Nei capitoli precedenti abbiamo costruito una possibile infrastruttura della conoscenza. Abbiamo parlato di:
- Banca Dati Turistica Aperta;
- Open Data;
- riuso;
- interoperabilità;
- Software Libero;
- standard aperti;
- autonomia digitale.
Ma tutto questo sarebbe insufficiente se i dati fossero:
- sbagliati;
- incompleti;
- obsoleti;
- non verificabili;
- privi di una fonte riconoscibile.
Una città può possedere un sistema tecnologicamente avanzato e continuare a conoscere male se stessa. Per questo dobbiamo aggiungere un altro principio: la qualità del dato è parte della qualità della decisione.
Non esistono dati senza fonte
Ogni dato nasce da qualche parte:
- Un ufficio.
- Un sistema amministrativo.
- Un'indagine.
- Un sensore.
- Un questionario.
- Un operatore.
- Una ricerca.
- Una rilevazione manuale.
- Una segnalazione.
Quando utilizziamo un numero senza conoscere la sua origine, perdiamo una parte importante del suo significato.
Dire “le presenze turistiche sono aumentate” non basta. Dobbiamo sapere:
- chi lo afferma;
- quale territorio considera;
- quale periodo confronta;
- quale fonte utilizza;
- quale metodologia applica;
- quali categorie include.
La fonte non è una nota accessoria è parte integrante del dato.
La provenienza deve rimanere visibile
Nel percorso: fonte → raccolta → elaborazione → pubblicazione → riuso la provenienza non dovrebbe mai scomparire. Un dato utilizzato da GiraSalerno, da una mappa o da una dashboard dovrebbe continuare a poter indicare: Fonte: ...
Questo consente a chi utilizza il servizio di:
- verificare;
- approfondire;
- comprendere eventuali limiti;
- risalire all'origine.
Possiamo chiamare questo principio: tracciabilità del dato.
Fonte primaria e fonte secondaria
Non tutte le fonti hanno lo stesso rapporto con il fenomeno. Possiamo distinguere, in maniera semplificata, tra fonte primaria che produce direttamente il dato e fonte secondaria che riprende, aggrega o interpreta dati prodotti altrove.
Ad esempio, un rapporto può citare valori provenienti da un dataset ufficiale ed è una fonte utile. Ma quando possibile è importante conservare anche il riferimento alla fonte originaria. Questo riduce il rischio che il dato venga riportato ripetutamente perdendo progressivamente contesto e precisione.
La catena delle citazioni
- Un numero può attraversare molti documenti.
- Un comunicato riprende un rapporto.
- Un articolo riprende il comunicato.
- Un post riprende l'articolo.
alla fine il numero circola senza che nessuno sappia più da dove provenisse. Una buona infrastruttura della conoscenza dovrebbe invece permettere di ricostruire la catena fino alla fonte originaria.
La domanda da mantenere sempre aperta è: “da dove viene questo dato?”
Ufficiale non significa infallibile
Un dato proveniente da una fonte istituzionale possiede normalmente un livello elevato di autorevolezza per il fenomeno che quella fonte è incaricata di rilevare. Ma questo non significa che sia automaticamente perfetto, completo e adatto a qualsiasi uso.
- Può contenere errori.
- Può avere limiti metodologici.
- Può rappresentare soltanto una parte del fenomeno.
- Può avere tempi di aggiornamento incompatibili con una determinata analisi.
La fonte ufficiale va rispettata ma deve essere anche compresa.
Corretto non significa adatto a qualsiasi domanda
Questo è uno dei punti metodologici più importanti. Supponiamo di conoscere il numero delle presenze nelle strutture ricettive. Il dato può essere perfettamente corretto ma non risponde automaticamente alla domanda “quante persone hanno visitato Salerno?”
Perché non comprende necessariamente:
- visitatori giornalieri;
- escursionisti;
- crocieristi che non pernottano;
- persone ospitate fuori città;
- altre forme di presenza non comprese nella rilevazione.
