{"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\/pl\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki","title":{"rendered":"Strukturyzacja ryzyk i rozwi\u0105za\u0144 przy u\u017cyciu BigData do pozyskiwania oficjalnych statystyk","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p><i>Przedmowa t\u0142umacza<\/i><\/p>\n<p>Materia\u0142 zainteresowa\u0142 mnie, przede wszystkim z powodu poni\u017cszej tabeli:<\/p>\n<p><img decoding=\"async\" alt=\"Strukturyzacja ryzyk i rozwi\u0105za\u0144 przy u\u017cyciu BigData do pozyskiwania oficjalnych statystyk\" src=\"\/wp-content\/uploads\/2020\/03\/e39f7d729696e704d437fca4d74b3d9d.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nBior\u0105c pod uwag\u0119, \u017ce statystycy (a ci rosyjscy, na poziomie genetycznym) delikatnie m\u00f3wi\u0105c, nie przepadaj\u0105 za wszystkim, co odbiega od liniowego rozk\u0142adu, ci panowie zdo\u0142ali wprowadzi\u0107 u\u017cycie funkcji aktywacji w postaci parabolicznej do okre\u015blenia stopnia ryzyka zwi\u0105zanego z wykorzystaniem Big Data w oficjalnych statystykach. Brawo. Oczywi\u015bcie, statystycy dodali swoje zastrze\u017cenie do tej pracy \u2013 \u201e1 Jakiekolwiek b\u0142\u0119dy i braki s\u0105 wy\u0142\u0105czn\u0105 odpowiedzialno\u015bci\u0105 autor\u00f3w. Opinie wyra\u017cone w tym dokumencie s\u0105 osobiste i niekoniecznie odzwierciedlaj\u0105 oficjalne stanowisko Komisji Europejskiej\u201d. Ale publikacj\u0119 wydano. My\u015bl\u0119, \u017ce na dzi\u015b to wystarczy, a oni (autorzy) nikomu nie zabraniali odnajdywania swoich skali w tych aspektach.<\/p>\n<p>W pracy mo\u017cna do\u015b\u0107 strukturalnie podzieli\u0107, gdzie i w jaki spos\u00f3b metody statystyczne r\u00f3\u017cni\u0105 si\u0119 od metod badawczych dla Big Data. Moim zdaniem, najwi\u0119ksz\u0105 korzy\u015b\u0107 z tej pracy mo\u017cna uzyska\u0107 podczas rozmowy z klientem oraz do obalania jego stwierdze\u0144 typu:<\/p>\n<p> \u2014 A my sami zbieramy statystyki, co jeszcze chcecie bada\u0107?<br \/>\n \u2014 A wy nam przedstawicie swoje wyniki tak, aby\u015bmy mogli je uzgodni\u0107 z naszymi statystykami. W tej kwestii autorzy sugeruj\u0105, \u017ce warto przeczyta\u0107 t\u0119 prac\u0119 (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\">Jak wielkie jest Big Data? Badanie roli Big Data w oficjalnych statystykach<\/a><\/noindex>)<\/p>\n<p>W tej pracy autorzy przedstawili swoje postrzeganie poziomu ryzyka. Ten parametr umieszczony jest w nawiasach, nie myli\u0107 z odniesieniem do \u017ar\u00f3de\u0142.<\/p>\n<p>Drugie spostrze\u017cenie. Autorzy u\u017cywaj\u0105 terminu BDS \u2013 to odpowiednik poj\u0119cia Big Data. (wyra\u017anie uk\u0142on w stron\u0119 oficjalnych statystyk).<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><br \/>\n<i>Przedmowa autor\u00f3w<\/i><\/p>\n<p>Coraz wi\u0119cej urz\u0119d\u00f3w statystycznych bada mo\u017cliwo\u015bci wykorzystania du\u017cych zbior\u00f3w danych do przygotowania oficjalnej statystyki. Obecnie istnieje tylko kilka przyk\u0142ad\u00f3w, w kt\u00f3rych zbiorniki te zosta\u0142y ca\u0142kowicie zintegrowane w rzeczywistej produkcji statystycznej. W zwi\u0105zku z tym pe\u0142ny zakres konsekwencji wynikaj\u0105cych z ich integracji nadal nie jest znany. W mi\u0119dzyczasie podj\u0119to pierwsze pr\u00f3by analizy warunk\u00f3w i wp\u0142ywu du\u017cych danych na r\u00f3\u017cne aspekty produkcji statystycznej, takie jak jako\u015b\u0107 czy metodologia. Niedawno grupa robocza opracowa\u0142a podstawy jako\u015bciowe przygotowania danych statystycznych opartych na du\u017cych zbiorach danych w kontek\u015bcie projektu du\u017cych danych Komisji Gospodarczej dla Europy Organizacji Narod\u00f3w Zjednoczonych (UNECE). Zgodnie z europejskim kodeksem praktyk statystycznych dostarczanie wysokiej jako\u015bci informacji statystycznych jest g\u0142\u00f3wnym zadaniem urz\u0119d\u00f3w statystycznych. Poniewa\u017c ryzyko definiowane jest jako wp\u0142yw niepewno\u015bci na cele (na przyk\u0142ad przez Mi\u0119dzynarodow\u0105 Organizacj\u0119 Normalizacyjn\u0105 ISO 31000), uznali\u015bmy za stosowne sklasyfikowa\u0107 ryzyko zgodnie z wymiarami jako\u015bci, na kt\u00f3re maj\u0105 one wp\u0142yw. <br \/>\nProponowana struktura jako\u015bci danych statystycznych pozyskiwanych z du\u017cych zbior\u00f3w danych zapewnia zorganizowane przedstawienie jako\u015bci zwi\u0105zanej ze wszystkimi etapami statystycznego procesu biznesowego i w ten spos\u00f3b mo\u017ce s\u0142u\u017cy\u0107 jako podstawa do kompleksowej oceny i zarz\u0105dzania ryzykiem zwi\u0105zanym z tymi nowymi \u017ar\u00f3d\u0142ami danych. Wprowadza nowe wymiary jako\u015bci, kt\u00f3re s\u0105 specyficzne dla (lub o wysokim znaczeniu w przypadku) wykorzystania du\u017cych danych w oficjalnej statystyce, takie jak \u015brodowisko instytucjonalne\/biznesowe czy z\u0142o\u017cono\u015b\u0107. Dzi\u0119ki tym nowym wymiarom jako\u015bci mo\u017cna bardziej systematycznie identyfikowa\u0107 ryzyka zwi\u0105zane z wykorzystaniem du\u017cych zbior\u00f3w danych w oficjalnej statystyce.<\/p>\n<p>W niniejszej pracy d\u0105\u017cymy do zidentyfikowania ryzyk zwi\u0105zanych z wykorzystaniem du\u017cych zbior\u00f3w danych w kontek\u015bcie statystyki publicznej. Przyjmujemy systemowe podej\u015bcie do okre\u015blenia ryzyk w ramach proponowanej struktury jako\u015bci. Skupiaj\u0105c si\u0119 na nowo zaproponowanych wymiarach jako\u015bci, mo\u017cemy opisa\u0107 ryzyka, kt\u00f3re obecnie s\u0105 nieobecne lub maj\u0105 niewielki wp\u0142yw na produkcj\u0119 oficjalnej statystyki. Jednocze\u015bnie mo\u017cemy okre\u015bli\u0107 istniej\u0105ce ryzyka, kt\u00f3re b\u0119d\u0105 oceniane zupe\u0142nie inaczej w przypadku wykorzystania du\u017cych zbior\u00f3w danych do uzyskiwania statystyk. Nast\u0119pnie przechodzimy do dalszego cyklu zarz\u0105dzania ryzykiem i przedstawiamy ocen\u0119 prawdopodobie\u0144stwa oraz wp\u0142ywu tych ryzyk. Poniewa\u017c ocena ryzyk wi\u0105\u017ce si\u0119 z subiektywno\u015bci\u0105 w ich przypisywaniu, prawdopodobie\u0144stwo i wp\u0142yw r\u00f3\u017cnych ryzyk mierzymy zgodno\u015bci\u0105 mi\u0119dzy dziesi\u0105tkami r\u00f3\u017cnych zainteresowanych stron, kt\u00f3re zosta\u0142y przedstawione niezale\u017cnie. Nast\u0119pnie proponujemy opcje \u0142agodzenia tych ryzyk zgodnie z czterema podstawowymi kategoriami: unikanie, redukcja, wsp\u00f3\u0142dzielenie i zatrzymanie. Zgodnie z ISO jednym z zasad zarz\u0105dzania ryzykiem powinno by\u0107 tworzenie warto\u015bci, tj. zasoby na zmniejszenie ryzyk powinny by\u0107 ni\u017csze ni\u017c w przypadku bezczynno\u015bci. Zgodnie z t\u0105 zasad\u0105 dokonamy oceny potencjalnego wp\u0142ywu niekt\u00f3rych dzia\u0142a\u0144 maj\u0105cych na celu \u0142agodzenie ryzyk na jako\u015b\u0107 ostatecznych wynik\u00f3w, aby doj\u015b\u0107 do bardziej kompleksowej oceny wykorzystania du\u017cych zbior\u00f3w danych w statystyce publicznej.<\/p>\n<h2>1. Wprowadzenie<\/h2>\n<p><\/p>\n<h4>1.1. T\u0142o<\/h4>\n<p>\nRozw\u00f3j \"du\u017cych danych\" zosta\u0142 scharakteryzowany przez Kennetha Neila Cukiera i Viktora Mayera-Sch\u00f6nbergera w ich artykule \"Wzrost du\u017cych danych\" (2. <noindex><a rel=\"nofollow\" href=\"http:\/\/www.foreignaffairs.com\/articles\/139104\/kenneth-neil-cukier-and-viktor-mayer-schoenberger\/therise-of-big-data\">www.foreignaffairs.com\/articles\/139104\/kenneth-neil-cukier-and-viktor-mayer-schoenberger\/therise-of-big-data<\/a><\/noindex>terminem \u201edatafication\u201d. Datafikacja jest opisana jako proces \u201eprzyjmowania wszystkich aspekt\u00f3w \u017cycia i przekszta\u0142cania ich w dane\u201d. Na przyk\u0142ad. Facebook zapewnia osobiste sieci, czujniki dla wszelkiego rodzaju warunk\u00f3w \u015brodowiskowych, smartfony do osobistej komunikacji i ruch\u00f3w, dane noszone do osobistych warunk\u00f3w. Prowadzi to do niemal powszechnego zbierania i dost\u0119pno\u015bci danych.<\/p>\n<p>Jak w wielu innych sektorach, oficjalne statystyki dopiero niedawno zacz\u0119\u0142y omawia\u0107 problem big data na poziomie strategicznym. Wci\u0105\u017c brakuje og\u00f3lnego i powszechnie przyj\u0119tego zrozumienia sposobu dalszego dzia\u0142ania, niezale\u017cnie od tego, czy chodzi o wyzwanie, czy o mo\u017cliwo\u015b\u0107, niezale\u017cnie od tego, czy jest ono ma\u0142e, czy du\u017ce itd. W ramach Grupy Wysokiego Szczebla zajmuj\u0105cej si\u0119 modernizacj\u0105 produkcji oraz us\u0142ug statystycznych (3 Jak du\u017ce jest Big Data? Badanie roli Big Data w oficjalnych statystykach: <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>), a Pierwsza analiza SWOT, towarzysz\u0105ca og\u00f3lnemu analizie ryzyka\/koszt\u00f3w, zosta\u0142a przeprowadzona. Zauwa\u017cono, \u017ce \"dok\u0142adna analiza ryzyk b\u0119dzie r\u00f3wnie\u017c obejmowa\u0107 takie aspekty jak prawdopodobie\u0144stwo i wp\u0142yw i mo\u017ce by\u0107 r\u00f3wnie\u017c poszerzona w celu okre\u015blenia strategii obni\u017cania ryzyk i ich zarz\u0105dzania\".<\/p>\n<p>Chocia\u017c ten dokument jeszcze daleko jest od kompleksowej analizy ryzyk, ma na celu popraw\u0119 sytuacji poprzez stworzenie pierwszego strukturalnego przegl\u0105du. Chcieliby\u015bmy podkre\u015bli\u0107, \u017ce ten przegl\u0105d powinien by\u0107 traktowany jako punkt wyj\u015bcia do stymulowania og\u00f3lnej dyskusji w ramach Oficjalnej Spo\u0142eczno\u015bci Statystycznej (OSC).<\/p>\n<h4>1.2. Zakres<\/h4>\n<p>\nArtyku\u0142 ten po\u015bwi\u0119cony jest wy\u0142\u0105cznie ryzykom, wy\u0142\u0105czaj\u0105c nie tylko korzy\u015bci, ale tak\u017ce mocne i s\u0142abe strony, mo\u017cliwo\u015bci i zagro\u017cenia. Oznacza to, \u017ce \"ryzyka braku dzia\u0142ania\" (na przyk\u0142ad ryzyko, \u017ce OSC pozostanie w tyle za innymi graczami, je\u015bli nie zostanie zmodernizowana) nie wchodz\u0105 w zakres; to raczej zagro\u017cenia. Zamiast tego pr\u00f3bujemy wydzieli\u0107 ryzyka, kt\u00f3re mog\u0105 wyst\u0105pi\u0107 (a) je\u015bli OSC b\u0119dzie wykorzystywa\u0107 mo\u017cliwo\u015bci, jakie niesie ze sob\u0105 big data, i zacznie opracowywa\u0107 lub udoskonala\u0107 konkretny \"produkt oficjalnej statystyki oparty na big data\" (BOSP); (b) ryzyka dla nowego \"normalnego biznesu\", tzn. ryzyka dla oficjalnej statystyki opartej na produkcji \"big data\". (Poniewa\u017c wszelka produkcja oficjalnej statystyki zwi\u0105zana jest z ryzykiem, ograniczamy si\u0119 do (b) specyficznych dla \"ryzyk big data\", tzn. ryzyk, kt\u00f3re nie istniej\u0105 lub s\u0105 nieznaczne w kontek\u015bcie \"tradycyjnego\" procesu zbierania oficjalnych statystyk.)