{"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 soluzioni nell'utilizzo di Big Data per ottenere statistiche ufficiali","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Prefazione del traduttore<\/i><\/p>\n

Il materiale mi ha interessato principalmente per la tabella qui sotto:<\/p>\n

\"Strutturazione
\n
\nTenuto conto del fatto che gli statistici (e quelli russi, a livello genetico) di norma non apprezzano tutto ci\u00f2 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: \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 loro scale in questi aspetti.<\/p>\n

Nel lavoro \u00e8 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 avr\u00e0 durante una conversazione con il cliente e per confutare le sue affermazioni del tipo:<\/p>\n

\u2014 E noi raccogliamo noi stessi le statistiche, cosa volete ancora ricercare?
\n \u2014 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 Quanto \u00e8 grande Big Data? Esplorando il ruolo dei Big Data nelle statistiche ufficiali<\/a><\/noindex>)<\/p>\n

In questo lavoro gli autori hanno espresso la loro visione del livello di rischio. Questo parametro \u00e8 posto tra parentesi, non confondere con il riferimento alle fonti.<\/p>\n

Seconda osservazione. Gli autori utilizzano il termine BDS \u2013 \u00e8 l'analogo del concetto di Big Data. (presumibilmente un omaggio alla statistica ufficiale).
\n<\/a><\/noindex>
\nPrefazione degli autori<\/i><\/p>\n

Un numero sempre maggiore di uffici statistici sta studiando la possibilit\u00e0 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 \u00e8 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 qualit\u00e0 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 qualit\u00e0 \u00e8 un compito fondamentale per gli uffici statistici. Poich\u00e9 il rischio \u00e8 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.
\nLa struttura proposta per la qualit\u00e0 dei dati statistici ottenuti da grandi fonti di dati fornisce una rappresentazione strutturata della qualit\u00e0 correlata a tutte le fasi del processo aziendale statistico e, in tal modo, pu\u00f2 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 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

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 qualit\u00e0 proposta. Concentrandoci sulle nuove misure di qualit\u00e0 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 probabilit\u00e0 e dell'impatto di questi rischi. Poich\u00e9 la valutazione dei rischi implica soggettivit\u00e0 nella loro attribuzione, misuriamo la probabilit\u00e0 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, cio\u00e8 le risorse necessarie per ridurre i rischi devono essere inferiori rispetto a quelle per l'inattivit\u00e0. In conformit\u00e0 a questo principio, infine valuteremo l'impatto potenziale di alcune misure di mitigazione dei rischi sulla qualit\u00e0 dei risultati finali, al fine di arrivare a una valutazione pi\u00f9 completa dell'uso dei Big Data per la statistica ufficiale.<\/p>\n

1. Introduzione<\/h2>\n

<\/p>\n

1.1. Contesto<\/h4>\n

\nLo sviluppo dei \"big data\" \u00e8 stato descritto da Kenneth Neil Cukier e Viktor Mayer-Sch\u00f6nberger nel loro articolo \"La crescita dei big data\" (2. www.foreignaffairs.com\/articles\/139104\/kenneth-neil-cukier-and-viktor-mayer-schoenberger\/therise-of-big-data<\/a><\/noindex>) con il termine \"datafication\". La datafication \u00e8 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. Ci\u00f2 porta a una raccolta e accessibilit\u00e0 dei dati praticamente pervasiva.<\/p>\n

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'opportunit\u00e0, 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: www1.unece.org\/stat\/platform\/download\/attachments\/99484307\/VirtualSprintBigDatapaper.docx?version=1&modificationDate=1395217470975&api=v2<\/a><\/noindex>), un'analisi SWOT iniziale, accompagnata da un'analisi preliminare dei rischi\/benefici, \u00e8 stata condotta. \u00c8 stato osservato che un'analisi completa dei rischi dovrebbe includere anche aspetti come probabilit\u00e0 e impatto, e potrebbe anche essere ampliata per definire strategie per la riduzione e la gestione dei rischi.<\/p>\n

Sebbene questo documento sia ancora lontano da un'analisi completa dei rischi, \u00e8 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 comunit\u00e0 statistica ufficiale (OSC).<\/p>\n

1.2. Ambito<\/h4>\n

\nQuesto articolo si concentra esclusivamente sui rischi, escludendo non solo i vantaggi, ma anche i punti di forza e di debolezza, le opportunit\u00e0 e le minacce. Ci\u00f2 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 opportunit\u00e0 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\", cio\u00e8 i rischi per la statistica ufficiale basata sulla produzione di \"big data\". (Poich\u00e9 tutta la produzione di statistica ufficiale comporta dei rischi, ci limitiamo ai (b) rischi specifici da \"big data\", cio\u00e8 ai rischi che non esistono o sono trascurabili per il processo \"tradizionale\" di raccolta della statistica ufficiale.)<\/p>\n

1.3. Struttura<\/h4>\n

\nNella 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 qualit\u00e0 dei dati statistici ottenuti attraverso i big data (sezione 2.2), poich\u00e9 il legame tra la struttura della qualit\u00e0 e i rischi svolge due scopi:<\/p>\n