Il problema non è la qualità del dato ma utilizzare un dato corretto per rispondere a una domanda diversa da quella per cui è stato prodotto.
Ogni dato ha un campo di validità
Un dataset dovrebbe quindi essere accompagnato da informazioni sul proprio campo di validità:
- Che cosa misura?
- Che cosa non misura?
- Quale territorio rappresenta?
- Quale periodo?
- Quale popolazione?
- Quale metodologia?
Queste informazioni impediscono interpretazioni eccessive. Una delle forme più pericolose di cattiva informazione non è il dato falso quanto il dato vero utilizzato fuori contesto.
La qualità non è una sola cosa
Quando diciamo che un dato è “di qualità” possiamo intendere caratteristiche differenti. Possiamo distinguere almeno:
accuratezza il dato rappresenta correttamente ciò che dichiara di misurare?
completezza quanti valori o casi mancano?
aggiornamento quanto è recente?
coerenza le categorie e le regole sono applicate in modo uniforme?
copertura quale parte del fenomeno viene effettivamente rilevata?
comparabilità possiamo confrontarlo con altri periodi o territori?
tracciabilità possiamo risalire alla fonte?
accessibilità possiamo ottenerlo e comprenderlo?
La qualità è quindi multidimensionale.
L'accuratezza
Un indirizzo sbagliato è un problema di accuratezza.
- Una coordinata errata può posizionare un museo nel punto sbagliato della mappa.
- Un orario inesatto può far trovare chiuso un luogo che il sistema indicava come aperto.
Nei servizi rivolti direttamente alle persone, anche piccoli errori possono compromettere rapidamente la fiducia.
L'accuratezza non è quindi soltanto una questione statistica ma parte dell'esperienza del servizio.
La completezza
Un dataset può essere corretto ma incompleto. Immaginiamo un elenco di luoghi culturali nel quale manchino diverse realtà. Le schede presenti sono accurate ma la rappresentazione della città è parziale.
La completezza deve quindi essere valutata rispetto all'universo che intendiamo rappresentare. Quando non possiamo garantire la copertura completa, dobbiamo dichiararlo.
Non nascondere i campi mancanti
Un altro errore consiste nel trasformare l'assenza di informazione in un valore apparentemente positivo. Se non conosciamo l'accessibilità di un luogo, non dobbiamo interpretare automaticamente l'assenza del dato come “non accessibile” oppure “accessibile”.
Dobbiamo poter indicare: informazione non disponibile.
Il “non sappiamo” è una categoria informativa legittima ed anzi, rende visibile una priorità di verifica.
L'aggiornamento
Un'informazione può essere stata corretta nel momento in cui è stata raccolta e diventare errata successivamente.
- Gli orari cambiano.
- Le attività chiudono.
- Le fermate vengono spostate.
- Gli eventi vengono annullati.
- Le strutture modificano i servizi.
Per questo la qualità deve includere sempre il tempo.
La domanda fondamentale: aggiornato quando?
Ogni informazione soggetta a cambiamento dovrebbe indicare, quando utile, ultimo aggiornamento oppure ultima verifica.
Questa semplice informazione consente all'utente di valutare la freschezza del dato. Un orario verificato ieri e uno verificato tre anni fa non hanno lo stesso grado di affidabilità.
Frequenze differenti
Non tutti i dati devono essere aggiornati alla stessa velocità.
Possiamo immaginare:
tempo reale o quasi reale per alcune informazioni di mobilità;
giornaliero per eventi e variazioni operative;
periodico per strutture e servizi;
mensile o trimestrale per alcuni indicatori;
annuale per serie statistiche;
occasionale per informazioni strutturali che cambiano raramente.
L'aggiornamento deve essere coerente con la natura dell'informazione.
