u00e0 dei Big Data, <noindex><a rel=\"nofollow\" href=\"http:\/\/www1.unece.org\/stat\/platform\/download\/attachments\/108102944\/Big%20Dat\">www1.unece.org\/stat\/platform\/download\/attachments\/108102944\/BigDat<\/a><\/noindex><br \/>\na%20Quality%20Framework%20-%20final-%20Jan08-2015.pdf?version=1&amp;modificationDate=1420725063663&amp;api=v2 <\/p>\n<p>UNECE (2014), \u00abQuanto \u00e8 grande il Big Data? Esplorare il ruolo dei Big Data nelle statistiche ufficiali\u00bb, <noindex><a rel=\"nofollow\" href=\"http:\/\/www1.unece.org\/stat\/platform\/download\/attachments\/99484307\/Virtual%20Sprint%20Big%20Data%20paper.docx?version=1&amp;modificationDate=1395217470975&amp;api=v2\">www1.unece.org\/stat\/platform\/download\/attachments\/99484307\/VirtualSprintBigDatapaper.docx?version=1&amp;modificationDate=1395217470975&amp;api=v2<\/a><\/noindex><\/p>\n<p>Daas, P., S. Ossen, R. Vis-Visschers e J. Arends-Toth, (2009), Lista di controllo per la valutazione della qualit\u00e0 delle fonti di dati amministrativi, Statistics Netherlands, L'Aia\/Heerlen <\/p>\n<p>Dorfman, Mark S. (2007), Introduzione alla gestione del rischio (edizione e), Cambridge, Regno Unito, Woodhead-Faulkner, p. 18, ISBN 0-85941-332-22)<\/p>\n<p>Eurostat (2014), \u00abProcedura di accreditamento per i dati statistici provenienti da fonti non ufficiali\u00bb in Analisi delle metodologie per l'uso di Internet per la raccolta di statistiche sulla societ\u00e0 dell'informazione e altre statistiche, <noindex><a rel=\"nofollow\" href=\"http:\/\/www.cros-portal.eu\/content\/analysismethodologies-using-internet-collection-information-society-and-other-statistics-1\">www.cros-portal.eu\/content\/analysismethodologies-using-internet-collection-information-society-and-other-statistics-1<\/a><\/noindex><\/p>\n<p>Reimsbach-Kounatze, C. (2015), \u201cLa proliferazione dei \u201cBig Data\u201d e le implicazioni per le statistiche ufficiali e le agenzie statistiche: un'analisi preliminare\u201d, OECD Digital Economy Papers, No. 245, OECD Publishing. <noindex><a rel=\"nofollow\" href=\"http:\/\/dx.doi.org\/10.1787\/5js7t9wqzvg8-en\">dx.doi.org\/10.1787\/5js7t9wqzvg8-en<\/a><\/noindex><\/p>\n<p>Reis, F., Ferreira, P., Perduca, V. (2014) \u00abL'uso delle evidenze di attivit\u00e0 web per aumentare la tempestivit\u00e0 degli indicatori statistici ufficiali\u00bb, documento presentato alla conferenza IAOS 2014, <noindex><a rel=\"nofollow\" href=\"https:\/\/iaos2014.gso.gov.vn\/document\/reis1.p1.v1.docx\">iaos2014.gso.gov.vn\/document\/reis1.p1.v1.docx<\/a><\/noindex><\/p>\n<p>Anche se non menzionando esplicitamente i rischi, questo documento affronta in effetti i numerosi rischi associati all'uso dei dati di attivit\u00e0 web per le statistiche ufficiali. Eurostat (2007), Manuale sui Metodi e Strumenti di Valutazione della Qualit\u00e0 dei Dati, <noindex><a rel=\"nofollow\" href=\"http:\/\/ec.europa.eu\/eurostat\/documents\/64157\/4373903\/05-Handbook-ondata-quality-assessment-methods-and-tools.pdf\/c8bbb146-4d59-4a69-b7c4-218c43952214\">ec.europa.eu\/eurostat\/documents\/64157\/4373903\/05-Handbook-ondata-quality-assessment-methods-and-tools.pdf\/c8bbb146-4d59-4a69-b7c4-218c43952214<\/a><\/noindex><\/p>\n<p>Fonte: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/494044\/\">habr.com<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u041f\u0440\u0435\u0434\u0438\u0441\u043b\u043e\u0432\u0438\u0435 \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0447\u0438\u043a\u0430 \u041c\u0430\u0442\u0435\u0440\u0438\u0430\u043b \u0437\u0430\u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043e\u0432\u0430\u043b \u043c\u0435\u043d\u044f, \u0432 \u043f\u0435\u0440\u0432\u0443\u044e \u043e\u0447\u0435\u0440\u0435\u0434\u044c \u0438\u0437-\u0437\u0430 \u0442\u0430\u0431\u043b\u0438\u0446\u044b \u043d\u0438\u0436\u0435: \u0421 \u0443\u0447\u0435\u0442\u043e\u043c \u0442\u043e\u0433\u043e, \u0447\u0442\u043e \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 (\u0430 \u0440\u043e\u0441\u0441\u0438\u0439\u0441\u043a\u0438\u0435, \u043d\u0430 \u0433\u0435\u043d\u0435\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u0443\u0440\u043e\u0432\u043d\u0435), \u043c\u044f\u0433\u043a\u043e \u0433\u043e\u0432\u043e\u0440\u044f, \u043d\u0435 \u043b\u044e\u0431\u044f\u0442 \u0432\u0441\u0435, \u0447\u0442\u043e \u043e\u0442\u043b\u0438\u0447\u0430\u0435\u0442\u0441\u044f \u043e\u0442 \u043b\u0438\u043d\u0435\u0439\u043d\u043e\u0439 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438, \u044d\u0442\u0438 \u043f\u0430\u0440\u043d\u0438 \u0443\u043c\u0443\u0434\u0440\u0438\u043b\u0438\u0441\u044c \u043f\u0440\u043e\u0442\u0430\u0449\u0438\u0442\u044c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438 \u0432 \u043f\u0430\u0440\u0430\u0431\u043e\u043b\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u0432\u0438\u0434\u0435 \u0434\u043b\u044f \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f \u0441\u0442\u0435\u043f\u0435\u043d\u0438 \u0440\u0438\u0441\u043a\u0430 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f BigData \u0432 \u043e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0435. \u041c\u043e\u043b\u043e\u0434\u0446\u044b. \u0415\u0441\u0442\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u043e, \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 \u0434\u043e\u0431\u0430\u0432\u0438\u043b\u0438 \u0441\u0432\u043e\u0435 [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":75637,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[688],"tags":[],"class_list":["post-75636","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-administrirovanie"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 4.9.10 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u041f\u0440\u0435\u0434\u0438\u0441\u043b\u043e\u0432\u0438\u0435 \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0447\u0438\u043a\u0430 \u041c\u0430\u0442\u0435\u0440\u0438\u0430\u043b \u0437\u0430\u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043e\u0432\u0430\u043b \u043c\u0435\u043d\u044f, \u0432 \u043f\u0435\u0440\u0432\u0443\u044e \u043e\u0447\u0435\u0440\u0435\u0434\u044c \u0438\u0437-\u0437\u0430 \u0442\u0430\u0431\u043b\u0438\u0446\u044b \u043d\u0438\u0436\u0435: \u0421 \u0443\u0447\u0435\u0442\u043e\u043c \u0442\u043e\u0433\u043e, \u0447\u0442\u043e \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 (\u0430 \u0440\u043e\u0441\u0441\u0438\u0439\u0441\u043a\u0438\u0435, \u043d\u0430 \u0433\u0435\u043d\u0435\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u0443\u0440\u043e\u0432\u043d\u0435), \u043c\u044f\u0433\u043a\u043e \u0433\u043e\u0432\u043e\u0440\u044f, \u043d\u0435 \u043b\u044e\u0431\u044f\u0442 \u0432\u0441\u0435, \u0447\u0442\u043e \u043e\u0442\u043b\u0438\u0447\u0430\u0435\u0442\u0441\u044f \u043e\u0442 \u043b\u0438\u043d\u0435\u0439\u043d\u043e\u0439 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438, \u044d\u0442\u0438 \u043f\u0430\u0440\u043d\u0438 \u0443\u043c\u0443\u0434\u0440\u0438\u043b\u0438\u0441\u044c \u043f\u0440\u043e\u0442\u0430\u0449\u0438\u0442\u044c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438 \u0432 \u043f\u0430\u0440\u0430\u0431\u043e\u043b\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u0432\u0438\u0434\u0435 \u0434\u043b\u044f \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f \u0441\u0442\u0435\u043f\u0435\u043d\u0438 \u0440\u0438\u0441\u043a\u0430 