9 Möglichkeiten, wie Data Science Ihre Social-Impact-Arbeit beschleunigen kann

Für Menschen, die im philanthropischen Sektor arbeiten, kann sich Data Science wie ein unhandliches Thema anfühlen. Wo fängst du an? Welche Daten sind wichtig? Wie passt es in Ihre Gemeindearbeit?

Bevor Sie tief in das Unkraut einsteigen, lohnt es sich, einen Schritt zurückzutreten, um zu verstehen, was Data Science ist und was Sie damit erreichen können.

Bei Data Science for Social Impact geht es darum, Unstrukturiertes zu strukturieren, um datengesteuerte Entscheidungen zu treffen. Es geht nicht darum, Sie mit unnötigen Informationen zu ertränken. Es geht darum, Daten strategisch zu nutzen, um eine tiefere Wirkung zu erzielen.

Wir haben kürzlich in Partnerschaft mit Chantal Forster und der Technology Association of Grantmakers ein Webinar veranstaltet. Drei Data Scientists, die im Bereich Social Impact arbeiten – Antonio Campello von Wellcome Trust, Jonathan Hertel vom Impact Genome Project und Andrew Spott von Submittable – erzählten, wie Data Science und KI ihnen helfen, ihre Missionen zu erfüllen.

Anhand von Erkenntnissen und Beispielen aus dieser Veranstaltung haben wir neun Möglichkeiten aufgezeigt, wie Data Science Ihrem Unternehmen helfen kann, mehr zu erreichen.

Egal, ob Sie einen starken Hintergrund in Data Science haben oder einfach nur neugierig auf Daten werden, wir haben einige hilfreiche Einblicke für alle.

Einige schnelle Definitionen für Data Science

Bevor wir beginnen, lassen Sie uns einige der Terminologie behandeln. Für Leute, die neu in der Datenwissenschaft sind, kann die Sprache selbst manchmal überwältigend sein, daher hier eine kurze Einführung.

• Datenanalyse ist der Prozess der Analyse von Rohdaten , um Trends zu finden und Fragen zu beantworten.
  • Die meisten Unternehmen führen Datenanalysen in irgendeiner Form durch. Sie könnten zum Beispiel fragen: Wo wohnen unsere Stipendiaten? Das Verfolgen geografischer Daten, um die wichtigsten Bundesstaaten oder Länder zu ermitteln, denen Sie Mittel zukommen lassen, ist Datenanalyse bei der Arbeit.

• Maschinelles Lernen ist der Prozess der Nutzung von Algorithmen, um Computern die Fähigkeit zu geben, sich automatisch durch Erfahrung und mit Daten zu verbessern .
  • Die Bilderkennung ist eine gängige Anwendung des maschinellen Lernens; Wenn Sie gesehen haben, wie Ihr Telefon oder Computer selbstständig erkennt, wer auf einem Foto zu sehen ist, haben Sie maschinelles Lernen in Aktion gesehen.

• Data Science ist die Anwendung von maschinellen Lernalgorithmen auf verschiedene Datenquellen (dh Zahlen, Text, Bilder, Video, Audio und mehr), um Systeme mit künstlicher Intelligenz zu erstellen, die Aufgaben ausführen können, die normalerweise menschliche Intelligenz erfordern.
  • Auch wenn Sie nicht in Data Science gearbeitet haben, haben Sie wahrscheinlich davon profitiert. Data Science wird in allen Sektoren – öffentlich und privat – eingesetzt, einschließlich Gesundheitswesen, Transport, öffentliche Sicherheit und mehr. Beispielsweise wird Data Science heute verwendet, um die medizinische Bildgebung zu analysieren und bösartige Erkrankungen zu identifizieren.

• Die Verarbeitung natürlicher Sprache ist der Zweig der künstlichen Intelligenz, der sich darauf konzentriert , Computern die Fähigkeit zu geben, Text und gesprochene Wörter so zu verstehen und darauf zu reagieren, wie es Menschen können.
  • Denken Sie an Siri oder Alexa.

• Taxonomie ist ein Klassifizierungs- oder Kategorisierungssystem, das verwendet wird, um ähnliche Elemente zu gruppieren.
  • In der Philanthropie können gemeinnützige Organisationen nach Größe, Mission, Programmdesign, Standort oder einer anderen Bezeichnung gruppiert werden.

