📁 🦂 ↔️ आधिकारिक आंकड़ों के लिए बिगडेटा का उपयोग करते समय जोखिम और निर्णयों की संरचना करना 🛢️ 🤞🏾 🚲

अनुवादक की प्रस्तावना

सामग्री ने मुझे दिलचस्पी दी, मुख्य रूप से नीचे दी गई तालिका के कारण:

उस आंकड़े (और आनुवंशिक स्तर पर रूसी) को देखते हुए, इसे हल्के ढंग से रखने के लिए, रैखिक निर्भरता से भिन्न हर चीज को पसंद नहीं करते, ये लोग सक्रियण फ़ंक्शन के उपयोग के माध्यम से खींचने में कामयाब रहे। आधिकारिक आंकड़ों में बिगडाटा के उपयोग के जोखिम की डिग्री निर्धारित करने के लिए एक परवलयिक रूप में। बहुत बढ़िया। स्वाभाविक रूप से, सांख्यिकीविदों ने इस काम के लिए अपने नोट को जोड़ा - "1 कोई भी त्रुटि और चूक लेखकों की एकमात्र जिम्मेदारी है। इस दस्तावेज़ में व्यक्त की गई राय व्यक्तिगत हैं और जरूरी नहीं कि यूरोपीय आयोग की आधिकारिक स्थिति को दर्शाती हो। ” लेकिन काम प्रकाशित हुआ था। मुझे लगता है कि आज के लिए, यह पर्याप्त है, और उन्होंने (लेखकों ने) इन पहलुओं में अपने पैमानों को खोजने के लिए किसी को मना नहीं किया।

बिगडाटा के लिए अनुसंधान विधियों से अलग और कहां और कैसे सांख्यिकीय तरीके अलग हैं, इसके लिए कार्य को काफी संरचित किया जा सकता है। मेरी राय में, इस काम से सबसे बड़ा लाभ ग्राहक के साथ बात करने और उसके बयानों का खंडन करने के लिए होगा:

- और हम खुद आंकड़े एकत्र करते हैं, आप यहां और क्या शोध करना चाहते हैं?
- और आप अपने परिणाम हमारे सामने प्रस्तुत करें ताकि हम उन्हें अपने आँकड़ों के साथ समन्वित करें। इस प्रश्न में, लेखकों का कहना है कि इस काम को पढ़ना अच्छा होगा (3 कितना बड़ा डेटा है? आधिकारिक आंकड़ों में बिग डेटा की भूमिका की व्याख्या करना )

इस पत्र में, लेखकों ने जोखिम के स्तर के बारे में अपना दृष्टिकोण रखा। यह पैरामीटर कोष्ठक में है, स्रोतों के संदर्भ में भ्रमित होने की नहीं।

दूसरा अवलोकन। लेखक बीडीएस शब्द का उपयोग करते हैं - यह बिगडाटा की अवधारणा का एक एनालॉग है। (आधिकारिक आंकड़ों के लिए स्पष्ट रूप से उत्सुक)।

द्वारा प्रस्तावना

आधिकारिक आंकड़ों का उत्पादन करने के लिए बड़ी संख्या में सांख्यिकीय कार्यालय बड़े डेटा स्रोतों का उपयोग करने की संभावना तलाश रहे हैं। वर्तमान में, केवल कुछ उदाहरण हैं जहां ये स्रोत वास्तविक सांख्यिकीय उत्पादन में पूरी तरह से एकीकृत थे। नतीजतन, उनके एकीकरण के कारण होने वाले परिणामों की पूरी सीमा अभी तक ज्ञात नहीं है। इस बीच, सांख्यिकीय उत्पादन के विभिन्न पहलुओं, जैसे गुणवत्ता या कार्यप्रणाली पर बड़े डेटा की स्थितियों और प्रभाव का विश्लेषण करने का पहला प्रयास किया गया था। हाल ही में, टास्क फोर्स ने यूरोप के लिए संयुक्त राष्ट्र आर्थिक आयोग (यूएनईसीई) की बड़ी डेटा परियोजना के संदर्भ में बड़े डेटा आँकड़े बनाने के लिए एक गुणवत्ता रूपरेखा तैयार की है।यूरोपीय सांख्यिकी संहिता के अनुसार, उच्च गुणवत्ता वाले सांख्यिकीय जानकारी का प्रावधान सांख्यिकीय कार्यालयों का मुख्य कार्य है। चूंकि जोखिम को उद्देश्यों पर अनिश्चितता के प्रभाव के रूप में परिभाषित किया गया है (उदाहरण के लिए, अंतर्राष्ट्रीय मानकीकरण संगठन आईएसओ 31000), हमने गुणवत्ता माप के अनुसार जोखिमों को वर्गीकृत करने के लिए उपयुक्त पाया जो वे प्रभावित करते हैं।
बड़े डेटा स्रोतों से प्राप्त सांख्यिकीय डेटा की प्रस्तावित गुणवत्ता संरचना, सांख्यिकीय व्यावसायिक प्रक्रिया के सभी चरणों से जुड़ी गुणवत्ता का एक संरचित विचार प्रदान करती है, और इस प्रकार इन नए डेटा स्रोतों से जुड़े जोखिमों के व्यापक मूल्यांकन और प्रबंधन के लिए आधार के रूप में काम कर सकती है। यह नए गुणात्मक आयामों का परिचय देता है जो कि K (या उच्च महत्व के) के लिए विशिष्ट होते हैं, आधिकारिक आंकड़ों के लिए बड़े डेटा का उपयोग, जैसे संस्थागत / व्यावसायिक वातावरण या जटिलता। इन नए गुणात्मक मापों का उपयोग करके, आधिकारिक आंकड़ों में बड़े डेटा स्रोतों के उपयोग से जुड़े जोखिमों की अधिक व्यवस्थित रूप से पहचान करना संभव है।

इस पत्र में, हम आधिकारिक आंकड़ों के संदर्भ में बड़े डेटा के उपयोग से होने वाले जोखिमों की पहचान करना चाहते हैं। हम प्रस्तावित गुणवत्ता संरचना के संदर्भ में जोखिमों की पहचान करने के लिए एक व्यवस्थित दृष्टिकोण लेते हैं। नए प्रस्तावित गुणवत्ता मापों पर ध्यान केंद्रित करके, हम उन जोखिमों का वर्णन कर सकते हैं जो वर्तमान में अनुपस्थित हैं या आधिकारिक आंकड़ों के उत्पादन को प्रभावित नहीं करते हैं। उसी समय, हम वर्तमान जोखिमों को निर्धारित कर सकते हैं, जो आँकड़ों को प्राप्त करने के लिए बड़े डेटा का उपयोग करते समय पूरी तरह से अलग-अलग तरीकों से मूल्यांकन किया जाएगा। फिर हम जोखिम प्रबंधन चक्र पर आगे बढ़ते हैं और इन जोखिमों की संभावना और प्रभाव का आकलन करते हैं। चूँकि जोखिम के आकलन में उनके अटेंशन में अंतरंगता शामिल है, विभिन्न जोखिमों पर संभावना और प्रभाव, हम दर्जनों विभिन्न हितधारकों के बीच समझौते को मापते हैं:स्वतंत्र रूप से प्रदान किया गया। फिर हम चार मुख्य श्रेणियों में इन जोखिमों को कम करने के लिए विकल्प प्रदान करते हैं: परिहार, कटौती, साझाकरण और प्रतिधारण। आईएसओ के अनुसार, जोखिम प्रबंधन के सिद्धांतों में से एक मूल्य का निर्माण होना चाहिए, अर्थात, जोखिम को कम करने के लिए संसाधन निष्क्रियता की तुलना में कम होना चाहिए। इस सिद्धांत के अनुसार, हम आधिकारिक आंकड़ों के लिए बिग डेटा के उपयोग के अधिक व्यापक मूल्यांकन पर पहुंचने के लिए अंतिम परिणामों की गुणवत्ता पर कुछ जोखिम शमन उपायों के संभावित प्रभाव का मूल्यांकन करेंगे।जोखिम प्रबंधन के सिद्धांतों में से एक मूल्य का निर्माण होना चाहिए, अर्थात, जोखिम को कम करने के संसाधन निष्क्रियता के लिए कम होना चाहिए। इस सिद्धांत के अनुसार, हम आधिकारिक आंकड़ों के लिए बिग डेटा के उपयोग के अधिक व्यापक मूल्यांकन पर पहुंचने के लिए अंतिम परिणामों की गुणवत्ता पर कुछ जोखिम शमन उपायों के संभावित प्रभाव का मूल्यांकन करेंगे।जोखिम प्रबंधन के सिद्धांतों में से एक मूल्य का निर्माण होना चाहिए, अर्थात, जोखिम को कम करने के संसाधन निष्क्रियता के लिए कम होना चाहिए। इस सिद्धांत के अनुसार, हम आधिकारिक आंकड़ों के लिए बिग डेटा के उपयोग के अधिक व्यापक मूल्यांकन पर पहुंचने के लिए अंतिम परिणामों की गुणवत्ता पर कुछ जोखिम शमन उपायों के संभावित प्रभाव का मूल्यांकन करेंगे।

1। परिचय

1.1। पृष्ठभूमि

केनेथ नील कुकिर और विक्टर मेयर-स्कोनिबर्गर द्वारा "बिग डेटा" के विकास को उनके लेख "बिग बिग डेटा" (2. www.foreignaffairs.com/articles/139104/kenneth-neil-cukier-and-viktor-mayer-schoenberger/ में वर्णित किया गया था। therise के- बड़े डेटा ) शब्द आंकड़ा अंतरण के साथ। डेटाफिकेशन को "जीवन के सभी पहलुओं को लेने और उन्हें डेटा में बदलने की प्रक्रिया के रूप में वर्णित किया गया है।" उदाहरण के लिए। फेसबुक व्यक्तिगत नेटवर्क, सभी प्रकार की पर्यावरण स्थितियों के लिए सेंसर, व्यक्तिगत संचार और आंदोलनों के लिए स्मार्टफोन, व्यक्तिगत स्थितियों के लिए पहनने योग्य डेटा प्रदान करता है। यह लगभग सार्वभौमिक डेटा संग्रह और उपलब्धता की ओर जाता है।

कई अन्य क्षेत्रों की तरह, आधिकारिक आंकड़ों ने हाल ही में रणनीतिक स्तर पर बड़ी डेटा समस्या पर चर्चा शुरू की है। आगे की राह की अभी भी कोई आम और व्यापक समझ नहीं है, चाहे वह चुनौती हो या अवसर, चाहे वह छोटा हो या बड़ा, आदि। सांख्यिकीय उत्पादन और सेवाओं के आधुनिकीकरण पर उच्च-स्तरीय समूह के हिस्से के रूप में (3 बिग डेटा कितना बड़ा है? आधिकारिक आंकड़ों में बड़ा डेटा: www1.unece.org/stat/platform/download/attachments/99484307/Virtual%20Sprint%20Big%20Data%20paper.docx???==&95&codificationDate=1395217470975&api=v2), क्रूड रिस्क / बेनिफिट एनालिसिस के बाद पहला SWOT विश्लेषण किया गया। यह नोट किया गया कि "एक व्यापक जोखिम विश्लेषण में संभावना और प्रभाव जैसे पहलू शामिल होंगे, और जोखिमों को कम करने और प्रबंधित करने के लिए रणनीतियों की पहचान करने के लिए भी विस्तार किया जा सकता है।"

