9 façons dont la science des données peut accélérer votre travail d'impact social

Pour les personnes travaillant dans le secteur philanthropique, la science des données peut sembler être un sujet complexe. Par où commencer ? Quelles données sont importantes ? Comment cela s'intègre-t-il dans votre travail communautaire?

Avant d'entrer dans les détails, il vaut la peine de prendre du recul pour comprendre ce qu'est la science des données et ce qu'elle peut vous permettre de faire.

La science des données pour l'impact social consiste à structurer ce qui n'est pas structuré pour aider à prendre des décisions basées sur les données. Il ne s'agit pas de vous noyer dans des informations dont vous n'avez pas besoin. Il s'agit d'utiliser les données de manière stratégique pour avoir un impact plus profond.

Nous avons récemment organisé un webinaire en partenariat avec Chantal Forster et la Technology Association of Grantmakers. Trois scientifiques des données travaillant dans le secteur de l'impact social - Antonio Campello de Wellcome Trust, Jonathan Hertel du projet Impact Genome et Andrew Spott de Submittable - ont partagé comment la science des données et l'IA les aident à remplir leurs missions.

En mettant en évidence les idées et les exemples de cet événement, nous avons présenté neuf façons dont la science des données peut aider votre organisation à en faire plus.

Que vous ayez une solide expérience en science des données ou que vous deveniez simplement curieux de données, nous avons des informations utiles pour tout le monde.

Quelques définitions rapides pour la science des données

Avant de commencer, couvrons une partie de la terminologie. Pour les débutants en science des données, le langage lui-même peut parfois être accablant, alors voici une introduction rapide.

• L'analyse de données est le processus d' analyse de données brutes pour trouver des tendances et répondre à des questions.
  • La plupart des organisations effectuent une certaine forme d'analyse de données. Par exemple, vous pourriez demander, où vivent nos bénéficiaires ? Le suivi des données géographiques pour déterminer les principaux États ou pays auxquels vous fournissez un financement est l'analyse des données au travail.

• L' apprentissage automatique est le processus qui consiste à tirer parti des algorithmes pour donner aux ordinateurs la capacité de s'améliorer automatiquement grâce à l'expérience et aux données.
  • La reconnaissance d'images est une application courante de l'apprentissage automatique. Si vous avez vu votre téléphone ou votre ordinateur identifier par lui-même qui est sur une photo, vous avez vu l'apprentissage automatique en action.

• La science des données est l'application d'algorithmes d'apprentissage automatique à diverses sources de données (c'est-à-dire des nombres, du texte, des images, de la vidéo, de l'audio, etc.) pour produire des systèmes d'intelligence artificielle capables d'effectuer des tâches qui nécessitent habituellement l'intelligence humaine.
  • Même si vous n'avez pas travaillé dans la science des données, vous en avez probablement bénéficié. La science des données est exploitée dans tous les secteurs, publics et privés, y compris les soins de santé, les transports, la sécurité publique, etc. Par exemple, la science des données est maintenant utilisée pour aider à analyser l'imagerie médicale et à identifier les tumeurs malignes.

• Le traitement du langage naturel est la branche de l'intelligence artificielle qui vise à donner aux ordinateurs la capacité de comprendre et de répondre au texte et aux mots prononcés de la même manière que les humains.
  • Pensez Siri ou Alexa.

• La taxonomie est un système de classification ou de catégorisation utilisé pour regrouper des éléments similaires.
  • En philanthropie, les organisations à but non lucratif peuvent être regroupées par taille, mission, conception de programme, emplacement ou autre désignation.

Comment la science des données peut renforcer votre travail d'impact social

1. Comprendre votre portefeuille à un niveau plus granulaire

Pour les bailleurs de fonds, l'exploitation des données et des analyses d'impact social peut vous aider à obtenir une image plus claire de qui et de quoi vous financez ainsi que des résultats de ce financement. Vous pouvez révéler les tendances, les chevauchements et les lacunes dans la façon dont vous distribuez les ressources.

Pourquoi est-ce important?

Obtenir une vue plus détaillée de vos programmes vous permet d'identifier et d'éliminer les biais et de trouver des opportunités manquées. De plus, cela peut vous donner les informations dont vous avez besoin pour étendre vos efforts et créer de nouveaux programmes efficaces.

Il est probable que vous disposiez déjà d'une grande partie des données dont vous avez besoin. Mais si ces données ne sont pas organisées et accessibles, cela ne signifie pas grand-chose. Il est difficile de voir des modèles ou de tirer des conclusions à partir d'un gros tas de données non structurées.