Wie Data Science Ihre Social-Impact-Arbeit stärken kann

1. Verstehen Sie Ihr Portfolio auf einer detaillierteren Ebene

Für Zuschussgeber kann die Nutzung von Daten und Analysen der sozialen Auswirkungen Ihnen helfen, sich ein klareres Bild davon zu machen, wen und was Sie finanzieren, sowie die Ergebnisse dieser Finanzierung. Sie können Trends, Überschneidungen und Lücken bei der Ressourcenverteilung aufdecken.

Warum ist das wichtig?

Wenn Sie einen detaillierteren Überblick über Ihre Programme erhalten, können Sie Vorurteile erkennen und ausmerzen und verpasste Gelegenheiten finden. Außerdem kann es Ihnen die Einblicke geben, die Sie benötigen, um Ihre Bemühungen zu erweitern und effektive neue Programme zu entwickeln.

Wahrscheinlich verfügen Sie bereits über viele der benötigten Daten. Aber wenn diese Daten nicht organisiert und zugänglich sind, bedeutet das nicht viel. Es ist schwierig, Muster zu erkennen oder Schlussfolgerungen aus einem großen Haufen unstrukturierter Daten zu ziehen.

Zum Beispiel hat Wellcome Trust – dessen Programme sich hauptsächlich auf Gesundheit konzentrieren – sein Portfolio von über 100.000 Zuschüssen analysiert. Mithilfe der Verarbeitung natürlicher Sprache fügten sie 30.000 Krankheits-Tags in ihr Portfolio ein. Dieses Tagging ist ein wichtiger Schritt bei der Vorbereitung von Daten für die Analyse und Segmentierung. Es ermöglicht den Zuschussverwaltern, vergangene Zuschussprogramme einfach zu durchsuchen. Angenommen, die Organisation erwägt, Forschung zu einer bestimmten Krankheit zu finanzieren, kann sie jetzt darauf zurückblicken, ob sie diesen Schwerpunktbereich zuvor finanziert hat, und auf die Ergebnisse dieser Arbeit.

Auch wenn Sie es nicht mit einem Portfolio von 100.000 Stipendien zu tun haben, ist ein genaueres Verständnis Ihrer Programme wichtig.

Automatisches Tagging ist eine Möglichkeit, mit der Organisation Ihrer Daten zu beginnen. Beispielsweise ermöglicht Submittable das automatische Tagging, sodass Sie bei Eingang eines Förderantrags ein Tag basierend auf Antworten auf bestimmte Fragen anwenden können. Auf diese Weise können Sie die Daten verfolgen, kategorisieren und analysieren, die für Ihr Team wichtig sind, unabhängig davon, ob es sich um Demografie, Geografie, Missionsschwerpunkt, Unternehmensgröße oder etwas anderes handelt.

Sie können Ihre Bewerber und Stipendiaten anhand dieser Tags sortieren, um zu analysieren, wie Sie Ihre Ressourcen verteilen und ob Sie Ihre Strategien ändern müssen.

2. Erstellen Sie klarere Standards und Taxonomien

In der Welt der sozialen Wirkung sprechen wir allzu oft über die gleichen Dinge, verwenden aber eine unterschiedliche Sprache. Dies kann es schwierig machen, zu erkennen, wo sich unsere Arbeit mit der Arbeit anderer überschneidet, und Vergleiche zwischen ähnlichen Programmen anzustellen.

Wenn zum Beispiel Stipendiaten, gemeinnützige Organisationen und Forscher alle unterschiedliche Sprachen verwenden, um über dieselben Themen zu sprechen, ist es viel schwieriger, Verbindungen zwischen ihrer Arbeit herzustellen.

Diese Trennung behindert die Fähigkeit aller, effektive Lösungen zu entwickeln und fundierte Vorhersagen zu treffen. Stellen Sie es sich wie das Fundament eines Hauses vor. Wenn wir auf dieser Basisebene keine starke Struktur haben, wird alles, was darauf aufgebaut ist, instabil.

Das Impact Genome Project innerhalb von Mission Measurement arbeitet daran, diese Standardisierungen zu systematisieren. Beispielsweise haben sie ein Impact Registry erstellt, eine durchsuchbare Datenbank mit Daten zu Auswirkungen und Begünstigten von mehr als 2 Millionen gemeinnützigen Programmen in den USA und Kanada. Diese Art von Tool kann dazu beitragen, diese Grundlage zu stärken, damit der philanthropische Sektor effektiver auf datengesteuerte Lösungen aufbauen kann.