हालाँकि यह दस्तावेज़ अभी भी एक पूर्ण जोखिम विश्लेषण से दूर है, लेकिन इसका लक्ष्य पहली संरचित समीक्षा बनाकर स्थिति को ठीक करना है। हम इस बात पर जोर देना चाहते हैं कि इस समीक्षा को आधिकारिक सांख्यिकीय समुदाय (ओएससी) के भीतर सामान्य चर्चा को उत्तेजित करने के लिए एक प्रारंभिक बिंदु के रूप में देखा जाना चाहिए।

1.2। क्षेत्र

यह लेख विशेष रूप से जोखिमों के लिए समर्पित है, न केवल फायदे, बल्कि ताकत और कमजोरियों, अवसरों और खतरों को छोड़कर। इसका मतलब यह है कि "निष्क्रियता के जोखिम" (उदाहरण के लिए, ओएससी अन्य प्रतिभागियों के साथ प्रतिस्पर्धा से बाहर हो जाएगा यदि यह आधुनिकीकरण नहीं है) गुंजाइश द्वारा कवर नहीं किया जाता है; बल्कि यह एक खतरा है। इसके बजाय, हम उन जोखिमों को उजागर करने की कोशिश कर रहे हैं जो (क) अगर OSC बड़े डेटा द्वारा प्रदान किए गए अवसरों का लाभ उठाता है और एक विशिष्ट "बड़े डेटा-आधारित आधिकारिक सांख्यिकी उत्पाद" (BOSP) को विकसित या सुधारना शुरू कर देता है; (बी) नए "साधारण व्यवसाय" के लिए जोखिम, यानी "बड़े डेटा" उत्पादन के आधार पर आधिकारिक आंकड़ों के लिए जोखिम। (चूँकि आधिकारिक आँकड़ों का सभी उत्पादन जोखिमों से जुड़ा होता है, इसलिए हम ख़ुद को बिग डेटा के लिए ख़तरे में सीमित कर देते हैं, अर्थातजोखिम जो मौजूद नहीं हैं या आधिकारिक आंकड़ों को इकट्ठा करने की "पारंपरिक" प्रक्रिया के लिए महत्वहीन हैं।)

1.3। संरचना

अनुभाग 2 में, हम इस कार्य से जुड़े बुनियादी सिद्धांतों को प्रस्तुत करते हैं, जो जोखिम प्रबंधन और जोखिम प्रबंधन के लिए स्पष्ट रूप से आवश्यक रूपरेखा के साथ शुरू होते हैं (खंड 2.1)। हम बड़े डेटा (धारा 2.2) के आधार पर प्राप्त सांख्यिकीय आंकड़ों के लिए एक प्रारंभिक गुणवत्ता संरचना भी प्रस्तुत करते हैं, क्योंकि गुणवत्ता संरचना को जोखिमों से जोड़ना दो लक्ष्यों को पूरा करता है:

यह जोखिमों की पहचान करने के लिए संदर्भ निर्धारित करता है। कुछ गुणवत्ता संकेतक, विचार किए गए विशेषताओं के साथ, वस्तु के मूल्यों को व्यक्त करते हैं, जिन्हें ग्राहकों और उपयोगकर्ताओं को सेवाओं के प्रावधान के लिए महत्वपूर्ण और महत्वपूर्ण माना जाता है।
यह आपको गुणात्मक माप के लिए विशिष्ट जोखिमों को निर्दिष्ट करने की अनुमति देता है जो सामान्य हाइपरस्पेस में एम्बेडेड होते हैं और सांख्यिकीय उत्पादों के उत्पादन में कुछ चरणों से बंधे होते हैं।

धारा 3, 4, 5 और 6 में, हम विभिन्न संदर्भों में अब तक पहचाने गए जोखिमों को प्रस्तुत करते हैं (4 ईएसएस के व्यावसायिक मामले के दस्तावेज (https://www.europeansocialsurvey.org/about/structure_and_governance.html) बिग डेटा प्रोजेक्ट के रूप में साथ ही बिग डेटा ईसेट्स में परियोजना से संबंधित आंशिक रूप से और सांख्यिकीय उद्देश्यों के लिए बड़े डेटा स्रोतों का उपयोग करने के लिए आंशिक रूप से जोखिमों की एक सूची शामिल है। दस्तावेज़ "ए बिग डेटा की गुणवत्ता के लिए एक सुझाव दिया फ्रेमवर्क" गुणवत्ता आयामों से संबंधित कुछ जोखिमों का उल्लेख करता है ।/ ESS बिग डेटा प्रोजेक्ट व्यवसाय मामले के दस्तावेज़, साथ ही ESS बिग डेटा नेटवर्क में प्रोजेक्ट से संबंधित और आंशिक रूप से सांख्यिकीय उद्देश्यों के लिए बड़े डेटा स्रोतों का उपयोग करते हुए जोखिमों की एक सूची है। कुछ प्रस्तावित जोखिमों का उल्लेख "बड़े डेटा की गुणवत्ता के लिए प्रस्तावित संरचना" दस्तावेज़ में किया गया है। गुणवत्ता संकेतकों के साथ।)।यहां हम डेटा एक्सेस, कानूनी वातावरण, डेटा गोपनीयता और सुरक्षा के वर्गीकरण के साथ-साथ कौशल का उपयोग करते हैं; बड़े डेटा (धारा 2.2) से प्राप्त आंकड़ों की गुणवत्ता संरचना के अनुसार पुनर्गठन को तुरंत माना जाना चाहिए जैसे ही यह संरचना अधिक पूर्ण स्थिति तक पहुंच जाती है। प्रत्येक पहचाने गए जोखिमों के लिए, हम (i) संभावना और प्रभाव (धारा 2.1.3 के अनुसार) का आकलन प्रदान करते हैं और (ii) जोखिमों को कम करने और प्रबंधित करने के लिए रणनीतियों का प्रस्ताव करते हैं (धारा 2.1.4 देखें)।प्रत्येक पहचाने गए जोखिमों के लिए, हम (i) संभावना और प्रभाव (धारा 2.1.3 के अनुसार) का आकलन प्रदान करते हैं और (ii) जोखिमों को कम करने और प्रबंधित करने के लिए रणनीतियों का प्रस्ताव करते हैं (धारा 2.1.4 देखें)।प्रत्येक पहचाने गए जोखिमों के लिए, हम (i) संभावना और प्रभाव (धारा 2.1.3 के अनुसार) का आकलन प्रदान करते हैं और (ii) जोखिमों को कम करने और प्रबंधित करने के लिए रणनीतियों का प्रस्ताव करते हैं (धारा 2.1.4 देखें)।

अंत में, हम अपने निष्कर्षों पर चर्चा करते हैं और धारा 7 में कुछ अगले चरणों की रूपरेखा तैयार करते हैं।

2. मूल बातें

2.1। जोखिम और जोखिम प्रबंधन

आईएसओ 31000: 20095 के अनुसार, जोखिम को "लक्ष्यों पर अनिश्चितता के प्रभाव" के रूप में परिभाषित किया गया है। इसका मतलब यह है कि लक्ष्यों को परिभाषित किया जाना चाहिए या जोखिमों की पहचान करने से पहले जाना जाना चाहिए। ये लक्ष्य आमतौर पर संगठन के संस्थागत संदर्भ द्वारा निर्धारित किए जाते हैं। एक अन्य महत्वपूर्ण विचार यह है कि जोखिम अनिश्चितता का लक्षण वर्णन करते हैं, अर्थात यह स्पष्ट नहीं है कि वर्णित घटना घटित होगी या नहीं। इस प्रकार, जोखिम को घटना की घटना की संभावना और उसके परिणामों के संदर्भ में मापा जाता है, अर्थात्, इस घटना का उसके लक्ष्यों को प्राप्त करने पर प्रभाव। जोखिम मूल्यांकन को अधिक उद्देश्यपूर्ण जानकारी प्रदान करनी चाहिए, जो अंततः आपको लाभ के अवसरों की प्राप्ति और प्रतिकूल प्रभावों को कम करने के बीच सही संतुलन खोजने की अनुमति देगा।जोखिम प्रबंधन प्रबंधन अभ्यास का एक अभिन्न अंग है और अच्छे कॉर्पोरेट अभ्यास का एक महत्वपूर्ण तत्व है (6 सांख्यिकी कनाडा: 2014-2015 रिपोर्ट योजनाओं और प्राथमिकताओं पर,www.statcan.gc.ca/aboutapercu/rpp/2014-2015/s01p06-eng.htm )। यह एक पुनरावृत्त प्रक्रिया है जो आदर्श रूप से निर्णय लेने की प्रक्रिया में निरंतर सुधार की अनुमति देता है और उत्पादकता में निरंतर सुधार में योगदान देता है।

जोखिम भी गुणवत्ता से जुड़े हैं। एक गुणवत्ता प्रणाली के उपयोग को विभिन्न स्रोतों और तरीकों द्वारा प्रदान किए गए अवसरों के उपयोग को एक निश्चित स्तर की गुणवत्ता के परिणामस्वरूप प्राप्त करना चाहिए, इस अर्थ में कि यह परिणाम उपयोगकर्ताओं की आवश्यकताओं को पूरा करता है। जोखिमों की तरह, गुणवत्ता के स्तर को संस्थागत वातावरण और कुछ संस्थानों के लक्ष्यों से प्राप्त किया जा सकता है। इस संदर्भ में, संस्थागत वातावरण जोखिम के समग्र स्तर को निर्धारित करता है जिसे संगठन अपने लक्ष्यों को प्राप्त करने के लिए सहन करने के लिए तैयार है।

जोखिम मूल्यांकन और प्रबंधन प्रक्रिया को विभिन्न चरणों में विभाजित किया जा सकता है, जिसमें संदर्भ सेट करना, जोखिमों की पहचान करना, संभाव्यता और प्रभाव के संदर्भ में जोखिमों का विश्लेषण करना, जोखिमों का आकलन करना और अंत में, जोखिमों को संसाधित करना शामिल है।

2.1.1। संस्थागत संदर्भ

पहले कदम के रूप में, एक रणनीतिक, संगठनात्मक और जोखिम प्रबंधन संदर्भ स्थापित करना आवश्यक है जिसमें बाकी की प्रक्रिया होगी। इसमें मानदंड स्थापित करना शामिल है जिसके द्वारा जोखिमों का आकलन किया जाएगा, और विश्लेषण की संरचना का निर्धारण किया जाएगा।

2.1.2। जोखिम की पहचान

दूसरे चरण में, लक्ष्यों की उपलब्धि को प्रभावित करने वाली घटनाओं की पहचान की जानी चाहिए। पहचान में जोखिम के प्रकार, घटना के समय, स्थान, या घटनाओं को कैसे रोका जा सकता है, बिगड़ सकता है, लक्ष्यों की उपलब्धि में सुधार या सुधार हो सकता है।