<\/p>\n<h4>1.3. Struktura<\/h4>\n<p>\nW sekcji 2 przedstawiamy podstawowe zasady dotycz\u0105ce tego zadania, zaczynaj\u0105c od wyra\u017anie niezb\u0119dnej podstawy zarz\u0105dzania ryzykiem i zarz\u0105dzania ryzykiem (sekcja 2.1). Prezentujemy r\u00f3wnie\u017c wst\u0119pn\u0105 struktur\u0119 jako\u015bci danych statystycznych, uzyskanych na podstawie du\u017cych zbior\u00f3w danych (sekcja 2.2), poniewa\u017c powi\u0105zanie struktury jako\u015bci z ryzykami spe\u0142nia dwa cele:<\/p>\n<ul>\n<li>Ustala kontekst dla okre\u015blenia ryzyk. Okre\u015blone wska\u017aniki jako\u015bci, wraz z rozwa\u017canymi cechami, wyra\u017caj\u0105 warto\u015bci obiektu, kt\u00f3re uwa\u017cane s\u0105 za istotne i kluczowe do \u015bwiadczenia us\u0142ug klientom i u\u017cytkownikom.<\/li>\n<li>Umo\u017cliwia to przypisanie konkretnych ryzyk do jako\u015bciowych pomiar\u00f3w, kt\u00f3re s\u0105 osadzone w og\u00f3lnych hiperprzestrzeniach i zwi\u0105zane z okre\u015blonymi etapami w procesie produkcji produkt\u00f3w statystycznych.<\/li>\n<\/ul>\n<p>\nW sekcjach 3, 4, 5 i 6 prezentujemy ryzyka zidentyfikowane dotychczas w r\u00f3\u017cnych kontekstach (4 Dokumenty dotycz\u0105ce przypadku biznesowego ESS (https:\/\/www.europeansocialsurvey.org\/about\/structure_and_governance.html) Projekt du\u017cych danych, a tak\u017ce sieci ESS Big Data zawieraj\u0105 list\u0119 ryzyk cz\u0119\u015bciowo zwi\u0105zanych z projektem i cz\u0119\u015bciowo z wykorzystaniem \u017ar\u00f3de\u0142 du\u017cych danych do cel\u00f3w statystycznych. Dokument \u201eSugerowana struktura dla jako\u015bci du\u017cych danych\u201d wspomina o niekt\u00f3rych ryzykach zwi\u0105zanych z wymiarami jako\u015bci.). W tym kontek\u015bcie u\u017cywamy klasyfikacji dost\u0119pu do danych, \u015brodowiska prawnego, prywatno\u015bci i bezpiecze\u0144stwa danych, a tak\u017ce umiej\u0119tno\u015bci; reorganizacja zgodna ze struktura jako\u015bci statystyki uzyskanej z du\u017cych zbior\u00f3w danych (sekcja 2.2) powinna by\u0107 rozwa\u017cona, jak tylko ta struktura osi\u0105gnie bardziej zaawansowany status. Dla ka\u017cdego z zidentyfikowanych ryzyk (i) dostarczamy ocen\u0119 prawdopodobie\u0144stwa oraz wp\u0142ywu (zgodnie z sekcj\u0105 2.1.3) oraz (ii) proponujemy strategie ograniczania ryzyk i zarz\u0105dzania nimi (patrz sekcja 2.1.4).<\/p>\n<p>Na koniec om\u00f3wimy nasze wnioski i nakre\u015blimy niekt\u00f3re nast\u0119pne kroki w sekcji 7<\/p>\n<h2>2. Podstawy<\/h2>\n<p><\/p>\n<h4>2.1. Ryzyka i zarz\u0105dzanie ryzykiem<\/h4>\n<p>\nZgodnie z norm\u0105 ISO 31000: 20095 ryzyko definiuje si\u0119 jako \u201ewp\u0142yw niepewno\u015bci na ustalone cele\u201d. Oznacza to, \u017ce cele musz\u0105 by\u0107 okre\u015blone lub znane, zanim b\u0119dzie mo\u017cna zidentyfikowa\u0107 ryzyka. Cele te zazwyczaj s\u0105 definiowane w kontek\u015bcie instytucjonalnym danej organizacji. Kolejnym wa\u017cnym zagadnieniem jest to, \u017ce ryzyka maj\u0105 charakter niepewno\u015bci, co oznacza, \u017ce nie jest pewne, czy opisane zdarzenie wyst\u0105pi. W zwi\u0105zku z tym ryzyka s\u0105 mierzone pod k\u0105tem prawdopodobie\u0144stwa wyst\u0105pienia zdarzenia oraz jego konsekwencji, tj. wp\u0142ywu, jaki ma dane zdarzenie na osi\u0105gni\u0119cie ustalonych cel\u00f3w. Ocena ryzyk powinna dostarcza\u0107 bardziej obiektywnych informacji, kt\u00f3re ostatecznie pozwol\u0105 znale\u017a\u0107 odpowiedni\u0105 r\u00f3wnowag\u0119 mi\u0119dzy realizacj\u0105 mo\u017cliwo\u015bci uzyskania zysku a minimalizacj\u0105 niekorzystnych konsekwencji. Zarz\u0105dzanie ryzykiem jest nieod\u0142\u0105czn\u0105 cz\u0119\u015bci\u0105 praktyki zarz\u0105dzania i wa\u017cnym elementem odpowiednich praktyk korporacyjnych (6 Statistics Canada: 2014-2015 report on Plans and Priorities, <noindex><a rel=\"nofollow\" href=\"http:\/\/www.statcan.gc.ca\/aboutapercu\/rpp\/2014-2015\/s01p06-eng.htm\">www.statcan.gc.ca\/aboutapercu\/rpp\/2014-2015\/s01p06-eng.htm<\/a><\/noindex>). Jest to iteracyjny proces, kt\u00f3ry w idealnym przypadku pozwala na ci\u0105g\u0142e doskonalenie procesu podejmowania decyzji i sprzyja sta\u0142emu poprawianiu wydajno\u015bci.<\/p>\n<p>Ryzyka s\u0105 r\u00f3wnie\u017c zwi\u0105zane z jako\u015bci\u0105. Wdro\u017cenie systemu jako\u015bci powinno pozwoli\u0107 na wykorzystanie mo\u017cliwo\u015bci oferowanych przez r\u00f3\u017cne \u017ar\u00f3d\u0142a i metody do osi\u0105gni\u0119cia wyniku okre\u015blonego poziomu jako\u015bci w tym sensie, \u017ce ten wynik spe\u0142nia potrzeby u\u017cytkownik\u00f3w. Podobnie jak ryzyka, poziomy jako\u015bci mog\u0105 wynika\u0107 z kontekstu instytucjonalnego oraz cel\u00f3w okre\u015blonych instytucji. W tym kontek\u015bcie \u015brodowisko instytucjonalne definiuje og\u00f3lny poziom ryzyka, kt\u00f3re organizacja jest gotowa ponie\u015b\u0107 w celu osi\u0105gni\u0119cia swoich cel\u00f3w.<\/p>\n<p>Proces oceny i zarz\u0105dzania ryzykiem mo\u017cna podzieli\u0107 na r\u00f3\u017cne etapy, kt\u00f3re obejmuj\u0105 ustalenie kontekstu, identyfikacj\u0119 ryzyk, analiz\u0119 ryzyk pod k\u0105tem prawdopodobie\u0144stwa i wp\u0142ywu, ocen\u0119 ryzyk i wreszcie zarz\u0105dzanie ryzykami.<\/p>\n<h4>2.1.1. Kontekst instytucjonalny<\/h4>\n<p>\nPierwszym krokiem jest ustalenie kontekstu strategicznego, organizacyjnego oraz kontekstu zarz\u0105dzania ryzykiem, w kt\u00f3rym b\u0119dzie si\u0119 odbywa\u0107 reszta procesu. Obejmuje to ustalenie kryteri\u00f3w, wed\u0142ug kt\u00f3rych b\u0119d\u0105 oceniane ryzyka oraz okre\u015blenie struktury analizy.<\/p>\n<h4>2.1.2. Identyfikacja ryzyka<\/h4>\n<p>\nW drugim etapie nale\u017cy okre\u015bli\u0107 zdarzenia, kt\u00f3re mog\u0105 wp\u0142yn\u0105\u0107 na osi\u0105gni\u0119cie postawionych cel\u00f3w. Identyfikacja powinna obejmowa\u0107 pytania dotycz\u0105ce rodzaju ryzyka, terminu zdarzenia, miejsca oraz tego, w jaki spos\u00f3b zdarzenia mog\u0105 zapobiec, pogorszy\u0107, op\u00f3\u017ani\u0107 lub poprawi\u0107 osi\u0105gni\u0119cie cel\u00f3w.<\/p>\n<h4>2.1.3. Ocena ryzyka<\/h4>\n<p>\nKolejnym krokiem jest okre\u015blenie istniej\u0105cych \u015brodk\u00f3w kontroli oraz analiza ryzyk w kontek\u015bcie prawdopodobie\u0144stwa, a tak\u017ce potencjalnych konsekwencji. W kontek\u015bcie tego artyku\u0142u, prawdopodobie\u0144stwo wyst\u0105pienia ryzyk u\u017cywa skali od 1 (ma\u0142o prawdopodobne) do 5 (cz\u0119ste). Wp\u0142yw wyst\u0105pienia zdarze\u0144 mierzy si\u0119 w skali od 1 (niewielki) do 5 (ekstremalny). Jak pokazano w tabeli 1, iloczyn prawdopodobie\u0144stwa i wp\u0142ywu daje \"poziom ryzyka\" w zakresie od 1 do 25.<\/p>\n<p><img decoding=\"async\" alt=\"Strukturyzacja ryzyk i rozwi\u0105za\u0144 przy u\u017cyciu BigData do pozyskiwania oficjalnych statystyk\" src=\"\/wp-content\/uploads\/2020\/03\/486877e0bd16137b74227392fe85957c.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nOszacowane poziomy ryzyka mo\u017cna por\u00f3wna\u0107 z wcze\u015bniej okre\u015blonymi kryteriami, aby ustali\u0107 r\u00f3wnowag\u0119 mi\u0119dzy potencjalnymi korzy\u015bciami a niekorzystnymi rezultatami. Pozwala to na podejmowanie decyzji o priorytetach zarz\u0105dzania.<\/p>\n<p><img decoding=\"async\" alt=\"Strukturyzacja ryzyk i rozwi\u0105za\u0144 przy u\u017cyciu BigData do pozyskiwania oficjalnych statystyk\" src=\"\/wp-content\/uploads\/2020\/03\/b49cbaff80da9d93fdfedf7a94750b78.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nPriorytet dzia\u0142a\u0144 powinien by\u0107 ukierunkowany na krytyczne ryzyka (patrz Tabela 2), czyli na te, kt\u00f3re mog\u0105 wyst\u0105pi\u0107 i maj\u0105 powa\u017cne lub ekstremalne konsekwencje dla cel\u00f3w organizacji.<\/p>\n<h4>2.1.4. Reakcja na ryzyka<\/h4>\n<p>\nOstatni krok polega na podejmowaniu decyzji dotycz\u0105cych reakcji na ryzyko. Niekt\u00f3re ryzyka, kt\u00f3re s\u0105 poni\u017cej okre\u015blonego poziomu, mog\u0105 by\u0107 ignorowane lub akceptowane. W przypadku innych koszty neutralizacji ryzyk mog\u0105 by\u0107 na tyle wysokie, \u017ce przewy\u017cszaj\u0105 potencjalne korzy\u015bci. W takim przypadku organizacja mo\u017ce zdecydowa\u0107 si\u0119 na rezygnacj\u0119 z odpowiedniej dzia\u0142alno\u015bci. Ryzyka mog\u0105 by\u0107 r\u00f3wnie\u017c przekazywane stronom trzecim, takim jak ubezpieczenia, kt\u00f3re rekompensuj\u0105 poniesione wydatki. Ostatnia opcja to uwzgl\u0119dnienie ryzyk przy okre\u015blaniu strategii i dzia\u0142a\u0144, kt\u00f3re r\u00f3wnowa\u017c\u0105 koszty z potencjalnymi korzy\u015bciami. W ten spos\u00f3b organizacja podejmie decyzje dotycz\u0105ce wdra\u017cania strategii maksymalizuj\u0105cych korzy\u015bci i minimalizuj\u0105cych potencjalne koszty.<\/p>\n<p><img decoding=\"async\" alt=\"Strukturyzacja ryzyk i rozwi\u0105za\u0144 przy u\u017cyciu BigData do pozyskiwania oficjalnych statystyk\" src=\"\/wp-content\/uploads\/2020\/03\/ff6b25f08f78d1619dcf2c657ae0bb63.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h4>2.2. Systemy jako\u015bci<\/h4>\n<p>\nGrupa docelowa z\u0142o\u017cona z przedstawicieli krajowych i mi\u0119dzynarodowych organizacji statystycznych opracowa\u0142a w 2014 roku wst\u0119pn\u0105 struktur\u0119 jako\u015bci dla statystyki pozyskiwanej z du\u017cych zbior\u00f3w danych. Grupa robocza dzia\u0142a\u0142a pod auspicjami projektu UNECE\/HLG \u201eRola du\u017cych zbior\u00f3w danych w modernizacji produkcji statystycznej\u201d. Rozszerzy\u0142a ona istniej\u0105ce systemy jako\u015bci opracowane do oceny statystyki pozyskiwanej z administracyjnych \u017ar\u00f3de\u0142 danych, wprowadzaj\u0105c wska\u017aniki jako\u015bci, kt\u00f3re uznano za wa\u017cne dla du\u017cych zbior\u00f3w danych.<\/p>\n<p>W ramach tego systemu rozr\u00f3\u017cnia si\u0119 trzy fazy procesu biznesowego: wprowadzenie, wydajno\u015b\u0107 i wynik. Faza wprowadzenia odpowiada fazom \u201eprojektowania\u201d i \u201ezbierania\u201d GSBP, wydajno\u015b\u0107 dotyczy faz \u201eprocesu\u201d i \u201eanalizy\u201d, a dane wyj\u015bciowe s\u0105 r\u00f3wnowa\u017cne fazie \u201edystrybucji\u201d.