3. Ergebnisse und Ergebnisse klarer nachverfolgen

Bei philanthropischer Arbeit dreht sich alles um die Wirkung. Erzielen die von Ihnen durchgeführten Programme die gewünschten Ergebnisse? Ganz gleich, wie hoch Ihr Budget ist, wenn Sie dies nicht wissen, wissen Sie nicht, ob Ihr Programm einen bedeutenden Unterschied macht.

Datenanalysen können Ihnen helfen, die Auswirkungen Ihrer Arbeit genauer zu verfolgen. Sie können Verbindungen herstellen zwischen den Ressourcen, die Sie einem Programm widmen, den kurzfristigen Ergebnissen, die es erzeugt, und den längerfristigen erzielten Ergebnissen.

Zum Beispiel finanziert Wellcome Trust eine Menge Forschung und klinische Studien. Ihr Team wollte die akademischen Ergebnisse ihrer Stipendien verfolgen. Mit anderen Worten, sie wollten wissen, wie viele wissenschaftliche Artikel aus den von ihnen finanzierten Programmen hervorgegangen sind.

Mithilfe von datenwissenschaftlichen Techniken konnte das Wellcome Trust-Team eine automatische Pipeline erstellen, um die Forschungsartikel zu den von ihnen finanzierten Programmen zusammenzufassen. Sie waren dann in der Lage, diese Arbeit mit spezifischen Stipendien zu verknüpfen, um festzustellen, welche Programme die meisten akademischen Ergebnisse erzielten.

Denken Sie über Ihre Programme und die Leistungen und Ergebnisse nach, die für Ihre Organisation am wichtigsten sind. Erhalten Sie klare, detaillierte Daten darüber, wie sie miteinander verbunden sind? Wissen Sie, welche Programme durchweg die besten Ergebnisse erzielen? Die Nutzung von Data Science für soziale Zwecke kann Ihnen helfen, ein klareres Bild davon zu bekommen, wie alles zusammenpasst.

4. Finden Sie Finanzierungslücken

Die Analyse von Daten kann Fördergebern dabei helfen, Lücken in ihrer Finanzierung zu erkennen. Unterfinanzieren Sie bestimmte Bevölkerungsgruppen? Übersehen Sie einige Komponenten der Arbeit? Das Durchsuchen der Daten kann Ihnen dabei helfen, Möglichkeiten zu finden, mehr zu tun.

Manchmal fällt es Geldgebern leicht, sich auf die Aspekte der Gemeinwesenarbeit zu konzentrieren, die sich persönlicher oder emotionaler anfühlen. Jemandem in Not zu helfen, fühlt sich auf individueller Ebene gut an. Diese empathische Reaktion kann jedoch manchmal die Art und Weise verzerren, wie Unternehmen ihre Programme erstellen. Soziale Arbeit ist auf eine starke Infrastruktur angewiesen. Die Unterstützung dieser weniger aufregenden, aber wesentlichen Frameworks kann Organisationen oft ermöglichen, viel mehr zu tun.

Mithilfe von Data Science können Sie Finanzierungslücken in Ihrem Portfolio oder im philanthropischen Sektor insgesamt identifizieren. Prävention und Infrastruktur erhalten allzu oft nicht die Aufmerksamkeit, die sie verdienen.

Beispielsweise nutzte Wellcome Trust Data Science, um sein Portfolio zu analysieren und festzustellen, wie oft es Technologie in seinen Programmen finanzierte. Anhand dieser Erkenntnisse verlagerten sie ihre Prioritäten, um mehr Zuschüsse für die Softwareinfrastruktur zu finanzieren, die für viele Forscher ein Schlüsselinstrument ist.

5. Stellen Sie neue Verbindungen her

Es ist leicht, all die Arten und Weisen zu übersehen, in denen sich Subjekte und Identitäten überschneiden und überschneiden. Aber diese Erkenntnisse können einen großen Unterschied bei der Gestaltung Ihrer Programme ausmachen.

Mithilfe von Data Science können Fördergeber Möglichkeiten identifizieren, verschiedene Themen oder Projekte miteinander zu verbinden. Mit Datenvisualisierungstools können Sie sehen, wo bereits Verbindungen bestehen, und Sie können Orte finden, an denen Verbindungen bestehen sollten, aber noch nicht vorhanden sind.

Es wird schwierig sein, effektive Lösungen für große Probleme zu finden, wenn wir diese Schnittmengen nicht verstehen. Nehmen wir zum Beispiel den Klimawandel. Die Auswirkungen des Klimawandels überschneiden und überschneiden sich auf komplexe Weise mit den Auswirkungen von Armut und Rassenungerechtigkeit. Wenn Ihre Organisation versucht, den Klimawandel anzugehen, ohne dies zu berücksichtigen, werden Ihre Programme wahrscheinlich nur begrenzte Auswirkungen haben.