2.1.3। जोखिम आकलन

अगला कदम संभाव्यता के साथ-साथ संभावित परिणामों के संदर्भ में मौजूदा नियंत्रण और जोखिम विश्लेषण की पहचान करना है। इस लेख के संदर्भ में, जोखिम की घटना की संभावना या संभावना 1 के पैमाने का उपयोग करती है (संभावनाहीन) से 5 (अक्सर)। घटनाओं के प्रभाव को 1 (नगण्य) के पैमाने पर 5 (चरम) पर मापा जाता है। जैसा कि तालिका 1 में दिखाया गया है, संभाव्यता और प्रभाव के उत्पाद का 1 से 25 तक का "जोखिम स्तर" है।

संभावित जोखिम और प्रतिकूल परिणामों के बीच संतुलन बनाने के लिए अनुमानित जोखिम स्तरों की तुलना पूर्वनिर्धारित मानदंडों से की जा सकती है। यह आपको प्रबंधन प्राथमिकताओं के बारे में निर्णय लेने की अनुमति देता है।

कार्रवाई के लिए प्राथमिकता को महत्वपूर्ण जोखिमों पर रखा जाना चाहिए (तालिका 2 देखें), अर्थात, वे हो सकते हैं और संगठन के लक्ष्यों के लिए गंभीर या चरम परिणाम हो सकते हैं।

2.1.4। जोखिम की प्रतिक्रिया

अंतिम चरण में जोखिमों पर प्रतिक्रिया करने के तरीके पर निर्णय शामिल हैं। कुछ जोखिम जो पूर्व निर्धारित जोखिम स्तर से नीचे हैं, उन्हें अनदेखा या सहन किया जा सकता है। दूसरों के लिए, जोखिम शमन की लागत इतनी अधिक हो सकती है कि वे संभावित लाभों से आगे निकल जाएं। इस मामले में, संगठन संबंधित गतिविधियों को छोड़ने का निर्णय ले सकता है। जोखिमों को तीसरे पक्ष को भी हस्तांतरित किया जा सकता है, जैसे कि बीमा, जो किए गए लागतों के लिए क्षतिपूर्ति करता है। अंतिम विकल्प उन जोखिमों को ध्यान में रखना है जो संभावित लाभों के साथ लागत और संतुलन को परिभाषित करने वाली रणनीतियों और कार्यों को परिभाषित करते हैं। इस प्रकार, संगठन लाभ को अधिकतम करने और संभावित लागतों को कम करने के लिए रणनीतियों के कार्यान्वयन पर फैसला करेगा।

2.2। गुणवत्ता प्रणाली

कार्य बल, राष्ट्रीय और अंतर्राष्ट्रीय सांख्यिकीय संगठनों के प्रतिनिधियों से बना है, जो 2014 में बड़े डेटा से प्राप्त आँकड़ों के लिए एक प्रारंभिक गुणवत्ता ढांचे के रूप में विकसित हुआ है। टास्क फोर्स ने यूएनईसीई / एचएलजी परियोजना "सांख्यिकीय उत्पादन के आधुनिकीकरण में बड़े आंकड़ों की भूमिका" के तत्वावधान में काम किया। उन्होंने प्रशासनिक डेटा स्रोतों से आँकड़ों का मूल्यांकन करने के लिए डिज़ाइन किए गए मौजूदा गुणवत्ता प्रणालियों का विस्तार किया, जिनमें गुणवत्ता संकेतक बड़े डेटा स्रोतों के लिए प्रासंगिक माने जाते थे।

इस प्रणाली के भीतर, एक व्यापार प्रक्रिया के तीन चरणों के बीच एक अंतर किया जाता है: इनपुट, उत्पादकता और आउटपुट। इनपुट चरण जीएसबीपी "डिज़ाइन" और "संग्रह" चरणों, "प्रक्रिया" और "विश्लेषण" चरणों के लिए प्रदर्शन से मेल खाती है, और आउटपुट "प्रचार" चरण के बराबर है।

संरचना एक पदानुक्रमित संरचना का उपयोग करती है, जिसे सांख्यिकी नीदरलैंड (7 Daas, P., S. Ossen, R. Vis-Visschers, और J. Arends-Toth, (2009) द्वारा विकसित प्रशासनिक डेटा संरचना से लिया गया था, गुणवत्ता के लिए जाँच सूची। प्रशासनिक डेटा स्रोतों का मूल्यांकन। सांख्यिकी नीदरलैंड, हेग / हेर्लेन)। गुणवत्ता के आयाम हाइपरस्पेस नामक एक पदानुक्रमित संरचना में एम्बेडेड हैं। तीन परिभाषित हाइपर आयाम "स्रोत", "मेटाडेटा" और "डेटा" हैं। गुणवत्ता माप इन हाइपर आयामों में एम्बेडेड होते हैं और उत्पादन के प्रत्येक चरण को सौंपा जाता है। इनपुट चरण के लिए, अतिरिक्त पहलुओं का प्रस्ताव किया गया था: "गोपनीयता और गोपनीयता", "जटिलता" (डेटा संरचना के अनुसार), "मेटाडेटा की पूर्णता" और "कनेक्टिविटी" (अन्य डेटा के साथ डेटा लिंक करने की क्षमता),मानक गुणवत्ता मॉडल में जोड़ने के लिए। प्रत्येक गुणवत्ता संकेतक के लिए, उनके विवरण से संबंधित कारक प्रस्तावित हैं, साथ ही संभव संकेतक भी।

इस लेख के संदर्भ में, इन कारकों से जोखिमों को बाहर रखा जा सकता है। उदाहरण के लिए, संस्थागत / व्यावसायिक पर्यावरण गुणवत्ता को मापने के लिए जिन कारकों पर विचार करने की आवश्यकता है, वे डेटा प्रदाता की स्थिरता हैं। संबंधित जोखिम यह हो सकता है कि डेटा भविष्य में डेटा प्रदाता से उपलब्ध नहीं होगा। एक अन्य उदाहरण गुणवत्ता, गोपनीयता और सुरक्षा के हाल ही में प्रस्तावित पहलू से संबंधित है। एक महत्वपूर्ण कारक "धारणा" है, जिसका अर्थ है विभिन्न हितधारकों द्वारा विशिष्ट डेटा स्रोतों के उपयोग के संभावित नकारात्मक धारणाएं।

3. डेटा एक्सेस से जुड़े जोखिम

3.1।
3.1.1 डेटा तक पहुंच का अभाव । विवरण

इस जोखिम में बीओएसपी के विकास से संबंधित एक परियोजना शामिल है जो आवश्यक बिग डेटा स्रोत (बीडीएस) तक पहुंच प्राप्त नहीं करती है।

आज तक, ओएससी ने कठिन तरीका सीखा है कि यहां तक कि शुरुआती ब्लॉकों से बाहर निकलना और यह पहुंच प्राप्त करना कभी-कभी एक दुर्गम बाधा है। कभी-कभी परीक्षण / अनुसंधान उद्देश्यों के लिए किसी विशिष्ट स्रोत, जैसे कॉल डेटा रिकॉर्ड (सीडीआर) को एक्सेस करना आसान होता है, लेकिन उत्पादन उद्देश्यों के लिए इसे एक्सेस करना (कानूनी या वाणिज्यिक कारणों से) बहुत कठिन है।

3.1.2। संभावना

संभावना काफी हद तक बीडीएस की विशेषताओं पर निर्भर है। जब बड़े प्रशासनिक आंकड़ों की बात आती है, तो यह 1 के रूप में कम हो सकता है, विशेष रूप से अगर (जैसा कि Daas et al। 8 Daas, P., M. Puts, B. Buelens और P. van denurk द्वारा अध्ययन किए गए ट्रैफ़िक लूप डेटा के साथ है। 2015 "आधिकारिक आंकड़ों के लिए एक स्रोत के रूप में बड़ा डेटा।" आधिकारिक सांख्यिकी 31 के जर्नल (2)। (आगे बढ़ना; जून 2015 के लिए प्रकाशन प्रकाशित।)) व्यक्तिगत डेटा की रक्षा करने में कोई समस्या नहीं है। यदि बीडीएस का मामला एक निजी व्यक्ति का है, विशेष रूप से यदि यह संवेदनशील है (उदाहरण के लिए, डेटा सुरक्षा के दृष्टिकोण से) या मूल्यवान (व्यावसायिक दृष्टिकोण से), तो संभावना बहुत अधिक हो सकती है (5)।

3.1.3। प्रभाव

प्रभाव बीओएसपी और बीडीएस का उपयोग करने के तरीके पर निर्भर करता है। यदि बीडीएस बहुत केंद्र में है, तो प्रभाव बहुत अधिक हो सकता है (4 = बीओएसपी का उत्पादन करना संभव नहीं है), जबकि यह कम हो सकता है अगर अन्य डीआरएम पर भरोसा करते हुए बीओएसपी (निम्न गुणवत्ता के साथ यद्यपि) का उत्पादन करना संभव है, जो आगे बढ़ता है 2-3 की सीमा में संपर्क करें।

3.1.4। निवारण

पहुंच की कमी के जोखिम को कम करने के लिए, आपको डेटा प्रदाता के साथ प्रारंभिक संपर्क स्थापित करना चाहिए और दीर्घकालिक डेटा एक्सेस समझौते में प्रवेश करना चाहिए। इसके अलावा, बीडीएस और बीओएसपी के विशिष्ट संयोजन के बारे में एक व्यापक कानूनी समीक्षा की जानी चाहिए। वर्तमान या भविष्य के कानून का उपयोग करके डेटा तक पहुंचने की संभावनाओं का भी आकलन किया जाना चाहिए।

3.1.5। मुलायम

यदि वैकल्पिक बीडीएस हैं जो बीओएसपी के लिए उपयोग किए जा सकते हैं, तो उन्हें इसके बजाय पता लगाया जा सकता है। यदि बीडीएस के बिना बीओएसपी का उत्पादन करने का कोई तरीका नहीं है, और यदि पहुंच की कमी को दूर करना असंभव है, तो प्रयासों को रोकना होगा और नए बीओएसपी को जारी नहीं किया जाएगा।

3.2। डेटा की पहुंच का नुकसान
3.2.1। विवरण

यह जोखिम यह है कि सांख्यिकीय कार्यालय बीडीएस अंतर्निहित BOSP खो रहा है।

3.2.2। संभावना

यदि बीओएसपी पहले से ही उत्पादित किया जा रहा है, तो आमतौर पर कुछ स्थिरता होती है, और कुछ मामलों में जोखिम बहुत कम (1) हो सकता है। हालांकि, विशेष रूप से, निजी संस्थाओं के मामले में जिनके साथ अपर्याप्त रूप से फर्म समझौते किए गए थे, उदाहरण के लिए, कुछ भी हस्तक्षेप नहीं करता है। डेटा रिपोर्टिंग नीतियों को बदलने से नया मार्गदर्शन, जिससे एक अंतराल (3) का मध्यम जोखिम होता है। इसके अलावा, अगर बीडीएस अस्थिर गतिविधियों से जुड़ा है, तो हमेशा एक जोखिम होता है कि प्रदाता बस दिवालिया हो जाएगा, और जोखिम और भी अधिक हो सकता है (4)।

