Was gilt es zu vermeiden?

Ehrenamtliche, unter anderem aus dem Netzwerk Code for Germany, befassen sich seit vielen Jahren mit konkreten Anwendungsfällen für Open Data in Kommunen und anderen Behörden. Aus diesen Erfahrungsberichten lassen sich Muster identifizieren, die erfolgreiche Open-Data-Anwendungen verhindern.

Antipatterns – Verhaltensmuster in Behörden, die Open Data konterkarieren

Beim XMAS Open Mobility Meetup haben Menschen aus der Community eine Sammlung von kontraproduktiven Vorgehensweisen bei der Veröffentlichung von Open Data erstellt. Um diese ins Bewusstsein der Handelnden zu bringen, möchten wir hier nach und nach Beispiele daraus vorstellen.

Antipatterns – Verhaltensmuster in Behörden, die Open Data konterkarieren

Der Türsteher – heute nur Gästeliste

Eine comichafte Zeichnung eines Mannes im dunklen Anzug mit Sonnenbrille, der den Zutritt zu einem Datenarchiv im Hintergrund versperrt

Sachverhalt: Die Behörde erfordert vor dem Abruf von Daten eine Registrierung in Form eines eigenen Kontos.  

Warum möchte die Behörde das? Möglicherweise besteht der Wunsch, die Nutzenden der Daten zu kennen und bei Fragen, Änderungen, etc. direkt auf sie zugehen zu können oder auch einfach mehr über die tatsächliche Nutzung der Daten zu erfahren. Ein weiteres Motiv könnte es sein, Kontrolle über die Datennutzung zu behalten, etwa wenn aus Sicht der Behörde übermäßig häufig Datenabfragen gestellt werden.

Warum ist das kontraproduktiv? Jede Registrierung erhöht die Zugangshürde bei der Nutzung von Daten. Es wirkt abschreckend auf potentielle Datennutzende und widerspricht dem Grundgedanken von Open Data.  

Empfohlene Lösung: Verzicht auf eine erforderliche Registrierung. Wer etwas über die Nutzenden von Datensätzen lernen möchte, kann z.B. Feedback-Funktionen in Datenportale integrieren oder über soziale Medien/Newsletter-Formate versuchen, Nutzende zum Mitmachen zu animieren. Sollte ein Registrierungs-Modell aus Sorge vor übermäßigen Zugriffen gewählt worden sein, gibt es dafür andere mögliche Lösungen: etwa Caching-Maßnahmen und geeignete Server-Konfiguration oder die Nutzung von Zugriffs-Drosselung.  

Siehe auch: Daten nur bei Selbstabholung“  

Quelle: https://github.com/transportkollektiv/opendata-antipatterns/blob/main/patterns/registrierung.md  

Bild: Mit Stable Diffusion AI erstellt „bouncer is not letting you access the data“

Antipatterns – Verhaltensmuster in Behörden, die Open Data konterkarieren

Die Daten-Selbstdiät