9 formas en que la ciencia de datos puede acelerar su trabajo de impacto social

Para las personas que trabajan en el sector filantrópico, la ciencia de datos puede parecer un tema difícil de manejar. ¿Por dónde empiezas? ¿Qué datos son importantes? ¿Cómo encaja en su trabajo comunitario?

Antes de profundizar en la maleza, vale la pena dar un paso atrás para comprender qué es la ciencia de datos y qué puede permitirle hacer.

La ciencia de datos para el impacto social se trata de estructurar lo que no está estructurado para ayudar a tomar decisiones basadas en datos. No se trata de ahogarte en información que no necesitas. Se trata de usar los datos estratégicamente para tener un impacto más profundo.

Recientemente organizamos un seminario web en asociación con Chantal Forster y la Asociación de Tecnología de Donantes. Tres científicos de datos que trabajan en el sector del impacto social (Antonio Campello de Wellcome Trust, Jonathan Hertel de Impact Genome Project y Andrew Spott de Submittable) compartieron cómo la ciencia de datos y la IA los ayudan a cumplir sus misiones.

Al destacar las ideas y los ejemplos de este evento, presentamos nueve formas en que la ciencia de datos puede ayudar a su organización a hacer más.

Ya sea que tenga una sólida formación en ciencia de datos o simplemente sienta curiosidad por los datos, tenemos algunas ideas útiles para todos.

Algunas definiciones rápidas para la ciencia de datos

Antes de comenzar, cubramos parte de la terminología. Para las personas nuevas en la ciencia de datos, a veces el lenguaje en sí puede ser abrumador, así que aquí hay una introducción rápida.

• El análisis de datos es el proceso de analizar datos sin procesar para encontrar tendencias y responder preguntas.
  • La mayoría de las organizaciones realizan algún tipo de análisis de datos. Por ejemplo, podría preguntar, ¿dónde viven nuestros beneficiarios? El seguimiento de datos geográficos para determinar los principales estados o países a los que proporciona fondos es el análisis de datos en el trabajo.

• El aprendizaje automático es el proceso de aprovechar algoritmos para dar a las computadoras la capacidad de mejorar automáticamente a través de la experiencia y con datos.
  • El reconocimiento de imágenes es una aplicación común del aprendizaje automático; Si ha visto su teléfono o computadora identificar por sí solo quién está en una foto, ha visto el aprendizaje automático en acción.

• La ciencia de datos es la aplicación de algoritmos de aprendizaje automático a varias fuentes de datos (es decir, números, texto, imágenes, video, audio y más) para producir sistemas de inteligencia artificial que puedan realizar tareas que normalmente requieren inteligencia humana.
  • Incluso si no ha trabajado en ciencia de datos, es probable que se haya beneficiado de ello. La ciencia de datos se aprovecha en todos los sectores, públicos y privados, incluidos el cuidado de la salud, el transporte, la seguridad pública y más. Por ejemplo, la ciencia de datos ahora se usa para ayudar a analizar imágenes médicas e identificar enfermedades malignas.

• El procesamiento del lenguaje natural es la rama de la inteligencia artificial enfocada en dar a las computadoras la capacidad de comprender y responder a textos y palabras habladas de la misma manera que los humanos.
  • Piensa en Siri o Alexa.

• La taxonomía es un sistema de clasificación o categorización utilizado para agrupar elementos similares.
  • En filantropía, las organizaciones sin fines de lucro pueden agruparse por tamaño, misión, diseño de programa, ubicación u otra designación.

Cómo la ciencia de datos puede potenciar su trabajo de impacto social

1. Comprenda su cartera a un nivel más granular

Para los donantes, aprovechar los análisis de datos e impacto social puede ayudarlos a obtener una imagen más clara de a quién y qué financia, así como los resultados de esa financiación. Puede revelar tendencias, superposiciones y brechas en la forma en que distribuye los recursos.

¿Porque es esto importante?

Obtener una vista más granular de sus programas le permite identificar y eliminar sesgos y encontrar oportunidades perdidas. Además, puede brindarle la información que necesita para expandir sus esfuerzos y crear nuevos programas efectivos.

Es probable que ya tenga muchos de los datos que necesita. Pero si esos datos no están organizados y accesibles, no significan mucho. Es difícil ver patrones o sacar conclusiones de una gran cantidad de datos no estructurados.