Willst du sehen, wie das aussieht? Wellcome Trust hat mit seinem neurowissenschaftlichen Team ein Themenmodellierungsprojekt durchgeführt, um datengesteuerte Themen für die Forschungsfinanzierung zu extrahieren. Mithilfe von Data Science zur Analyse von Textdokumenten erstellten sie eine Karte, um die Verbindungen und Lücken zwischen Themen zu visualisieren.

6. Platzieren Sie Ihr Programm in der breiteren Landschaft

Viele Organisationen und Einzelpersonen arbeiten daran, die gleichen Probleme zu lösen. Rahmenwerke wie die Ziele für nachhaltige Entwicklung der Vereinten Nationen können dazu beitragen, ein allgemeines Verständnis dafür zu vermitteln, wie Ihre Arbeit in umfassendere Bemühungen um Veränderung passt. Aber es gibt Ihnen nicht die Details, die Sie brauchen.

Sie möchten sich ein klares Bild davon machen, wie Ihre Programme zum Fortschritt in größerem Maßstab beitragen. Helfen Sie mit, die Nadel zu bewegen? Wiederholen Ihre Programme andere Bemühungen oder erfüllen Sie eine einzigartige Rolle?

Data Science kann Ihnen dabei helfen, diese Antworten zu erhalten und Ihre Ressourcen strategischer zu verteilen.

Beispielsweise verwendete Wellcome Trust eine Kombination aus API-Suche, Web-Scraping und Verarbeitung natürlicher Sprache, um zu bewerten, wie sich ihre Arbeit in umfassendere Bemühungen zur Bekämpfung von COVID einfügt. Um die Wirksamkeit der von ihnen finanzierten Forschung zu bewerten, maßen sie, wie oft die Forschung in wissenschaftlichen Beweisen von Regierungsbehörden erwähnt und in der allgemeinen Literatur zu COVID anerkannt wurde. Dies gab ihnen ein klares Gefühl dafür, ob die von ihnen unterstützten Programme eine Rolle in den umfassenderen Bemühungen spielten.

7. Bewerten Sie die Effektivität und die Kosten des Programms

Ein Teil davon, ein Stipendiat zu sein, besteht darin, Programmkosten und -effektivität in Einklang zu bringen. Sie möchten wissen, dass Ihre Ressourcen die gewünschten Änderungen vornehmen, aber auch, dass sie dies so effizient wie möglich tun.

Es geht um viel. Wir sprechen hier nicht von Gewinn- oder Aktionärsdividenden. Ihre Programmkosten bestimmen oft, wie viele Personen oder Gemeinschaftsorganisationen Sie unterstützen können.

Die Datenwissenschaft ermöglicht es Zuwendungsgebern, eine tiefere Analyse darüber zu erhalten, wie Outputs und Ergebnisse miteinander verbunden sind und wie sie im Vergleich zu den Kosten stehen. Wenn Sie diese Informationen nicht haben, ist es unmöglich zu wissen, ob Sie kluge Investitionen tätigen.

Beispielsweise konzentriert sich Impact Genome auf die finanzielle Gesundheit. Sie verwenden Data Science, um die Effektivität von Programmen zu messen und wie die Programmkosten im Vergleich zu den Ergebnissen, die sie erzielen, zu vergleichen sind. Mithilfe von maschinellem Lernen haben sie 990 Steuerunterlagen für alle gemeinnützigen Organisationen in den USA ausgewertet. Von hier aus können sie die Budgetgröße mit den erzielten Ergebnissen vergleichen.

Natürlich gibt es so viele verschiedene Strategien und Programmdesigns, um die finanzielle Gesundheit anzugehen. Sie könnten beispielsweise jemandem helfen, Notfallkosten zu decken oder Finanzberatung anzubieten. Diese haben wahrscheinlich unterschiedliche Kosten und Ergebnisse.

Das Team von Impact Genome hat eine Metaanalyse durchgeführt, um die Ergebnisse aufzuschlüsseln, die die finanzielle Gesundheit darstellen, und dann die damit verbundenen Kosten dargelegt.