<\/p>\n<p>W strukturze zastosowano hierarchiczn\u0105 struktur\u0119, kt\u00f3ra zosta\u0142a zaczerpni\u0119ta z struktury danych administracyjnych opracowanej przez Urz\u0105d Statystyczny Holandii (7 Daas, P., S. Ossen, R. Vis-Visschers oraz J. Arends-Toth, (2009), Lista kontrolna oceny jako\u015bci \u017ar\u00f3de\u0142 danych administracyjnych. Statystyka Holandia, Haga\/Heerlen). Pomiar jako\u015bci jest osadzony w hierarchicznej strukturze zwanej hiperspacjami. Trzy okre\u015blone hipowymiarami to \u201e\u017ar\u00f3d\u0142o\u201d, \u201emetadane\u201d i \u201edane\u201d. Pomiar jako\u015bci osadzony jest w tych hipowymiarach i przypisywany ka\u017cdemu z etap\u00f3w produkcji. Dla fazy wej\u015bciowej zaproponowano dodatkowe aspekty \u201eprywatno\u015b\u0107 i poufno\u015b\u0107\u201d, \u201eskomplikowanie\u201d (zgodnie ze struktur\u0105 danych), \u201ekompletno\u015b\u0107\u201d metadanych oraz \u201esp\u00f3jno\u015b\u0107\u201d (mo\u017cliwo\u015b\u0107 powi\u0105zania danych z innymi danymi), aby uzupe\u0142ni\u0107 model standardowej jako\u015bci. Dla ka\u017cdego z wska\u017anik\u00f3w jako\u015bci proponuje si\u0119 czynniki odnosz\u0105ce si\u0119 do ich opisu, a tak\u017ce mo\u017cliwe wska\u017aniki.<\/p>\n<p>W kontek\u015bcie tego artyku\u0142u ryzyka mog\u0105 by\u0107 wy\u0142\u0105czone z tych czynnik\u00f3w. Na przyk\u0142ad, czynniki, kt\u00f3re nale\u017cy wzi\u0105\u0107 pod uwag\u0119 przy pomiarze jako\u015bci \u201einstytucjonalnego \/ biznesowego otoczenia\u201d, to stabilno\u015b\u0107 dostawcy danych. Zwi\u0105zane z tym ryzyko mo\u017ce polega\u0107 na tym, \u017ce dane nie b\u0119d\u0105 dost\u0119pne u dostawcy danych w przysz\u0142o\u015bci. Inny przyk\u0142ad dotyczy niedawno zaproponowanego aspektu jako\u015bci, prywatno\u015bci i bezpiecze\u0144stwa. Jednym z wa\u017cnych czynnik\u00f3w jest \u201epercepcja\u201d, co oznacza mo\u017cliw\u0105 negatywn\u0105 percepcj\u0119 zamierzonego wykorzystania konkretnych \u017ar\u00f3de\u0142 danych przez r\u00f3\u017cne zainteresowane strony.<\/p>\n<h2>3. Ryzyka zwi\u0105zane z dost\u0119pem do danych<\/h2>\n<p><\/p>\n<h4>3.1. Brak dost\u0119pu do danych<br \/>\n3.1.1. Opis<\/h4>\n<p>\nTo ryzyko dotyczy projektu zwi\u0105zanego z rozwojem BOSP, kt\u00f3ry nie uzyskuje dost\u0119pu do niezb\u0119dnego \u017ar\u00f3d\u0142a du\u017cych danych (BDS).<\/p>\n<p>Do tej pory OSC przyswoi\u0142 sobie trudn\u0105 drog\u0119, \u017ce nawet wyj\u015bcie z blok\u00f3w startowych i uzyskanie tego dost\u0119pu s\u0105 czasami nieprzezwyci\u0119\u017conymi przeszkodami. Czasami \u0142atwo jest uzyska\u0107 dost\u0119p do konkretnego \u017ar\u00f3d\u0142a \u2014 jak zapisy danych o po\u0142\u0105czeniach (CDR), na potrzeby test\u00f3w \/ bada\u0144, ale znacznie trudniej (z powod\u00f3w prawnych lub komercyjnych) uzyska\u0107 dost\u0119p do niego w celach produkcyjnych.<\/p>\n<h4>3.1.2. Prawdopodobie\u0144stwo<\/h4>\n<p>\nPrawdopodobie\u0144stwo w du\u017cej mierze zale\u017cy od cech BDS. Je\u015bli dotyczy to du\u017cych danych administracyjnych, mo\u017ce wynosi\u0107 zaledwie 1, szczeg\u00f3lnie gdy (jak w przypadku danych o ruchu, badanych przez Daas i in. 8 Daas, P., M. Puts, B. Buelens i P. van den Hurk. 2015. \u201eBig Data as a Source for Official Statistics\u201d. Journal of Official Statistics 31 (2). (Wkr\u00f3tce; publikacja przewidywana na czerwiec 2015.)) nie ma problem\u00f3w z ochron\u0105 danych osobowych. Je\u015bli przypadek BDS dotyczy osoby prywatnej, szczeg\u00f3lnie je\u015bli jest wra\u017cliwy (np. z punktu widzenia ochrony danych) lub warto\u015bciowy (z perspektywy handlowej), to prawdopodobie\u0144stwo mo\u017ce by\u0107 bardzo wysokie (5).<\/p>\n<h4>3.1.3. Wp\u0142yw<\/h4>\n<p>\nWp\u0142yw zale\u017cy od BOSP i sposobu u\u017cycia BDS. Je\u015bli BDS znajduje si\u0119 w centrum, wp\u0142yw mo\u017ce by\u0107 bardzo wysoki (4 = ca\u0142kowicie niemo\u017cliwe wytworzenie BOSP), podczas gdy mo\u017ce by\u0107 ni\u017cszy, je\u015bli wci\u0105\u017c mo\u017cliwe jest wytworzenie BOSP (cho\u0107 z gorsz\u0105 jako\u015bci\u0105), polegaj\u0105c na innych URB, co prowadzi do wp\u0142ywu w zakresie 2-3.<\/p>\n<h4>3.1.4. Zapobieganie<\/h4>\n<p>\nAby zredukowa\u0107 ryzyko braku dost\u0119pu, nale\u017cy nawi\u0105za\u0107 wst\u0119pne kontakty z dostawc\u0105 danych i zawrze\u0107 d\u0142ugoterminow\u0105 umow\u0119 o dost\u0119p do danych. Ponadto nale\u017cy przeprowadzi\u0107 kompleksow\u0105 analiz\u0119 prawn\u0105 dotycz\u0105c\u0105 konkretnej kombinacji BDS i BOSP. Nale\u017cy r\u00f3wnie\u017c oceni\u0107 mo\u017cliwo\u015bci dost\u0119pu do danych w oparciu o obowi\u0105zuj\u0105ce lub przysz\u0142e przepisy prawne.<\/p>\n<h4>3.1.5. \u0141agodzenie<\/h4>\n<p>\nJe\u015bli istniej\u0105 alternatywne BDS, kt\u00f3re mo\u017cna wykorzysta\u0107 do BOSP, mo\u017cna je rozwa\u017cy\u0107 jako zamiennik. Je\u017celi nie ma mo\u017cliwo\u015bci wytworzenia BOSP bez BDS, i je\u015bli nie mo\u017cna pokona\u0107 braku dost\u0119pu, dzia\u0142ania powinny zosta\u0107 wstrzymane, a nowy BOSP nie ujrzy \u015bwiat\u0142a dziennego.<\/p>\n<h4>3.2. Utrata dost\u0119pu do danych<br \/>\n3.2.1. Opis<\/h4>\n<p>\nRyzyko polega na tym, \u017ce zarz\u0105dzanie statystyczne traci BDS, na kt\u00f3rym oparty jest BOSP.<\/p>\n<h4>3.2.2. Prawdopodobie\u0144stwo<\/h4>\n<p>\nJe\u015bli BOSP jest ju\u017c w produkcji, zazwyczaj istnieje okre\u015blona stabilno\u015b\u0107, a w niekt\u00f3rych przypadkach ryzyko mo\u017ce by\u0107 bardzo niskie (1). Jednak w przypadku prywatnych podmiot\u00f3w, z kt\u00f3rymi zawarto niewystarczaj\u0105co solidne umowy, nic nie stoi na przeszkodzie, aby nowe kierownictwo zmieni\u0142o polityk\u0119 udost\u0119pniania danych, co prowadzi do umiarkowanego ryzyka zerwania (3). Co wi\u0119cej, je\u015bli BDS jest zwi\u0105zane z niestabiln\u0105 dzia\u0142alno\u015bci\u0105, zawsze istnieje ryzyko, \u017ce dostawca po prostu zbankrutuje, a ryzyko mo\u017ce by\u0107 nawet wy\u017csze (4).<\/p>\n<h4>3.2.3. Wp\u0142yw<\/h4>\n<p>\nPoniewa\u017c istniej\u0105cy BOSP mo\u017ce by\u0107 niemo\u017cliwy do produkcji, cz\u0119sto ma miejsce bardzo silny wp\u0142yw (5). W innych przypadkach, gdy BDS ma charakter pomocniczy, wp\u0142yw mo\u017ce by\u0107 raczej utrat\u0105 jako\u015bci z wp\u0142ywem w zakresie 2-3.<\/p>\n<h4>3.2.4. Zapobieganie<\/h4>\n<p>\nStrategia zapobiegania jest podobna do strategii braku dost\u0119pu do danych, ale z wi\u0119kszym naciskiem na sta\u0142\u0105 czujno\u015b\u0107 r\u00f3wnie\u017c w warunkach produkcyjnych.<\/p>\n<p>Nie wk\u0142ada\u0107 wszystkich jajek do jednego koszyka (tzn. mie\u0107 kilka BDS, kt\u00f3re le\u017c\u0105 u podstaw ka\u017cdego BSOP) r\u00f3wnie\u017c mo\u017ce by\u0107 strategi\u0105, ale mo\u017ce to by\u0107 albo niepraktyczne, albo zbyt kosztowne.<\/p>\n<h4>3.2.5. \u0141agodzenie<\/h4>\n<p>\nJe\u015bli BDS jest wynikiem niestabilnej dzia\u0142alno\u015bci, mo\u017cliwe, \u017ce stopniowo stanie si\u0119 dost\u0119pne nowe BDS, odzwierciedlaj\u0105ce ten sam fenomen spo\u0142eczny. Jednak by\u0142oby za p\u00f3\u017ano, aby rozpocz\u0105\u0107 \u201eskanowanie rynku\u201d, gdy BSOP si\u0119 zepsuje; wymagana jest sta\u0142a czujno\u015b\u0107 \u2014 co mo\u017ce by\u0107 trudne do osi\u0105gni\u0119cia.<\/p>\n<h2>4. Ryzyko zwi\u0105zane z otoczeniem prawnym<\/h2>\n<p><\/p>\n<h4>4.1. Niedotrzymanie odpowiednich przepis\u00f3w<br \/>\n4.1.1. Opis<\/h4>\n<p>\nTo ryzyko dotyczy projektu zwi\u0105zanego z opracowaniem BOSP, w kt\u00f3rym nie uwzgl\u0119dniono odpowiednich przepis\u00f3w, co czyni BOSP niezgodnym z danym prawodawstwem. Mo\u017ce to dotyczy\u0107 przepis\u00f3w dotycz\u0105cych ochrony danych, regulacji dotycz\u0105cych obci\u0105\u017cenia odpowiedzi itd.<\/p>\n<h4>4.1.2. Prawdopodobie\u0144stwo<\/h4>\n<p>\nBior\u0105c pod uwag\u0119 brak wiedzy OSC na temat wielkich danych, nie mo\u017cna wykluczy\u0107, \u017ce przypadkowe (3) niedotrzymanie mo\u017ce mie\u0107 miejsce. Prawdopodobie\u0144stwo jest zazwyczaj zwi\u0105zane z BDS, poniewa\u017c im mniej \u201ewra\u017cliwe\u201d jest \u017ar\u00f3d\u0142o, tym mniejsze prawdopodobie\u0144stwo wyst\u0105pienia niezgodno\u015bci.<\/p>\n<h4>4.1.3. Wp\u0142yw<\/h4>\n<p>\nWp\u0142yw jest zazwyczaj krytyczny (4) w tym sensie, \u017ce dla niezgodnej produkcji konieczne b\u0119dzie zatrzymanie BOSP (lub, je\u015bli nie osi\u0105gn\u0105\u0142 jeszcze etapu realizacji, jego rozw\u00f3j nale\u017cy przerwa\u0107). Mo\u017ce to by\u0107 nawet ekstremalne (5), poniewa\u017c ryzyka reputacyjne wynikaj\u0105ce z niezgodno\u015bci (\"nielegalnych\") oficjalnych statystyk mog\u0105 mie\u0107 konsekwencje.<\/p>\n<h4>4.1.4. Zapobieganie<\/h4>\n<p>\nDla ka\u017cdego BOSP niezb\u0119dna jest dok\u0142adna analiza prawna \u2014 i dzieje si\u0119 to na kilku etapach (to, co jest akceptowane na etapie rozwoju \/ eksploracji, mo\u017ce nie by\u0107 takie na etapie wdro\u017cenia \/ produkcji). Mo\u017ce to z kolei prowadzi\u0107 do reorganizacji BOSP, aby uczyni\u0107 go zgodnym.<\/p>\n<h4>4.1.5. \u0141agodzenie<\/h4>\n<p>\nW zale\u017cno\u015bci od powagi niezgodno\u015bci, pierwszym krokiem mo\u017ce by\u0107 przestawienie BOSP w tryb offline.<\/p>\n<p>Reorganizacja BOSP, aby uczyni\u0107 go zgodnym, mo\u017ce by\u0107 opcj\u0105, ale to, czy BOSP zostanie \"uratowany\" w ten spos\u00f3b, w du\u017cej mierze zale\u017cy od charakteru niezgodno\u015bci.<\/p>\n<h4>4.2. Niekorzystne zmiany w \u015brodowisku prawnym<br \/>\n4.2.1. Opis<\/h4>\n<p>\nMo\u017ce zosta\u0107 wprowadzone nowe ustawodawstwo dotycz\u0105ce opracowywanego BOSP, co w praktyce czyni BOSP niezgodnym.<\/p>\n<h4>4.2.2. Prawdopodobie\u0144stwo<\/h4>\n<p>\nNie jest wykluczone, \u017ce zwolennicy wzmocnionej ochrony danych zdo\u0142aj\u0105 wprowadzi\u0107 nowe wymagania, kt\u00f3re bezpo\u015brednio lub po\u015brednio wp\u0142yn\u0105 na mo\u017cliwo\u015b\u0107 stworzenia konkretnych BOSP. Prawdopodobie\u0144stwo w zakresie 2-3 wydaje si\u0119 realistyczn\u0105 ocen\u0105.<\/p>\n<h4>4.2.3. Wp\u0142yw<\/h4>\n<p>\nWp\u0142yw jest zazwyczaj krytyczny (4), w tym sensie, \u017ce niezgodna produkcja b\u0119dzie wymaga\u0107 zatrzymania BOSP.<\/p>\n<h4>4.2.4. Zapobieganie<\/h4>\n<p>\nOkre\u015blona informacja biznesowa powinna by\u0107 regularnie prowadzona w celu monitorowania rozwoju ustawodawstwa \u2014 by\u0107 mo\u017ce tak\u017ce, aby wywrze\u0107 na nie wp\u0142yw, przedstawiaj\u0105c argumenty na rzecz oficjalnych statystyk na odpowiednich (np. doradczych) forach.<\/p>\n<h4>4.2.5. \u0141agodzenie<\/h4>\n<p>\nPod warunkiem, \u017ce przeprowadzono proaktywne monitorowanie, mo\u017ce by\u0107 czas na reorganizacj\u0119 BOSP, aby dostosowa\u0107 go do nowego ustawodawstwa od pierwszego dnia jego wej\u015bcia w \u017cycie.