Primul numar al ziarului Guardian a fost publicat la Manchester in data de 5 mai 1821. Conform uzantelor din acele vremuri, stirile ocupau ultima pagina, iar printre acestea se afla un tabel care prezenta intr-o maniera usor de inteles costurile suportate de scolile din zona. Nu stiu daca acesta este primul exemplu de prezentare a faptelor intr-o maniera numerica, dar este cert ca nu era un obicei raspandit in epoca si, cu siguranta, dificultatile in culegerea si procesarea datelor primare (caci despre asta este de fapt vorba) erau majore. In schimb, suportul pe care puteau sa-l ofere unui material publicat era semnificativ.

Astazi, jurnalismul nici nu poate fi conceput fara computere si internet. Incepand cu redactarea articolelor sau punerea in pagina si terminand cu documentarea si chiar culegerea unor informatii valoroase din surse mai mult sau mai putin oficiale. In acest context a aparut o noua specie, numita "data journalism", care se ocupa cam cu ceea ce primul numar din Guardian a realizat la inceputul secolului XIX, dar la cu totul alta scara. E vorba, in esenta, de culegerea si asamblarea datelor primare, prezentarea lor in forme cat mai sugestive si, in final, interpretarea lor in contextul unui articol sau mixarea diferitelor seturi de date pentru a obtine noi rezultate. Pare simplu la prima vedere, insa problemele cu care jurnalistul de date se confrunta sunt numeroase si nu intotdeauna banale. Prima dintre ele este ca profesia lui se afla la intersectia dintre jurnalism si informatica, asa ca va avea nevoie de o dubla pregatire. De-abia de-aici incepe aventura.

Gasirea si culegerea datelor este o arta in sine. Exista, desigur, numeroase surse publice de date, dar foarte adesea cele mai relevante pentru un anume subiect sunt greu de gasit. Insa presupunand ca le-am gasit, vom constata ca cel mai adesea sunt disponibile in formate care nu se potrivesc cu instrumentele uzuale de stocare si interogare. Ca exemplificare, sa presupunem ca ne intereseaza datele de la ultimul recensamant al populatiei (2002), pentru ca dimensiunea demografica este importanta in foarte multe analize. Rezultatele sumare sunt prezentate ca tabele HTML, analiza rezultatelor preliminare este un document in format Word intesat cu tabele, in vreme ce rezultatele preliminare sunt livrate ca o arhiva cuprinzand cateva zeci de fisiere PDF.

Jurnalistul de date va trebui probabil sa foloseasca cateva programe specializate sau chiar sa scrie propriile programe pentru a aduce datele intr-o forma unitara si apoi sa le transforme intr-o structura utilizabila in analize si prezentari. Mai apare si problema spinoasa a "curatarii" datelor, mai ales cand provin din mai multe surse, fiindca se folosesc conventii si reprezentari diferite si nu intotdeauna corecte - e suficient sa ne gandim la nenumaratele moduri in care se scriu datele calendaristice.

Interogarea si analiza datelor odata culese va necesita pe de-o parte abilitati informatice, deoarece va fi implicata probabil o baza de date, dar chiar si in cazul unui spreadsheet lucrurile pot fi complicate si probabil sa ceara ceva programare. Analiza este la randul ei pretentioasa si va pune in joc cunostinte de statistica, precum si abilitati de utilizare a unor instrumente specializate capabile sa realizeze "felieri" (slicing), rezumate si detalieri (drill-up/down) si altele asemenea.

Chiar daca nu se ajunge pana la "minerit" (data mining) pentru descoperirea unor tipare, jurnalistului de date ii trebuie si un anume fler, un simt care sa-l ajute sa sesizeze discrepantele sau sa evidentieze evolutiile si tendintele. Chiar daca forma grafica a prezentarii datelor este treaba designerului, tot jurnalistul de date trebuie sa decida tipurile de grafice, modul de tabelare si nivelul de detaliere, aspectele care trebuie evidentiate si asa mai departe. Lucrurile nu se termina insa odata cu publicarea. Datele trebuie intretinute, imbogatite, contextualizate si, nu in ultimul rand, partajate cu publicul si confratii de breasla, astfel incat sa permita celor interesati abordari noi sau combinatii de date din diverse surse (mashups).

The Guardian este astazi unul dintre reperele jurnalismului de date. O intreaga sectiune a site-ului cotidianului se cheama DataStore, iar datele culese pe diverse tematici sunt puse la dispozitia publicului in diverse forme. Din fericire pentru englezi, majoritatea informatiilor publice de la ei sunt cu adevarat publice si accesibile. Din nefericire pentru noi, mai avem mult pana acolo.