Por ejemplo, Wellcome Trust, cuyos programas se centran principalmente en la salud, analizó su cartera de más de 100 000 subvenciones. Utilizando el procesamiento del lenguaje natural, aplicaron 30 000 etiquetas de enfermedades a su cartera. Este etiquetado es un paso importante en la preparación de datos para el análisis y la segmentación. Permite a los administradores de subvenciones buscar fácilmente programas de subvenciones anteriores. Digamos que la organización está considerando financiar la investigación en torno a una enfermedad específica, ahora pueden mirar hacia atrás para ver si han financiado previamente esa área de enfoque y los resultados de ese trabajo.

Incluso si no se trata de una cartera de 100.000 subvenciones, es importante tener una comprensión más granular de sus programas.

El etiquetado automático es una forma de comenzar a organizar los datos que tiene. Por ejemplo, Submittable permite el etiquetado automático para que cuando llegue una solicitud de subvención, pueda aplicar una etiqueta basada en las respuestas a preguntas específicas. Esto le permite rastrear, categorizar y analizar los datos que son importantes para su equipo, ya sea demografía, geografía, enfoque de la misión, tamaño de la organización u otra cosa.

Puede clasificar a sus solicitantes y beneficiarios según esas etiquetas para ayudarlo a analizar cómo distribuye sus recursos y si necesita cambiar sus estrategias.

2. Crear estándares y taxonomías más claros

En el mundo del impacto social, con demasiada frecuencia hablamos de las mismas cosas pero usando un lenguaje diferente. Esto puede dificultar ver dónde se superpone nuestro trabajo con el trabajo de otros y hacer comparaciones entre programas similares.

Por ejemplo, cuando los donantes, las organizaciones sin fines de lucro y los investigadores usan un lenguaje diferente para hablar sobre los mismos temas, es mucho más difícil establecer conexiones entre su trabajo.

Esta desconexión obstaculiza la capacidad de todos para desarrollar soluciones efectivas y hacer predicciones informadas. Piense en ello como los cimientos de una casa. Si no tenemos una estructura fuerte en este nivel base, todo lo que se construya encima será inestable.

El Proyecto Impact Genome, dentro de Mission Measurement, está trabajando para sistematizar estas estandarizaciones. Por ejemplo, han creado un Registro de Impacto, una base de datos de búsqueda con datos de impacto y beneficiarios en más de 2 millones de programas sin fines de lucro en los EE. UU. y Canadá. Este tipo de herramienta puede ayudar a apuntalar esa base para que el sector filantrópico pueda avanzar de manera más efectiva hacia soluciones basadas en datos.

3. Realice un seguimiento de los productos y resultados con mayor claridad

El trabajo filantrópico tiene que ver con el impacto. ¿Los programas que ejecuta están generando los resultados que esperaba? No importa cuál sea su presupuesto, si no sabe esto, no sabrá si su programa está marcando una diferencia significativa.

El análisis de datos puede ayudarlo a rastrear con mayor precisión los efectos de su trabajo. Puede establecer conexiones entre los recursos que dedica a un programa, los productos a corto plazo que crea y los resultados a largo plazo logrados.

Por ejemplo, Wellcome Trust financia muchas investigaciones y ensayos clínicos. Su equipo quería realizar un seguimiento de los resultados académicos de sus subvenciones. En otras palabras, querían saber cuántos artículos académicos surgieron de los programas que financiaron.

Utilizando técnicas de ciencia de datos, el equipo de Wellcome Trust pudo crear una canalización automática para agregar los artículos de investigación relacionados con los programas que financiaron. Luego pudieron vincular este trabajo con subvenciones específicas para determinar qué programas tenían la mayor cantidad de resultados académicos.

Piense en sus programas y los productos y resultados que más importan a su organización. ¿Está obteniendo datos claros y detallados sobre cómo están conectados? ¿Sabe qué programas producen consistentemente los mejores resultados? Aprovechar la ciencia de datos para el bien social puede ayudarlo a obtener una imagen más clara de cómo encaja todo.

4. Encuentra brechas en la financiación

El análisis de datos puede ayudar a los donantes a identificar brechas en su financiación. ¿Está subfinanciando a ciertas poblaciones? ¿Está pasando por alto algunos componentes del trabajo? Profundizar en los datos puede ayudarlo a encontrar oportunidades para hacer más.