Par exemple, Wellcome Trust, dont les programmes sont principalement axés sur la santé, a analysé son portefeuille de plus de 100 000 subventions. À l'aide du traitement du langage naturel, ils ont appliqué 30 000 étiquettes de maladie à leur portefeuille. Ce marquage est une étape importante dans la préparation des données pour l'analyse et la segmentation. Il permet aux gestionnaires de subventions de rechercher facilement des programmes de subventions antérieurs. Supposons que l'organisation envisage de financer la recherche autour d'une maladie spécifique, elle peut désormais vérifier si elle a déjà financé ce domaine d'intervention et les résultats de ce travail.

Même si vous ne gérez pas un portefeuille de 100 000 subventions, il est important d'avoir une compréhension plus précise de vos programmes.

Le balisage automatique est un moyen de commencer à organiser les données dont vous disposez. Par exemple, Submittable permet le balisage automatique afin que lorsqu'une demande de subvention arrive, vous puissiez appliquer une balise en fonction des réponses à des questions spécifiques. Cela vous permet de suivre, de catégoriser et d'analyser les données importantes pour votre équipe, qu'il s'agisse de données démographiques, géographiques, d'orientation de la mission, de taille de l'organisation ou autre.

Vous pouvez trier vos candidats et vos bénéficiaires en fonction de ces balises pour vous aider à analyser la manière dont vous distribuez vos ressources et si vous devez modifier vos stratégies.

2. Créer des normes et des taxonomies plus claires

Dans le monde de l'impact social, nous parlons trop souvent des mêmes choses, mais en utilisant un langage différent. Cela peut rendre difficile de voir où notre travail se chevauche avec le travail des autres et de faire des comparaisons entre des programmes similaires.

Par exemple, lorsque les subventionneurs, les organisations à but non lucratif et les chercheurs utilisent tous un langage différent pour parler des mêmes problèmes, il est beaucoup plus difficile d'établir des liens entre leurs travaux.

Cette déconnexion entrave la capacité de chacun à développer des solutions efficaces et à faire des prévisions éclairées. Pensez-y comme les fondations d'une maison. Si nous n'avons pas une structure solide à ce niveau de base, tout ce qui est construit dessus sera instable.

Le projet Impact Genome, au sein de Mission Measurement, travaille à systématiser ces normalisations. Par exemple, ils ont créé un registre d'impact, une base de données consultable contenant des données sur l'impact et les bénéficiaires de plus de 2 millions de programmes à but non lucratif aux États-Unis et au Canada. Ce type d'outil peut aider à consolider cette fondation afin que le secteur philanthropique puisse construire plus efficacement vers des solutions basées sur les données.

3. Suivre plus clairement les extrants et les résultats

Le travail philanthropique est une question d'impact. Les programmes que vous exécutez créent-ils les résultats que vous vouliez ? Quel que soit votre budget, si vous ne le savez pas, vous ne saurez pas si votre programme fait une différence significative.

L'analyse des données peut vous aider à suivre plus précisément les effets de votre travail. Vous pouvez établir des liens entre les ressources que vous consacrez à un programme, les extrants à court terme qu'il crée et les résultats à plus long terme obtenus.

Par exemple, Wellcome Trust finance de nombreuses recherches et essais cliniques. Leur équipe voulait suivre les résultats académiques de leurs subventions. En d'autres termes, ils voulaient savoir combien d'articles universitaires sortaient des programmes qu'ils finançaient.

À l'aide de techniques de science des données, l'équipe du Wellcome Trust a pu créer un pipeline automatique pour regrouper les articles de recherche liés aux programmes qu'ils ont financés. Ils ont ensuite pu lier ce travail à des subventions spécifiques pour déterminer quels programmes avaient le plus grand nombre de résultats académiques.

Pensez à vos programmes et aux extrants et résultats qui comptent le plus pour votre organisation. Obtenez-vous des données claires et détaillées sur la façon dont ils sont connectés ? Savez-vous quels programmes produisent systématiquement les meilleurs résultats ? Tirer parti de la science des données pour le bien social peut vous aider à obtenir une image plus claire de la façon dont tout cela s'emboîte.

4. Trouver des lacunes dans le financement

L'analyse des données peut aider les bailleurs de fonds à identifier les lacunes dans leur financement. Sous-financez-vous certaines populations? Oubliez-vous certains éléments du travail ? Explorer les données peut vous aider à trouver des opportunités pour en faire plus.