3.2.3। प्रभाव

चूंकि मौजूदा बीओएसपी का निर्माण संभव नहीं है, इसलिए बहुत मजबूत प्रभाव अक्सर होता है (5)। अन्य मामलों में, जब बीडीएस सहायक होता है, तो प्रभाव 2-3 की सीमा में प्रभाव के साथ गुणवत्ता का नुकसान हो सकता है।

3.2.4। निवारण

रोकथाम की रणनीति डेटा तक पहुंच की कमी की रणनीति के समान है, लेकिन उत्पादन वातावरण में भी निरंतर सतर्कता पर जोर देने के साथ।

अपने सभी अंडों को एक टोकरी में न रखना (यानी प्रत्येक बीएसओपी में कई बीडीएस अंतर्निहित) भी एक रणनीति हो सकती है, लेकिन यह अव्यवहारिक या बहुत महंगा हो सकता है।

3.2.5। मुलायम

यदि बीडीएस अस्थिर गतिविधियों का परिणाम है, तो संभव है कि समान सामाजिक घटना को प्रतिबिंबित करने वाला एक नया बीडीएस धीरे-धीरे उपलब्ध हो सकता है। हालांकि, बीएसओपी के दुर्घटनाग्रस्त होते ही "मार्केट स्कैन" शुरू करने में बहुत देर हो जाएगी; निरंतर सतर्कता की आवश्यकता होगी - और इसे प्राप्त करना मुश्किल हो सकता है।

4. कानूनी जोखिम

4.1। प्रासंगिक कानून का अनुपालन करने में विफलता
4.1.1। विवरण

इस जोखिम में BOSP के विकास से संबंधित एक परियोजना शामिल है, जो संबंधित कानून को ध्यान में नहीं रखता है, जो निर्दिष्ट कानून के साथ BOSP को असंगत बनाता है। यह डेटा सुरक्षा कानून, प्रतिक्रिया के नियामक बोझ आदि पर लागू हो सकता है।

4.1.2। संभावना

ओएससी के बड़े डेटा की अनदेखी को देखते हुए, यह संभव है कि आकस्मिक (3) गैर-अनुपालन हो सकता है। संभावना आमतौर पर बीडीएस के साथ जुड़ी होती है, क्योंकि कम "संवेदनशील" स्रोत के बाद, बेमेल बनाने की संभावना कम होती है।

4.1.3। प्रभाव

प्रभाव आमतौर पर महत्वपूर्ण है (4) इस अर्थ में कि अनुचित उत्पादन के लिए बीओएसपी को रोकना आवश्यक होगा (या, यदि यह अभी तक कार्यान्वयन चरण तक नहीं पहुंचा है, तो इसका विकास रोक दिया जाना चाहिए)। यह चरम (5) भी हो सकता है, क्योंकि अनुचित ("अवैध") आधिकारिक आंकड़ों से उत्पन्न होने वाले प्रतिष्ठित जोखिमों के परिणाम हो सकते हैं

4.1.4। निवारण

किसी भी बीओएसपी के लिए, एक गहन कानूनी विश्लेषण आवश्यक है - और यह कई चरणों में होता है (जो विकास / अन्वेषण चरण में स्वीकार्य है, कार्यान्वयन / उत्पादन स्तर पर सही नहीं हो सकता है)। यह, बदले में, यह संगत बनाने के लिए बीओपीपी पुनर्रचना को जन्म दे सकता है।

4.1.5। मुलायम

विसंगति की गंभीरता के आधार पर, पहला कदम BOSP को ऑफलाइन लेना हो सकता है।

इसे संगत बनाने के लिए BOSP रीइंजीनियरिंग एक विकल्प हो सकता है, लेकिन क्या इस तरह से BOSP को "सेव" किया जाना बेमेल की प्रकृति पर बहुत अधिक निर्भर करता है।

4.2। कानूनी वातावरण में प्रतिकूल परिवर्तन
4.2.1। विवरण

बीओएसपी के विकास से संबंधित नया कानून पेश किया जा सकता है, जो प्रभावी रूप से बीओएसपी को असंगत बनाता है।

4.2.2। संभावना

यह संभव है कि बढ़ी हुई डेटा सुरक्षा के प्रस्तावक नई आवश्यकताओं को पेश करने में सक्षम होंगे जो प्रत्यक्ष या अप्रत्यक्ष रूप से विशिष्ट बीओएसपी बनाने की क्षमता को प्रभावित करते हैं। 2-3 की सीमा में संभावना एक यथार्थवादी अनुमान लगता है।

4.2.3। प्रभाव

एक्सपोजर आमतौर पर महत्वपूर्ण (4) है, इस अर्थ में कि अनुचित उत्पादन के लिए बीओएसपी शटडाउन की आवश्यकता होगी।

4.2.4। निवारण

कानून के विकास की निगरानी के लिए कुछ व्यावसायिक जानकारी नियमित रूप से आयोजित की जानी चाहिए - संभवतः इसे प्रभावित करने के लिए, प्रासंगिक (उदाहरण के लिए, सलाहकार) मंचों में आधिकारिक आंकड़ों के पक्ष में तर्क देते हुए।

4.2.5। मुलायम

बशर्ते कि सक्रिय निगरानी की गई हो, बीओपीपी पुनर्मिलन के लिए समय हो सकता है कि इसे लागू करने के पहले दिन से नए कानून के अनुरूप हो।

यदि, दूसरी ओर, निगरानी नहीं की गई थी, ताकि नया कानून "एक आश्चर्य के रूप में आया," या यदि कानून इतना कट्टरपंथी है कि बीओएसपी को असंगत बनाने का कोई तरीका नहीं है, तो एकमात्र विकल्प बीओएसपी को अक्षम करना होगा।

5. डेटा गोपनीयता और सुरक्षा से जुड़े जोखिम

5.1। डेटा सुरक्षा के उल्लंघन
5.1.1। विवरण

यह जोखिम सांख्यिकीय कार्यालयों में संग्रहीत डेटा के अनधिकृत उपयोग से संबंधित है। तीसरे पक्ष को डेटा प्राप्त हो सकता है, जो उदाहरण के लिए है, उदाहरण के लिए, शेड्यूल जारी करने के कारण (9 किसी भी बीओएसपी के लिए जो पूरी तरह से एकल बीडीएस पर आधारित है, यह अपरिहार्य है कि डेटा मूल डेटा स्वामी को ज्ञात होगा, और यदि कार्यप्रणाली पारदर्शी है, तो व्युत्पन्न आँकड़े भी हैं इस स्थिति को यहां संबोधित नहीं किया गया है, बल्कि मालिकों द्वारा आधिकारिक पद के दुरुपयोग के जोखिम पर है।) (10 इसके अलावा, यह डेटा गोपनीयता के उल्लंघन का जोखिम ले सकता है। इस जोखिम को अलग से माना जाएगा।) उदाहरण के लिए, यह वह डेटा हो सकता है जो निवेशक शेयर बाजार में उम्मीद करते हैं।

5.1.2। संभावना

सांख्यिकीय कार्यालय में आईटी पर्यावरण की रक्षा के तकनीकी पहलुओं के बारे में, बीडीएस के लिए पारंपरिक स्रोतों के लिए जोखिम उतना ही संभव है। हालांकि, दो अतिरिक्त पहलू हैं जिन पर विचार किया जाना चाहिए।

सबसे पहले, कुछ बीडीएस के साथ, इस तथ्य के कारण समग्र जोखिम थोड़ा बढ़ जाता है कि मूल मालिक की डेटा सुरक्षा से समझौता किया जा सकता है। यह, उदाहरण के लिए, औद्योगिक जासूसी या हैकिंग के कारण हो सकता है।

दूसरे, जैसे ही संभावित मूल्यवान डेटा कार्यालय में संग्रहीत किया जाता है, दुर्भावनापूर्ण इरादे को आकर्षित करने का जोखिम बढ़ जाएगा। यदि संग्रहीत डेटा व्यवसाय के लिए बहुत अधिक मूल्य का है, तो आपको आईटी इन्फ्रास्ट्रक्चर पर लक्षित हमलों की बहुत अधिक संभावना के लिए तैयार रहना चाहिए, इसलिए एक हैक की संभावना संभावित रूप से अधिक हो सकती है (4)।

यदि संग्रहीत डेटा को मान के रूप में नहीं माना जाता है, तो समग्र संभावना डेटा स्रोत के आधार पर (1) से (3) तक बहुत अधिक नहीं दिखाई देती है।

5.1.3। प्रभाव

आपकी प्रतिष्ठा को संभावित नुकसान महान (5) हो सकता है। बीडीएस के मामले में जो महत्वपूर्ण है वह यह है कि यदि सुरक्षा का उल्लंघन मूल मालिक के साथ होता है, तो सांख्यिकीय कार्यालय की प्रतिष्ठा पर प्रभाव की तुलना में कम होने की उम्मीद है यदि उल्लंघन इसमें संग्रहीत डेटा के साथ हुआ है।

दूसरी ओर, यह संभव है कि सांख्यिकीय कार्यालय में उल्लंघन के मूल स्वामी के लिए नकारात्मक परिणाम हो सकते हैं। इस मामले में, आपूर्तिकर्ता और सांख्यिकीय कार्यालय (5) के बीच विश्वास की दृष्टि से क्षति के कारण एक मजबूत नकारात्मक प्रभाव फिर से संभव है।

5.1.4। निवारण

बीडीएस मामले की विशेषता यह है कि मूल मालिक की सुरक्षा प्रक्रियाएं उपयुक्त हो सकती हैं। यह संभावना नहीं है कि सांख्यिकीय कार्यालयों के पास इसे नियंत्रित करने के लिए ऑडिट क्रेडेंशियल्स होंगे। मालिक जिनके डेटा का उपयोग गोपनीय प्रकाशन कार्यक्रम के साथ रिकॉर्ड बनाने के लिए किया जाता है, उन्हें अपने परिसर में संभावित सुरक्षा उल्लंघनों के आधिकारिक आंकड़ों के निहितार्थ के बारे में सूचित किया जाना चाहिए और एक आधिकारिक गारंटी प्राप्त करनी चाहिए कि उचित सुरक्षा प्रक्रियाएं लागू की जा रही हैं।

सांख्यिकीय कार्यालय पर मालिक के परिसर में एक सुरक्षा उल्लंघन के गंभीर प्रभाव को रोकने का एक सीधा तरीका एक ही उत्पाद के लिए कई स्रोतों का उपयोग करना है ताकि अंतिम आंकड़ा प्राप्त करने के लिए एक समझौता स्रोत पर्याप्त न हो। इस दृष्टिकोण का लाभ यह है कि अधिक नियंत्रण सांख्यिकीय कार्यालय के हाथों में है।

मूल डेटा स्वामी के लिए सांख्यिकीय कार्यालय में सुरक्षा उल्लंघन के नकारात्मक परिणामों को रोकने का तरीका काम करने का एक तरीका खोजना है जिसमें डेटा को स्थानांतरित करना शामिल नहीं है जो मालिक के कार्यालय के दृष्टिकोण से संभावित रूप से संवेदनशील है। कच्चे रूप में। एकत्रित डेटा का उपयोग करने के लिए एक संभावित निवारक दृष्टिकोण है। हालांकि, यह याद किया जाना चाहिए कि एकत्रीकरण के कुछ रूप, उदाहरण के लिए, जो आबादी के व्यक्तिगत सदस्यों की पहचान को रोकने के लिए डिज़ाइन किए गए हैं, इस मामले में उपयुक्त नहीं हो सकते हैं। इसका एक कारण यह तथ्य हो सकता है कि स्वामी के लिए जोखिम डेटा के वाणिज्यिक मूल्य से जुड़ा हुआ है, जो गुमनामी के बाद भी महत्वपूर्ण हो सकता है।