Aggiornare troppo può essere inutile
Anche qui la tecnologia non deve diventare un fine. Un dato che cambia una volta all'anno non diventa migliore perché viene verificato ogni ora. La frequenza di aggiornamento deve essere proporzionata:
- al ritmo del fenomeno;
- al costo della verifica;
- al rischio prodotto da un dato obsoleto;
- all'utilizzo previsto.
L'obiettivo è informazione sufficientemente aggiornata, non aggiornamento compulsivo.
Stabilire una responsabilità
Per ogni dataset importante dovrebbe essere chiaro:
- chi lo aggiorna?
- chi verifica gli errori?
- chi interviene se la fonte cambia?
- chi comunica eventuali interruzioni?
Senza una responsabilità riconoscibile, l'aggiornamento diventa casuale. Un sistema può essere tecnicamente perfetto e fallire semplicemente perché nessuno sa chi debba occuparsene.
Il responsabile del dato
Possiamo introdurre il concetto di responsabile del dato.
Può essere il soggetto o l'ufficio che possiede la competenza sul dataset e non necessariamente una nuova figura amministrativa.
Il suo compito è garantire almeno:
- origine;
- aggiornamento;
- documentazione;
- correzione.
La governance precisa sarà affrontata più avanti. Qui ci interessa fissare il principio: un dato importante non dovrebbe essere senza responsabilità.
Aggiornamento automatico e verifica umana
Quando possibile, i sistemi possono aggiornarsi automaticamente dalla fonte. Questo riduce il lavoro manuale ma l'automazione non elimina la necessità di controllo. Possiamo avere:
- API funzionante;
- formato corretto;
- aggiornamento avvenuto;
- e contemporaneamente un contenuto errato alla fonte.
Automazione e controllo umano devono quindi collaborare.
La fonte può cambiare struttura
Un problema frequente nei sistemi automatici è che la fonte modifica:
- campi;
- formato;
- indirizzo dell'API;
- classificazioni.
Il sistema che riutilizza quei dati può smettere di funzionare oppure, peggio, continuare a funzionare interpretandoli male. Serve quindi un monitoraggio delle integrazioni.
L'interoperabilità non è un collegamento realizzato una volta per sempre ma una relazione da mantenere.
Validazione automatica
Alcuni controlli possono essere effettuati automaticamente. Ad esempio:
- una data ha un formato valido?
- una coordinata cade effettivamente nell'area prevista?
- un campo obbligatorio è vuoto?
- esistono duplicati?
- un valore numerico supera limiti plausibili?
Questi controlli non stabiliscono da soli se il dato è vero ma possono individuare rapidamente molte anomalie.
La macchina individua l'anomalia, la persona valuta il significato
Supponiamo che il numero delle presenze aumenti improvvisamente del 300%. Un controllo automatico può segnalarlo come anomalia ma non può sapere immediatamente se si tratta di:
- errore;
- cambiamento metodologico;
- evento eccezionale;
- recupero di dati precedentemente mancanti;
- fenomeno reale.
La qualità nasce quindi dall'incontro tra controllo automatico e interpretazione competente.
Duplicati
Uno dei problemi più comuni nei database è la presenza di duplicati:
- Lo stesso luogo può essere inserito due volte con nomi leggermente differenti.
- Lo stesso evento replicato da fonti diverse.
- La stessa struttura presente con indirizzi scritti in maniera differente.
Gli identificatori stabili e le procedure di normalizzazione aiutano a individuare questi casi ma anche qui può essere necessaria una verifica. Due nomi simili non significano sempre la stessa entità.
Errori geografici
Le coordinate richiedono particolare attenzione. Un luogo può essere:
- posizionato sull'edificio sbagliato;
- associato al centro di un CAP;
- geolocalizzato automaticamente in modo impreciso;
- duplicato.
Una mappa rende gli errori particolarmente visibili. Per questo la verifica geografica dovrebbe far parte delle procedure di qualità per i dataset territoriali.
La qualità delle classificazioni
Anche classificare è una forma di interpretazione. Un luogo è:
- museo?