Il est parfois facile pour les bailleurs de fonds de se concentrer sur les aspects du travail communautaire qui semblent plus personnels ou plus émotionnels. Apporter de l'aide à quelqu'un dans le besoin fait du bien au niveau individuel. Cependant, cette réponse empathique peut parfois fausser la façon dont les organisations élaborent leurs programmes. Le travail à impact social repose sur une infrastructure solide. La prise en charge de ces cadres moins passionnants mais essentiels peut souvent permettre aux organisations d'en faire beaucoup plus.

À l'aide de la science des données, vous pouvez identifier les lacunes de financement dans votre portefeuille ou dans le secteur philanthropique en général. Trop souvent, la prévention et les infrastructures ne reçoivent pas l'attention qu'elles méritent.

Par exemple, Wellcome Trust a utilisé la science des données pour analyser son portefeuille et déterminer la fréquence à laquelle il finançait la technologie dans ses programmes. À l'aide de ces informations, ils ont modifié leurs priorités pour financer davantage de subventions pour l'infrastructure logicielle, qui est un outil clé pour de nombreux chercheurs.

5. Établissez de nouvelles connexions

Il est facile d'oublier toutes les façons dont les sujets et les identités se chevauchent et se croisent. Mais ces informations peuvent faire une énorme différence dans la conception de vos programmes.

Grâce à la science des données, les subventionneurs peuvent identifier les opportunités de connecter différents sujets ou projets. Avec les outils de visualisation de données, vous pouvez voir où les connexions existent déjà et vous pouvez trouver des endroits où les connexions devraient exister mais pas encore.

Il sera difficile de créer des solutions efficaces pour de gros problèmes si nous ne comprenons pas ces intersections. Prenez le changement climatique par exemple. Les impacts du changement climatique se chevauchent et se croisent avec les effets de la pauvreté et de l'injustice raciale de manière complexe. Si votre organisation cherche à lutter contre le changement climatique sans en tenir compte, vos programmes auront probablement un impact limité.

Vous voulez voir à quoi cela ressemble ? Wellcome Trust a réalisé un projet de modélisation de sujets avec son équipe de neurosciences pour extraire des sujets basés sur des données pour le financement de la recherche. En utilisant la science des données pour analyser des documents texte, ils ont créé une carte afin de pouvoir visualiser les liens et les écarts entre les sujets.

6. Placez votre programme dans le paysage plus large

De nombreuses organisations et individus travaillent à résoudre le même ensemble de problèmes. Des cadres tels que les objectifs de développement durable des Nations Unies peuvent aider à fournir une compréhension de haut niveau de la manière dont votre travail s'inscrit dans des efforts plus larges pour apporter des changements. Mais cela ne vous donne pas les détails dont vous avez besoin.

Vous voulez avoir une image claire de la façon dont vos programmes contribuent au progrès à plus grande échelle. Aidez-vous à déplacer l'aiguille? Vos programmes reproduisent-ils d'autres efforts ou remplissez-vous un rôle unique ?

La science des données peut vous aider à obtenir ces réponses et vous permettre d'être plus stratégique dans la distribution de vos ressources.

Par exemple, Wellcome Trust a utilisé une combinaison de recherche d'API, de grattage Web et de traitement du langage naturel pour évaluer comment son travail s'intègre dans des efforts plus larges de lutte contre le COVID. Pour évaluer l'efficacité de la recherche qu'ils ont financée, ils ont mesuré la fréquence à laquelle la recherche a été mentionnée dans les preuves scientifiques des agences gouvernementales et reconnue dans la littérature générale sur le COVID. Cela leur a permis de savoir clairement si les programmes qu'ils soutenaient jouaient un rôle dans les efforts plus larges.

7. Évaluer l'efficacité et le coût du programme

Une partie d'être un bailleur de fonds consiste à équilibrer le coût et l'efficacité du programme. Vous voulez savoir que vos ressources apportent les changements souhaités, mais aussi qu'elles le font aussi efficacement que possible.

Les enjeux sont élevés. Nous ne parlons pas d'un résultat net ou de dividendes aux actionnaires. Les coûts de votre programme déterminent souvent le nombre de personnes ou d'organismes communautaires que vous pouvez soutenir.

La science des données permet aux bailleurs de fonds d'obtenir une analyse plus approfondie de la façon dont les extrants et les résultats sont liés et comment ils se comparent aux coûts. Si vous ne disposez pas de ces informations, il est impossible de savoir si vous faites des investissements intelligents.