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f BigData \u0432 \u043e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0435. \u041c\u043e\u043b\u043e\u0434\u0446\u044b. \u0415\u0441\u0442\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u043e, \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 \u0434\u043e\u0431\u0430\u0432\u0438\u043b\u0438 \u0441\u0432\u043e\u0435\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/it\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 4.9.10\" \/>\n\t\t<meta property=\"og:locale\" content=\"it_IT\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u0421\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u0440\u0438\u0441\u043a\u043e\u0432 \u0438 \u0440\u0435\u0448\u0435\u043d\u0438\u0439 \u043f\u0440\u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0438 BigData \u0434\u043b\u044f \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u044f \u043e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u041f\u0440\u0435\u0434\u0438\u0441\u043b\u043e\u0432\u0438\u0435 \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0447\u0438\u043a\u0430 \u041c\u0430\u0442\u0435\u0440\u0438\u0430\u043b \u0437\u0430\u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043e\u0432\u0430\u043b \u043c\u0435\u043d\u044f, \u0432 \u043f\u0435\u0440\u0432\u0443\u044e \u043e\u0447\u0435\u0440\u0435\u0434\u044c \u0438\u0437-\u0437\u0430 \u0442\u0430\u0431\u043b\u0438\u0446\u044b \u043d\u0438\u0436\u0435: \u0421 \u0443\u0447\u0435\u0442\u043e\u043c \u0442\u043e\u0433\u043e, \u0447\u0442\u043e \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 (\u0430 \u0440\u043e\u0441\u0441\u0438\u0439\u0441\u043a\u0438\u0435, \u043d\u0430 \u0433\u0435\u043d\u0435\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u0443\u0440\u043e\u0432\u043d\u0435), \u043c\u044f\u0433\u043a\u043e \u0433\u043e\u0432\u043e\u0440\u044f, \u043d\u0435 \u043b\u044e\u0431\u044f\u0442 \u0432\u0441\u0435, \u0447\u0442\u043e \u043e\u0442\u043b\u0438\u0447\u0430\u0435\u0442\u0441\u044f \u043e\u0442 \u043b\u0438\u043d\u0435\u0439\u043d\u043e\u0439 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438, \u044d\u0442\u0438 \u043f\u0430\u0440\u043d\u0438 \u0443\u043c\u0443\u0434\u0440\u0438\u043b\u0438\u0441\u044c \u043f\u0440\u043e\u0442\u0430\u0449\u0438\u0442\u044c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438 \u0432 \u043f\u0430\u0440\u0430\u0431\u043e\u043b\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u0432\u0438\u0434\u0435 \u0434\u043b\u044f \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f \u0441\u0442\u0435\u043f\u0435\u043d\u0438 \u0440\u0438\u0441\u043a\u0430 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f BigData \u0432 \u043e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0435. \u041c\u043e\u043b\u043e\u0434\u0446\u044b. \u0415\u0441\u0442\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u043e, \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 \u0434\u043e\u0431\u0430\u0432\u0438\u043b\u0438 \u0441\u0432\u043e\u0435\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/it\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2020-03-27T05:42:42+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2020-03-27T05:42:42+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47Strutturazione dei rischi e delle soluzioni nell'uso dei BigData per la produzione di statistiche ufficiali | ProHoster","description":"Prefazione del traduttore Il materiale mi ha colpito, in particolare a causa della tabella qui sotto: Considerando che gli statistici (e quelli russi, geneticamente) non amano, per cos\u00ec dire, tutto ci\u00f2 che differisce dalla linearit\u00e0, queste persone sono riuscite a imporre l'uso della funzione di