Il documento descrive le metodologie e le regole per la raccolta, gestione e qualità dei dati all'interno della pubblica amministrazione, con un focus particolare sui dati sanitari e anagrafici. Viene trattata la creazione di ontologie, il master data management e le pratiche di certificazione della qualità dei dati. Inoltre, viene evidenziata l'importanza di garantire l'integrità e l'accuratezza dei dati per migliorare i servizi pubblici e facilitare il riuso delle informazioni.

1. La raccolta e la conservazione della risorsa dati Caricamento delle informazioni Popolamento delle banche dati Scorrimento dei dati in superficie: accesso via web Scorrimento sotterraneo dei dati : accesso a servizi

2. Modellazione dati e semantica Livello interno alla Regione (sezione Regione) GOVERNO CONTENUTI DIGITALI Basi DatiDecisionali Regole di estrazione, integrazione e validazione dei dati Condivisione Dati PA Basi Dati Operazionali Gestione anagrafiche di riferimento (Master Data Management) Qualità dei dati (massiva e on-line) Gestione della sicurezza e normative sui dati Gestione del ciclo di vita delle informazioni Gestione dati storici Riuso Dati Pubblici Interscambio Metadati Repository, Semantica e Ontologie Certificazione qualità dei dati Regole di fornitura e fruizione dei dati Regole di accesso ai dati Regole condivise di trattamento dati Livello esterno alla PA (sezione pubblica) Portale di Valorizzazione e Accesso ai Dati Pubblici Livello interno alla PA (sezione PA)

3. Top Ontologies contiene solo un insieme molto ristretto di classi di alto livello, generali (ad es. “Entità", “Evento, “Ruolo”, …) non collegate ad alcun dominio particolare. Top-domain Ontologies contiene le classi “core” di tipo generale di un certo dominio (nel nostro caso La Pubblica Amministrazione) che si devono poter interfacciare da un lato con le “top ontologies e dall’altro con le “domain ontologies” (ad es. Soggetto  Persona fisica) Domain Ontologies includono solo le classi specifiche di un certo dominio per descrivere un certo dominio in un modo comprensibile (ad es. Paziente, Operatore Sanitario in ambito sanitario). Modellazione dei concetti di alto livello Bene Soggetto Documento Unità organizzativa Territorio Ontologia PA Macroentità Entità Microentità Attributi Soggetto Persona fisica Persona giuridica Identificazione Nascita Residenza Identificazione tributaria Identif. sanitaria Fruizione serv. Sanitari Malattie e stati sanitari … Anagrafica soggetto Localizzazione Sede Nascita impresa … Nome Cognome Comune nascita Data nascita Comune di residenza Indirizzo Data di inizio residenza Codice Fiscale Tessera sanitaria ASL di iscrizione Medico di base Diabete Tossicodipendenze … Denominazione Codice fiscale Partita IVA Comune della sede Indirizzo Data di inizio localizz. Data di inizio attività …

4. Top Ontologies contiene solo un insieme molto ristretto di classi di alto livello, generali (ad es. “Entità", “Evento, “Ruolo”,…) non collegate ad alcun dominio particolare. Top-domain Ontologies contiene le classi “core” di tipo generale di un certo dominio (nel nostro caso La Pubblica Amministrazione) che si devono poter interfacciare da un lato con le “top ontologies e dall’altro con le “domain ontologies” (ad es. Soggetto  Persona fisica) Domain Ontologies includono solo le classi specifiche di un certo dominio per descrivere un certo dominio in un modo comprensibile (ad es. Paziente, Operatore Sanitario in ambito sanitario). Modellazione dei concetti di alto livello Bene Soggetto Documento Unità organizzativa Territorio Macro Dominio : Sanità Macroentità Entità Microentità Attributi Soggetto Persona fisica Identificazione Nascita Residenza Identificazione tributaria Identif. sanitaria Fruizione serv. Sanitari Malattie e stati sanitari … Nome Cognome Comune nascita Data nascita Comune di residenza Indirizzo Data di inizio residenza Codice Fiscale Tessera sanitaria ASL di iscrizione Medico di base Diabete Tossicodipendenze …

5. Mappa concettuale dominio Sanità Prestazioni DEA Prescrizioni farmaceutiche Ricoveri Assistibili Strutture Sanitarie Medici di base Scelta e revoca Bene Soggetto Documento Unità organizzativa Territorio Ontologia PA