5.1.5। मुलायम

सांख्यिकीय कार्यालय द्वारा प्रबंधित डेटा के उल्लंघन के मामले में, शमन के उपाय पारंपरिक स्रोतों के मामले में उसी तरह होंगे, यदि मूल मालिक पर कोई नकारात्मक प्रभाव नहीं था।

मूल स्वामी के लिए नकारात्मक परिणामों की स्थिति में, सांख्यिकीय कार्यालय को अपनी सुरक्षा प्रक्रियाओं की समीक्षा और मजबूत करना चाहिए और इसके लिए अपनी प्रतिबद्धता को स्पष्ट रूप से संवाद और प्रदर्शित करना चाहिए।

यदि मूल स्वामी के परिसर में उल्लंघन हुआ है, तो संबंधित सांख्यिकीय कार्यालय को स्थिति पर स्पष्ट रूप से रिपोर्ट करनी चाहिए और स्वामी की सुरक्षा प्रक्रियाओं में सुधार करने पर जोर देना चाहिए। यदि आवश्यक हो, तो आप एक वैकल्पिक आपूर्तिकर्ता की तलाश कर सकते हैं।

5.2। डेटा गोपनीयता भंग

5.2.1। विवरण

यह एक जोखिम है कि सांख्यिकीय आबादी में से एक या अधिक व्यक्तियों की गोपनीयता का उल्लंघन किया जाएगा। यह अन्य सरकारी एजेंसियों के दबाव के कारण या बुनियादी ढांचे पर अपर्याप्त नियंत्रण के कारण आईटी बुनियादी ढांचे पर हमले के कारण हो सकता है।

5.2.2। संभावना

डेटा सुरक्षा उल्लंघनों के जोखिम के साथ, बीडीएस के अतिरिक्त के साथ माइक्रोडाटा भंडारण विनिर्देश बहुत अधिक नहीं बदलते हैं। हालांकि, यहां चेतावनी दी गई है।

कुछ डेटा स्रोतों से माइक्रोडाटा उच्च व्यावसायिक मूल्य का हो सकता है, इसलिए उन्हें संग्रहीत करने से हमलों की संभावना बढ़ जाएगी।

इसके अलावा, कुछ माइक्रोडाटा संभावित रूप से अन्य सरकारी एजेंसियों के लिए बहुत उपयोगी हो सकते हैं, जैसे कानून प्रवर्तन, कराधान या स्वास्थ्य सेवा। कुछ परिस्थितियों में, सांख्यिकीय गोपनीयता के सिद्धांत का पालन बहुत दबाव में आ सकता है।

सांख्यिकीय जानकारी के प्रकटीकरण के नियंत्रण में विफलताओं के लिए, पहले से ही एक स्थापित अभ्यास है। बीडीएस आबादी के छोटे उपसमूहों के लिए आंकड़ों का उत्पादन करने की अनुमति दे सकता है या विभिन्न बीडीएस से एकत्रित डेटा को लिंक करने की क्षमता प्रदान कर सकता है, जिससे जोखिम की संभावना बढ़ सकती है। इसके अलावा, नए स्रोतों, हालांकि, नए पद्धतिगत विकास की आवश्यकता होगी, इसलिए वास्तविक खतरा यह है कि प्रकटीकरण को नियंत्रित करने की पद्धति ठीक से अपडेट नहीं की गई है।

सामान्य तौर पर, उचित निवारक उपायों के साथ, संभावना को उचित स्तरों पर बनाए रखा जा सकता है, लेकिन चूंकि कई अलग-अलग और विविध कारक हैं, इसलिए यहां पर संबंधित आकलन से लगता है कि संभावना अधिक है (4)।

5.2.3। प्रभाव

आपकी प्रतिष्ठा को संभावित नुकसान महान (5) हो सकता है। डेटा ब्रीच के जोखिम के साथ, सांख्यिकीय कार्यालय में एक उल्लंघन के मूल स्वामी के लिए नकारात्मक परिणाम हो सकते हैं। यहां इस तरह के आयोजन का प्रभाव संभावित रूप से और भी अधिक हो सकता है, विशेषकर बशर्ते कि जनता की राय में वर्तमान रुझान जारी रहे। डेटा प्रदाता और सांख्यिकीय कार्यालय के बीच क्षति भी बहुत बड़ी होने की उम्मीद है।

5.2.4। निवारण

इस जोखिम को रोकने का एक अचूक तरीका यह है कि बीडीएस से माइक्रोडेटा बिल्कुल भी न लें (हालांकि अन्य माइक्रोडेटा को संचय करना एक अलग जोखिम होता है, हालांकि एक अलग संभावना और प्रभाव के साथ)। इस तरह, जैसा कि डेटा सुरक्षा उल्लंघन के जोखिम के मामले में होता है, इससे डेटा को उपयोग करने के लिए अन्य तरीकों को विकसित करने की आवश्यकता होगी। इसके अलावा, यहां स्रोतों की विभिन्न प्रकृति का मतलब होगा कि प्रतिस्पर्धात्मक लक्ष्यों के साथ नई कार्यप्रणाली विकसित करना आवश्यक होगा ताकि यथासंभव उपयोगी जानकारी निकाली जा सके और गोपनीयता को खतरे से बचाया जा सके।

माइक्रोडाटा भंडारण के मामले में, आईटी सुरक्षा और अभिगम नियंत्रण तंत्र आवश्यक स्तर पर होना चाहिए और लगातार निगरानी की जानी चाहिए। डेटा प्राप्त करने के नए तरीकों की सुरक्षा सुनिश्चित करने के लिए विशेष रूप से ध्यान दिया जाना चाहिए। विडंबना यह है कि यह नया तरीका भंडारण उपकरणों (जैसे हार्ड ड्राइव) का भौतिक परिवहन हो सकता है। यदि इस पद्धति का उपयोग किया जाता है, तो डिलीवरी को शारीरिक रूप से सुरक्षित होना चाहिए और एन्क्रिप्शन का उपयोग करना होगा।

5.2.5। मुलायम

यहाँ शमन के उपाय मूल रूप से डेटा सुरक्षा उल्लंघनों के मामले में ही हैं। यदि उल्लंघन का कारण किसी अन्य सरकारी एजेंसी का दबाव है, तो आपको शासन की स्वतंत्रता को मजबूत करने का अवसर लेना चाहिए ताकि भविष्य में इस तरह के उल्लंघन और भी मुश्किल हो जाएं।

5.3। डेटा स्रोत
5.3.1 के साथ जोड़तोड़ । विवरण

तृतीय-पक्ष डेटा प्रदाता, जैसे कि सोशल मीडिया डेटा या स्वेच्छा से प्रदान किए गए डेटा, हेरफेर के जोखिम में हैं। यह या तो डेटा प्रदाता द्वारा या तीसरे पक्ष द्वारा किया जा सकता है। उदाहरण के लिए, इन आंकड़ों के आधार पर प्राप्त सांख्यिकीय सूचकांक को एक या दूसरे तरीके से धकेलने के लिए सामाजिक नेटवर्क पर कई झूठे संदेश उत्पन्न किए जा सकते हैं, अगर यह ज्ञात हो कि सूचकांक की गणना ऐसे डेटा के आधार पर की जाती है।

स्वेच्छा से प्रदान किए गए डेटा के लिए, ऐसे समय हो सकते हैं जब स्वयंसेवक एक विशिष्ट एजेंडा के साथ एक विशिष्ट रुचि समूह का प्रतिनिधित्व करते हैं।

5.3.2। संभावना

डेटा के हेरफेर के लिए जिनमें से बहुत लाभ हो सकता है, संभावना अधिक है। यह डेटा हो सकता है जिसके लिए आंकड़े दिलचस्प हैं, उदाहरण के लिए, शेयर बाजार। LIBOR और विदेशी मुद्रा से संबंधित हाल के घोटालों के प्रकाश में, यह माना जा सकता है कि जब तक प्रोत्साहन है, डेटा में हेरफेर करने के प्रयासों की संभावना होगी।

स्वेच्छा से प्रदान किए गए आंकड़ों पर आधारित आंकड़ों के लिए, आपको केवल उन लोगों को काम पर रखने के पीआर अभ्यास को देखने की जरूरत है जो एक निश्चित राय होने का दिखावा करते हैं और जिन्हें सार्वजनिक अभिव्यक्ति के लिए भुगतान किया जाता है (उदाहरण के लिए, इंटरनेट मंचों पर) यह निष्कर्ष निकालने के लिए कि संभावना छोटी नहीं है । सामान्य तौर पर, 3 से 4 का आंकड़ा पर्याप्त लगता है।

5.3.3। प्रभाव

जोड़तोड़ के साथ बड़ी समस्या यह है कि वे बिना पता लगाए लंबे समय तक रह सकते हैं। यदि लंबे समय तक हेरफेर जारी रहता है, तो गुणवत्ता पर प्रभाव महत्वपूर्ण हो सकता है। इसके अलावा, आधिकारिक आंकड़ों में जनता के विश्वास को नुकसान भी बड़ा हो सकता है, खासकर अगर गुणवत्ता वाले डेटा के प्रदाताओं के रूप में सांख्यिकीय कार्यालयों की भूमिका को सार्वजनिक रूप से बल दिया जाता है। दूसरी ओर, यदि समय पर हेरफेर का पता लगाया जाता है और फिर प्रकाशित किया जाता है, तो यह वास्तव में सार्वजनिक धारणा में सुधार कर सकता है। अत्यंत बुरे मामलों को छोड़कर, कोई अधिकतम प्रभाव (3) की कल्पना कर सकता है।

5.3.4। निवारण

वैकल्पिक स्रोतों के साथ नियमित नियंत्रण अभ्यास करना संभव निवारक दृष्टिकोणों में से एक है। ये वैकल्पिक स्रोत पारंपरिक या भिन्न हो सकते हैं। स्रोतों के संयोजन के आधार पर आँकड़ों का उपयोग करना हेरफेर के महत्वपूर्ण प्रभावों में हस्तक्षेप कर सकता है। ऐसे मामलों में जहां वे प्रदाता द्वारा शुरू किए गए हेरफेर से डरते हैं, कानूनी समझौते भी इस तरह की प्रथाओं को रोकने का एक तरीका हो सकते हैं।

5.3.5। मुलायम

जनसंपर्क को नुकसान पहुंचाने के संदर्भ में, यहां जो शमनकारी उपाय किए जाने चाहिए, वे किसी भी संकट से निपटने के उपायों से बहुत अलग नहीं हैं।

