Un modello dei dati acquista significato soltanto quando comincia a essere popolato con informazioni reali.
Per questo la sperimentazione di GiraSalerno non si è fermata alla progettazione della struttura. Abbiamo iniziato a costruire un primo insieme di dati, volutamente limitato, con il quale verificare se categorie, relazioni, fonti e procedure definite nei capitoli precedenti fossero realmente utilizzabili.
È importante, però, chiarire subito che cosa intendiamo in questo capitolo per dataset.
Non stiamo parlando semplicemente di un file da scaricare.
Il dataset nasce prima del file: è un insieme organizzato di informazioni che condivide un modello, criteri di identificazione, regole editoriali e significati sufficientemente chiari da permetterne l'uso e, successivamente, il riuso.
Il CSV o il JSON che possiamo distribuire sono rappresentazioni del dataset, non il dataset stesso.
Cominciare da pochi dati
La tentazione, quando si costruisce un portale dedicato a una città, è partire dalla quantità.
Quanti monumenti abbiamo inserito? Quanti alberghi? Quanti ristoranti? Quanti eventi?
GiraSalerno ha scelto deliberatamente la strada opposta.
La prima sperimentazione sui Punti di interesse è stata condotta su cinque luoghi:
Duomo di Salerno, Grand Hotel Salerno, Stazione di Salerno, Museo Diocesano San Matteo e Complesso monumentale di San Pietro a Corte.
Cinque POI sono evidentemente troppo pochi per descrivere l'offerta turistica di Salerno.
Ma non era questo lo scopo.
Ci interessava capire se fossimo in grado di descrivere correttamente cinque luoghi molto differenti prima di provare a descriverne cinquecento.
Prima della quantità viene la qualità del modello con il quale decidiamo di costruire la quantità.
Un errore ripetuto su cinque record può essere corretto facilmente. Lo stesso errore replicato automaticamente su migliaia di record diventa un problema strutturale.
Perché luoghi differenti
Anche la scelta dei primi POI è significativa.
Se avessimo utilizzato soltanto monumenti, avremmo potuto costruire inconsapevolmente un modello adatto ai monumenti e chiamarlo modello turistico generale.
Inserire una stazione, una struttura ricettiva, luoghi culturali e religiosi ha costretto invece il sistema a confrontarsi con esigenze differenti.
Per una stazione diventano particolarmente importanti mobilità, servizi e accessibilità.
Per una struttura ricettiva assumono rilievo classificazione, contatti e servizi.
Per un museo possono essere determinanti orari, condizioni di accesso e modalità di visita.
Per un monumento possono essere centrali le fonti culturali e istituzionali.
Non significa che queste informazioni appartengano esclusivamente a quelle categorie. Significa che luoghi differenti mettono alla prova parti differenti del modello.
Dal luogo alla fonte
I primi dati hanno permesso soprattutto di verificare un principio fondamentale: ogni informazione importante dovrebbe poter essere ricondotta, per quanto possibile, a una provenienza riconoscibile.
Sono quindi entrate nel sistema fonti di natura differente: pagine istituzionali, siti ufficiali dei luoghi o dei soggetti che li gestiscono e altre risorse pertinenti alle informazioni documentate.
Questa attività ha mostrato immediatamente che costruire un dataset non significa copiare informazioni da Internet.
Bisogna selezionarle, interpretarle e stabilire che cosa una determinata fonte permetta realmente di affermare.
Se una fonte documenta l'esistenza di un servizio, possiamo registrarlo.
Se non lo documenta, non possiamo dedurre automaticamente che il servizio non esista.
Se una pagina contiene il contatto generale dell'ente che gestisce un luogo, non possiamo trasformarlo senza ulteriori elementi nel contatto specifico di quel POI.
Il dataset nasce quindi attraverso un processo editoriale, non attraverso un semplice accumulo.
Le coordinate come primo dato riutilizzabile
Le coordinate geografiche sono uno degli esempi più immediati del valore di un dato strutturato.
Latitudine e longitudine possono apparire come informazioni elementari.
Eppure, una volta associate correttamente ai Punti di interesse, rendono possibili funzioni diverse.
Permettono di rappresentare i luoghi sulla mappa.
Consentono di calcolare la loro relazione geografica.
Rendono possibile individuare i POI nelle vicinanze.
Possono essere utilizzate da un'altra applicazione che non conosce affatto la pagina web di GiraSalerno.
Lo stesso dato comincia così a produrre più servizi.
La sperimentazione ha inoltre associato alle coordinate una fonte, perché anche una posizione geografica è un'informazione della quale è utile conoscere la provenienza.