6. Analisi del sistema di banche dati sanità Cartografia (disordinata) banche dati sanitarie

7. Cartografia (organizzata) banche dati sanitarie Personale sanitario Assistiti Strutture sanitarie Pianificazione Controllo Analisi Epidemiologiche Debito informativo verso lo stato Informazione verso i cittadini Attività Territoriali Attività di Prevenzione Attività Ospedaliera

8. Processi di alimentazione e aggregazione dalle Aziende alla Regione Calcolo Indicatori Dw Prest Dw SDO Dw Farma PA Cedap PA Dati contabili Tempi attesa Dati di produzione Registrazione Ricette Anag. personale Flussi regionali Prest SDO F BAR Cedap FEC TA Presc. Farma Ruoli PA SPI SceRev CNU Scelta Revoca Stipendi

9. Mondo Gestionale Mondo Decisionale CATALOGO DATI E SERVIZI > Banche dati Operazionali Flussi Regionali Organizzazione a piramide dei dati sanitari Piani di attività / Controllo di gestione Sistema Indicatori Cruscotto Direzionale Medico di Base - Budget di distretto Assistito Strutture Data mart Trasversali Farmaceutica Ricoveri Pronto Soccorso Stipendi Ambulatoriale SPIDI Prenotazioni Screening Formazione AssenzePresenze ADI Data mart Settoriali Strutture Sanitarie Personale sanitario - Ruoli Assistibili - BAR Data mart Anagrafici

10. Gestione di anagrafiche Livello interno alla Regione (sezione Regione) GOVERNO CONTENUTI DIGITALI Basi DatiDecisionali Regole di estrazione, integrazione e validazione dei dati Condivisione Dati PA Basi Dati Operazionali Gestione anagrafiche di riferimento (Master Data Management) Qualità dei dati (massiva e on-line) Gestione della sicurezza e normative sui dati Gestione del ciclo di vita delle informazioni Gestione dati storici Riuso Dati Pubblici Interscambio Metadati Repository, Semantica e Ontologie Certificazione qualità dei dati Regole di fornitura e fruizione dei dati Regole di accesso ai dati Regole condivise di trattamento dati Livello esterno alla PA (sezione pubblica) Portale di Valorizzazione e Accesso ai Dati Pubblici Livello interno alla PA (sezione PA)

11. Gestione Anagrafiche o Master Data Management

12. Anagrafiche Bene Soggetto Documento Unità organizzativa Territorio

13. Tavole Trasversali

14. Gestione della qualità dei dati Livello interno alla Regione (sezione Regione) GOVERNO CONTENUTI DIGITALI Basi DatiDecisionali Regole di estrazione, integrazione e validazione dei dati Condivisione Dati PA Basi Dati Operazionali Gestione anagrafiche di riferimento (Master Data Management) Qualità dei dati (massiva e on-line) Gestione della sicurezza e normative sui dati Gestione del ciclo di vita delle informazioni Gestione dati storici Riuso Dati Pubblici Interscambio Metadati Repository, Semantica e Ontologie Certificazione qualità dei dati Regole di fornitura e fruizione dei dati Regole di accesso ai dati Regole condivise di trattamento dati Livello esterno alla PA (sezione pubblica) Portale di Valorizzazione e Accesso ai Dati Pubblici Livello interno alla PA (sezione PA)

15. Documento di linee guida metodologiche , sia generali sia applicate al contesto CSI, che portano a delineare le azioni da intraprendere per migliorare la qualità dei dati (realizzato nell'ambito del progetto regionale " Valorizzazione Basi Dati SiRe” ) - 2005 Practical data quality certification : model, architecture, and experiences - Silvana Raffa, CSI Piemonte - Paolo Missier, School of Computer Science The University of Manchester, UK & Alessandro Oliaro, Department of Mathematics Università degli Studi di Torino. Presentato al 3rd International ACM SIGMOD Workshop on Information Quality in Information Systems (IQIS 2006), Chicago Qualità dei Dati – aspetti metodologici e studi

16. L’idea di certificazione di qualita’ per i dati S.I. utente delle risorse di A Interfaccia dei servizi Implementazione dei servizi offerti Risorse dati Anagrafe Consistenza Tempestività Flusso dati Sistema A Contratto livelli di servizio (SLA) + Contratto qualità dei dati (QLA) + Certificato di qualità + Ci si attende che questo scenario fornisca motivazioni forti per nuovi investimenti in progetti di qualità dell’informazione