Überlegen Sie, wie hilfreich diese Informationen für gemeinnützige Organisationen sein könnten, die im Bereich Finanzgesundheit tätig sind. Sie konnten ihre Kosten und Ergebnisse mit diesen Durchschnittswerten vergleichen. Geben sie deutlich mehr aus, ohne bessere Ergebnisse zu erzielen? Oder sind sie auf Augenhöhe mit anderen gemeinnützigen Organisationen? Das sind wichtige Informationen, die sie haben sollten, wenn sie ihre zukünftigen Programme gestalten.

8. Automatisieren Sie Ihren Überprüfungsprozess

Für Stipendiaten, die eine große Anzahl von Anträgen prüfen möchten, kann Data Science hilfreich sein. Im Interesse sauberer Daten (Daten werden verarbeitet und formatiert, um Ungenauigkeiten und Inkonsistenzen zu beseitigen) ersetzen einige Organisationen offene Antwortfragen durch Multiple-Choice-Fragen. Dies kann für die Leute einfacher zu überprüfen sein, aber es geht viel verloren, wenn Sie einem Bewerber die Fähigkeit nehmen, seine Arbeit zu seinen eigenen Bedingungen zu erklären.

Durch die Nutzung von maschinellem Lernen können Sie diese offenen Fragen behalten und weniger Zeit mit der manuellen Überprüfung von Bewerbungen verbringen. Sie können auch weniger voreingenommene und konsistentere Ergebnisse erzielen. Wie funktioniert das?

Die Accelerated Review-Funktion von Submittable setzt Data Science in die Tat um. Mithilfe von maschinellem Lernen erstellt Submittable ein Modell auf der Grundlage der von Ihrem Team durchgeführten Überprüfungen. Kurz gesagt, Sie trainieren den Computer so, dass er genauso wie Ihr Team bei der Überprüfung von Bewerbungen hilft.

Wie sieht der Ablauf aus?

Ihr Team überprüft eine Stichprobe von etwa 200 Bewerbungen. Das Modell basiert auf diesem Prozess und lernt, wie Ihre Prüfer Bewerber bewerten und bewerten. Bevor das Modell vollständig angewendet wird, wird es anhand einer kleinen Charge von Anwendungen auf Genauigkeit geprüft. Bei Bedarf kann das Modell nachtrainiert werden.

Die Automatisierung Ihres Überprüfungsprozesses auf diese Weise bedeutet, dass Sie Tausende oder sogar Millionen von Bewerbungen mit unglaublicher Geschwindigkeit und erstaunlicher Genauigkeit überprüfen können. Dies reduziert Ermüdung und menschliche Fehler erheblich. Einfach ausgedrückt, ermöglicht die automatisierte Überprüfung Ihrem Team, mehr Arbeit mit weniger Personal zu erledigen, indem es maschinelles Lernen nutzt, um wichtige Informationen hervorzuheben.

9. Entlastung der Stipendiatinnen und Stipendiaten

Angesichts des zunehmenden Bewusstseins für den Verwaltungsaufwand, der Stipendiaten oft auferlegt wird, kann Data Science ein unglaubliches Werkzeug sein, um Möglichkeiten für Stipendiaten aufzuzeigen, den Aufwand zu verringern.

Beispielsweise hat die Technology Association of Grantmakers kürzlich maschinelles Lernen und Ähnlichkeitsanalysen eingesetzt, um festzustellen, dass ein zufälliges Zuschussformular jedem anderen Zuschussformular zu 39 % ähnlich ist.

Warum ist das wichtig?

Dies bedeutet, dass viele Organisationen häufig dieselbe Arbeit immer wieder wiederholen, wenn sie sich für unterschiedliche Zuschüsse bewerben. Was wäre, wenn Geldgeber zusammenkommen und Teile ihrer Förderanträge standardisieren würden, um sicherzustellen, dass alle dieselben Informationen im selben Format anfordern? Denken Sie daran, wie viel Zeit das den Stipendiaten sparen würde. 39%!

Erkenntnisse in Taten umsetzen

Bei der Datenwissenschaft geht es darum, mithilfe von Technologie Einblicke und Strukturen aus den Ihnen vorliegenden Informationen zu gewinnen. Um Veränderungen zu schaffen, müssen die Menschen diese Erkenntnisse jedoch in die Tat umsetzen.

Möglicherweise verfügen Sie nicht über die Ressourcen oder Kapazitäten, um Ihr eigenes internes Data-Science-Team aufzubauen. Das ist in Ordnung – Submittable hat Sie abgedeckt. Als Social-Impact-Plattform, die Unternehmen jeder Größe unterstützen soll, können wir alle Vorteile eines Data-Science-Teams zu einem Bruchteil der Kosten bieten. Informieren Sie sich noch heute.