- monumento?
- spazio culturale?
- attrazione?
Più categorie possono essere appropriate.
L'importante è che le regole siano:
- coerenti;
- documentate;
- possibilmente basate su vocabolari condivisi.
Cambiare classificazione senza documentarlo può compromettere le comparazioni storiche.
Quando cambia la metodologia
Immaginiamo una serie statistica dal 2020 al 2030. Nel 2027 cambia il metodo di raccolta e il numero del 2027 potrebbe non essere direttamente comparabile con quello del 2026. Se la modifica non viene dichiarata, potremmo interpretare come crescita o diminuzione ciò che è semplicemente un effetto metodologico.
Ogni cambiamento significativo nella metodologia deve quindi essere documentato.
Le serie storiche hanno bisogno di memoria metodologica
Non basta conservare i valori. Dobbiamo conservare anche:
- definizioni;
- categorie;
- metodi;
- cambiamenti.
Una serie storica senza memoria metodologica può diventare ingannevole. La documentazione deve quindi accompagnare i dati nel tempo.
Versionare i dataset
Quando un dataset viene aggiornato può essere utile conservarne le versioni:
- Versione 2026.
- Versione 2027.
- Versione 2028.
Oppure versioni datate più frequenti.
Questo permette di ricostruire:
- come è cambiato il dato;
- quando è stata effettuata una correzione;
- quale informazione era disponibile in un determinato momento.
La versione è una forma di memoria.
Correzione non significa cancellazione della storia
Supponiamo che scopriamo un errore in un dataset pubblicato. Dobbiamo correggerlo. Ma può essere utile conservare traccia del fatto che:
- il valore precedente era errato;
- è stato modificato;
- in quale data;
- per quale motivo.
Non sempre serve mostrare pubblicamente ogni dettaglio ma il sistema dovrebbe consentire una sufficiente tracciabilità.
Stato del dato
Possiamo associare alle informazioni uno stato. Ad esempio:
ufficiale prodotto dalla fonte competente;
verificato controllato attraverso procedure definite;
derivato calcolato da altri dati;
stimato ottenuto attraverso una metodologia di stima;
partecipativo derivato da un processo di ascolto;
segnalato non ancora verificato;
storico non più corrente ma conservato.
Questo impedisce di presentare informazioni di natura diversa come se fossero equivalenti.
Il dato stimato non è un dato di serie B
Una stima può essere estremamente utile, pensiamo ad esempio al numero di visitatori giornalieri, difficile da conoscere con precisione. Potremmo costruire una stima utilizzando fonti differenti ma l'importante è non presentarla come misura esatta.
Dobbiamo indicare:
- metodologia;
- margine di incertezza, quando disponibile;
- fonti;
- periodo.
La trasparenza rende la stima utilizzabile.
Anche il dato partecipativo ha valore
Questionari, segnalazioni e processi di ascolto possono produrre informazioni preziose ma bisogna sapere sempre cosa rappresentano.
Se 300 persone rispondono a un questionario online non possiamo automaticamente affermare: “i cittadini di Salerno pensano...”
Possiamo affermare: “tra i partecipanti al questionario...”
e spiegare come sono stati raccolti i contributi. Il valore del dato aumenta quando non gli attribuiamo più significato di quello che possiede.
Campione e universo
Questo vale anche per le indagini sui visitatori. Se intervistiamo soltanto persone che pernottano in albergo, non stiamo osservando:
- tutti i visitatori;
- tutti i crocieristi;
- tutti gli escursionisti giornalieri.
Il campione deve essere descritto:
- Numero delle risposte.
- Luogo della rilevazione.
- Periodo.
- Modalità.
- Lingue.
- Criteri di selezione.
Senza queste informazioni il risultato è difficile da interpretare.
Una percentuale senza denominatore racconta poco
Dire “il 70% è soddisfatto” produce immediatamente un'impressione. Ma dobbiamo sapere:
- 70% di quanti?