17. Certificato di qualità dei dati Indica il grado di conformita’ del dato rispetto ai criteri definiti Nota: non garantisce la “bonta’ del dato” Puo’ anche indicare che un dato non e’ conforme Informazione piu’ generale e piu’ utile Certificatodi Qualità dei dati

18. Qualità dei dati: assoluta o relativa? La qualità di un dato non è qualcosa di assoluto, ma dipende dall’utilizzo che si vuole fare del dato. Un consumatore per acquistare un prodotto sa l’uso che ne vuole farne e attraverso le “ etichette ” presenti sul prodotto può decidere se è adeguato a tale uso. Qualità dei dati

19. Processo di definizione dei criteri di qualita’– I dati delle aziende Individuazione del contesto d’uso dei dati Nel caso di scambio/acquisto dati, i criteri e i metodi corrispondenti a questo modello sono spesso difficili da esplicitare Individuazione delle caratteristiche prioritarie rispetto al contesto d’uso Individuazione degli indicatori di qualita’ Definizione di modelli decisionali basati sugli indicatori Modelli di scoring Valutazione di fattibilita’ e costi Valutazione dell’importanza relativa degli indicatori Es. Dati anagrafici corretti ma indirizzi obsoleti Applicabilita’ delle procedure di stima degli indicatori, e loro costo di manutenzione Calcolo di correttezza, univocita’, accuratezza basato su procedure di analisi dati CSI Correttezza dati anagrafici Univocita’ di identificazione Stato di attivita’ azienda aggiornato Accuratezza degli indirizzi Identificazione aziende Invio bollettini di pagamento Mappatura geografica delle aziende

20. Modelli per l’analisi della qualità Un modello per l’analisi della qualità è un insieme di regole che permette, sulla base dei valori dei metadati associati ad un dato, di: Determinare se un dato è di qualità accettabile o no (Più in generale) quantificare il livello di – buona o cattiva – qualità del dato. In quest’ultimo caso il modello diventa in effetti un modello di classificazione , permettendo di effettuare una classificazione dei dati, suddividendoli (in una scala più o meno fine) in base alla loro maggiore o minore qualità.

21. Vista architetturale di alto livello per il calcolo e il delivery del CQ Servizi SI SI Dati Indicatori di qualita’ SI Certificazione di qualita’ Modelli di decisione Definizione dei criteri di qualita’ Certificato di qualita’ +

22. Avvio la ricerca dati attraverso il catalogo Information Directory Ricerca di una fornitura dati Avvio l’analisi della qualità della fornitura dati che mi interessa Verifico le forniture dati disponibili Scelgo la fornitura dati Voglio verificarne la qualità?

23. A cosa mi servono? L’analisi della qualità: identificazione del contesto d’uso Identifico il contesto d’uso dei dati Nessun contesto si adatta alle mie esigenze? Voglio scegliere io cosa esaminare? Elaboro il modello predefinito Scelgo il modello libero Il contesto d’uso è adeguato ma voglio adattarlo alle mie specifiche esigenze? Scelgo di personalizzare il modello

24. Impostazione del modello libero

25. Il livello di qualità dei dati è soddisfacente per l’utilizzo che ne devo fare? L’analisi della qualità: verifica dei risultati e decisione Ho necessità di maggiori dettagli per decidere? Voglio “acquistare” la fornitura? Verifico lo “score” di qualità dei dati ovvero la distribuzione dei dati per livelli di qualità Verifico ciascun criterio analizzato attraverso il certificato di qualità Acquisto l’intera fornitura Acquisto solo i dati che hanno qualità soddisfacente per le mie esigenze

26. Modello di presentazione

27. Livello più basso di aggregazione Al livello più basso, si descrive il dettaglio dei metadati di qualità e il modo in cui essi vengono calcolati.