<\/p>\n<p>Je\u015bli jednak monitoring nie by\u0142 przeprowadzany, wi\u0119c nowe przepisy sta\u0142y si\u0119 \"nieoczekiwane\" \u2014 lub je\u015bli przepisy s\u0105 na tyle radykalne, \u017ce nie ma sposobu, aby BOSP sta\u0142 si\u0119 niezgodny \u2014 jedyn\u0105 opcj\u0105 mo\u017ce by\u0107 wy\u0142\u0105czenie BOSP.<\/p>\n<h2>5. Ryzyka zwi\u0105zane z prywatno\u015bci\u0105 i bezpiecze\u0144stwem danych<\/h2>\n<p><\/p>\n<h4>5.1. Naruszenia bezpiecze\u0144stwa danych<br \/>\n5.1.1. Opis<\/h4>\n<p>\nTo ryzyko odnosi si\u0119 do nieautoryzowanego dost\u0119pu do danych przechowywanych w zarz\u0105dzaniach statystycznych. Osoby trzecie mog\u0105 uzyska\u0107 dane, kt\u00f3re s\u0105 obj\u0119te embargiem, na przyk\u0142ad z powodu wydania harmonogramu. Dla ka\u017cdego BOSP, kt\u00f3ry w pe\u0142ni opiera si\u0119 na jednej jedynej BDS, nieuchronnie dane b\u0119d\u0105 niejawnie znane pierwotnemu w\u0142a\u015bcicielowi danych, a je\u015bli metodologia jest przejrzysta, r\u00f3wnie\u017c pochodna statystyka b\u0119dzie znana. Ta sytuacja nie jest tutaj brana pod uwag\u0119, a raczej w ryzyku zwi\u0105zanym z nadu\u017cyciem pozycji przez w\u0142a\u015bcicieli. Ponadto te dane mog\u0105 nie\u015b\u0107 w sobie ryzyko naruszenia prywatno\u015bci. To ryzyko b\u0119dzie rozwa\u017cane oddzielnie. Mog\u0105 to by\u0107 na przyk\u0142ad dane, kt\u00f3re oczekuj\u0105 inwestorzy na rynku gie\u0142dowym.<\/p>\n<h4>5.1.2. Prawdopodobie\u0144stwo<\/h4>\n<p>\nJe\u015bli chodzi o aspekty techniczne ochrony \u015brodowiska IT w jednostce statystycznej, ryzyko ma takie samo prawdopodobie\u0144stwo dla BDS, jak i dla tradycyjnych \u017ar\u00f3de\u0142. Jednak istniej\u0105 dwa dodatkowe aspekty, kt\u00f3re nale\u017cy wzi\u0105\u0107 pod uwag\u0119.<\/p>\n<p>Po pierwsze, w przypadku niekt\u00f3rych BDS og\u00f3lne ryzyko nieco wzrasta z powodu tego, \u017ce bezpiecze\u0144stwo danych u pierwotnego w\u0142a\u015bciciela mo\u017ce by\u0107 zagro\u017cone. Mo\u017ce to by\u0107 spowodowane na przyk\u0142ad szpiegostwem przemys\u0142owym lub w\u0142amaniem.<\/p>\n<p>Po drugie, gdy potencjalnie cenne dane zaczynaj\u0105 by\u0107 przechowywane w biurze, ryzyko przyci\u0105gni\u0119cia z\u0142owrogich zamiar\u00f3w wzrasta. Je\u015bli przechowywane dane maj\u0105 bardzo wysok\u0105 warto\u015b\u0107 dla biznesu, nale\u017cy by\u0107 przygotowanym na bardzo wysokie prawdopodobie\u0144stwo atak\u00f3w skierowanych na infrastruktur\u0119 IT, a zatem prawdopodobie\u0144stwo wyst\u0105pienia w\u0142amania mo\u017ce by\u0107 potencjalnie wy\u017csze.<\/p>\n<p>Je\u015bli przechowywane dane nie s\u0105 postrzegane jako maj\u0105ce warto\u015b\u0107, og\u00f3lne prawdopodobie\u0144stwo wydaje si\u0119 niezbyt wysokie \u2014 od (1) do (3) w zale\u017cno\u015bci od \u017ar\u00f3d\u0142a danych.<\/p>\n<h4>5.1.3. Wp\u0142yw<\/h4>\n<p>\nPotencjalna szkoda reputacji mo\u017ce by\u0107 znaczna (5). Wa\u017cne w przypadku BDS jest to, \u017ce je\u015bli naruszenie bezpiecze\u0144stwa wyst\u0105pi u pierwotnego w\u0142a\u015bciciela, wp\u0142yw na reputacj\u0119 zarz\u0105dzania statystykami b\u0119dzie, jak si\u0119 oczekuje, ni\u017cszy ni\u017c w przypadku naruszenia danych, kt\u00f3re znajduj\u0105 si\u0119 w jego przechowaniu.<\/p>\n<p>Z drugiej strony, mo\u017cliwe jest, \u017ce naruszenie w zarz\u0105dzaniu statystykami mo\u017ce mie\u0107 negatywne konsekwencje dla pierwotnego w\u0142a\u015bciciela. W takim przypadku ponownie mo\u017ce wyst\u0105pi\u0107 silny negatywny wp\u0142yw z powodu strat w zakresie zaufania mi\u0119dzy dostawc\u0105 a zarz\u0105dzaniem statystykami (5).<\/p>\n<h4>5.1.4. Zapobieganie<\/h4>\n<p>\nCech\u0105 charakterystyczn\u0105 przypadku BDS jest to, \u017ce procedury bezpiecze\u0144stwa pierwotnego w\u0142a\u015bciciela mog\u0105 by\u0107 odpowiednie. Ma\u0142o prawdopodobne jest, \u017ce zarz\u0105dzania statystykami uzyskaj\u0105 uprawnienia audytorskie, aby to kontrolowa\u0107. W\u0142a\u015bciciele, kt\u00f3rych dane s\u0105 wykorzystywane do tworzenia zapis\u00f3w z poufnymi harmonogramami publikacji, powinni by\u0107 informowani o konsekwencjach dla oficjalnych statystyk potencjalnego naruszenia bezpiecze\u0144stwa w ich obiektach i powinni uzyska\u0107 oficjalne zapewnienie, \u017ce stosowane s\u0105 odpowiednie procedury bezpiecze\u0144stwa.<\/p>\n<p>Bezpo\u015brednim sposobem na zapobie\u017cenie powa\u017cnemu wp\u0142ywowi naruszenia bezpiecze\u0144stwa w obiekcie w\u0142a\u015bciciela na zarz\u0105dzanie statystykami jest zapewnienie korzystania z wielu \u017ar\u00f3de\u0142 dla tego samego produktu, aby jedno skompromitowane \u017ar\u00f3d\u0142o by\u0142o niewystarczaj\u0105ce do uzyskania ostatecznej liczby. Zalet\u0105 tego podej\u015bcia jest wi\u0119ksza kontrola w r\u0119kach zarz\u0105dzania statystykami.<\/p>\n<p>Spos\u00f3b zapobiegania negatywnym skutkom naruszenia bezpiecze\u0144stwa w biurze statystycznym dla pierwotnego w\u0142a\u015bciciela danych polega na znalezieniu sposobu pracy, kt\u00f3ry nie zak\u0142ada przekazywania danych, kt\u00f3re potencjalnie s\u0105 wra\u017cliwe z punktu widzenia w\u0142a\u015bciciela, do zarz\u0105dzania statystycznego. W surowej formie. Mo\u017cliwym proaktywnym podej\u015bciem jest wykorzystanie danych zagregowanych. Nale\u017cy jednak pami\u0119ta\u0107, \u017ce niekt\u00f3re formy agregacji, na przyk\u0142ad te, kt\u00f3re maj\u0105 na celu uniemo\u017cliwienie identyfikacji poszczeg\u00f3lnych cz\u0142onk\u00f3w populacji, mog\u0105 nie by\u0107 odpowiednie w tym przypadku. Jednym z powod\u00f3w mo\u017ce by\u0107 fakt, \u017ce ryzyko dla w\u0142a\u015bciciela wi\u0105\u017ce si\u0119 z warto\u015bci\u0105 rynkow\u0105 danych, kt\u00f3ra mo\u017ce by\u0107 znaczna nawet po osi\u0105gni\u0119ciu anonimowo\u015bci.<\/p>\n<h4>5.1.5. \u0141agodzenie<\/h4>\n<p>\nW przypadku naruszenia danych w zarz\u0105dzie statystycznym, \u015brodki \u0142agodz\u0105ce b\u0119d\u0105 takie same jak w przypadku tradycyjnych \u017ar\u00f3de\u0142, o ile nie dosz\u0142o do negatywnego wp\u0142ywu na pierwotnego w\u0142a\u015bciciela.<\/p>\n<p>W przypadku negatywnych skutk\u00f3w dla pierwotnego w\u0142a\u015bciciela, zarz\u0105d statystyczny powinien przeanalizowa\u0107 i wzmocni\u0107 swoje procedury bezpiecze\u0144stwa oraz jasno komunikowa\u0107 i demonstrowa\u0107 swoje zaanga\u017cowanie w t\u0119 kwesti\u0119.<\/p>\n<p>Je\u015bli naruszenie mia\u0142o miejsce w pomieszczeniu pierwotnego w\u0142a\u015bciciela, odpowiednia s\u0142u\u017cba statystyczna powinna wyra\u017anie poinformowa\u0107 o sytuacji i nalega\u0107 na popraw\u0119 procedur bezpiecze\u0144stwa w\u0142a\u015bciciela. W razie potrzeby mo\u017cna poszukiwa\u0107 alternatywnego dostawcy.<\/p>\n<h4>5.2. Naruszenia prywatno\u015bci danych<\/h4>\n<p><\/p>\n<h4>5.2.1. Opis<\/h4>\n<p>\nTo ryzyko naruszenia prywatno\u015bci jednej lub kilku os\u00f3b z populacji statystycznej. Mo\u017ce to by\u0107 zwi\u0105zane z atakiem na infrastruktur\u0119 IT z powodu presji ze strony innych instytucji rz\u0105dowych lub z powodu niewystarczaj\u0105cych dzia\u0142a\u0144 kontroluj\u0105cych ujawnianie danych statystycznych.<\/p>\n<h4>5.2.2. Prawdopodobie\u0144stwo<\/h4>\n<p>\nPodobnie jak w przypadku ryzyka naruszenia bezpiecze\u0144stwa danych, techniczne warunki przechowywania mikrodanych nie zmieniaj\u0105 si\u0119 znacznie po dodaniu BDS. Niemniej jednak tutaj r\u00f3wnie\u017c s\u0105 pewne ostrze\u017cenia.<\/p>\n<p>Mikrodane z okre\u015blonych \u017ar\u00f3de\u0142 danych mog\u0105 mie\u0107 du\u017c\u0105 warto\u015b\u0107 komercyjn\u0105, dlatego ich przechowywanie zwi\u0119ksza prawdopodobie\u0144stwo atak\u00f3w.<\/p>\n<p>Ponadto niekt\u00f3re mikrodane mog\u0105 by\u0107 potencjalnie bardzo przydatne dla innych instytucji publicznych, takich jak s\u0142u\u017cby mundurowe, podatki czy opieka zdrowotna. W pewnych okoliczno\u015bciach przestrzeganie zasady statystycznej poufno\u015bci mo\u017ce by\u0107 pod du\u017c\u0105 presj\u0105.<\/p>\n<p>Je\u015bli chodzi o awarie w kontroli ujawniania informacji statystycznych, do tej pory istnieje ju\u017c ustalona praktyka. BDS mo\u017ce umo\u017cliwi\u0107 produkcj\u0119 statystyk dla ma\u0142ych podgrup populacji lub da\u0107 mo\u017cliwo\u015b\u0107 \u0142\u0105czenia skonsolidowanych danych z r\u00f3\u017cnych BDS, co mo\u017ce zwi\u0119kszy\u0107 ryzyko. Ponadto nowe \u017ar\u00f3d\u0142a b\u0119d\u0105 wymaga\u0142y nowych opracowa\u0144 metodologicznych, dlatego rzeczywiste niebezpiecze\u0144stwo polega na tym, \u017ce metodologia kontroli ujawniania danych nie jest odpowiednio aktualizowana.<\/p>\n<p>Og\u00f3lnie rzecz bior\u0105c, przy rozs\u0105dnych \u015brodkach zapobiegawczych prawdopodobie\u0144stwo mo\u017ce by\u0107 utrzymywane na rozs\u0105dnych poziomach, jednak z uwagi na istnieje wiele r\u00f3\u017cnych i zr\u00f3\u017cnicowanych czynnik\u00f3w, w\u0142a\u015bciwa ocena w tym przypadku stwierdza, \u017ce prawdopodobie\u0144stwo jest wysokie (4).<\/p>\n<h4>5.2.3. Wp\u0142yw<\/h4>\n<p>\nPotencjalne szkody dla reputacji mog\u0105 by\u0107 znaczne (5). Podobnie jak w przypadku ryzyka naruszenia bezpiecze\u0144stwa danych, incydent w zarz\u0105dzaniu statystycznym mo\u017ce mie\u0107 negatywne konsekwencje dla pierwotnego w\u0142a\u015bciciela. W tym przypadku wp\u0142yw takiego zdarzenia mo\u017ce by\u0107 potencjalnie jeszcze wi\u0119kszy, szczeg\u00f3lnie w \u015bwietle aktualnych tendencji w opinii publicznej. Szkody w relacjach mi\u0119dzy dostawc\u0105 danych a zarz\u0105dzaniem statystycznym r\u00f3wnie\u017c b\u0119d\u0105, jak si\u0119 oczekuje, bardzo du\u017ce.<\/p>\n<h4>5.2.4. Zapobieganie<\/h4>\n<p>\nNiezawodny spos\u00f3b na zapobieganie takim ryzykom to ca\u0142kowity brak mikrodata z BDS (cho\u0107 przechowywanie innych mikrodata wi\u0105\u017ce si\u0119 wci\u0105\u017c z odpowiednim ryzykiem, ale o innej prawdopodobie\u0144stwie i wp\u0142ywie). Taki spos\u00f3b, podobnie jak w przypadku ryzyka naruszenia bezpiecze\u0144stwa danych, poci\u0105gnie za sob\u0105 konieczno\u015b\u0107 opracowania innych metod wykorzystania danych w celach statystycznych. Ponadto r\u00f3\u017cnorodny charakter \u017ar\u00f3de\u0142 oznacza, \u017ce konieczne b\u0119dzie opracowanie nowych metodologii z konkuruj\u0105cymi celami wydobycia jak najwi\u0119kszej ilo\u015bci u\u017cytecznych informacji oraz ochrony prywatno\u015bci przed zagro\u017ceniami.