Dữ liệu mở là dữ liệu mà bất kỳ ai cũng được tự do truy cập, sử dụng, chỉnh sửa và chia sẻ lại cho bất kỳ mục đích nào, kể cả thương mại, với điều kiện tối đa là ghi nguồn hoặc giữ nguyên tính mở khi chia sẻ. Đó gần như nguyên văn tinh thần của Open Definition do Open Knowledge Foundation công bố lần đầu năm 2005 và cập nhật lên bản 2.1 năm 2015.
Định nghĩa này có ba vế, thiếu một vế là không còn mở: về pháp lý, dữ liệu phải đi kèm giấy phép mở hoặc thuộc phạm vi công cộng; về kỹ thuật, phải tải được trọn bộ ở định dạng máy đọc được, không bắt mua phần mềm riêng; về chi phí, miễn phí hoặc chỉ thu phí tái tạo hợp lý. Một bảng số liệu đăng dưới dạng ảnh chụp trên trang web nhà nước là công khai, nhưng chưa phải dữ liệu mở.
Phần dưới đi qua nguồn gốc của khái niệm, các bộ nguyên tắc được trích dẫn nhiều nhất, những trường hợp hay bị gọi nhầm là mở, và một bảng kiểm để bạn tự đánh giá một bộ dữ liệu trước khi đưa vào báo cáo hay sản phẩm.
Nguồn gốc: từ khoa học chia sẻ đến chính phủ mở
Ý tưởng chia sẻ dữ liệu không mới. Giới khoa học địa vật lý đã lập các trung tâm dữ liệu thế giới từ Năm Địa vật lý Quốc tế 1957–1958 để các nước trao đổi số đo. Ngành gen học có Nguyên tắc Bermuda năm 1996, theo đó trình tự của Dự án Bộ gen Người phải được công bố công khai trong vòng 24 giờ. Cụm từ "open data" theo nghĩa hiện đại chỉ phổ biến sau năm 2000, khi internet làm chi phí sao chép gần bằng không và phong trào phần mềm nguồn mở đã chứng minh mô hình chia sẻ có thể bền.
Bước ngoặt về chính sách là cuộc họp ở Sebastopol, California, tháng 12 năm 2007, nơi khoảng ba mươi người gồm các nhà hoạt động, kỹ sư và học giả soạn ra tám nguyên tắc dữ liệu chính phủ mở. Năm 2009 Mỹ mở cổng dữ liệu liên bang, đầu năm 2010 Anh làm theo, cùng năm Ngân hàng Thế giới gỡ bỏ thuê bao cho kho chỉ số phát triển của mình. Sáng kiến Đối tác Chính phủ Mở ra đời năm 2011 và Hiến chương Dữ liệu Mở Quốc tế được công bố năm 2015, biến dữ liệu mở thành một mục trong chương trình cải cách hành chính của nhiều nước.
Ở Việt Nam, khái niệm dữ liệu mở xuất hiện trong các văn bản về chính phủ điện tử và chuyển đổi số, có cổng dữ liệu quốc gia, và Luật Dữ liệu được thông qua cuối năm 2024. Khi cần dẫn điều khoản cụ thể, bạn nên tra văn bản gốc trên cơ sở dữ liệu văn bản pháp luật chính thức vì các quy định hướng dẫn vẫn đang được ban hành bổ sung.
Tám nguyên tắc Sebastopol và ý nghĩa thực tế của từng nguyên tắc
Tám nguyên tắc năm 2007 vẫn là thước đo được trích dẫn nhiều nhất. Mỗi nguyên tắc nhắm vào một kiểu "mở nửa vời" cụ thể mà nhóm soạn thảo đã gặp:
- Đầy đủ: công bố toàn bộ dữ liệu không thuộc diện bảo mật, quyền riêng tư hay giới hạn hợp pháp khác, không chỉ phần đẹp.
- Gốc: dữ liệu ở mức chi tiết nhất có thể như khi thu thập, không chỉ bảng tổng hợp đã gộp. Bảng gộp theo tỉnh không cho ai phân tích lại theo xã.
- Kịp thời: công bố nhanh tới mức còn giữ được giá trị. Dữ liệu giao thông chậm một năm gần như vô dụng cho điều phối.
- Truy cập được: cho nhiều đối tượng người dùng và nhiều mục đích nhất có thể, không chôn sau biểu mẫu nhiều bước.
- Máy xử lý được: có cấu trúc để phần mềm đọc tự động; bảng trong tệp PDF quét không đạt.
- Không phân biệt đối xử: ai cũng lấy được, không bắt đăng ký danh tính.
- Không độc quyền định dạng: không phụ thuộc vào một phần mềm duy nhất mà chỉ một hãng kiểm soát.
- Không vướng giấy phép: không chịu quyền tác giả, bằng sáng chế, nhãn hiệu hay bí mật thương mại; giới hạn về riêng tư và an ninh vẫn được phép.