- chi sono?
- come sono stati selezionati?
- quale domanda è stata posta?
- quali alternative erano disponibili?
La qualità della conoscenza dipende spesso da ciò che sta dietro il numero.
Documentare le domande
Quando utilizziamo questionari, anche il testo della domanda dovrebbe essere conservato. Due domande apparentemente simili possono produrre risultati differenti.
“Sei soddisfatto della mobilità?” non equivale a “Quanto sei soddisfatto del trasporto pubblico utilizzato durante la visita?”
Conservare i questionari permette di confrontare correttamente le indagini nel tempo.
La comparabilità
Se vogliamo capire se una situazione migliora, dobbiamo poter confrontare. Ma confrontare richiede stabilità:
- Stesse definizioni.
- Stesse unità.
- Metodologie compatibili.
- Periodi equivalenti.
- Territori equivalenti.
Quando qualcosa cambia, dobbiamo segnalarlo altrimenti confrontiamo numeri che sembrano simili ma descrivono fenomeni differenti.
Comune e provincia non sono intercambiabili
Un caso importante per Salerno riguarda la scala territoriale. Possiamo trovare dati molto utili relativi alla Provincia di Salerno ma non possiamo utilizzare automaticamente una percentuale provinciale come se descrivesse il Comune capoluogo.
Lo stesso vale per:
- Costiera Amalfitana;
- Cilento;
- area regionale;
- singoli quartieri.
Ogni dato deve portare con sé la propria geografia.
Anche il tempo ha una geografia
Il turismo cambia profondamente durante l'anno:
- Luci d'Artista.
- Periodo estivo.
- Festività.
- Weekend.
- Eventi straordinari.
Un dato annuale può nascondere differenze enormi tra periodi. Quindi per alcune domande serve quindi una granularità temporale più fine:
- Mese.
- Settimana.
- Giorno.
- Fascia oraria.
La qualità dipende anche dalla risoluzione necessaria per rispondere alla domanda.
Non raccogliere dettagli inutili
Ma maggiore dettaglio non significa automaticamente migliore qualità. Raccogliere dati estremamente granulari può:
- aumentare costi;
- aumentare rischi per la privacy;
- rendere più complessa la gestione;
- produrre informazioni mai utilizzate.
La regola dovrebbe essere: raccogliere il dettaglio necessario alla domanda, non tutto il dettaglio tecnicamente possibile.
Qualità e privacy
La qualità del dato comprende anche il rispetto dei diritti delle persone.
Un sistema non è di qualità se produce analisi accurate violando inutilmente la privacy.
La minimizzazione è parte della buona progettazione.
Per conoscere un fenomeno aggregato spesso non serve conoscere l'identità degli individui.
Anonimizzare non è cancellare il nome
Un dataset può risultare identificabile anche senza nome e cognome. Combinazioni di:
- età;
- luogo;
- data;
- professione;
- altre caratteristiche
possono permettere in alcuni casi di risalire a una persona. L'anonimizzazione deve quindi essere valutata con attenzione e - quando necessario - i dati devono essere aggregati in modo adeguato.
Qualità significa anche non produrre falsa precisione
Un numero come 12.483 visitatori se derivato da una stima approssimativa può comunicare una precisione inesistente. In alcuni casi sarebbe più corretto indicare circa 12.500 oppure un intervallo.
La precisione della rappresentazione dovrebbe essere coerente con quella della misurazione e non dobbiamo trasformare l'incertezza in una falsa certezza attraverso troppi decimali.
Dichiarare l'incertezza
La conoscenza pubblica migliora quando è capace di dire:
- questo lo sappiamo con buona precisione;
- questo è una stima;
- questo è ancora incerto;
- questo non lo sappiamo.
Ammettere l'incertezza non indebolisce il Piano anzi lo rende più credibile.
Un semaforo della qualità?