<\/p>\n<p>W przypadku przechowywania mikrodata mechanizmy zapewnienia bezpiecze\u0144stwa IT i kontroli dost\u0119pu musz\u0105 by\u0107 na wymaganym poziomie i regularnie monitorowane. Szczeg\u00f3ln\u0105 uwag\u0119 nale\u017cy zwr\u00f3ci\u0107 na zapewnienie bezpiecze\u0144stwa nowych sposob\u00f3w pozyskiwania danych. Ironi\u0105 losu mo\u017ce by\u0107, \u017ce tym nowym sposobem mo\u017ce by\u0107 fizyczny transport urz\u0105dze\u0144 pami\u0119ci (na przyk\u0142ad dysk\u00f3w twardych). Je\u015bli ta metoda jest stosowana, dostawa musi by\u0107 fizycznie zabezpieczona, a szyfrowanie powinno by\u0107 zastosowane.<\/p>\n<h4>5.2.5. \u0141agodzenie<\/h4>\n<p>\n\u015arodki \u0142agodz\u0105ce w tym przypadku s\u0105 zasadniczo takie same, jak w przypadku naruszenia bezpiecze\u0144stwa danych. Je\u015bli przyczyn\u0105 naruszenia jest nacisk ze strony innego organu rz\u0105dowego, warto wykorzysta\u0107 t\u0119 okazj\u0119 do wzmocnienia niezale\u017cno\u015bci zarz\u0105dzania, aby podobne naruszenia w przysz\u0142o\u015bci sta\u0142y si\u0119 jeszcze trudniejsze.<\/p>\n<h4>5.3. Manipulacje \u017ar\u00f3d\u0142em danych<br \/>\n5.3.1. Opis<\/h4>\n<p>\nDostawcy danych os\u00f3b trzecich, na przyk\u0142ad dane z medi\u00f3w spo\u0142eczno\u015bciowych lub dane dobrowolnie przekazane, s\u0105 nara\u017ceni na manipulacje. Mo\u017ce to by\u0107 dokonane przez samego dostawc\u0119 danych lub osoby trzecie. Na przyk\u0142ad wiele fa\u0142szywych wiadomo\u015bci w mediach spo\u0142eczno\u015bciowych mo\u017ce by\u0107 generowanych, aby w jaki\u015b spos\u00f3b wp\u0142yn\u0105\u0107 na indeks statystyczny obliczany na podstawie tych danych, je\u015bli wiadomo, \u017ce indeks jest obliczany na podstawie takich danych.<\/p>\n<p>W przypadku dobrowolnie przekazanych danych mo\u017ce by\u0107 tak, \u017ce ochotnicy reprezentuj\u0105 okre\u015blon\u0105 grup\u0119 interes\u00f3w z okre\u015blon\u0105 agend\u0105.<\/p>\n<h4>5.3.2. Prawdopodobie\u0144stwo<\/h4>\n<p>\nDla danych, kt\u00f3rych manipulacja mo\u017ce przynie\u015b\u0107 znaczne korzy\u015bci, prawdopodobie\u0144stwo jest wy\u017csze. Mog\u0105 to by\u0107 dane, dla kt\u00f3rych statystyki s\u0105 interesuj\u0105ce, na przyk\u0142ad rynek akcji. W \u015bwietle niedawnych skandali zwi\u0105zanych z LIBOR i Forex, mo\u017cna za\u0142o\u017cy\u0107, \u017ce tak d\u0142ugo, jak istnieje motywacja, pr\u00f3by manipulacji danymi b\u0119d\u0105 prawdopodobne.<\/p>\n<p>Aby zrozumie\u0107 statystyki oparte na dobrowolnie przekazanych danych, wystarczy spojrze\u0107 na niedawn\u0105 praktyk\u0119 PR rekrutacji os\u00f3b, kt\u00f3re udaj\u0105, \u017ce maj\u0105 okre\u015blon\u0105 opini\u0119 i s\u0105 p\u0142acone za publiczne wyra\u017canie jej (na przyk\u0142ad na forach internetowych), aby doj\u015b\u0107 do wniosku, \u017ce prawdopodobie\u0144stwo nie jest ma\u0142e. Og\u00f3lnie wydaje si\u0119, \u017ce liczba od 3 do 4 jest odpowiednia.<\/p>\n<h4>5.3.3. Wp\u0142yw<\/h4>\n<p>\nDu\u017cym problemem z manipulacjami jest to, \u017ce mog\u0105 one trwa\u0107 d\u0142ugo bez wykrycia. Je\u015bli manipulacje trwaj\u0105 przez d\u0142u\u017cszy czas, wp\u0142yw na jako\u015b\u0107 mo\u017ce by\u0107 znacz\u0105cy. Ponadto, szkody dla zaufania publicznego do oficjalnych statystyk r\u00f3wnie\u017c mog\u0105 by\u0107 du\u017cym zagro\u017ceniem, szczeg\u00f3lnie je\u015bli publicznie podkre\u015bla si\u0119 rol\u0119 urz\u0119d\u00f3w statystycznych jako dostawc\u00f3w jako\u015bciowych danych. Z drugiej strony, je\u015bli manipulacje zostan\u0105 wykryte na czas, a nast\u0119pnie opublikowane, mo\u017ce to faktycznie poprawi\u0107 postrzeganie publiczne. Z wyj\u0105tkiem ekstremalnie z\u0142ych przypadk\u00f3w, mo\u017cna za\u0142o\u017cy\u0107 maksymalny wp\u0142yw (3).<\/p>\n<h4>5.3.4. Profilaktyka<\/h4>\n<p>\nPrzeprowadzanie regularnych \u0107wicze\u0144 kontrolnych z alternatywnymi \u017ar\u00f3d\u0142ami jest jednym z mo\u017cliwych podej\u015b\u0107 profilaktycznych. Te alternatywne \u017ar\u00f3d\u0142a mog\u0105 by\u0107 tradycyjne lub inne. Wykorzystanie statystyki opartej na kombinacji \u017ar\u00f3de\u0142 mo\u017ce zapobiec znacz\u0105cym wp\u0142ywom manipulacji. W przypadkach, gdy obawiano si\u0119 manipulacji inicjowanych przez dostawc\u0119, umowy prawne mog\u0105 by\u0107 r\u00f3wnie\u017c jednym ze sposob\u00f3w zapobiegania takiej praktyce.<\/p>\n<h4>5.3.5. \u0141agodzenie<\/h4>\n<p>\nJe\u015bli chodzi o szkody dla relacji publicznych, \u015brodki \u0142agodz\u0105ce, kt\u00f3re powinny zosta\u0107 podj\u0119te w tym przypadku, niewiele r\u00f3\u017cni\u0105 si\u0119 od dzia\u0142a\u0144 w przypadku jakiegokolwiek kryzysu.<\/p>\n<p>Z punktu widzenia jako\u015bci danych by\u0142oby pomocne, gdyby dane z przesz\u0142o\u015bci mog\u0142y by\u0107 poprawione w taki spos\u00f3b, aby nawet z du\u017cym op\u00f3\u017anieniem mo\u017cliwa by\u0142a poprawna seria.<br \/>\nSprowadza si\u0119 to do regularnego benchmarkingu. Nale\u017cy zauwa\u017cy\u0107, \u017ce celem analizy por\u00f3wnawczej w tym przypadku r\u00f3\u017cni si\u0119 nieco od celu zapobiegania. W przypadku zapobiegania wa\u017cne jest szybkie zauwa\u017cenie i zbadanie podejrzanego rozbie\u017cno\u015bci mi\u0119dzy danymi testu referencyjnego a BDS. Aby z\u0142agodzi\u0107 skutki, zawsze przydatne s\u0105 stare przydatne dane.<\/p>\n<p>Ponadto nale\u017cy zadba\u0107 o to, aby w przysz\u0142o\u015bci nie dosz\u0142o do podobnych manipulacji \u2014 w szczeg\u00f3lnie delikatnych przypadkach mo\u017ce to oznacza\u0107 pozyskanie potencjalnie nadmiarowych danych od kilku dostawc\u00f3w do analizy por\u00f3wnawczej.<\/p>\n<h4>5.4. Negatywne postrzeganie spo\u0142eczne wykorzystania du\u017cych danych przez oficjaln\u0105 statystyk\u0119<br \/>\n5.4.1. Opis<\/h4>\n<p>\nMedia i opinia publiczna s\u0105 bardzo wra\u017cliwe na kwestie prywatno\u015bci i wykorzystania danych osobowych z du\u017cych \u017ar\u00f3de\u0142 danych, szczeg\u00f3lnie w kontek\u015bcie wt\u00f3rnego wykorzystania danych przez organy administracyjne, kt\u00f3re podejmuj\u0105 dzia\u0142ania administracyjne lub prawne wobec obywateli. Negatywnie postrzeganym wykorzystaniem mo\u017ce by\u0107 mierzenie pr\u0119dko\u015bci na podstawie analizy danych nawigacyjnych (11 Zob. <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 \/>\nKonkretny przypadek TomTom Netherlands spowodowa\u0142 znaczny spadek popytu na urz\u0105dzenia TomTom i doprowadzi\u0142 do decyzji firmy o ograniczeniu dost\u0119pu do danych. W tym konkretnym przypadku dane dotyczy\u0142y pojedynczych os\u00f3b, ale tak\u017ce poziom\u00f3w pr\u0119dko\u015bci na odcinkach dr\u00f3g.<\/p>\n<p>Jednak mog\u0105 istnie\u0107 aplikacje wykorzystuj\u0105ce big data, kt\u00f3re s\u0105 pozytywnie postrzegane przez spo\u0142ecze\u0144stwo. Przyk\u0142adem mog\u0105 by\u0107 aplikacje zapobiegaj\u0105ce przest\u0119pstwom, takim jak w\u0142amania, na podstawie danych z metod big data.<\/p>\n<p>Pozytywna, jak i negatywna opinia publiczna mo\u017ce znacz\u0105co wp\u0142yn\u0105\u0107 na wykorzystanie BDS w kontek\u015bcie produkcji oficjalnej statystyki.<\/p>\n<p>Negatywne postrzeganie spo\u0142eczne mo\u017ce skutkowa\u0107 tym, \u017ce:<\/p>\n<ul>\n<li>BDS nie b\u0119dzie ju\u017c dost\u0119pny dla urz\u0119d\u00f3w statystycznych, \u03b5\u03af\u03c4\u03b5 ze wzgl\u0119du na decyzje dostawcy danych, \u03b5\u03af\u03c4\u03b5 decyzje rz\u0105dowe o niewykorzystywaniu danych, albo<\/li>\n<li>wykorzystanie danych b\u0119dzie ograniczone, co mo\u017ce przeszkodzi\u0107 produkcji, je\u015bli okre\u015blone BOSP.<\/li>\n<\/ul>\n<p><\/p>\n<h4>5.4.2. Prawdopodobie\u0144stwo<\/h4>\n<p>\nCzynniki, kt\u00f3re mog\u0105 wp\u0142ywa\u0107 na prawdopodobie\u0144stwo takiego zdarzenia lub jego wp\u0142yw na produkcj\u0119 statystyk:<\/p>\n<ul>\n<li>poufno\u015b\u0107 danych, tzn. w jakim stopniu mo\u017cna \u0142atwo zidentyfikowa\u0107 osoby;<\/li>\n<li>zakres informacji, kt\u00f3re dane ujawniaj\u0105 o osobach fizycznych, na przyk\u0142ad zwi\u0119ksza si\u0119 poprzez \u0142\u0105czenie danych z r\u00f3\u017cnych \u017ar\u00f3de\u0142;<\/li>\n<li>typ danych, na przyk\u0142ad operacje finansowe s\u0105 postrzegane jako bardziej poufne ni\u017c inne dane;<\/li>\n<li>rodzaj potencjalnej czynno\u015bci, kt\u00f3ra mo\u017ce by\u0107 podj\u0119ta wobec obywateli, na przyk\u0142ad ukaranie os\u00f3b za przekroczenie pr\u0119dko\u015bci;<\/li>\n<li>niejednoznaczne \u015brodowisko prawne, w kt\u00f3rym dzia\u0142aj\u0105 dostawcy i u\u017cytkownicy danych, lub gdy warunki prawne s\u0105 sprzeczne z og\u00f3lnymi normami etycznymi spo\u0142ecze\u0144stwa;<\/li>\n<li>stopie\u0144 zale\u017cno\u015bci od okre\u015blonego \u017ar\u00f3d\u0142a danych w celu uzyskania statystyk; na etapie badawczym czynnik ten mo\u017ce mie\u0107 niewielkie znaczenie. Jednak mo\u017ce to znacznie wp\u0142yn\u0105\u0107 na uzyskiwanie statystyk na p\u00f3\u017aniejszym etapie i dlatego powinno by\u0107 r\u00f3wnie\u017c uwzgl\u0119dnione na etapie badawczym. Jednym z problem\u00f3w mo\u017ce by\u0107 to, \u017ce ostateczny zakres wykorzystania danych na pocz\u0105tku jest nieznany, poniewa\u017c \u017ar\u00f3d\u0142a danych mog\u0105 potencjalnie obs\u0142ugiwa\u0107 wi\u0119cej ni\u017c jeden obszar statystyczny.<\/li>\n<\/ul>\n<p>\nOcena czasu niepo\u017c\u0105danych zjawisk jest niemo\u017cliwa, poniewa\u017c mobilizacja opinii publicznej cz\u0119sto jest inicjowana przez nag\u0142o\u015bnienie zdarze\u0144 maj\u0105cych negatywny wp\u0142yw na obywateli. Niemniej jednak, w miar\u0119 jak coraz wi\u0119cej danych jest wykorzystywanych przez rz\u0105dy i przedsi\u0119biorstwa prywatne, a szczeg\u00f3lnie w wyniku aktywnego marketingu danych w celach innych ni\u017c te, kt\u00f3re doprowadzi\u0142y do ich pierwotnego zbierania, jest bardziej prawdopodobne, \u017ce takie zdarzenia b\u0119d\u0105 mia\u0142y miejsce.<\/p>\n<p>Zdarzenia, kt\u00f3re maj\u0105 znaczny wp\u0142yw na postrzeganie spo\u0142eczne, s\u0105 rzadkie, a raczej przypadkowe (3) i oddalone (2). Wraz ze zwi\u0119kszonym wykorzystaniem du\u017cych zbior\u00f3w danych prawdopodobie\u0144stwo r\u00f3wnie\u017c wzrasta.