Dalla classificazione alla ricerca
Un altro piccolo dataset nasce dalle tipologie dei Punti di interesse.
I luoghi vengono classificati attraverso un vocabolario organizzato gerarchicamente, che parte da grandi famiglie come Arte e Cultura, Trasporti, Strutture Ricettive, Ristorazione, Aree Verdi e le altre categorie previste dal modello.
Questa classificazione non rimane confinata nel lavoro editoriale.
Diventa utilizzabile dalla ricerca e dalla rappresentazione geografica.
La conseguenza è importante: una tassonomia ben costruita è essa stessa un patrimonio informativo.
Non serve soltanto a sapere dove l'amministratore del sito debba collocare una scheda.
Permette a persone e applicazioni di comprendere che cosa rappresenta quel luogo.
Il dataset dei servizi
La sperimentazione è stata estesa ai servizi dei Punti di interesse.
Sono stati organizzati concetti come biglietteria, Wi-Fi, servizi igienici, bar e caffetteria, ristorante, parcheggio, bike sharing, noleggio auto e altre dotazioni.
Anche in questo caso il valore non consiste soltanto nell'avere un elenco.
Il vantaggio nasce dal fatto che lo stesso concetto viene rappresentato nello stesso modo nei diversi luoghi.
Se oggi scrivessimo:
“è disponibile una rete Wi-Fi”
e domani:
“connessione wireless per gli ospiti”,
un lettore comprenderebbe probabilmente che stiamo parlando della stessa cosa.
Un sistema informatico potrebbe invece trattarle come informazioni differenti.
Il vocabolario controllato permette di dire:
questo servizio è Wi-Fi
indipendentemente da come decidiamo poi di raccontarlo nella pagina.
È una delle condizioni necessarie affinché il dato possa essere interrogato e riutilizzato.
Accessibilità: il valore di non dedurre
La costruzione dei primi dati sull'accessibilità ha prodotto una delle lezioni metodologiche più importanti.
Nel campione iniziale alcune informazioni sono disponibili, altre no.
La Stazione di Salerno, per esempio, dispone nel sistema di diverse caratteristiche di accessibilità documentate. Per altri POI queste informazioni non sono state inserite perché non disponevamo, nella fase di sperimentazione, di elementi sufficienti per rappresentarle con lo stesso grado di affidabilità.
Il dataset deve essere capace di dire anche:
“non lo sappiamo ancora”.
Questo è molto diverso dal dire:
“no”.
L'assenza di un dato sull'accessibilità non significa che il luogo non sia accessibile.
Significa che GiraSalerno non dispone ancora di un'informazione documentata sufficiente per affermarlo.
Per una banca dati aperta questa distinzione è essenziale.
Orari e condizioni di accesso
Anche gli orari sono entrati nella sperimentazione.
Il sistema può rappresentare fasce orarie associate ai luoghi e conservarne la fonte e la data di verifica.
Ma proprio gli orari mostrano quanto un dataset turistico sia diverso da un archivio statico.
Un monumento può rimanere nello stesso luogo per secoli.
Il suo orario può cambiare domani.
Lo stesso vale per le condizioni di accesso: gratuità, tariffe e condizioni destinate a particolari categorie possono cambiare nel tempo.
Il valore del dato non dipende quindi soltanto dalla sua correttezza iniziale.
Dipende dalla capacità di sapere quando è stato verificato e quando potrebbe essere necessario verificarlo nuovamente.
GiraSalerno non presenta, nella sperimentazione attuale, uno stato dinamico del tipo “aperto adesso” o “chiuso adesso”.
Gli orari strutturati costituiscono la base informativa. Trasformarli in un servizio dinamico richiederebbe ulteriori regole e verifiche.
Ancora una volta abbiamo preferito distinguere ciò che il dataset conosce da ciò che un'applicazione potrebbe in futuro dedurne.
Contatti e collegamenti
I primi dati comprendono anche contatti e collegamenti verso risorse esterne.
Ma la sperimentazione ha mostrato che non tutti gli indirizzi Internet hanno lo stesso significato.
Un sito ufficiale identifica la presenza ufficiale del luogo o del soggetto pertinente.
Una fonte documenta un'informazione.
Un approfondimento permette di conoscere meglio un argomento.
Un servizio esterno porta invece a una funzione operativa, come può essere una pagina che fornisce informazioni in tempo reale.
Ridurre tutto a una generica colonna “link” farebbe perdere queste differenze.
Il modello conserva quindi, per quanto possibile, il ruolo del collegamento, non soltanto il suo indirizzo.
Anche ciò che non viene pubblicato è una scelta
Costruire un dataset aperto non significa prendere tutto ciò che esiste nel sistema e pubblicarlo.