Per rendere comprensibili i limiti dei dataset potremmo immaginare indicatori sintetici. Ad esempio valutazioni su:
- aggiornamento;
- completezza;
- copertura;
- documentazione.
Un sistema semplice può aiutare l'utente a capire immediatamente se sta utilizzando una fonte molto solida o un dataset ancora sperimentale.
Naturalmente una classificazione sintetica non deve sostituire la documentazione, può soltanto facilitarne la lettura.
Evitare un unico voto alla qualità
Attribuire semplicemente qualità: 8/10 rischia però di essere fuorviante. Un dataset può essere:
- molto aggiornato;
- poco completo;
- molto accurato sui casi presenti;
- difficile da confrontare storicamente.
È quindi preferibile mostrare più dimensioni piuttosto che ridurre tutto a un solo punteggio.
La qualità può migliorare nel tempo
Non dobbiamo aspettare il dataset perfetto prima di pubblicare. Potremmo iniziare con un dataset:
- parziale;
- documentato;
- con limiti dichiarati.
Poi:
- Migliorarlo.
- Aggiungere campi.
- Correggere errori.
- Ampliare la copertura.
- Migliorare l'aggiornamento.
Il modello è quello del miglioramento continuo.
Pubblicare i limiti aumenta la fiducia
Può sembrare controintuitivo. Un'amministrazione potrebbe temere che dichiarare i problemi di un dataset ne riduca il valore. Accade spesso il contrario. Scrivere chiaramente “copertura parziale” oppure “ultimo aggiornamento disponibile: ...” permette all'utente di utilizzarlo correttamente.
Nascondere i limiti produce invece conclusioni sbagliate e, quando l'errore emerge, riduce la fiducia nel sistema.
Un dato contestabile è un dato più forte
Se pubblichiamo:
- fonte;
- metodologia;
- dataset;
- definizioni;
possiamo permettere a qualcuno di contestare un'analisi. Questo non è un problema ma èuno degli obiettivi dell'apertura. Una persona può dire:
- “questa metodologia non considera questo fenomeno”.
- Un ricercatore può proporre un'interpretazione diversa.
- Un'associazione può individuare una lacuna.
La conoscenza migliora attraverso il confronto.
Il dato non deve essere utilizzato come argomento di autorità
Dire “lo dicono i dati” può diventare una forma nuova di chiusura della discussione. I dati devono essere:
- mostrati;
- contestualizzati;
- interpretati.
Persone differenti possono partire dagli stessi dati e proporre scelte differenti.
Il dato limita alcune affermazioni infondate ma non elimina il pluralismo delle decisioni.
La qualità della decisione
Supponiamo di avere dati affidabili che mostrano un aumento delle presenze. La decisione politica potrebbe essere:
- incentivare ulteriormente la crescita;
- distribuire i flussi;
- puntare sulla permanenza;
- limitare determinate pressioni;
- investire sulla qualità;
- destagionalizzare.
Il dato descrive una condizione. La scelta stabilisce che cosa vogliamo fare di quella condizione.
La conoscenza rende la politica verificabile
Il vantaggio di una buona infrastruttura conoscitiva è un altro. Se una decisione viene motivata attraverso determinati dati e obiettivi, possiamo successivamente verificare:
- cosa è stato fatto;
- cosa è cambiato;
- se il risultato atteso si è verificato.
La conoscenza non sostituisce la politica.
La rende:
più motivata;
più trasparente;
più verificabile.
Dal dato all'indicatore
Più avanti nel Piano utilizzeremo indicatori. Ogni indicatore dovrà poter essere ricostruito a partire dai propri dati.
Ad esempio permanenza media non dovrebbe essere soltanto un numero in una dashboard.
Dovrebbe avere:
- definizione;
- formula;
- fonte;
- periodo;
- territorio;
- aggiornamento.
In questo modo possiamo sapere esattamente che cosa stiamo misurando.