<\/p>\n<h4>5.4.3. Wp\u0142yw<\/h4>\n<p>\nWp\u0142yw zdarzenia w du\u017cej mierze zale\u017cy od czynnik\u00f3w om\u00f3wionych wcze\u015bniej. Og\u00f3lnie rzecz bior\u0105c, wp\u0142yw jest powa\u017cniejszy dla istniej\u0105cego systemu produkcji danych statystycznych, poniewa\u017c dzia\u0142anie mo\u017ce wymaga\u0107 przerwania. Wp\u0142yw zale\u017cy r\u00f3wnie\u017c od dost\u0119pno\u015bci alternatywnych \u017ar\u00f3de\u0142 danych, chocia\u017c mo\u017ce si\u0119 zdarzy\u0107, \u017ce spo\u0142eczne postrzeganie nie rozr\u00f3\u017cnia r\u00f3\u017cnych \u017ar\u00f3de\u0142 danych w przypadku materializacji zdarzenia. W obecnym stanie wykorzystywania du\u017cych zbior\u00f3w danych wydaje si\u0119, \u017ce te \u017ar\u00f3d\u0142a nie s\u0105 w stanie ca\u0142kowicie zast\u0105pi\u0107 tradycyjnych \u017ar\u00f3de\u0142 danych, lecz raczej uzupe\u0142niaj\u0105 istniej\u0105c\u0105 statystyk\u0119. To zmniejszy wp\u0142yw zdarze\u0144. Dlatego wp\u0142yw zdarzenia oceniany jest w przedziale od 2 (nieznaczny) do 3 (g\u0142\u00f3wny). Na etapie produkcji wp\u0142yw mo\u017ce wzrosn\u0105\u0107 do 4 (krytyczne znaczenie).<\/p>\n<h4>5.4.4. Profilaktyka<\/h4>\n<p>\n\u015arodkami profilaktycznymi mo\u017ce by\u0107 okre\u015blenie zasad etycznych dla du\u017cych zbior\u00f3w danych w oficjalnej statystyce. Etyczne zasady powinny opiera\u0107 si\u0119 na takich zasadach, jak kodeks praktyki dla europejskiej statystyki lub fundamentalne zasady oficjalnej statystyki (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>). Kolejnym krokiem b\u0119dzie okre\u015blenie strategii komunikacyjnej, kt\u00f3ra b\u0119dzie publikowa\u0107 wyniki etycznych zasad dla spo\u0142ecze\u0144stwa i mo\u017ce by\u0107 u\u017cywana do informowania zainteresowanych stron o etycznym wykorzystaniu BDS dla BOSP.<\/p>\n<p>Osobna ocena ryzyka dla konkretnego BDS mo\u017ce by\u0107 przeprowadzona w celu identyfikacji ryzyk i zaproponowania dzia\u0142a\u0144 profilaktycznych lub \u0142agodz\u0105cych na podstawie zasad etycznych. Osobna ocena ryzyka mo\u017ce r\u00f3wnie\u017c obejmowa\u0107 zainteresowane strony, takie jak agencje ochrony danych, aby zapewni\u0107 identyfikacj\u0119 wszystkich ryzyk i uzasadnienie dzia\u0142a\u0144.<\/p>\n<h4>5.4.5. \u0141agodzenie<\/h4>\n<p>\nStrategia komunikacyjna powinna r\u00f3wnie\u017c obejmowa\u0107 dzia\u0142ania w przypadku narastaj\u0105cego negatywnego nastawienia opinii publicznej. Oddzielna ocena ryzyka powinna zbiera\u0107 pozytywne przyk\u0142ady wykorzystania danych oraz \u015brodki zapobiegaj\u0105ce nadu\u017cyciom danych, kt\u00f3re mog\u0105 by\u0107 niezb\u0119dne na poziomie politycznym, a spo\u0142eczno\u015b\u0107 statystyczna mo\u017ce nie mie\u0107 efektywnego wp\u0142ywu na nie.<\/p>\n<h4>5.5. Utrata zaufania \u2013 uzyskana nie w wyniku obserwacji<br \/>\n5.5.1. Opis<\/h4>\n<p>\nU\u017cytkownicy oficjalnych statystyk zazwyczaj maj\u0105 wysok\u0105 pewno\u015b\u0107 co do dok\u0142adno\u015bci i rzetelno\u015bci danych statystycznych. Oparta jest na tym fakt, \u017ce produkcja danych statystycznych jest osadzona w solidnej i og\u00f3lnodost\u0119pnej metodologicznej bazie, a tak\u017ce w dokumentacji dotycz\u0105cej jako\u015bci produktu statystycznego. Ponadto, wi\u0119kszo\u015b\u0107 danych statystycznych oparta jest na obserwacjach, tzn. uzyskiwanych z bada\u0144 lub spis\u00f3w ludno\u015bci, kt\u00f3re ustalaj\u0105 \u0142atwo zrozumia\u0142\u0105 relacj\u0119 mi\u0119dzy obserwacj\u0105 a danymi statystycznymi. Wykorzystanie BDS, kt\u00f3re nie s\u0105 zbierane w g\u0142\u00f3wnym celu statystyki, wi\u0105\u017ce si\u0119 z ryzykiem utraty tych relacji, a u\u017cytkownicy mog\u0105 straci\u0107 zaufanie do danych oficjalnych statystyk. Przyk\u0142ad zwi\u0105zany z ostatni\u0105 edycj\u0105 (2010 r.) spisu ludno\u015bci dotyczy tego, \u017ce w niekt\u00f3rych krajach dane statystyczne by\u0142y pozyskiwane przy u\u017cyciu kilku \u017ar\u00f3de\u0142 i modeli statystycznych. W niekt\u00f3rych przypadkach zainteresowane strony kwestionowa\u0142y dane statystyczne.<\/p>\n<h4>5.5.2. Prawdopodobie\u0144stwo<\/h4>\n<p>\nPrawdopodobie\u0144stwo wyst\u0105pienia ryzyka zale\u017cy od takich czynnik\u00f3w, jak z\u0142o\u017cono\u015b\u0107 modelu statystycznego \/ metodologicznego, wiarygodno\u015b\u0107 relacji mi\u0119dzy BSD a BOSP czy zgodno\u015b\u0107 z innymi danymi statystycznymi. Prawdopodobie\u0144stwo powinno mie\u015bci\u0107 si\u0119 w zakresie od 3 (przypadkowe) do 4 (prawdopodobne), co oznacza, \u017ce mo\u017ce si\u0119 zdarzy\u0107 kilkakrotnie lub cz\u0119sto.<\/p>\n<h4>5.5.3. Wp\u0142yw<\/h4>\n<p>\nWp\u0142yw powstania ryzyka w znacznej mierze b\u0119dzie zale\u017ca\u0142 od tego, czy NSO skutecznie udowodni\u0105 dok\u0142adno\u015b\u0107 i wiarygodno\u015b\u0107 danych statystycznych. W przypadku, gdy nie uda si\u0119 tego osi\u0105gn\u0105\u0107, konsekwencje w zakresie utraty zaufania mog\u0105 r\u00f3wnie\u017c dotkn\u0105\u0107 inne obszary statystyki, to znaczy wiarygodno\u015b\u0107 nie tylko niekt\u00f3rych danych statystycznych, ale tak\u017ce sam\u0105 organizacj\u0119. NSO strac\u0105 przewag\u0119 konkurencyjn\u0105 w stosunku do innych prywatnych organizacji dzia\u0142aj\u0105cych w tej dziedzinie.<\/p>\n<h4>5.5.4. Prewencja<\/h4>\n<p>\nDzia\u0142ania prewencyjne b\u0119d\u0105 polega\u0142y na opracowaniu i publikacji metodyki opartej na naukowych danych, kt\u00f3ra zostanie uznana przez spo\u0142eczno\u015b\u0107 naukow\u0105, wzbogaceniu danych metadanymi jako\u015bci, zapewnieniu sp\u00f3jno\u015bci BOSP z innymi danymi, oraz przeprowadzeniu rygorystycznej kontroli jako\u015bci.<\/p>\n<p>Zanim rozpocznie si\u0119 produkcj\u0119 statystyczn\u0105, BOSP m\u00f3g\u0142by zosta\u0107 opublikowany jako eksperymentalny, a zainteresowanym stronom zaleca\u0142oby si\u0119 kwestionowanie BOSP w celu potwierdzenia lub poprawy BOSP.<\/p>\n<h4>5.5.5. \u0141agodzenie<\/h4>\n<p>\nIstniej\u0105 dwa przypadki do rozr\u00f3\u017cnienia. W przypadku, gdy dane statystyczne s\u0105 kwestionowane, ale maj\u0105 wysok\u0105 \/ wystarczaj\u0105c\u0105 jako\u015b\u0107 (poprawne \/ dok\u0142adne), wystarczy\u0142oby wyja\u015bni\u0107 i przekaza\u0107 dane statystyczne spo\u0142eczno\u015bci, podaj\u0105c \u0142atwe do zrozumienia przyk\u0142ady.<\/p>\n<h2>6. Ryzyka zwi\u0105zane z umiej\u0119tno\u015bciami<\/h2>\n<p><\/p>\n<h4>6.1. Brak specjalist\u00f3w<br \/>\n6.1.1. Opis<\/h4>\n<p>\nAnaliza cyfrowych \u015blad\u00f3w pozostawionych przez ludzi w trakcie ich dzia\u0142alno\u015bci wymaga okre\u015blonych narz\u0119dzi analizy danych, kt\u00f3re obecnie nie s\u0105 najpowszechniejsze w oficjalnej statystyce. Po pierwsze, wykorzystanie danych po\u015brednich o dzia\u0142alno\u015bci ludzi zamiast bezpo\u015brednich ankiety wymaga stosowania modeli statystycznych i, w zwi\u0105zku z tym, umiej\u0119tno\u015bci wnioskowania i uczenia maszynowego. Po drugie, te cyfrowe zapisy sk\u0142adaj\u0105 si\u0119 z danych, kt\u00f3re cz\u0119sto nie maj\u0105 zwyczajowego formatu tabeli, typowego dla wynik\u00f3w bada\u0144, z wierszami odpowiadaj\u0105cymi jednostce statystycznej i kolumnami z konkretnymi cechami tych jednostek statystycznych. Cyfrowe \u015blady s\u0105 tak\u017ce przedstawiane w formie tekstu, d\u017awi\u0119ku, obrazu i wideo. Wyodr\u0119bnienie odpowiednich informacji statystycznych z tych rodzaj\u00f3w danych wymaga umiej\u0119tno\u015bci przetwarzania j\u0119zyka naturalnego, przetwarzania sygna\u0142u audio i przetwarzania obraz\u00f3w. Po trzecie, te \u017ar\u00f3d\u0142a danych maj\u0105 tendencj\u0119 do dostarczania masywnych zbior\u00f3w danych, kt\u00f3rych przetwarzanie wymaga dobrego zrozumienia metodologii oblicze\u0144 rozproszonych.<\/p>\n<p>Ryzyko braku ekspert\u00f3w polega na pozyskiwaniu danych z jednego z tych nowych du\u017cych \u017ar\u00f3de\u0142 danych, poniewa\u017c zarz\u0105dzanie statystyczne nie ma mo\u017cliwo\u015bci odpowiedniego przetwarzania i analizy tego z powodu braku niezb\u0119dnych umiej\u0119tno\u015bci w jego zespole.<\/p>\n<h4>6.1.2. Prawdopodobie\u0144stwo<\/h4>\n<p>\nPrawdopodobie\u0144stwo tego ryzyka b\u0119dzie zale\u017ca\u0142o od trzech czynnik\u00f3w: 1) konkretnych typ\u00f3w umiej\u0119tno\u015bci wymaganych dla ka\u017cdego typu \u017ar\u00f3d\u0142a wielkich danych oraz prawdopodobie\u0144stwa, \u017ce zarz\u0105dzanie statystyczne znajdzie mo\u017cliwo\u015b\u0107 zbadania takiego \u017ar\u00f3d\u0142a; 2) bie\u017c\u0105cej dost\u0119pno\u015bci niezb\u0119dnych umiej\u0119tno\u015bci w zarz\u0105dzaniu statystycznym; oraz 3) kultury organizacyjnej zarz\u0105dzania statystycznego.<\/p>\n<p>Je\u015bli chodzi o typy umiej\u0119tno\u015bci, kt\u00f3re mog\u0105 by\u0107 wymagane, nale\u017cy zauwa\u017cy\u0107, \u017ce nie wszystkie \u017ar\u00f3d\u0142a wymagaj\u0105 wszystkich powy\u017cej wymienionych umiej\u0119tno\u015bci. Niekt\u00f3re (np. dane z Google Trends) nie wymagaj\u0105 oblicze\u0144 rozproszonych, poniewa\u017c zosta\u0142y ju\u017c wst\u0119pnie przetworzone przez podmiot, kt\u00f3ry posiada dane, lub wymagaj\u0105 umiej\u0119tno\u015bci przetwarzania sygna\u0142\u00f3w, a w g\u0142\u00f3wnej mierze b\u0119d\u0105 potrzebowa\u0107 umiej\u0119tno\u015bci modelowania statystycznego. Niemniej jednak istnieje du\u017ce zr\u00f3\u017cnicowanie \u017ar\u00f3de\u0142 wielkich danych, dla wi\u0119kszo\u015bci z nich wymagane s\u0105 umiej\u0119tno\u015bci oblicze\u0144 rozproszonych, przetwarzania sygna\u0142\u00f3w oraz uczenia maszynowego. R\u00f3wnocze\u015bnie odpowiednie badanie tych cyfrowych \u015blad\u00f3w b\u0119dzie wymaga\u0142o przetwarzania kilku \u017ar\u00f3de\u0142. W ten spos\u00f3b istnieje du\u017ce prawdopodobie\u0144stwo, \u017ce du\u017ce \u017ar\u00f3d\u0142a danych, kt\u00f3re staj\u0105 si\u0119 dost\u0119pne do zarz\u0105dzania statystycznego, b\u0119d\u0105 wymaga\u0142y tych nietypowych umiej\u0119tno\u015bci, a prawdopodobie\u0144stwo tego ryzyka jest bardzo wysokie (5).<\/p>\n<p>Je\u015bli chodzi o aktualn\u0105 dost\u0119pno\u015b\u0107 niezb\u0119dnych umiej\u0119tno\u015bci, b\u0119dzie to zale\u017cne od konkretnego zarz\u0105dzania statystycznego. Nawet je\u015bli metodologia badania jest mniej powszechna ni\u017c metodologia ankiety, jest r\u00f3wnie\u017c stosowana w oficjalnej statystyce w niekt\u00f3rych dziedzinach. Dlatego, nawet je\u015bli mo\u017ce to wymaga\u0107 pewnej reorganizacji zasob\u00f3w ludzkich, zarz\u0105dzania statystyczne mog\u0105 znale\u017a\u0107 rozwi\u0105zanie w\u0142asnymi si\u0142ami. Co do umiej\u0119tno\u015bci oblicze\u0144 rozproszonych, kt\u00f3re g\u0142\u00f3wnie zwi\u0105zane s\u0105 z IT, b\u0119d\u0105 one zale\u017cne od tego, jak zarz\u0105dzana jest infrastruktura IT w organizacji. W zale\u017cno\u015bci od tego, jak bardzo dzia\u0142 IT stoi z boku, rozwi\u0105zania mog\u0105 by\u0107 znalezione w kontek\u015bcie istniej\u0105cych um\u00f3w. Niemniej jednak umiej\u0119tno\u015bci przetwarzania sygna\u0142\u00f3w oraz uczenia maszynowego zazwyczaj nie istniej\u0105 w wi\u0119kszo\u015bci oficjalnych zarz\u0105d\u00f3w statystycznych, a zastosowanie tych umiej\u0119tno\u015bci nie mo\u017ce by\u0107 outsourcowane, poniewa\u017c musz\u0105 by\u0107 stosowane przez ekspert\u00f3w w dziedzinie statystyki. W zwi\u0105zku z tym, z tego punktu widzenia, prawdopodobie\u0144stwo tego ryzyka r\u00f3wnie\u017c wydaje si\u0119 bardzo wysokie (5).