GiraSalerno contiene anche informazioni necessarie al proprio funzionamento editoriale.
Le Segnalazioni inviate dai cittadini, per esempio, servono a verificare e correggere la conoscenza, ma non fanno parte del dataset pubblico dei POI.
Sono contributi da valutare, non informazioni automaticamente validate.
Lo stesso principio riguarda attualmente i Media.
Il sistema è capace di associare immagini ai POI conservando autore, licenza, attribuzione e altre informazioni sui diritti. Ma nella prima versione delle distribuzioni dei Punti di interesse i Media non vengono inclusi.
Il motivo è metodologico prima ancora che tecnico:
la licenza dei dati non può essere automaticamente estesa alle immagini.
Anche decidere che cosa non appartiene a un dataset è quindi parte della sua progettazione.
Un dataset deve poter dichiarare i propri limiti
I primi dati di GiraSalerno non vengono presentati come una fotografia completa della città.
Non sono un censimento dell'offerta turistica salernitana.
Non permettono di trarre conclusioni statistiche sul numero o sulla distribuzione dei servizi cittadini.
Non certificano l'accessibilità dei luoghi.
Non sostituiscono le fonti ufficiali.
Sono un campione sperimentale utilizzato per verificare il modello.
Questa dichiarazione è importante perché un dataset può essere tecnicamente corretto e contemporaneamente essere utilizzato in modo scorretto se non se ne conosce lo scopo.
Cinque POI possono essere sufficienti per verificare una struttura informativa.
Non sono sufficienti per affermare:
“questa è la situazione turistica di Salerno”.
La qualità prima della completezza
Al termine della sperimentazione i cinque Punti di interesse utilizzati come campione sono stati sottoposti a un controllo editoriale.
Per ciascuno sono stati verificati elementi come tipologia, coordinate e loro provenienza, fonti, date e stato del dato.
Il campione ha superato la verifica prevista dal modello.
Questo risultato deve però essere interpretato correttamente.
Non significa che i cinque POI siano “completi”.
Significa che, nell'ambito del controllo effettuato, le informazioni pubblicate rispettano i criteri editoriali stabiliti dalla sperimentazione.
È una differenza fondamentale.
Un dato di qualità non è necessariamente un dato che contiene tutto.
È un dato che non pretende di sapere ciò che non sa.
Dai primi cinque a una città
Naturalmente, se GiraSalerno dovesse crescere, il problema cambierebbe scala.
Inserire manualmente cinque POI permette controlli molto accurati. Costruire una base di conoscenza relativa a un'intera città richiederebbe procedure di acquisizione, importazione, deduplicazione, aggiornamento e controllo molto più articolate.
Potrebbero essere utilizzate fonti pubbliche esistenti e processi di importazione automatica.
Ma anche qui vale una regola emersa dal dimostratore:
automatizzare l'acquisizione non significa automatizzare la fiducia.
Importare mille record è relativamente semplice.
Sapere che cosa rappresentino, da quale fonte provengano, quanto siano aggiornati, se siano duplicati e quali informazioni possano essere pubblicate richiede un lavoro diverso.
La tecnologia può aiutare a individuare anomalie.
Non può sostituire completamente il giudizio necessario a stabilire il significato e la pertinenza di un'informazione.
Il dataset come processo
Arriviamo così a una definizione più completa.
Un dataset turistico non dovrebbe essere considerato un prodotto che viene creato una volta, pubblicato e dimenticato.
È un processo.
Le informazioni vengono acquisite.
Le fonti vengono documentate.
I dati vengono strutturati e verificati.
Alcuni vengono pubblicati.
Altri rimangono in verifica.
Con il tempo alcune informazioni devono essere controllate nuovamente.
Le segnalazioni possono far emergere errori o cambiamenti.
Nuove fonti possono migliorare ciò che conosciamo.
Nuovi utilizzi possono mostrare limiti del modello che prima non avevamo visto.
Il dataset cresce quindi insieme alla conoscenza.
Dai dataset all'apertura
Con i primi dati reali abbiamo potuto verificare che il modello funzionasse.
Ma rimane una domanda decisiva.
Se questi dati restassero utilizzabili soltanto dalle pagine di GiraSalerno, avremmo costruito una buona banca dati interna, non ancora una vera infrastruttura aperta.
Il passaggio successivo consiste quindi nel permettere alla conoscenza di uscire dal sito, conservando per quanto possibile struttura, significato e informazioni necessarie al suo corretto riuso.
È qui che entrano in gioco due strumenti dei quali abbiamo già parlato nelle parti precedenti del Piano e che adesso possiamo osservare concretamente:
Open Data e API.