Dal dato alla decisione e ritorno
Possiamo costruire un ciclo:
dato
↓
analisi
↓
decisione
↓
azione
↓
risultato
↓
nuovo dato
↓
valutazione
Il dato non è quindi soltanto ciò che precede la decisione ma serve anche a capire che cosa è successo dopo.
La qualità deve riguardare anche i risultati
Una politica pubblica può dichiarare di aver realizzato un intervento. Ma dobbiamo distinguere output (ciò che è stato fatto) e outcome (ciò che è cambiato).
Ad esempio: “abbiamo aperto tre infopoint” è un output.
“i visitatori trovano più facilmente le informazioni” è un possibile outcome.
Per conoscere il secondo abbiamo bisogno di misurare gli effetti.
L'infrastruttura deve imparare
La vera forza del sistema non consiste nel possedere sempre il dato perfetto ma nella capacità di:
- scoprire errori;
- correggerli;
- registrare i cambiamenti;
- migliorare le fonti;
- aggiornare le metodologie.
Una città intelligente non è una città che non sbaglia mai ma una città che impara dai propri dati e dai propri errori.
Il registro delle fonti
La Banca Dati Turistica Aperta dovrebbe quindi possedere anche un vero catalogo delle fonti. Per ciascuna fonte:
- nome;
- soggetto responsabile;
- dataset disponibili;
- territorio;
- periodo;
- frequenza;
- modalità di accesso;
- licenza;
- metodologia;
- livello di aggiornamento;
- eventuali criticità.
Questo registro diventerebbe una delle componenti fondamentali della memoria turistica cittadina.
Una scheda di qualità per ogni dataset
Possiamo immaginare una scheda pubblica contenente almeno:
Fonte chi produce il dato.
Descrizione cosa misura.
Copertura territorio e popolazione rappresentati.
Periodo intervallo temporale.
Aggiornamento frequenza e ultima data disponibile.
Formato come viene distribuito.
Licenza condizioni di riuso.
Metodologia come viene prodotto.
Completezza eventuali lacune note.
Versione edizione del dataset.
Contatto responsabile o canale per segnalazioni.
Note di qualità limiti e criticità.
Una struttura semplice ma sufficiente per evitare che il dato venga utilizzato alla cieca.
La correzione come servizio pubblico
Se un cittadino, un ricercatore o un operatore individua un errore dovrebbe poterlo segnalare. La segnalazione deve poter seguire un percorso riconoscibile:
ricevuta
↓
verificata
↓
accettata o respinta
↓
correzione
↓
aggiornamento
↓
restituzione
La qualità non dipende soltanto da chi produce il dato ma anche dall'intera comunità che lo utilizza.
Anche una segnalazione respinta produce informazione
Se una segnalazione viene verificata e risulta infondata, il processo non è inutile.
Abbiamo controllato il dato.
Abbiamo aumentato la nostra conoscenza.
Quando possibile, spiegare la motivazione della mancata correzione rafforza la trasparenza.
Partecipazione non significa che ogni segnalazione debba diventare modifica ma che deve poter essere ascoltata e valutata.
Il dato come processo, non come oggetto
Siamo abituati a immaginare il dato come una cosa:
- Un numero.
- Una riga.
- Un file.
Ma in una buona infrastruttura il dato è anche un processo:
nasce;
viene documentato;
viene verificato;
viene pubblicato;
viene utilizzato;
viene contestato;
viene corretto;
viene aggiornato;
diventa storico.
La qualità riguarda l'intero ciclo di vita.
Un ciclo di vita del dato
Possiamo rappresentarlo così:
produzione
↓
validazione
↓
documentazione
↓
pubblicazione
↓
riuso
↓
segnalazione
↓
correzione
↓
aggiornamento
↓
archiviazione
↓
nuova versione
Il sistema deve essere progettato per accompagnare questo ciclo.
Chi controlla la qualità?
Non può esserci una sola risposta.
- Il produttore controlla la fonte.
- Il sistema può eseguire verifiche automatiche.