Par exemple, Impact Genome se concentre sur la santé financière. Ils utilisent la science des données pour mesurer l'efficacité des programmes et comparer les coûts des programmes aux résultats qu'ils produisent. À l'aide de l'apprentissage automatique, ils ont évalué 990 dossiers fiscaux pour toutes les organisations à but non lucratif américaines. À partir de là, ils peuvent comparer la taille du budget aux résultats obtenus.

Bien sûr, il existe tellement de stratégies et de conceptions de programmes différentes pour améliorer la santé financière. Par exemple, vous pourriez aider quelqu'un à couvrir les dépenses d'urgence ou lui fournir des conseils financiers. Ceux-ci ont probablement des coûts et des résultats différents.

L'équipe d'Impact Genome a effectué une méta-analyse pour décomposer les résultats qui représentent la santé financière, puis exposer les coûts associés.

Pensez à l'utilité de ces informations pour les organisations à but non lucratif travaillant dans le domaine de la santé financière. Ils pourraient comparer leurs coûts et leurs résultats à ces moyennes. Dépensent-ils beaucoup plus sans obtenir de meilleurs résultats ? Ou sont-ils à égalité avec d'autres organismes sans but lucratif? C'est une information importante à avoir pour façonner leurs futurs programmes.

8. Automatisez votre processus de révision

Pour les subventionneurs qui souhaitent examiner un grand nombre de demandes, la science des données peut être utile. Dans un souci de propreté des données (données traitées et formatées pour éliminer les inexactitudes et les incohérences), certaines organisations remplacent les questions à réponse ouverte par des questions à choix multiples. Cela peut être plus facile à examiner pour les gens, mais beaucoup est perdu lorsque vous enlevez la capacité d'un candidat à expliquer son travail selon ses propres termes.

En tirant parti de l'apprentissage automatique, vous pouvez conserver ces questions à réponse ouverte et passer moins de temps à examiner manuellement les candidatures. Vous pouvez également obtenir des résultats moins biaisés et plus cohérents. Comment cela marche-t-il?

La fonctionnalité de révision accélérée de Submittable met la science des données en action. À l'aide de l'apprentissage automatique, Submittable construit un modèle basé sur les révisions effectuées par votre équipe. En bref, vous formez l'ordinateur pour aider à examiner les demandes de la même manière que votre équipe le fait.

À quoi ressemble le processus ?

Votre équipe examine un échantillon d'environ 200 candidatures. Le modèle est construit autour de ce processus, apprenant comment vos évaluateurs notent et évaluent les candidats. Avant d'appliquer le modèle dans son intégralité, sa précision est évaluée sur un petit lot d'applications. Si nécessaire, le modèle peut être recyclé.

L'automatisation de votre processus d'examen de cette manière signifie que vous pouvez examiner des milliers, voire des millions d'applications à une vitesse incroyable et avec une précision incroyable. Cela réduit considérablement la fatigue et les erreurs humaines. En termes simples, l'examen automatisé permet à votre équipe de faire plus de travail avec moins de personnel en tirant parti de l'apprentissage automatique pour aider à mettre en évidence les informations clés.

9. Alléger le fardeau des bénéficiaires

Avec une prise de conscience croissante de la charge administrative souvent imposée aux bénéficiaires, la science des données peut être un outil incroyable pour éclairer les possibilités pour les subventionneurs de réduire la charge.

Par exemple, la Technology Association of Grantmakers a récemment utilisé l'apprentissage automatique et l'analyse de similarité pour déterminer qu'un formulaire de subvention aléatoire est similaire à 39 % à tout autre formulaire de subvention.

Pourquoi est-ce important ?

Cela signifie que de nombreuses organisations refont souvent le même travail encore et encore lorsqu'elles postulent à différentes subventions. Et si les bailleurs de fonds se réunissaient et normalisaient des parties de leurs demandes de subvention pour s'assurer que tout le monde demandait les mêmes informations dans le même format ? Pensez au temps que cela ferait gagner aux bénéficiaires. 39 % !

Transformer les informations en action

La science des données consiste à utiliser la technologie pour fournir des informations et une structure à partir des informations dont vous disposez. Mais créer un changement exigera que les gens prennent ces idées et les transforment en action.

Vous n'avez peut-être pas les ressources ou la capacité de constituer votre propre équipe interne de science des données. Ce n'est pas grave - Submittable vous a couvert. En tant que plateforme d'impact social conçue pour aider les organisations de toutes tailles, nous pouvons offrir tous les avantages d'une équipe de science des données pour une fraction du coût. En savoir plus aujourd'hui.