Hiến chương 2015 thêm hai tinh thần mà bộ cũ thiếu: mở theo mặc định (cơ quan phải lý giải vì sao đóng, thay vì người dân phải lý giải vì sao cần mở) và so sánh được, tương thích được (dùng mã chuẩn, đơn vị chuẩn để ghép với dữ liệu khác).
Công khai, truy cập miễn phí và mở: ba khái niệm hay bị đánh đồng
Phần lớn tranh cãi "dữ liệu này có mở không" xuất phát từ việc dùng lẫn ba khái niệm dưới đây. Bảng so sánh giúp bạn đặt đúng tên cho thứ mình đang có trong tay:
| Tiêu chí | Công khai | Truy cập miễn phí | Dữ liệu mở |
|---|---|---|---|
| Xem được không | Có, thường dạng bài viết, ảnh, PDF | Có, sau khi đăng ký hoặc qua giao diện tra cứu | Có, tải trọn bộ |
| Tải số lượng lớn | Thường không | Hạn chế, từng bản ghi | Có, toàn bộ tệp hoặc qua API |
| Định dạng | Không quan tâm | Do nhà cung cấp quyết định | Máy đọc được, không độc quyền |
| Dùng thương mại | Không rõ | Thường bị cấm trong điều khoản | Được phép |
| Chia sẻ lại, tạo sản phẩm phái sinh | Không rõ | Thường bị cấm | Được phép, có thể kèm ghi nguồn |
| Cơ sở pháp lý | Nghĩa vụ công bố thông tin | Điều khoản sử dụng của trang | Giấy phép mở hoặc phạm vi công cộng |
Ví dụ quen thuộc: một trang tra cứu cho phép nhập mã số để xem từng hồ sơ nhưng cấm thu thập tự động là truy cập miễn phí, không phải dữ liệu mở. Một bảng giá trị xuất khẩu theo tháng đăng trong thông cáo báo chí là công khai. Chỉ khi có tệp tải được kèm điều khoản cho phép tái sử dụng, nó mới là dữ liệu mở.
Năm hiểu lầm phổ biến về dữ liệu mở
"Đã đăng lên mạng là mở." Không có giấy phép thì về mặt pháp lý bạn đang dùng tài liệu có thể được bảo hộ quyền tác giả hoặc quyền đối với cơ sở dữ liệu. Sự im lặng của nhà xuất bản không phải là sự cho phép.
"Dữ liệu mở thì không được thu phí." Open Definition cho phép thu chi phí tái tạo hợp lý, ví dụ phí sao chép ra ổ đĩa. Điều bị loại là phí bản quyền theo lượt dùng và điều khoản cấm thương mại.
"Mở nghĩa là công bố cả dữ liệu cá nhân." Ngược lại, mọi bộ nguyên tắc đều loại trừ dữ liệu cá nhân, bí mật nhà nước và bí mật kinh doanh. Dữ liệu mở về bệnh viện là số giường, số ca theo nhóm bệnh, không phải hồ sơ bệnh nhân.
"Dữ liệu mở là của nhà nước." Doanh nghiệp, trường đại học, tổ chức quốc tế và cộng đồng tình nguyện đều công bố dữ liệu mở. Bản đồ cộng tác OpenStreetMap là ví dụ lớn nhất do cộng đồng làm.
"Có dữ liệu mở thì minh bạch sẽ tự đến." Các nghiên cứu về chính phủ mở nhiều lần chỉ ra khoảng cách giữa công bố và sử dụng: cổng nhiều bộ dữ liệu nhưng ít người dùng, cập nhật thưa, không ai phản hồi lỗi. Giá trị chỉ xuất hiện khi có cộng đồng người dùng, báo chí và doanh nghiệp khai thác.
Vì sao các tổ chức chịu mở dữ liệu: lập luận và bằng chứng
Có ba nhóm lập luận chính. Thứ nhất là trách nhiệm giải trình: dữ liệu ngân sách, mua sắm công, kết quả thanh tra cho phép báo chí và người dân kiểm tra cách tiêu tiền thuế. Thứ hai là giá trị kinh tế: dữ liệu đã được trả tiền thu thập một lần, mở ra thì chi phí biên gần như bằng không mà doanh nghiệp có thể xây dịch vụ mới. Ví dụ kinh điển là dữ liệu thời tiết công của Mỹ, nền móng cho cả ngành dự báo tư nhân, hay tín hiệu định vị vệ tinh được mở cho dân sự. Thứ ba là hiệu quả nội bộ: khi dữ liệu mở, chính các cơ quan khác nhau trong bộ máy cũng tìm được nhau mà không phải gửi công văn xin.