- Gli operatori conoscono il fenomeno.
- I ricercatori possono analizzare incoerenze.
- I cittadini possono segnalare errori.
- Gli utilizzatori scoprono problemi durante il riuso.
La qualità può essere quindi il risultato di una responsabilità distribuita ma organizzata.
La qualità non deve diventare burocrazia
Esiste però un rischio: Creare procedure così complesse da impedire la pubblicazione.
- Moduli.
- Autorizzazioni.
- Controlli infiniti.
- Certificazioni sproporzionate.
Il sistema deve essere rigoroso ma sostenibile e non tutti i dataset richiedono lo stesso livello di controllo.Un dato utilizzato per una decisione strategica richiederà maggiore attenzione di una semplice informazione descrittiva.
Qualità proporzionata all'impatto
Possiamo quindi formulare un criterio: maggiore è l'impatto potenziale del dato, maggiore deve essere il livello di verifica.
- Un errore in una breve descrizione può essere fastidioso.
- Un errore in un indicatore utilizzato per distribuire risorse pubbliche può avere conseguenze molto più importanti.
Le procedure devono essere proporzionate.
Il valore della continuità
La qualità non deriva soltanto dalla precisione della singola rilevazione ma anche dalla continuità.
Una buona indagine svolta una sola volta offre una fotografia mentre la stessa indagine ripetuta periodicamente può mostrare:
- tendenze;
- cambiamenti;
- effetti delle politiche.
La continuità trasforma l'informazione in memoria.
Non ricominciare ogni volta da zero
Questo è uno dei punti centrali dell'intero progetto. Salerno ha già prodotto studi, indagini e dati. Il problema è che non bisogna continuare a produrre nuovi documenti isolati.
Ogni nuova ricerca dovrebbe poter lasciare:
- dataset;
- metodologia;
- questionari;
- definizioni;
- documentazione;
- serie storiche.
In modo che la ricerca successiva possa partire da ciò che esiste.
La conoscenza come patrimonio cumulativo
Una città dovrebbe conoscere più cose di sé nel 2030 di quante ne conosceva nel 2026 e nel 2040 più di quante ne conosceva nel 2030.
Non perché raccoglie continuamente qualsiasi dato ma perché conserva e collega ciò che ha imparato.
La conoscenza deve essere cumulativa.
Un'infrastruttura che sopravvive alle amministrazioni
- Sindaci cambiano.
- Assessori cambiano.
- Dirigenti cambiano.
- Priorità politiche cambiano.
Un sistema di conoscenza dovrebbe essere capace di continuare.
Le nuove amministrazioni potranno naturalmente modificare le politiche ma dovrebbero ereditare:
- serie storiche;
- fonti;
- metodologie;
- indicatori;
- documentazione.
Una città non dovrebbe perdere memoria ogni volta che cambia chi la governa.
La continuità non limita la politica
Al contrario. Una nuova amministrazione può contestare completamente le scelte precedenti ma potrà farlo disponendo di una base conoscitiva migliore.
Conservare i dati non significa conservare le decisioni. Significa conservare la possibilità di valutarle.
Conoscere per poter cambiare
Possiamo quindi tornare al principio generale di Salerno Turismo Aperto.
La conoscenza non serve a rendere definitiva una scelta ma serve anche a riconoscere quando una scelta non funziona.
Se gli indicatori mostrano risultati differenti da quelli attesi, il Piano deve poter essere corretto.
Una politica incapace di cambiare davanti all'evidenza trasforma i dati in semplice decorazione.
La qualità è anche disponibilità al dubbio
Un'infrastruttura affidabile non deve promettere certezze assolute. Deve essere capace di distinguere:
- ciò che sappiamo;
- ciò che stimiamo;
- ciò che discutiamo;
- ciò che non sappiamo ancora.
Questo rende possibile una decisione più matura. La conoscenza di qualità non elimina il dubbio. Gli dà una forma verificabile.