डेटा गुणवत्ता के संदर्भ में, यह मददगार होगा यदि पिछले डेटा को सही किया जा सकता है ताकि एक बड़ी देरी के साथ भी, सही श्रृंखला का
उत्पादन किया जा सके । इसके लिए नियमित बेंचमार्किंग मददगार हो सकती है। कृपया ध्यान दें कि इस मामले में बेंचमार्किंग का लक्ष्य रोकथाम के लक्ष्य से थोड़ा अलग है। इसे रोकने के लिए, बेंचमार्क डेटा और बीडीएस के बीच एक संदिग्ध बेमेल को जल्दी से जांचना और जांचना महत्वपूर्ण है। पुराने उपयोगी डेटा के प्रभावों को कम करने के लिए हमेशा उपयोगी होता है।

इसके अलावा, भविष्य में इसी तरह के जोड़तोड़ को रोकने के लिए देखभाल की जानी चाहिए - विशेष रूप से नाजुक मामलों में, इसका मतलब तुलनात्मक विश्लेषण के लिए कई आपूर्तिकर्ताओं से संभावित रूप से अनावश्यक डेटा प्राप्त हो सकता है।

5.4। आधिकारिक आंकड़ों द्वारा बड़े डेटा के उपयोग की जनता की धारणा
5.4.1। विवरण

मीडिया और आम जनता गोपनीयता के मुद्दों और बड़े डेटा स्रोतों से व्यक्तिगत डेटा के उपयोग के लिए बहुत संवेदनशील हैं, खासकर सरकारी एजेंसियों द्वारा डेटा के माध्यमिक उपयोग के संदर्भ में जो नागरिकों के खिलाफ प्रशासनिक या कानूनी उपाय करते हैं। नकारात्मक रूप से कथित उपयोग नेविगेशन डेटा के विश्लेषण के आधार पर गति नियंत्रण की स्थिति हो सकती है (11 देखें www.theguardian.com/technology/2011/apr/28/tomtom-satnav-data-police-speed-psps )।
टॉमटम नीदरलैंड के एक विशिष्ट मामले ने टॉमटॉम उपकरणों की मांग में भारी गिरावट का कारण बना और कंपनी के डेटा तक पहुंच को प्रतिबंधित करने का निर्णय लिया। इस विशेष मामले में, व्यक्तियों से संबंधित डेटा, लेकिन सड़क के वर्गों के साथ गति के स्तर तक।

हालांकि, बड़े डेटा वाले एप्लिकेशन हो सकते हैं जो जनता द्वारा अच्छी तरह से प्राप्त किए जाते हैं। एक उदाहरण ऐसे एप्लिकेशन हैं जो बड़े डेटा विधियों के आधार पर चोरी जैसे अपराधों को रोकते हैं।

सकारात्मक और साथ ही नकारात्मक सार्वजनिक राय आधिकारिक आंकड़ों के उत्पादन के संदर्भ में बीडीएस के उपयोग पर एक मजबूत प्रभाव डाल सकती है।

नकारात्मक सार्वजनिक धारणा का परिणाम यह हो सकता है:

BDS अब सांख्यिकीय कार्यालयों के लिए उपलब्ध नहीं होगा, या तो डेटा प्रदाता निर्णयों या सरकार के निर्णयों के कारण डेटा का उपयोग नहीं करेगा, या
डेटा का उपयोग सीमित होगा, जो अगर कुछ बीओएसपी उत्पादन में हस्तक्षेप कर सकता है।

5.4.2। संभावना

कारक जो इस तरह की घटना की संभावना या आँकड़ों के उत्पादन पर इसके प्रभाव को प्रभावित कर सकते हैं:

डेटा गोपनीयता, यानी लोगों को कितनी आसानी से पहचाना जा सकता है;
व्यक्तियों के बारे में डेटा का खुलासा करने वाली जानकारी की मात्रा, उदाहरण के लिए, विभिन्न स्रोतों से डेटा लिंक करके बढ़ाई जाती है;
डेटा प्रकार, उदाहरण के लिए, वित्तीय लेनदेन को अन्य डेटा की तुलना में अधिक गोपनीय माना जाता है;
नागरिकों पर होने वाली संभावित कार्रवाई का प्रकार, उदाहरण के लिए, तेज गति के लिए ठीक लोग;
फजी कानूनी वातावरण जिसमें डेटा प्रदाता और उपयोगकर्ता संचालित होते हैं या जब कानूनी शर्तें सार्वजनिक नैतिक राय / मानकों के साथ टकराव करती हैं;
; . , , . , , .

प्रतिकूल घटनाओं के समय का एक अनुमान संभव नहीं है, क्योंकि सार्वजनिक रूप से भीड़ को अक्सर घटनाओं के कवरेज से ट्रिगर किया जाता है जो नागरिकों को नकारात्मक रूप से प्रभावित करते हैं। हालांकि, सरकारों और निजी उद्यमों द्वारा बड़े डेटा के बढ़ते उपयोग के साथ, और विशेष रूप से उनके प्रारंभिक संग्रह के लिए नेतृत्व वाले अन्य उद्देश्यों के लिए डेटा के सक्रिय विपणन के साथ, यह अधिक संभावना है कि ऐसी घटनाएं घटित होंगी।

सार्वजनिक धारणा को दृढ़ता से प्रभावित करने वाली घटनाएं अक्सर नहीं होती हैं, बल्कि यादृच्छिक (3) और दूर (2) होती हैं। बड़े डेटा स्रोतों के बढ़ते उपयोग के साथ, संभावना भी बढ़ेगी।

5.4.3। प्रभाव

घटना का प्रभाव ऊपर चर्चा किए गए कारकों पर बहुत निर्भर है। सामान्य तौर पर, सांख्यिकीय डेटा के पहले से ही स्थापित उत्पादन के लिए प्रभाव अधिक गंभीर है, क्योंकि, शायद, कार्रवाई को समाप्त कर दिया जाना चाहिए। प्रभाव वैकल्पिक डेटा स्रोतों की उपलब्धता पर भी निर्भर करता है, हालांकि ऐसा हो सकता है कि घटना के भौतिककरण के मामले में सार्वजनिक धारणा विभिन्न डेटा स्रोतों के बीच अंतर नहीं करती है। बड़े डेटा के उपयोग की वर्तमान स्थिति में, ऐसा लगता है कि ये स्रोत पारंपरिक डेटा स्रोतों को पूरी तरह से बदल नहीं सकते हैं, बल्कि मौजूदा आँकड़ों के पूरक हैं। यह घटनाओं के प्रभाव को कम करेगा। इसलिए, घटना के प्रभाव को 2 (महत्वहीन) से 3 (मुख्य) की सीमा में माना जाता है। उत्पादन स्तर पर, प्रभाव 4 तक बढ़ सकता है (महत्वपूर्ण मूल्य)।

5.4.4। निवारण

आधिकारिक आंकड़ों में बड़े आंकड़ों के लिए निवारक उपाय नैतिक सिद्धांतों की परिभाषा हो सकते हैं। नैतिक दिशानिर्देश यूरोपीय सिद्धांतों या आधिकारिक आंकड़ों के मूलभूत सिद्धांतों (12 unstats.un.org/unsd/dnss/gp/fundprinciples.aspx ) जैसे सिद्धांतों पर आधारित होने चाहिए । अगला कदम एक संचार रणनीति को परिभाषित करना होगा जो जनता के लिए नैतिक दिशा-निर्देशों के परिणामों को प्रकाशित करेगा और बीओडीएस के लिए बीडीएस के नैतिक उपयोग के बारे में हितधारकों को सूचित करने के लिए इस्तेमाल किया जा सकता है।

एक विशिष्ट बीडीएस के लिए एक अलग जोखिम मूल्यांकन जोखिमों की पहचान करने और नैतिक सिद्धांतों के आधार पर निवारक या कम करने वाली क्रियाओं का सुझाव देने के लिए आयोजित किया जा सकता है। एक अलग जोखिम मूल्यांकन में हितधारक भी शामिल हो सकते हैं, जैसे कि डेटा सुरक्षा एजेंसियां, यह सुनिश्चित करने के लिए कि सभी जोखिमों की पहचान की गई है और कार्रवाई उचित है।

5.4.5। मुलायम

एक संचार रणनीति में नकारात्मक सार्वजनिक दृष्टिकोण बढ़ने की स्थिति में उपायों को भी शामिल किया जाना चाहिए। एक अलग जोखिम मूल्यांकन को डेटा के उपयोग और डेटा के दुरुपयोग को रोकने के उपायों के सकारात्मक उदाहरण एकत्र करने चाहिए, जो आवश्यक रूप से राजनीतिक स्तर पर लिए जा सकते हैं, और सांख्यिकीय समुदाय इसे प्रभावी ढंग से प्रभावित करने में सक्षम नहीं हो सकते हैं।

5.5। विश्वास की हानि - अवलोकन के परिणामस्वरूप प्राप्त नहीं हुई
5.5.1। विवरण

आधिकारिक आँकड़ों के उपयोगकर्ता आमतौर पर आँकड़ों की सटीकता और विश्वसनीयता में उच्च विश्वास रखते हैं। यह इस तथ्य पर आधारित है कि सांख्यिकीय डेटा का उत्पादन एक विश्वसनीय और सुलभ कार्यप्रणाली आधार में अंतर्निहित है, साथ ही सांख्यिकीय उत्पाद की गुणवत्ता पर प्रलेखन भी है। इसके अलावा, अधिकांश आँकड़े टिप्पणियों पर आधारित होते हैं, अर्थात सर्वेक्षण या सेंसरशिप से प्राप्त जो अवलोकन और आंकड़ों के बीच आसानी से समझने योग्य संबंध स्थापित करता है। बीडीएस का उपयोग, जो आंकड़ों के मुख्य उद्देश्य के लिए एकत्र नहीं किया जाता है, इस जोखिम को वहन करता है कि ये रिश्ते खो जाएंगे और उपयोगकर्ता आधिकारिक आंकड़ों में विश्वास खो देंगे। जनगणना के अंतिम दौर (2010) से संबंधित एक उदाहरण हैकुछ देशों में, कई स्रोतों और सांख्यिकीय मॉडलों का उपयोग करके आंकड़े प्राप्त किए गए थे। कई मामलों में, हितधारकों के पास विवादित आंकड़े हैं।

5.5.2। संभावना

जोखिम की संभावना सांख्यिकीय / पद्धति मॉडल की जटिलता, बीएसडी और बीओएसपी के बीच संबंधों की विश्वसनीयता या अन्य आँकड़े संगत हैं जैसे कारकों पर निर्भर करता है। संभावना 3 (यादृच्छिक) से 4 (संभावित) की सीमा में होनी चाहिए, जिसका अर्थ है कि यह कई बार या अक्सर हो सकता है।

5.5.3। प्रभाव

जोखिम की घटना का प्रभाव काफी हद तक इस बात पर निर्भर करेगा कि एनएसओ आंकड़ों की सटीकता और विश्वसनीयता को सफलतापूर्वक साबित कर सकता है या नहीं। यदि यह हासिल नहीं किया जा सकता है, तो विश्वास और विश्वास की हानि के दृष्टिकोण से प्रभाव अन्य सांख्यिकीय क्षेत्रों को भी प्रभावित कर सकता है, अर्थात, न केवल कुछ सांख्यिकीय आंकड़ों की विश्वसनीयता, बल्कि संगठन पर भी संदेह डाला गया है। एनएसओ इस क्षेत्र में सक्रिय अन्य निजी संगठनों पर प्रतिस्पर्धात्मक लाभ खो देगा।

5.5.4। निवारण

निवारक क्रियाएं वैज्ञानिक रूप से आधारित पद्धति के विकास और प्रकाशन में शामिल होंगी जिसे वैज्ञानिक समुदाय द्वारा मान्यता प्राप्त है, गुणवत्ता में मेटाडेटा के साथ डेटा को समृद्ध करता है, गैर-बीओएसपी के साथ बीओएसपी की निरंतरता सुनिश्चित करता है, और सख्त गुणवत्ता नियंत्रण करता है।

सांख्यिकीय उत्पादन को शुरू करने से पहले, BOSP को एक प्रयोगात्मक के रूप में प्रकाशित किया जा सकता है, और BOSP को मान्य या बेहतर बनाने के लिए इच्छुक दलों को BOSP को चुनौती देने के लिए प्रोत्साहित किया जाएगा।

5.5.5। मुलायम

भेद करने के दो मामले हैं। यदि आंकड़े विवादित हैं, लेकिन उच्च / पर्याप्त गुणवत्ता (सही / सटीक) के हैं, तो आंकड़ों को जनता को समझाने और उन्हें लाने के लिए पर्याप्त होगा, सरल उदाहरणों को समझने के लिए।

6. कौशल जोखिम

6.1.
6.1.1.