<\/p>\n<p>Kultura organizacyjna r\u00f3wnie\u017c wp\u0142ynie na prawdopodobie\u0144stwo tego ryzyka. Posiadanie personelu gotowego do nabywania niezb\u0119dnych umiej\u0119tno\u015bci poprzez samokszta\u0142cenie mo\u017ce da\u0107 organizacji mo\u017cliwo\u015b\u0107 reakcji na sytuacj\u0119 z nowym \u017ar\u00f3d\u0142em danych, wymagaj\u0105cym umiej\u0119tno\u015bci r\u00f3\u017cni\u0105cych si\u0119 od typowych. To b\u0119dzie zale\u017ca\u0142o od kultury zarz\u0105dzania statystycznego, a mianowicie od tego, czy b\u0119dzie ona zach\u0119ca\u0107 pracownik\u00f3w do nauki nowych umiej\u0119tno\u015bci i czy daje im czas na samodzielne uczenie si\u0119.<\/p>\n<p>W zwi\u0105zku z tym prawdopodobie\u0144stwo, \u017ce zarz\u0105dzanie statystyczne nie b\u0119dzie w stanie przetwarza\u0107 i analizowa\u0107 nowych \u017ar\u00f3de\u0142 danych z powodu braku umiej\u0119tno\u015bci u swoich pracownik\u00f3w, b\u0119dzie mi\u0119dzy prawdopodobnym (4) a cz\u0119stym (5), w zale\u017cno\u015bci od kultury samokszta\u0142cenia organizacji.<\/p>\n<h4>6.1.3. Wp\u0142yw<\/h4>\n<p>\nZarz\u0105dzanie statystyczne, kt\u00f3re nie jest w stanie przetwarza\u0107 i analizowa\u0107 du\u017cych \u017ar\u00f3de\u0142 danych z powodu braku umiej\u0119tno\u015bci u swoich pracownik\u00f3w, mo\u017ce mie\u0107 dwa mo\u017cliwe negatywne konsekwencje: 1) \u017ar\u00f3d\u0142o danych nie zostanie zbadane, przynajmniej nie w pe\u0142ni; 2) \u017ar\u00f3d\u0142o zostanie niew\u0142a\u015bciwie wykorzystane.<\/p>\n<p>Brak mo\u017cliwo\u015bci pe\u0142nego zbadania potencja\u0142u cennego \u017ar\u00f3d\u0142a du\u017cych danych b\u0119dzie mia\u0142 niewielki wp\u0142yw (2) w kr\u00f3tkim okresie, poniewa\u017c zarz\u0105dzania statystyczne rzeczywi\u015bcie dysponuj\u0105 narz\u0119dziami statystycznymi, aby zaspokoi\u0107 bie\u017c\u0105ce potrzeby. Jednak w d\u0142u\u017cszej perspektywie (a by\u0107 mo\u017ce nawet w \u015brednim okresie) konsekwencje utraty tej mo\u017cliwo\u015bci b\u0119d\u0105 mia\u0142y decyduj\u0105ce znaczenie (4), poniewa\u017c zarz\u0105dzania statystyczne coraz cz\u0119\u015bciej staj\u0105 w obliczu konkurencji prywatnych dostawc\u00f3w, kt\u00f3rzy nie maj\u0105 takiej samej struktury instytucjonalnej, kt\u00f3ra pozwoli\u0142aby im zapewni\u0107 spo\u0142ecze\u0144stwu niezale\u017cno\u015b\u0107 danych statystycznych.<\/p>\n<p>Jednak niew\u0142a\u015bciwe wykorzystanie \u017ar\u00f3d\u0142a mo\u017ce mie\u0107 niezwykle negatywne konsekwencje dla urz\u0119d\u00f3w statystycznych, poniewa\u017c oficjalna statystyka w du\u017cej mierze polega na swojej reputacji w realizacji swojej misji. Niemniej jednak mo\u017cemy stwierdzi\u0107, \u017ce najwa\u017cniejsz\u0105 umiej\u0119tno\u015bci\u0105, kt\u00f3rej brak mo\u017ce prowadzi\u0107 do uzyskania b\u0142\u0119dnych wynik\u00f3w, jest wnioskowanie statystyczne, a szczeg\u00f3lnie wnioskowanie oparte na modelu, kt\u00f3re r\u00f3wnie\u017c jest najmniej prawdopodobne, aby go zabrak\u0142o. Dlatego oczekiwany wp\u0142yw b\u0119dzie raczej krytyczny (4) ni\u017c ekstremalny.<\/p>\n<h4>6.1.4. Zapobieganie<\/h4>\n<p>\nUrz\u0119dy statystyczne mog\u0105 aktywnie zapobiega\u0107 temu ryzyku na dwa sposoby: 1) szkolenie; oraz 2) rekrutacja.<\/p>\n<p>Urz\u0119dy statystyczne mog\u0105 zapewni\u0107 personelowi niezb\u0119dne umiej\u0119tno\u015bci, szczeg\u00f3\u0142owo okre\u015blaj\u0105c umiej\u0119tno\u015bci wymagane do wykorzystania du\u017cych \u017ar\u00f3de\u0142 danych w produkcji statystycznej, sporz\u0105dzaj\u0105c list\u0119 istniej\u0105cych umiej\u0119tno\u015bci personelu, identyfikuj\u0105c potrzeby w zakresie szkole\u0144, a nast\u0119pnie organizuj\u0105c kursy edukacyjne.<\/p>\n<p>Urz\u0119dy statystyczne mog\u0105 r\u00f3wnie\u017c rekrutowa\u0107 nowych pracownik\u00f3w posiadaj\u0105cych wymagane umiej\u0119tno\u015bci. Wydaje si\u0119, \u017ce ma to powa\u017cne ograniczenia, poniewa\u017c urz\u0119dy statystyczne nie b\u0119d\u0105 w stanie zrekrutowa\u0107 krytycznej liczby pracownik\u00f3w w sytuacji, gdy wykorzystanie du\u017cych \u017ar\u00f3de\u0142 danych stanie si\u0119 szeroko rozpowszechnione w wydziale, a nowym pracownikom nadal mo\u017ce zaj\u0105\u0107 kilka lat, aby osi\u0105gn\u0105\u0107 poziom do\u015bwiadczenia obecnych pracownik\u00f3w. Jednak przynajmniej niekt\u00f3rzy nowi pracownicy rekrutowani w ramach normalnej aktualizacji personelu mog\u0105 mie\u0107 umiej\u0119tno\u015bci zwi\u0105zane z big data.<\/p>\n<h4>6.1.5. \u0141agodzenie<\/h4>\n<p>\nW obliczu sytuacji, gdy nowe \u017ar\u00f3d\u0142a du\u017cych danych s\u0105 dost\u0119pne bez pracownik\u00f3w z wymaganymi umiej\u0119tno\u015bciami, urz\u0119dy statystyczne mog\u0105 z\u0142agodzi\u0107 negatywne skutki na dwa sposoby: 1) podwykonawstwo; oraz 2) wsp\u00f3\u0142praca.<\/p>\n<p>Statystyki zarz\u0105dzaj\u0105ce mog\u0105 zawiera\u0107 umowy na przetwarzanie danych i analiz\u0119 nowych \u017ar\u00f3de\u0142 du\u017cych danych z innymi organizacjami, kt\u00f3re \u015bwiadcz\u0105 te us\u0142ugi. Wydaje si\u0119, \u017ce jest to op\u0142acalne rozwi\u0105zanie, poniewa\u017c pojawia si\u0119 nowy sektor przedsi\u0119biorstw, kt\u00f3re specjalizuj\u0105 si\u0119 w przetwarzaniu takich danych. Jednak\u017ce rozwi\u0105zanie to wi\u0105\u017ce si\u0119 z pewnymi ryzykami, poniewa\u017c statystyki zarz\u0105dzaj\u0105ce b\u0119d\u0105 mia\u0142y mniejsz\u0105 kontrol\u0119 nad produkcj\u0105 potencjalnie wra\u017cliwych produkt\u00f3w statystycznych. Rozwi\u0105zanie to ma r\u00f3wnie\u017c wad\u0119, poniewa\u017c nie pozwala pracownikom statystyk zarz\u0105dzaj\u0105cych uczy\u0107 si\u0119 i zdobywa\u0107 niezb\u0119dne umiej\u0119tno\u015bci.<\/p>\n<p>Wsp\u00f3\u0142praca z innymi organizacjami, w kt\u00f3rych s\u0105 pracownicy o wymaganych umiej\u0119tno\u015bciach i kt\u00f3rzy s\u0105 tak\u017ce zainteresowani badaniem \u017ar\u00f3de\u0142 du\u017cych danych, wydaje si\u0119 bardziej obiecuj\u0105cym rozwi\u0105zaniem. Taka wsp\u00f3\u0142praca mo\u017ce przybiera\u0107 form\u0119 wsp\u00f3lnych projekt\u00f3w, w kt\u00f3rych pracownicy statystyk zarz\u0105dzaj\u0105cych i pracownicy innych organizacji b\u0119d\u0105 si\u0119 dzieli\u0107 swoimi wiedz\u0105 na r\u00f3wnych zasadach. Umo\u017cliwi\u0142oby to nie tylko zmniejszenie ryzyka niedoboru umiej\u0119tno\u015bci, ale tak\u017ce umo\u017cliwi\u0142oby pracownikom statystyk zarz\u0105dzaj\u0105cych zdobycie tych umiej\u0119tno\u015bci.<\/p>\n<h4>6.2. Utrata ekspert\u00f3w do innych organizacji<br \/>\n6.2.1. Opis<\/h4>\n<p>\nRyzyko to polega na tym, \u017ce statystyki zarz\u0105dzaj\u0105ce trac\u0105 sw\u00f3j personel na rzecz innych organizacji po tym, jak ci zdobyli umiej\u0119tno\u015bci zwi\u0105zane z du\u017cymi danymi.<\/p>\n<h4>6.2.2. Prawdopodobie\u0144stwo<\/h4>\n<p>\nPrawdopodobie\u0144stwo tego ryzyka b\u0119dzie zale\u017ca\u0142o od dw\u00f3ch czynnik\u00f3w: 1) istniej\u0105cych atrakcyjnych mo\u017cliwo\u015bci w organizacjach spoza oficjalnej statystyki; 2) warunk\u00f3w pracy w statystykach zarz\u0105dzaj\u0105cych.<\/p>\n<p>Je\u015bli chodzi o mo\u017cliwo\u015bci w organizacjach poza oficjalnymi statystykami, prawdopodobie\u0144stwo tego ryzyka wydaje si\u0119 realne (4). Istnieje wysokie zapotrzebowanie na osoby z umiej\u0119tno\u015bciami pracy z du\u017cymi danymi w sektorze prywatnym, a tak\u017ce w innych organizacjach sektora publicznego. Po nabyciu umiej\u0119tno\u015bci pracy z du\u017cymi danymi, oficjalne statystyki uzyskaj\u0105 przewag\u0119 konkurencyjn\u0105, b\u0119d\u0105c do\u015bwiadczonymi specjalistami w dziedzinie statystyki. Opr\u00f3cz specyficznych umiej\u0119tno\u015bci pracy z du\u017cymi danymi, innym organizacjom potrzebni s\u0105 specjali\u015bci ds. danych, maj\u0105cy bardziej tradycyjne umiej\u0119tno\u015bci, takie jak ocena potrzeb u\u017cytkownik\u00f3w i opracowywanie kluczowych wska\u017anik\u00f3w efektywno\u015bci (KPI), kt\u00f3re s\u0105 wsp\u00f3lne dla oficjalnych statystyk\u00f3w. Dodatkowo, oczekuje si\u0119, \u017ce pracownicy, kt\u00f3rzy b\u0119d\u0105 bardziej sk\u0142onni do nabywania nowych umiej\u0119tno\u015bci, b\u0119d\u0105 r\u00f3wnie\u017c bardziej otwarci na zmiany w karierze i odejd\u0105 z urz\u0119d\u00f3w statystycznych.<\/p>\n<p>Je\u015bli chodzi o warunki pracy w urz\u0119dach statystycznych, to b\u0119dzie to oczywi\u015bcie zale\u017ca\u0142o g\u0142\u00f3wnie od konkretnego biura. Niemniej jednak, urz\u0119d statystycznych w og\u00f3le wci\u0105\u017c oferuj\u0105 atrakcyjne mo\u017cliwo\u015bci zawodowe dla os\u00f3b z umiej\u0119tno\u015bciami ilo\u015bciowymi. Urz\u0119dy statystyczne oferuj\u0105 najszerszy zakres mo\u017cliwych dziedzin pracy i najwi\u0119kszy wyb\u00f3r danych do analizy. To w pewnym sensie zmniejszy prawdopodobie\u0144stwo, \u017ce urz\u0119d statystycznych strac\u0105 swoich pracownik\u00f3w z powodu nieprzewidzianych okoliczno\u015bci (3).<\/p>\n<h4>6.2.3. Wp\u0142yw<\/h4>\n<p>\nWp\u0142yw tego ryzyka b\u0119dzie taki sam, jak ryzyko braku personelu z odpowiednimi umiej\u0119tno\u015bciami w pierwszej kolejno\u015bci. W zwi\u0105zku z tym wp\u0142yw b\u0119dzie krytyczny (4), jak podano powy\u017cej.<\/p>\n<h4>6.2.4. Zapobieganie<\/h4>\n<p>\nWygl\u0105da na to, \u017ce jedynym sposobem, w jaki statystyczne urz\u0119dnictwa mog\u0105 zapobiec temu ryzykowi, jest zapewnienie atrakcyjnych warunk\u00f3w pracy dla swoich pracownik\u00f3w. Dotyczy to og\u00f3lnie ca\u0142ego personelu. Jednak w konkretnym przypadku, gdy pracownicy s\u0105 otwarci na nauk\u0119 nowych umiej\u0119tno\u015bci, a mianowicie umiej\u0119tno\u015bci zwi\u0105zanych z analiz\u0105 du\u017cych danych, warunki pracy mog\u0105 zosta\u0107 poprawione poprzez umo\u017cliwienie im dost\u0119pu do szkole\u0144, w kt\u00f3rych mog\u0105 rozwija\u0107 swoje zainteresowania zawodowe. Statystyczne urz\u0119dnictwa mog\u0105 r\u00f3wnie\u017c szczeg\u00f3lnie zwr\u00f3ci\u0107 uwag\u0119 na otwarto\u015b\u0107 na nowe innowacyjne projekty i pomys\u0142y zwi\u0105zane z nowymi \u017ar\u00f3d\u0142ami du\u017cych danych, pochodz\u0105cymi od statystyk\u00f3w pracuj\u0105cych w kilku dziedzinach statystyki. Wreszcie, zapobieganie utracie personelu na rzecz innych organizacji w obszarze ich umiej\u0119tno\u015bci pracy z du\u017cymi danymi b\u0119dzie zale\u017ca\u0142o od dobrej identyfikacji pracownik\u00f3w zdolnych i gotowych do pracy z takimi danymi oraz od zapewnienia dobrych mo\u017cliwo\u015bci ich rozwoju zawodowego.