28. Progetti di Migrazione e Qualità Dati

29. Alcuni progetti Anagrafe Obbligo Formativo Sistema Informativo Lavoro Piemonte Gestione Mondo Soggetti Bonifica Indirizzi (Postalizzazione) Bonifica Dati Anagrafici (Vestizione Anagrafica)

30. Anagrafe Obbligo Formativo: gli obiettivi ed i problemi È regolato dalla Legge 144/99 art. 68 il cui obiettivo è quello di rendere i giovani capaci di definire consapevolmente il proprio progetto di vita e di muoversi nel mondo del lavoro. Ogni giovane, potrà scegliere, sulla base dei propri interessi e delle capacità, uno dei tre percorsi possibili: proseguire gli studi nel sistema dell' istruzione scolastica frequentare il sistema della formazione professionale iniziare il percorso di apprendistato L'obbligo formativo è il dovere, ma soprattutto il diritto di frequentare attività formative fino all'età di 18 anni.

31. Gli strumenti: Anagrafe Obbligo Formativo Operational Data Store, centralizza le anagrafiche degli allievi provenienti da diverse fonti: ANAGRAFE DELL’OBBLIGO FORMATIVO SCUOLA APPRENDISTATO FORMAZIONE PROFESSIONALE Centro Interscambio Anagrafico L’alimentazione è giornaliera Ogni fonte contiene una propria anagrafica degli allievi Ogni allievo dovrebbe comparire una sola volta e viene identificato tramite Codice Fiscale

32. Anagrafe Obbligo Formativo: gli obiettivi ed i problemi Obiettivo principale : contenere la dispersione aiutando e orientando il soggetto insolvente agli obblighi di legge, a maturare una scelta formativa (scuola, formazione professionale, apprendistato). Metodo : estrazione periodica di allievi in età di obbligo formativo che risultano non frequentare corsi scolastici, di formazione professionale o di apprendistato. E’ poi compito dei Centri per l’Impiego individuare e contattare i soggetti a rischio ed effettuare tutte le azioni di orientamento previste dalla legge Problemi emersi : numerosi casi di “ falsi dispersi ”!

33. Bonifica Dati Obbligo Formativo: Analisi dei problemi lo stesso allievo viene registrato più volte con CF diverso  se frequenta non lo riesco a rilevare! non vengono registrati gli eventi “ deceduto ” o “ trasferito fuori regione ”  risulta disperso Completezza: le banche dati dei canali formativi contengono tutti i dati di frequenza? Se un allievo è iscritto a scuola, viene registrato nella Banca Dati Scuole? Tempestività: i dati di frequenza sono inseriti in tempo utile per la rilevazione dei dispersi? Correttezza: un allievo nell’Anagrafe Obbligo Formativo viene identificato correttamente? mancata identificazione dell’allievo!

34. Bonifica Dati Obbligo Formativo: Attività 1. Applicazione di metodologie di miglioramento basate sui dati Individuazione delle anagrafiche ripetute Applicazione di tecniche di “record matching”  individuazione gruppi di record simili (cluster group) Controlli formali sui campi correttezza formale del codice fiscale, coerenza del codice fiscale con i dati anagrafici, coerenza del sesso con il nome, ecc.. COD_FISC

35. Bonifica Dati Obbligo Formativo: Attività Riprogettazione della base dati Anagrafe Centrale dell'Obbligo Formativo per includere metadati di controllo qualità dei dati 2. Applicazione di metodologie di miglioramento basate sui processi BD Obbligo Formativo Metadati di Qualità Nuova Anagrafe ObbligoFormativo

37. Definizione dei criteri per l’individuazione di un soggetto valido all’interno di un cluster group Applicazione di un sistema di pesi e misure che determinano un ranking dei record di un cluster group Bonifica Dati Obbligo Formativo: Attività ? 1 2 3

38. Bonifica Dati Obbligo Formativo: Attività Confronto con la realtà Creazione di output contenenti anagrafiche ripetute da verificare in collaborazione con le scuole e agenzie formative per ottenere un controllo sui dati e la validazione dei criteri di individuazione record valido . Creazione di output contenenti anomalie sui dati da inviare alle scuole per consentirne il controllo/correzione

39. Bonifica Dati Obbligo Formativo: Attività Riprogettazione dei flussi di alimentazione provenienti dalle varie fonti introducendo tecniche di controllo dati ed applicando le stesse funzionalità di "data quality" utilizzate nella fasi di bonifica dati BD Scuole BD Formazione Professionale BD Apprendistato CIA Procedure di alimentazione + controllo qualità dei dati Nuova Anagrafe Obbligo Formativo ETLq DB Operazionali Operational Data Store