अपनी गतिविधियों के दौरान लोगों द्वारा छोड़े गए डिजिटल निशान के विश्लेषण के लिए कुछ डेटा विश्लेषण उपकरणों की आवश्यकता होती है, जो वर्तमान में आधिकारिक आंकड़ों में सबसे आम नहीं हैं। सबसे पहले, सर्वेक्षणों में प्रत्यक्ष सर्वेक्षणों के बजाय लोगों की गतिविधियों पर अप्रत्यक्ष डेटा के उपयोग के लिए सांख्यिकीय मॉडल के उपयोग की आवश्यकता होती है और इसलिए, अनुमान कौशल और मशीन अधिगम। दूसरे, इन डिजिटल रिकॉर्ड में डेटा होता है जिसमें अक्सर सर्वेक्षण परिणामों के लिए सामान्य तालिका प्रारूप सामान्य नहीं होता है, एक सांख्यिकीय इकाई के लिए पंक्तियों के साथ और इन सांख्यिकीय इकाइयों की विशिष्ट विशेषताओं के साथ कॉलम होते हैं। डिजिटल ट्रैक्स को टेक्स्ट, साउंड, इमेज और वीडियो के रूप में भी प्रस्तुत किया जाता है।इन डेटा प्रकारों से प्रासंगिक सांख्यिकीय जानकारी निकालने के लिए प्राकृतिक भाषा प्रसंस्करण, ऑडियो प्रसंस्करण और छवि प्रसंस्करण में कौशल की आवश्यकता होती है। तीसरा, ये डेटा स्रोत बड़े पैमाने पर डेटा सेट प्रदान करते हैं, जिसके प्रसंस्करण के लिए वितरित कंप्यूटिंग के तरीकों की अच्छी समझ की आवश्यकता होती है।

विशेषज्ञों की कमी का जोखिम इन नए बड़े डेटा स्रोतों में से एक से डेटा प्राप्त करने में निहित है, क्योंकि सांख्यिकीय कार्यालय इस तथ्य के कारण इसे ठीक से संसाधित और विश्लेषण करने में सक्षम नहीं है, क्योंकि इसके कर्मचारियों के पास आवश्यक कौशल नहीं है।

6.1.2। संभावना

इस जोखिम की संभावना तीन कारकों पर निर्भर करेगी: 1) प्रत्येक प्रकार के बड़े डेटा स्रोत के लिए आवश्यक विशिष्ट प्रकार के कौशल, और संभावना है कि सांख्यिकीय कार्यालय को ऐसे स्रोत का अध्ययन करने का अवसर मिलेगा; 2) सांख्यिकीय प्रबंधन में आवश्यक कौशल की वर्तमान उपलब्धता; और 3) सांख्यिकीय कार्यालय की संगठनात्मक संस्कृति।

आवश्यक कौशल के प्रकारों के बारे में, यह ध्यान दिया जाना चाहिए कि सभी स्रोतों को ऊपर सूचीबद्ध सभी कौशल की आवश्यकता नहीं है। कुछ (उदाहरण के लिए, Google ट्रेंड्स जैसे डेटा) को वितरित कंप्यूटिंग की आवश्यकता नहीं होती है, क्योंकि वे पहले से ही डेटा धारक से पूर्वप्रक्रमित होते हैं या सिग्नल प्रोसेसिंग कौशल रखते हैं, और उन्हें मुख्य रूप से सांख्यिकीय मॉडलिंग कौशल की आवश्यकता होगी। हालांकि, बड़े डेटा स्रोतों की एक विस्तृत विविधता है, जिनमें से अधिकांश को वितरित कंप्यूटिंग, सिग्नल प्रोसेसिंग और मशीन लर्निंग में कौशल की आवश्यकता होती है। इसी समय, इन डिजिटल रास्तों की उचित जांच के लिए कई स्रोतों के प्रसंस्करण की आवश्यकता होगी। इस प्रकार, एक उच्च संभावना है कि सांख्यिकीय डेटा के लिए उपलब्ध बड़े डेटा स्रोतों को इन असामान्य कौशल की आवश्यकता होगी,और इस जोखिम की संभावना बहुत अधिक है (5)।

आवश्यक कौशल की वर्तमान उपलब्धता के बारे में, यह विशेष सांख्यिकीय कार्यालय पर निर्भर करेगा। यहां तक कि अगर सर्वेक्षण पद्धति सर्वेक्षण पद्धति से कम सामान्य है, तो इसका उपयोग व्यक्तिगत क्षेत्रों में आधिकारिक आंकड़ों में भी किया जाता है। इसलिए, भले ही इसके लिए मानव संसाधनों के कुछ पुनर्वितरण की आवश्यकता हो, सांख्यिकीय कार्यालय अपने दम पर समाधान पा सकते हैं। वितरित कंप्यूटिंग कौशल के लिए, मुख्य रूप से आईटी से संबंधित है, वे इस बात पर निर्भर करेंगे कि संगठन में आईटी बुनियादी ढांचे का प्रबंधन कैसे किया जाता है। आईटी विभाग बाहर से कैसा है, इसके आधार पर मौजूदा व्यवस्थाओं के संदर्भ में समाधान पाया जा सकता है। हालांकि, सिग्नल प्रोसेसिंग और मशीन लर्निंग कौशल आम तौर पर अधिकांश आधिकारिक सांख्यिकीय कार्यालयों में मौजूद नहीं होते हैं,और इन कौशलों के अनुप्रयोग को आउटसोर्स नहीं किया जा सकता है, क्योंकि उन्हें सांख्यिकी के क्षेत्र में विशेषज्ञों द्वारा लागू किया जाना चाहिए। इसलिए, इस दृष्टिकोण से, इस जोखिम की संभावना भी बहुत अधिक है (5)।

संगठनात्मक संस्कृति भी इस जोखिम की संभावना को प्रभावित करेगी। सेल्फ-लर्निंग के माध्यम से आवश्यक कौशल हासिल करने के लिए कर्मचारी तैयार होने से एक संगठन को एक नए डेटा स्रोत के साथ स्थिति का जवाब देने में सक्षम हो सकता है जिसमें सामान्य के अलावा अन्य कौशल की आवश्यकता होती है। यह सांख्यिकीय कार्यालय की संगठनात्मक संस्कृति पर निर्भर करेगा, अर्थात् यह कि क्या यह कर्मचारियों को नए कौशल सीखने के लिए प्रोत्साहित करेगा और क्या यह कर्मचारियों को स्वतंत्र प्रशिक्षण के लिए समय देता है।

इस प्रकार, संभावना यह है कि सांख्यिकीय कार्यालय संगठन की स्व-शिक्षण संस्कृति के आधार पर अपने कर्मचारियों के बीच कौशल की कमी के कारण नए डेटा स्रोतों को संसाधित करने और उनका विश्लेषण करने में सक्षम नहीं होगा, जो संभावित (4) और अक्सर (5) के बीच होगा।

6.1.3। प्रभाव

एक सांख्यिकीय कार्यालय जो अपने कर्मचारियों के बीच कौशल की कमी के कारण बड़े डेटा स्रोतों को संसाधित और विश्लेषण करने में असमर्थ है, उनके दो संभावित नकारात्मक परिणाम हो सकते हैं: 1) डेटा स्रोत का अध्ययन नहीं किया जाएगा, कम से कम पूरी तरह से नहीं; 2) स्रोत का दुरुपयोग किया जाएगा।

बड़े डेटा के एक मूल्यवान स्रोत की क्षमता का पूरी तरह से पता लगाने की क्षमता की कमी का अल्पावधि में थोड़ा प्रभाव (2) होगा, क्योंकि सांख्यिकीय कार्यालयों में वास्तव में वर्तमान जरूरतों को पूरा करने के लिए सांख्यिकीय उपकरण हैं। हालांकि, लंबे समय में (और संभवतः मध्यम अवधि में भी), इस अवसर को खोने के परिणाम महत्वपूर्ण (4) होंगे, क्योंकि सांख्यिकीय कार्यालयों को निजी प्रदाताओं से प्रतिस्पर्धा का सामना करना पड़ रहा है, जिसमें समान संस्थागत संरचना नहीं है जो उन्हें समाज की गारंटी देने की अनुमति देगा सांख्यिकीय स्वतंत्रता।

हालांकि, स्रोत के अनुचित उपयोग से सांख्यिकीय कार्यालयों के लिए बेहद नकारात्मक परिणाम होंगे, क्योंकि आधिकारिक आंकड़े उनके मिशन को पूरा करने में उनकी प्रतिष्ठा पर बहुत अधिक निर्भर करते हैं। हालांकि, हम यह तर्क दे सकते हैं कि सबसे महत्वपूर्ण कौशल, जो चूक गए हैं, तो गलत परिणाम हो सकते हैं, सांख्यिकीय निष्कर्ष है, विशेष रूप से मॉडल पर आधारित निष्कर्ष, जिसके अनुपस्थित रहने की संभावना भी कम है। इसलिए, अपेक्षित प्रभाव चरम की तुलना में अधिक महत्वपूर्ण (4) होगा।

6.1.4। निवारण

सांख्यिकीय सेवाएं सक्रिय रूप से इस जोखिम को दो तरीकों से रोक सकती हैं: 1) प्रशिक्षण; और 2) एक सेट।

सांख्यिकीय कार्यालय आवश्यक कौशल के साथ स्टाफ प्रदान कर सकते हैं, सांख्यिकीय उत्पादन में बड़े डेटा स्रोतों का उपयोग करने के लिए आवश्यक कौशल, मौजूदा स्टाफ कौशल की एक सूची को संकलित करना, प्रशिक्षण आवश्यकताओं की पहचान करना, और फिर प्रशिक्षण पाठ्यक्रमों का आयोजन करना।