A veces es fácil para los financiadores concentrarse en los aspectos del trabajo comunitario que se sienten más personales o emocionales. Brindar asistencia a alguien que lo necesita se siente bien a nivel individual. Sin embargo, esa respuesta empática a veces puede sesgar la forma en que las organizaciones construyen sus programas. El trabajo de impacto social se basa en una infraestructura sólida. Apoyar estos marcos menos emocionantes pero esenciales a menudo puede permitir que las organizaciones hagan mucho más.

Con la ciencia de datos, puede identificar brechas en la financiación de su cartera o del sector filantrópico en general. Con demasiada frecuencia, la prevención y la infraestructura no reciben la atención que merecen.

Por ejemplo, Wellcome Trust utilizó la ciencia de datos para analizar su cartera y determinar con qué frecuencia financiaron tecnología en sus programas. Usando estos conocimientos, cambiaron sus prioridades para financiar más subvenciones para infraestructura de software, que es una herramienta clave para muchos investigadores.

5. Haz nuevas conexiones

Es fácil pasar por alto todas las formas en que los sujetos y las identidades se superponen y se cruzan. Pero estos conocimientos pueden marcar una gran diferencia en la forma en que diseña sus programas.

Usando la ciencia de datos, los donantes pueden identificar oportunidades para conectar diferentes temas o proyectos. Con las herramientas de visualización de datos, puede ver dónde ya existen conexiones y puede encontrar lugares donde deberían existir conexiones pero aún no existen.

Será difícil crear soluciones efectivas para grandes problemas si no entendemos estas intersecciones. Tomemos el cambio climático por ejemplo. Los impactos del cambio climático se superponen y se cruzan con los efectos de la pobreza y la injusticia racial de manera compleja. Si su organización busca abordar el cambio climático sin considerar esto, es probable que sus programas tengan un impacto limitado.

¿Quieres ver cómo se ve esto? Wellcome Trust realizó un proyecto de modelado de temas con su equipo de neurociencia para extraer temas basados ​​en datos para la financiación de la investigación. Utilizando la ciencia de datos para analizar documentos de texto, crearon un mapa para poder visualizar las conexiones y las brechas entre los temas.

6. Coloque su programa en un panorama más amplio

Muchas organizaciones e individuos están trabajando para resolver el mismo conjunto de problemas. Marcos como los Objetivos de Desarrollo Sostenible de las Naciones Unidas pueden ayudar a proporcionar una comprensión de alto nivel de cómo su trabajo encaja en esfuerzos más amplios para lograr cambios. Pero no te da los detalles que necesitas.

Desea obtener una imagen clara de cómo sus programas están contribuyendo al progreso a mayor escala. ¿Estás ayudando a mover la aguja? ¿Tus programas replican otros esfuerzos o estás cumpliendo un rol único?

La ciencia de datos puede ayudarlo a obtener estas respuestas y permitirle ser más estratégico en la distribución de sus recursos.

Por ejemplo, Wellcome Trust utilizó una combinación de búsqueda API, web scraping y procesamiento de lenguaje natural para evaluar cómo encaja su trabajo en esfuerzos más amplios para combatir el COVID. Para evaluar la efectividad de la investigación que financiaron, midieron con qué frecuencia se mencionaba la investigación en la evidencia científica de las agencias gubernamentales y se reconocía en la literatura general sobre COVID. Esto les dio una idea clara de si los programas que apoyaban estaban desempeñando un papel en los esfuerzos más amplios.

7. Evaluar la eficacia y el costo del programa

Parte de ser un donante es equilibrar el costo y la eficacia del programa. Desea saber que sus recursos están realizando los cambios que desea ver, pero también que lo están haciendo de la manera más eficiente posible.

Las apuestas son altas. No estamos hablando de un resultado final o de dividendos para los accionistas. Los costos de su programa a menudo determinan cuántas personas u organizaciones comunitarias puede apoyar.

La ciencia de datos permite a los donantes obtener un análisis más profundo de cómo se vinculan los productos y los resultados y cómo se comparan con los costos. Si no tiene esta información, es imposible saber si está haciendo inversiones inteligentes.