Bằng chứng định lượng thì cần đọc thận trọng. Các ước tính giá trị kinh tế toàn cầu của dữ liệu mở, như báo cáo của McKinsey năm 2013 nói tới vài nghìn tỷ USD mỗi năm, là giá trị tiềm năng dựa trên giả định, không phải giá trị đã đo. Bằng chứng chắc hơn đến từ các nghiên cứu tình huống: một bộ dữ liệu cụ thể, một nhóm người dùng cụ thể, một khoản tiết kiệm đo được. Khi trình bày với lãnh đạo, bạn nên dựa vào tình huống gần với ngành mình hơn là con số vĩ mô.
Bảng kiểm mười phút: một bộ dữ liệu có thật sự mở không
Trước khi đưa một bộ dữ liệu vào nghiên cứu hay sản phẩm thương mại, hãy trả lời lần lượt các câu dưới đây. Mỗi câu "không" là một rủi ro bạn phải ghi lại:
- Có giấy phép ghi rõ không, và đó có phải giấy phép mở được công nhận (CC0, CC BY, ODbL, giấy phép chính phủ mở) không? Nếu chỉ có "điều khoản sử dụng" của trang web, đọc kỹ mục cấm thương mại và cấm thu thập tự động.
- Tải được trọn bộ không, hay chỉ xem từng bản ghi qua giao diện tìm kiếm?
- Định dạng có máy đọc được và không độc quyền không: CSV, JSON, XML, GeoJSON thay vì PDF hay ảnh?
- Có mô tả trường dữ liệu (từ điển dữ liệu), đơn vị đo và phương pháp thu thập không?
- Có ghi ngày cập nhật và tần suất cập nhật dự kiến không? Lần cập nhật gần nhất cách đây bao lâu?
- Có đầu mối nhận phản hồi khi phát hiện lỗi không?
- Mức chi tiết có đủ cho câu hỏi của bạn không, hay chỉ có số tổng hợp?
- Có định danh ổn định (đường dẫn cố định, mã bộ dữ liệu) để trích dẫn và để chương trình của bạn gọi lại về sau không?
Một bộ dữ liệu đạt cả tám câu là hiếm. Điều quan trọng là bạn biết nó thiếu gì để quyết định có dùng không, và ghi chú giới hạn đó trong báo cáo.
Câu hỏi thường gặp
Dữ liệu mở và dữ liệu lớn khác nhau thế nào?
Hai khái niệm nằm trên hai trục khác nhau. Dữ liệu lớn nói về quy mô, tốc độ và độ đa dạng của dữ liệu; dữ liệu mở nói về quyền truy cập và tái sử dụng. Có dữ liệu lớn mà đóng, như nhật ký giao dịch của ngân hàng, và có dữ liệu mở rất nhỏ, như một bảng vài trăm dòng về trường học của một tỉnh.
Doanh nghiệp tư nhân có nên công bố dữ liệu mở không?
Tuỳ chiến lược. Doanh nghiệp thường mở dữ liệu khi muốn xây hệ sinh thái quanh sản phẩm, chứng minh minh bạch chuỗi cung ứng, hoặc khi dữ liệu không phải lợi thế cạnh tranh cốt lõi. Trước khi mở cần rà dữ liệu cá nhân, bí mật kinh doanh và nghĩa vụ hợp đồng với đối tác đã cung cấp dữ liệu.
Dữ liệu mở có được dùng để huấn luyện mô hình AI không?
Về nguyên tắc giấy phép mở cho phép mọi mục đích, nên huấn luyện mô hình thường được phép. Điều cần kiểm là điều kiện đi kèm: giấy phép chia sẻ tương tự có thể đặt câu hỏi về sản phẩm phái sinh, và dữ liệu có chứa thông tin cá nhân vẫn chịu luật bảo vệ dữ liệu cá nhân dù đã công khai.
Cơ quan nhà nước có bắt buộc công bố dữ liệu mở không?
Nhiều nước quy định nghĩa vụ này trong luật tiếp cận thông tin hoặc luật dữ liệu, kèm danh mục dữ liệu phải công bố. Ở Việt Nam, phạm vi và lộ trình được xác định trong các văn bản về dữ liệu và chuyển đổi số; bạn cần tra văn bản hiện hành để biết cơ quan cụ thể có nghĩa vụ gì.
Thế nào là định dạng máy đọc được?
Là định dạng có cấu trúc để phần mềm tách được từng trường mà không cần người đọc bằng mắt. CSV, JSON, XML là máy đọc được. Một bảng dán thành ảnh, hoặc bảng trong PDF quét, thì không, vì phải nhận dạng ký tự và rất dễ sai. Excel đọc được bằng máy nhưng là định dạng của một hãng.
Làm sao biết một bộ dữ liệu mở còn được duy trì?
Xem ngày cập nhật cuối, lịch sử phiên bản và mục báo lỗi. Dữ liệu được duy trì thường có nhật ký thay đổi, có người trả lời câu hỏi, và tần suất cập nhật khớp với lời hứa trên trang mô tả. Một bộ dữ liệu nhiều năm không đổi trong khi thực tế đã đổi là dấu hiệu bị bỏ rơi.