40. Alcuni progetti Anagrafe Obbligo Formativo Sistema Informativo Lavoro Piemonte Gestione Mondo Soggetti Bonifica Indirizzi (Postalizzazione) Bonifica Dati Anagrafici (Vestizione Anagrafica)

41. SILP – Sistema Informativo Lavoro Piemonte Migrazione e integrazione progressiva delle 20 banche dati dei centri per l’impiego piemontesi nel nuovo sistema centralizzato SILP - Sistema Informativo Lavoro del Piemonte: 13 banche dati per la provincia di Torino, gestite attraverso il sistema Netlabor; 7 banche dati per le altre province piemontesi gestite dal sistema Prolabor.

42. Porting SILP Vercelli Nei processi di porting, sono state integrate numerose funzionalità specifiche di data quality allo scopo di: Asti Cuneo SILP Torino DB Operazionale DB Operazionali ETLq Alessandria Verbania Novara

43. Benefici Porting SILP con ETLq integrare dati mancanti attraverso l’utilizzo di banche dati di riferimento; deduplicare informazioni doppie; codificare campi dal contenuto esclusivamente descrittivo ; normalizzare gli indirizzi ; ripulire i dati da caratteri “sporchi”. consentire la riconciliazione delle informazioni codificate in modalità differenti nei diversi sistemi e nelle diverse banche dati (a causa delle personalizzazioni permesse dai sistemi Prolabor e Netalbor);

44. Alcuni progetti Anagrafe Obbligo Formativo Sistema Informativo Lavoro Piemonte Gestione Mondo Soggetti Bonifica Indirizzi (Postalizzazione) Bonifica Dati Anagrafici (Vestizione Anagrafica)

45. Anagrafe Tributaria Comunale (ATC) - situazione MainFrame Anagrafe Tributaria Comunale – dati anagrafici DEMOGRAFIA Indirizzo di Residenza ANAGRAFE INTEGRATIVA Anagrafica Contribuente Persona Fisica Anagrafica Contribuente Persona Giuridica Domicilio Fiscale Indirizzo di Residenza (soggetti non residenti in Torino) Centralizza le anagrafiche dei contribuenti, persone fisiche e giuridiche, per i diversi sistemi informativi tributari (ICI, TARSU, ICIAP,CIMP, COSAP) e per la divisione commercio (SIAP) Anagrafica Contribuente Residenti Persona Fisica

46. Anagrafe Tributaria Comunale: problematiche sui dati I dati di Demografia sono garantiti, di elevata qualità e aggiornati in tempo reale sulla base della movimentazione interna alla città esclusivamente dalla Divisione Servizi Demografici I dati di Anagrafe integrativa invece non sono dotati di elevata qualità, la provenienza dell’ informazione è poco qualificata e il ritardo dell’informazione è molto variabile Duplicazione dei soggetti Indirizzi non bonificati e codificati Problematiche legate alle Anagrafiche Provvisorie Codice fiscale non certificato

47. Anagrafe tributaria comunale - evoluzione Migrazione del sistema da Mainframe ad Open Riprogettazione del Sistema: ATC  Gestione Centralizzata Mondo Soggetti (GMS) Database GMS FdR NAO Toponomastica RAS BPR AAEP Integrazione con FdR SF GMR Commercio Open Gestionali Tributi Integrazione con SF Erogazione Servizi Aggiornamenti Funzioni Online Servizi Applicativi SITAD Agenzia Entrate

48. ATC – Attività di bonifica e migrazione dati Misurazione della qualità dei dati di ATC attraverso un assessment di qualità Applicazione di metodologie di miglioramento atte a bonificare massivamente la base dati Validazione e arricchimento dei dati anagrafici attraverso l’individuazione in fonti dati di riferimento ( Anagrafe Comunale, Banca Dati della Popolazione Regionale, Anagrafe delle Attività Economiche e Produttive, Toponomastica comunale, Stradario regionale ) registrazione delle anagrafiche simili nella base dati per consentire una successiva risoluzione on-line dei duplicati normalizzazione e codifica degli indirizzi Introduzione delle funzionalità di Data Quality nel processo di ETL del porting

49. ATC– Risultati riconoscimento soggetti “provvisori” I soggetti definiti “ Provvisori ” sono i soggetti i cui record anagrafici contengono dati molto sporchi e/o incompleti tali per cui non possono essere inseriti nelle tavole “ufficiali” della Banca Dati ATC. Tarmite un processo di validazione ed arricchimento, con l’applicazione di numerose funzioni di Data Quality, su circa 500.000 soggetti “ provvisori ”, ne sono stati recuperati circa 150.000 soggetti pari al 30%.