<\/p>\n<h4>6.2.5. \u0141agodzenie<\/h4>\n<p>\nRedukcja tego ryzyka zostanie podj\u0119ta w odniesieniu do ryzyka braku personelu z odpowiednimi umiej\u0119tno\u015bciami: 1) podwykonawstwo; oraz 2) wsp\u00f3\u0142praca.<\/p>\n<h2>7. Dyskusja<\/h2>\n<p>\nZ tej pierwszej analizy wynika, \u017ce niemo\u017cliwe jest ustalenie jednolitego prawdopodobie\u0144stwa lub wp\u0142ywu dla danego \u201eryzyka du\u017cych danych\u201d \u2014 zazwyczaj oba te wska\u017aniki w du\u017cym stopniu zale\u017c\u0105 od \u017ar\u00f3d\u0142a du\u017cych danych, a tak\u017ce od \u201eoficjalnej statystyki opartej na du\u017cych danych\u201d.<br \/>\nprodukt \u201e.<\/p>\n<p>W zwi\u0105zku z tym dochodzimy do wniosku, \u017ce logicznym nast\u0119pnych krokiem w tym kierunku by\u0142oby wprowadzenie szeregu mo\u017cliwych projekt\u00f3w pilota\u017cowych (z kt\u00f3rych ka\u017cdy obejmuje kombinacj\u0119 jednego lub wielu BDS\u00f3w i jednego lub wielu BDOS\u00f3w) jako punktu wyj\u015bcia i \u2013 dla ka\u017cdego takiego pilota \u2013 d\u0105\u017cy\u0107 do oceny prawdopodobie\u0144stwa i wp\u0142ywu ka\u017cdego ryzyka.<\/p>\n<p>W tym celu stoimy u progu uruchomienia ankiety dla zainteresowanych stron, staraj\u0105c si\u0119 oceni\u0107 oszacowanie OSC prawdopodobie\u0144stwa, wp\u0142ywu (i mo\u017cliwych dzia\u0142a\u0144 maj\u0105cych na celu zapobieganie \/ \u0142agodzenie skutk\u00f3w) w odniesieniu do szeregu mo\u017cliwych projekt\u00f3w pilota\u017cowych \u2013 oraz poprosi\u0107 OSC o propozycje dotycz\u0105ce ryzyk, kt\u00f3rych nie uwzgl\u0119dnili\u015bmy w tym dokumencie.<\/p>\n<p><b class=\"spoiler_title\">8. BIBLIOGRAFIA<\/b>UNECE (2014), \u201eZaproponowany ramowy system oceny jako\u015bci danych o wielkiej skali\u201d, materia\u0142y UNECE Big Data Quality Task Team, <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), \u201eJak du\u017ce s\u0105 dane o wielkiej skali? Badanie roli danych o wielkiej skali w oficjalnej statystyce\u201d, <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, i J. Arends-Toth, (2009), Lista kontrolna oceny jako\u015bci \u017ar\u00f3de\u0142 danych administracyjnych, Statistics Netherlands, Haga\/Heerlen <\/p>\n<p>Dorfman, Mark S. (2007), Wprowadzenie do zarz\u0105dzania ryzykiem (wyd. e), Cambridge, UK, Woodhead-Faulkner, s. 18, ISBN 0-85941-332-22)<\/p>\n<p>Eurostat (2014), \u201eProcedura akredytacji dla danych statystycznych z nieoficjalnych \u017ar\u00f3de\u0142\u201d w Analizie metodologii wykorzystania Internetu do zbierania danych o spo\u0142ecze\u0144stwie informacyjnym i innych statystykach, <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), \u201eProliferacja danych o wielkiej skali i jej konsekwencje dla oficjalnej statystyki oraz agencji statystycznych: wst\u0119pna analiza\u201d, OECD Digital Economy Papers, nr 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) \u201eWykorzystanie dowod\u00f3w aktywno\u015bci sieciowej do zwi\u0119kszenia aktualno\u015bci wska\u017anik\u00f3w oficjalnych statystyk\u201d, artyku\u0142 przedstawiony na konferencji 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>Nawet je\u015bli nie wspomniano wyra\u017anie o ryzykach, ten artyku\u0142 faktycznie dotyka wielu ryzyk zwi\u0105zanych z wykorzystaniem danych o aktywno\u015bci w sieci dla oficjalnych statystyk. Eurostat (2007), Podr\u0119cznik metod i narz\u0119dzi oceny jako\u015bci danych, <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>\u0179r\u00f3d\u0142o: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/494044\/\">habr.com<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u041f\u0440\u0435\u0434\u0438\u0441\u043b\u043e\u0432\u0438\u0435 \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0447\u0438\u043a\u0430 \u041c\u0430\u0442\u0435\u0440\u0438\u0430\u043b \u0437\u0430\u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043e\u0432\u0430\u043b \u043c\u0435\u043d\u044f, \u0432 \u043f\u0435\u0440\u0432\u0443\u044e \u043e\u0447\u0435\u0440\u0435\u0434\u044c \u0438\u0437-\u0437\u0430 \u0442\u0430\u0431\u043b\u0438\u0446\u044b \u043d\u0438\u0436\u0435: \u0421 \u0443\u0447\u0435\u0442\u043e\u043c \u0442\u043e\u0433\u043e, \u0447\u0442\u043e \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 (\u0430 \u0440\u043e\u0441\u0441\u0438\u0439\u0441\u043a\u0438\u0435, \u043d\u0430 \u0433\u0435\u043d\u0435\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u0443\u0440\u043e\u0432\u043d\u0435), \u043c\u044f\u0433\u043a\u043e \u0433\u043e\u0432\u043e\u0440\u044f, \u043d\u0435 \u043b\u044e\u0431\u044f\u0442 \u0432\u0441\u0435, \u0447\u0442\u043e \u043e\u0442\u043b\u0438\u0447\u0430\u0435\u0442\u0441\u044f \u043e\u0442 \u043b\u0438\u043d\u0435\u0439\u043d\u043e\u0439 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438, \u044d\u0442\u0438 \u043f\u0430\u0440\u043d\u0438 \u0443\u043c\u0443\u0434\u0440\u0438\u043b\u0438\u0441\u044c \u043f\u0440\u043e\u0442\u0430\u0449\u0438\u0442\u044c \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0438 \u0432 \u043f\u0430\u0440\u0430\u0431\u043e\u043b\u0438\u0447\u0435\u0441\u043a\u043e\u043c \u0432\u0438\u0434\u0435 \u0434\u043b\u044f \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f \u0441\u0442\u0435\u043f\u0435\u043d\u0438 \u0440\u0438\u0441\u043a\u0430 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f BigData \u0432 \u043e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0435. \u041c\u043e\u043b\u043e\u0434\u0446\u044b. \u0415\u0441\u0442\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u043e, \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 \u0434\u043e\u0431\u0430\u0432\u0438\u043b\u0438 \u0441\u0432\u043e\u0435 [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":75637,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[688],"tags":[],"class_list":["post-75636","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-administrirovanie"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.1.1 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u041f\u0440\u0435\u0434\u0438\u0441\u043b\u043e\u0432\u0438\u0435 \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0447\u0438\u043a\u0430 \u041c\u0430\u0442\u0435\u0440\u0438\u0430\u043b \u0437\u0430\u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043e\u0432\u0430\u043b \u043c\u0435\u043d\u044f, \u0432 \u043f\u0435\u0440\u0432\u0443\u044e \u043e\u0447\u0435\u0440\u0435\u0434\u044c \u0438\u0437-\u0437\u0430 \u0442\u0430\u0431\u043b\u0438\u0446\u044b \u043d\u0438\u0436\u0435:\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/pl\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.1.1\" \/>\n\t\t<meta property=\"og:locale\" content=\"pl_PL\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u0421\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u0440\u0438\u0441\u043a\u043e\u0432 \u0438 \u0440\u0435\u0448\u0435\u043d\u0438\u0439 \u043f\u0440\u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0438 BigData \u0434\u043b\u044f \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u044f \u043e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u041f\u0440\u0435\u0434\u0438\u0441\u043b\u043e\u0432\u0438\u0435 \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0447\u0438\u043a\u0430 \u041c\u0430\u0442\u0435\u0440\u0438\u0430\u043b \u0437\u0430\u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043e\u0432\u0430\u043b \u043c\u0435\u043d\u044f, \u0432 \u043f\u0435\u0440\u0432\u0443\u044e \u043e\u0447\u0435\u0440\u0435\u0434\u044c \u0438\u0437-\u0437\u0430 \u0442\u0430\u0431\u043b\u0438\u0446\u044b \u043d\u0438\u0436\u0435:\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/pl\/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\udd47Struktura ryzyk i rozwi\u0105za\u0144 przy u\u017cyciu BigData do pozyskiwania oficjalnej statystyki | ProHoster","description":"Wst\u0119p t\u0142umacza Materia\u0142 zainteresowa\u0142 mnie przede wszystkim ze wzgl\u0119du na poni\u017csz\u0105 tabel\u0119:","canonical_url":"https:\/\/prohoster.info\/pl\/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":"pl_PL","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u0421\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u0440\u0438\u0441\u043a\u043e\u0432 \u0438 \u0440\u0435\u0448\u0435\u043d\u0438\u0439 \u043f\u0440\u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0438 BigData \u0434\u043b\u044f \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u044f \u043e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0438 | ProHoster","og:description":"\u041f\u0440\u0435\u0434\u0438\u0441\u043b\u043e\u0432\u0438\u0435 \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0447\u0438\u043a\u0430 \u041c\u0430\u0442\u0435\u0440\u0438\u0430\u043b \u0437\u0430\u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043e\u0432\u0430\u043b \u043c\u0435\u043d\u044f, \u0432 \u043f\u0435\u0440\u0432\u0443\u044e \u043e\u0447\u0435\u0440\u0435\u0434\u044c \u0438\u0437-\u0437\u0430 \u0442\u0430\u0431\u043b\u0438\u0446\u044b \u043d\u0438\u0436\u0435:","og:url":"https:\/\/prohoster.info\/pl\/blog\/administrirovanie\/strukturirovanie-riskov-i-reshenij-pri-ispolzovanii-bigdata-dlya-polucheniya-oficzialnoj-statistiki","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2020-03-27T05:42:42+00:00","article:modified_time":"2020-03-27T05:42:42+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"75636","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":null,"breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 17:53:27","updated":"2022-09-28 07:15:59","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/posts\/75636","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/comments?post=75636"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/posts\/75636\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/media\/75637"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/media?parent=75636"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/categories?post=75636"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/tags?post=75636"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}