Por ejemplo, Impact Genome se enfoca en la salud financiera. Utilizan la ciencia de datos para medir la efectividad de los programas y cómo los costos del programa se comparan con los resultados que producen. Usando el aprendizaje automático, evaluaron 990 registros de impuestos para todas las organizaciones sin fines de lucro de EE. UU. Desde aquí, pueden comparar el tamaño del presupuesto con los resultados obtenidos.

Por supuesto, hay tantas estrategias y diseños de programas diferentes para abordar la salud financiera. Por ejemplo, podría ayudar a alguien a cubrir los gastos de emergencia o brindar asesoramiento financiero. Estos probablemente tienen diferentes costos y resultados.

El equipo de Impact Genome ha realizado un metaanálisis para desglosar los resultados que representan la salud financiera y luego establecer los costos asociados.

Piense en lo útil que podría ser esta información para las organizaciones sin fines de lucro que trabajan en salud financiera. Podrían comparar sus costos y resultados con estos promedios. ¿Están gastando significativamente más sin lograr mejores resultados? ¿O están a la par con otras organizaciones sin fines de lucro? Esa es información importante para tener a medida que dan forma a sus futuros programas.

8. Automatice su proceso de revisión

Para los donantes que buscan revisar un gran volumen de solicitudes, la ciencia de datos puede ayudar. En aras de la limpieza de los datos (datos procesados ​​y formateados para eliminar imprecisiones e inconsistencias), algunas organizaciones reemplazan las preguntas de respuesta abierta con preguntas de opción múltiple. Esto puede ser más fácil de revisar para las personas, pero se pierde mucho cuando se quita la capacidad del solicitante para explicar su trabajo en sus propios términos.

Al aprovechar el aprendizaje automático, puede mantener esas preguntas de respuesta abierta y pasar menos tiempo revisando aplicaciones manualmente. También puede lograr resultados menos sesgados y más consistentes. ¿Como funciona esto?

La función de revisión acelerada de Submittable pone la ciencia de datos en acción. Mediante el aprendizaje automático, Submittable crea un modelo basado en las revisiones realizadas por su equipo. En resumen, está entrenando a la computadora para ayudar a revisar las solicitudes de la misma manera que lo hace su equipo.

¿Cómo es el proceso?

Su equipo revisa una muestra de unas 200 solicitudes. El modelo se construye alrededor de ese proceso, aprendiendo cómo los revisores califican y califican a los solicitantes. Antes de aplicar el modelo por completo, se evalúa su precisión en un pequeño lote de aplicaciones. Si es necesario, el modelo se puede volver a entrenar.

Automatizar su proceso de revisión de esta manera significa que puede revisar miles o incluso millones de solicitudes a una velocidad increíble y con una precisión asombrosa. Esto reduce en gran medida la fatiga y el error humano. En pocas palabras, la revisión automatizada le permite a su equipo hacer más trabajo con menos personal al aprovechar el aprendizaje automático para ayudar a resaltar información clave.

9. Aliviar la carga de los beneficiarios

Con una conciencia cada vez mayor de la carga administrativa que a menudo se impone a los beneficiarios, la ciencia de datos puede ser una herramienta increíble para iluminar las oportunidades para que los donantes disminuyan la carga.

Por ejemplo, la Technology Association of Grantmakers utilizó recientemente el aprendizaje automático y el análisis de similitud para determinar que un formulario de subvención aleatorio es un 39 % similar a cualquier otro formulario de subvención.

¿Por qué importa esto?

Significa que muchas organizaciones a menudo rehacen el mismo trabajo una y otra vez cuando solicitan diferentes subvenciones. ¿Qué pasaría si los financiadores se reunieran y estandarizaran partes de sus solicitudes de subvenciones para garantizar que todos pidieran la misma información en el mismo formato? Piense en cuánto tiempo les ahorraría a los beneficiarios. 39%!

Convirtiendo los conocimientos en acción

La ciencia de datos trata sobre el uso de la tecnología para proporcionar información y estructura a partir de la información que tiene. Pero crear un cambio requerirá que las personas tomen esos conocimientos y los conviertan en acción.

Es posible que no tenga los recursos o la capacidad para crear su propio equipo interno de ciencia de datos. Está bien, Submittable lo tiene cubierto. Como plataforma de impacto social creada para ayudar a organizaciones de todos los tamaños, podemos ofrecer todos los beneficios de un equipo de ciencia de datos por una fracción del costo. Obtenga más información hoy.