50. Anagrafe tributaria comunale – Attività Applicazione di metodologie di miglioramento sui processi di acquisizione dati Obiettivo: incorporare stabilmente il controllo della qualità dei dati negli applicativi stessi, per mantenere a lungo termine la qualità raggiunta tramite l’intervento massivo Introduzione delle funzionalità di Data Quality negli applicativi di “data entry” nei processi massivi di acquisizione flussi esterni

51. Alcuni progetti Anagrafe Obbligo Formativo Sistema Informativo Lavoro Piemonte Gestione Mondo Soggetti Bonifica Indirizzi (Postalizzazione) Bonifica Dati Anagrafici (Vestizione Anagrafica)

52. Normalizzazione indirizzi: alcuni esempi Banca Dati Attività Economiche e Produttive Obiettivo: normalizzare gli indirizzi delle sedi delle aziende; per le sedi in Piemonte individuare l’indirizzo nello stradario di riferimento regionale. Attività: Normalizzazione indirizzi aziende “ Match” con Stradario Unico Regionale Alimentazione di AAEP prima dell’introduzione del servizio AAEP Batch PL/SQL (giornaliero) Infocamere Agricoltura Formazione Professionale INAIL Tributi

53. AAEP – il servizio di normalizzazione indirizzi AAEP Batch PL/SQL (giornaliero) Infocamere Tributi Servizio normalizzazione indirizzi (giornaliero) Batch PL/SQL (giornaliero) Risultati: sono stati normalizzati il 99% degli indirizzi e associati ai dati dello stradario regionale l’ 84% degli indirizzi sul totale dei record (2.900.000 ca). INAIL Formazione Professionale Agricoltura

54. Indirizzi AAEP: il match con lo Stradario Unico Regionale AAEP STRADARIO REGIONALE

55. Servizio di Postalizzazione - obiettivo Realizzare un servizio batch che, dato un indirizzo di spedizione, lo bonifichi e lo strutturi secondo quanto prescritto dalle nuove norme di spedizione (“Decreto Ministero delle Comunicazioni del 12 maggio 2006 - Prescrizioni operative per stampa etichette”) Ottenere indirizzi di spedizione corretti Consentire l’utilizzo della posta massiva di Poste Italiane

56. Servizio di Postalizzazione DQ Rules Indirizzi DQ Engine CAP Professional Poste Italiane Stradario Unico Regionale Toponomastica Comune Torino Fonti dati di Riferimento Indirizzi Indirizzi Indirizzi bonificati e strutturati per la spedizione

57. Alcuni progetti Anagrafe Obbligo Formativo Sistema Informativo Lavoro Piemonte Gestione Mondo Soggetti Bonifica Indirizzi (Postalizzazione) Bonifica Dati Anagrafici (Vestizione Anagrafica)

58. Servizio di Vestizione anagrafica- Obiettivo Realizzare un servizio batch che consenta, dato un soggetto, Persona Fisica o Giuridica, la sua ricerca nelle fonti di riferimento e quindi la bonifica della sua anagrafica.

59. Servizio di Vestizione anagrafica Anagrafiche PF e PG Incomplete Non aggiornate Non corrette DQ Engine DQ Rules PF e PG Anagrafiche PF e PG arricchite e bonificate Servizio Postalizzazione Demografia Comune di Torino Demografia Comuni Piemontesi Infocamere Fonti dati di Riferimento PF e PG

60. Introduzione del “Firewall” di Qualità Fruitore ..n Modello concettuale dei dati Regole di qualità DQ Repository Enterprise DQ server Enterprise Service Broker Modello Metadati di qualità Forma Canonica Descrizione business dei dati Filtro sui dati in base al valore dei metadati DQ Alim 1 Alim 2 Alim 3 Alim ..n Fruitore 1 Fruitore 2 Fruitore 3 DQ Dati + Metadati DQ DQ Firewall DQ DQ DQ DQ Firewall 2 DQ Firewall 3 DQ Firewall ..n Dati DQ Firewall 1

61. Fine parte 2