सांख्यिकीय कार्यालय आवश्यक कौशल के साथ नए कर्मचारियों की भर्ती भी कर सकते हैं। ऐसा लगता है कि गंभीर सीमाएं हैं, क्योंकि सांख्यिकीय कार्यालय ऐसी स्थिति के लिए कर्मियों के एक बड़े पैमाने पर भर्ती नहीं कर पाएंगे, जहां बड़े डेटा स्रोतों का उपयोग कार्यालय में व्यापक होगा और नए कर्मचारियों को मौजूदा कर्मचारियों के अनुभव के स्तर तक पहुंचने के लिए अभी भी कई वर्षों की आवश्यकता होगी। हालांकि, नियमित स्टाफ अपग्रेड के हिस्से के रूप में भर्ती किए गए नए कर्मचारियों में से कुछ में बड़े डेटा कौशल हो सकते हैं।

6.1.5। मुलायम

ऐसी स्थिति का सामना करना पड़ता है जहां आवश्यक कौशल वाले कर्मचारियों के बिना बड़े डेटा के नए स्रोत उपलब्ध हैं, सांख्यिकीय कार्यालय दो तरह से नकारात्मक प्रभावों को कम कर सकते हैं: 1) उप-निर्माण; और 2) सहयोग।

सांख्यिकीय कार्यालय डेटा प्रसंस्करण और अन्य संगठनों के साथ बड़े डेटा के नए स्रोतों के विश्लेषण के लिए समझौतों में प्रवेश कर सकते हैं जो इस प्रकार की सेवाएं प्रदान करते हैं। यह एक व्यवहार्य समाधान प्रतीत होता है, क्योंकि इस प्रकार के डेटा को संसाधित करने में विशेषज्ञता वाले उद्यमों का एक नया क्षेत्र दिखाई देता है। हालांकि, यह एक ऐसा निर्णय है जो अपने आप में कुछ जोखिमों को वहन करता है, क्योंकि सांख्यिकीय कार्यालय का संभावित संवेदनशील सांख्यिकीय उत्पादों के उत्पादन पर कम नियंत्रण होगा। इस समाधान का नुकसान यह भी है कि यह सांख्यिकीय कार्यालय के कर्मचारियों को आवश्यक कौशल सीखने और हासिल करने की अनुमति नहीं देता है।

अन्य संगठनों के साथ सहयोग जिसमें आवश्यक कौशल वाले कर्मचारी हैं और जो बड़े डेटा के स्रोत की खोज में रुचि रखते हैं, एक अधिक आशाजनक समाधान लगता है। यह सहयोग सांख्यिकीय कार्यालय के कर्मचारियों और अन्य संगठनों के कर्मचारियों के साथ एक समान स्तर पर संयुक्त परियोजनाओं का रूप ले सकता है, जो अपने ज्ञान को साझा करते हैं। यह न केवल कौशल की कमी के जोखिम को कम करेगा, बल्कि सांख्यिकीय कार्यालय को भी इन कौशल प्राप्त करने की अनुमति देगा।

6.2। अन्य संगठनों के विशेषज्ञों की
कमी 6.2.1। विवरण

यह जोखिम यह है कि सांख्यिकीय एजेंसियां बड़े कर्मचारियों से संबंधित कौशल हासिल करने के बाद अपने कर्मचारियों को अन्य संगठनों के लिए खो देती हैं।

6.2.2। संभावना

इस जोखिम की संभावना दो कारकों पर निर्भर करेगी: 1) आधिकारिक आंकड़ों के बाहर संगठनों में मौजूदा आकर्षक अवसर; 2) सांख्यिकीय कार्यालयों में काम करने की स्थिति।

आधिकारिक आंकड़ों के बाहर संगठनों में अवसरों के लिए, इस जोखिम की संभावना संभावित (4) लगती है। निजी क्षेत्र के साथ-साथ अन्य सार्वजनिक क्षेत्र के संगठनों में बड़े डेटा कौशल वाले लोगों की उच्च मांग है। बड़े डेटा के साथ काम करने में कौशल प्राप्त करने के बाद, सांख्यिकी के क्षेत्र में अनुभवी विशेषज्ञ होने के नाते, आधिकारिक सांख्यिकीविदों को एक तुलनात्मक लाभ मिलेगा। बड़े डेटा के साथ काम करने के विशिष्ट कौशल के अलावा, अन्य संगठनों को अधिक पारंपरिक कौशल के साथ डेटा विशेषज्ञों की आवश्यकता होती है, जैसे कि उपयोगकर्ता की जरूरतों का आकलन करना और प्रमुख प्रदर्शन संकेतक (KPI) विकसित करना जो आधिकारिक सांख्यिकीविदों के लिए सामान्य हैं। इसके अलावा, जो कर्मचारी नए कौशल सीखने की अधिक संभावना रखते हैं, वे भी ऐसे ही होने की उम्मीद करते हैंजो कैरियर में बदलाव के लिए भी अधिक खुला होगा और सांख्यिकीय कार्यालय को छोड़ देगा।

सांख्यिकीय कार्यालयों में कामकाजी परिस्थितियों के लिए, यह स्पष्ट रूप से मुख्य रूप से विशेष कार्यालय पर निर्भर करेगा। हालांकि, सामान्य रूप से सांख्यिकीय कार्यालय अभी भी मात्रात्मक दृष्टिकोण से लोगों के लिए आकर्षक पेशेवर अवसर प्रदान करते हैं। सांख्यिकीय कार्यालय काम के लिए संभावित डोमेन की सबसे बड़ी श्रृंखला और काम के लिए डेटा का सबसे बड़ा चयन प्रदान करते हैं। यह किसी भी तरह से संभावना को कम करेगा कि अप्रत्याशित परिस्थितियों (3) के कारण सांख्यिकीय कार्यालय अपने कर्मचारियों को खो देंगे।

6.2.3। प्रभाव

इस जोखिम का प्रभाव पहले स्थान पर संबंधित कौशल वाले कर्मियों की कमी के जोखिम के समान होगा। इसलिए, प्रभाव महत्वपूर्ण (4) होगा, जैसा कि ऊपर बताया गया है।

6.2.4। निवारण

जाहिर है, इस जोखिम को रोकने के लिए सांख्यिकीय कार्यालयों के लिए एकमात्र तरीका अपने कर्मचारियों के लिए आकर्षक काम की स्थिति प्रदान करना है। यह आमतौर पर सभी कर्मचारियों के लिए सच है। हालांकि, विशिष्ट मामले में, जब कर्मचारी नए कौशल में महारत हासिल करने के लिए खुले होते हैं, अर्थात् बड़े डेटा के साथ काम करने के कौशल, उन्हें प्रशिक्षण के अवसर प्रदान करके स्थितियों में सुधार किया जा सकता है, जहां वे अपने पेशेवर हितों को विकसित कर सकते हैं। सांख्यिकी कार्यालय कई नवीन परियोजनाओं के लिए खुले होने पर भी विशेष ध्यान दे सकते हैं और सांख्यिकी के कई क्षेत्रों में काम करने वाले सांख्यिकीविदों से आने वाले नए बड़े डेटा स्रोतों से संबंधित विचार हो सकते हैं। आखिरकार,बड़े डेटा के साथ काम करने में अपने कौशल के अनुक्रम में अन्य संगठनों के लिए कर्मियों के नुकसान की रोकथाम उन कर्मियों की अच्छी पहचान पर निर्भर करेगी जो इस तरह के डेटा के साथ काम करने में सक्षम और इच्छुक हैं, और उनके पेशेवर विकास के लिए अच्छे अवसरों के प्रावधान पर।

6.2.5। मुलायम

इस जोखिम में कमी उचित कौशल वाले एक स्टाफ सदस्य के जोखिम के संबंध में की जाएगी: 1) उप-निर्माण; और 2) सहयोग।

7. चर्चा

इस पहली समीक्षा से, यह स्पष्ट है कि किसी दिए गए "बड़े डेटा जोखिम" के लिए एक ही संभावना या प्रभाव को स्थापित करना असंभव है - एक नियम के रूप में, दोनों संकेतक बड़े डेटा के स्रोत पर और साथ ही "बड़े आंकड़ों के आधार पर आधिकारिक आँकड़े" पर निर्भर हैं।
उत्पाद। "

इस प्रकार, हम यह निष्कर्ष निकालते हैं कि इस दिशा में तार्किक अगला कदम कई संभावित पायलट परियोजनाओं (जिनमें से प्रत्येक में एक या एक से अधिक बीडीएस और एक या एक से अधिक BDOSs) का संयोजन है, एक प्रारंभिक बिंदु के रूप में है और प्रत्येक ऐसे पायलट के लिए - प्रत्येक जोखिम की संभावना और प्रभाव का आकलन करने की इच्छा।

इसके लिए, हम कई संभावित पायलट परियोजनाओं की संभावना, प्रभाव (और संभावित शमन / शमन कार्रवाई) के OSC मूल्यांकन का आकलन करने के लिए एक हितधारक सर्वेक्षण शुरू करने की कगार पर हैं - और उन जोखिमों के लिए OSC प्रस्तावों की तलाश करते हैं जिन्हें हमने इस दस्तावेज़ में शामिल नहीं किया है। ।

8. संदर्भ

UNECE (2014), «A suggested Framework for the Quality of Big Data», Deliverables of the UNECE Big Data Quality Task Team, www1.unece.org/stat/platform/download/attachments/108102944/Big%20Dat
a%20Quality%20Framework%20-%20final-%20Jan08-2015.pdf?version=1&modificationDate=1420725063663&api=v2

UNECE (2014), «How big is Big Data? Exploring the role of Big Data in Official Statistics», www1.unece.org/stat/platform/download/attachments/99484307/Virtual%20Sprint%20Big%20Data%20paper.docx?version=1&modificationDate=1395217470975&api=v2

Daas, P., S. Ossen, R. Vis-Visschers, and J. Arends-Toth, (2009), Checklist for the Quality evaluation of Administrative Data Sources, Statistics Netherlands, The Hague/Heerlen

Dorfman, Mark S. (2007), Introduction to Risk Management (e ed.), Cambridge, UK, Woodhead-Faulkner, p. 18, ISBN 0-85941-332-22)

Eurostat (2014), «Accreditation procedure for statistical data from non-official sources» in Analysis of Methodologies for using the Internet for the collection of information society and other statistics, www.cros-portal.eu/content/analysismethodologies-using-internet-collection-information-society-and-other-statistics-1

Reimsbach-Kounatze, C. (2015), “The Proliferation of “Big Data” and Implications for Official Statistics and Statistical Agencies: A Preliminary Analysis”, OECD Digital Economy Papers, No. 245, OECD Publishing. dx.doi.org/10.1787/5js7t9wqzvg8-en

Reis, F., Ferreira, P., Perduca, V. (2014) «The use of web activity evidence to increase the timeliness of official statistics indicators», paper presented at IAOS 2014 conference, iaos2014.gso.gov.vn/document/reis1.p1.v1.docx

Even if not explicitly mentioning risks, this paper in fact approaches the many risks associated to the use of web activity data for official statistics. Eurostat (2007), Handbook on Data Quality Assessment Methods and Tools, ec.europa.eu/eurostat/documents/64157/4373903/05-Handbook-ondata-quality-assessment-methods-and-tools.pdf/c8bbb146-4d59-4a69-b7c4-218c43952214

आधिकारिक आंकड़ों के लिए बिगडेटा का उपयोग करते समय जोखिम और निर्णयों की संरचना करना