attivazione in forma parabolica per definire il grado di rischio nell'uso dei BigData per le statistiche ufficiali. Ottimo lavoro. Naturalmente, gli statistici hanno aggiunto il loro","canonical_url":"https:\/\/prohoster.info\/it\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"it_IT","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u0421\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u0440\u0438\u0441\u043a\u043e\u0432 \u0438 \u0440\u0435\u0448\u0435\u043d\u0438\u0439 \u043f\u0440\u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0438 BigData \u0434\u043b\u044f \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u044f \u043e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 | ProHoster","og:description":"\u041f\u0440\u0435\u0434\u0438\u0441\u043b\u043e\u0432\u0438\u0435 \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0447\u0438\u043a\u0430 \u041c\u0430\u0442\u0435\u0440\u0438\u0430\u043b \u0437\u0430\u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043e\u0432\u0430\u043b \u043c\u0435\u043d\u044f, \u0432 \u043f\u0435\u0440\u0432\u0443\u044e \u043e\u0447\u0435\u0440\u0435\u0434\u044c \u0438\u0437-\u0437\u0430 \u0442\u0430\u0431\u043b\u0438\u0446\u044b \u043d\u0438\u0436\u0435: \u0421 \u0443\u0447\u0435\u0442\u043e\u043c \u0442\u043e\u0433\u043e, \u0447\u0442\u043e \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 (\u0430 \u0440\u043e\u0441\u0441\u0438\u0439\u0441\u043a\u0438\u0435, \u043d\u0430 \u0433\u0435\u043d\u0435\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u0443\u0440\u043e\u0432\u043d\u0435), \u043c\u044f\u0433\u043a\u043e \u0433\u043e\u0432\u043e\u0440\u044f, \u043d\u0435 \u043b\u044e\u0431\u044f\u0442 \u0432\u0441\u0435, \u0447\u0442\u043e \u043e\u0442\u043b\u0438\u0447\u0430\u0435\u0442\u0441\u044f \u043e\u0442 \u043b\u0438\u043d\u0435\u0439\u043d\u043e\u0439 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438, \u044d\u0442\u0438 \u043f\u0430\u0440\u043d\u0438 \u0443\u043c\u0443\u0434\u0440\u0438\u043b\u0438\u0441\u044c \u043f\u0440\u043e\u0442\u0430\u0449\u0438\u0442\u044c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438 \u0432 \u043f\u0430\u0440\u0430\u0431\u043e\u043b\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u0432\u0438\u0434\u0435 \u0434\u043b\u044f \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f \u0441\u0442\u0435\u043f\u0435\u043d\u0438 \u0440\u0438\u0441\u043a\u0430 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f BigData \u0432 \u043e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0435. \u041c\u043e\u043b\u043e\u0434\u0446\u044b. \u0415\u0441\u0442\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u043e, \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 \u0434\u043e\u0431\u0430\u0432\u0438\u043b\u0438 \u0441\u0432\u043e\u0435","og:url":"https:\/\/prohoster.info\/it\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2020-03-27T05:42:42+00:00","article:modified_time":"2020-03-27T05:42:42+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"75636","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":null,"breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 17:53:27","updated":"2022-09-28 07:15:59"},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts\/75636","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/comments?post=75636"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts\/75636\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/media\/75637"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/media?parent=75636"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/categories?post=75636"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/tags?post=75636"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}