9 Cara Ilmu Data Dapat Mempercepat Pekerjaan Dampak Sosial Anda

Bagi orang-orang yang bekerja di sektor filantropi, ilmu data bisa terasa seperti topik yang berat. Di mana Anda mulai? Data apa yang penting? Bagaimana itu cocok dengan pekerjaan komunitas Anda?

Sebelum Anda masuk jauh ke dalam gulma, ada baiknya melangkah mundur untuk memahami apa itu ilmu data dan apa yang dapat Anda lakukan.

Ilmu data untuk dampak sosial adalah tentang menyusun apa yang tidak terstruktur untuk membantu membuat keputusan berdasarkan data. Ini bukan tentang menenggelamkan Anda dalam informasi yang tidak Anda butuhkan. Ini tentang menggunakan data secara strategis untuk membuat dampak yang lebih dalam.

Kami baru-baru ini menyelenggarakan webinar dalam kemitraan dengan Chantal Forster dan Asosiasi Teknologi Pembuat Hibah. Tiga ilmuwan data yang bekerja di sektor dampak sosial—Antonio Campello dari Wellcome Trust, Jonathan Hertel dari Impact Genome Project, dan Andrew Spott dari Submittable—berbagi bagaimana ilmu data dan AI membantu mereka memenuhi misi mereka.

Menyoroti wawasan dan contoh dari acara ini, kami telah menyusun sembilan cara ilmu data dapat membantu organisasi Anda berbuat lebih banyak.

Apakah Anda memiliki latar belakang yang kuat dalam ilmu data atau Anda hanya ingin tahu data, kami memiliki beberapa wawasan yang berguna untuk semua orang.

Beberapa definisi cepat untuk ilmu data

Sebelum kita mulai, mari kita bahas beberapa terminologi. Bagi orang-orang yang baru mengenal ilmu data, terkadang bahasa itu sendiri bisa membuat kewalahan, jadi inilah primer singkatnya.

• Analisis data adalah proses menganalisis data mentah untuk menemukan tren dan menjawab pertanyaan.
  • Sebagian besar organisasi melakukan beberapa bentuk analitik data. Misalnya, Anda mungkin bertanya, di mana penerima hibah kami tinggal? Melacak data geografis untuk menentukan negara bagian teratas atau negara tempat Anda memberikan dana adalah analitik data di tempat kerja.

• Pembelajaran mesin adalah proses memanfaatkan algoritme untuk memberi komputer kemampuan untuk meningkatkan secara otomatis melalui pengalaman dan dengan data.
  • Pengenalan gambar adalah aplikasi umum dari pembelajaran mesin; jika Anda pernah melihat ponsel atau komputer Anda mengidentifikasi sendiri siapa yang ada di foto, Anda telah melihat pembelajaran mesin beraksi.

• Ilmu data adalah penerapan algoritme pembelajaran mesin ke berbagai sumber data (yaitu, angka, teks, gambar, video, audio, dan lainnya) untuk menghasilkan sistem kecerdasan buatan yang dapat melakukan tugas yang biasanya membutuhkan kecerdasan manusia.
  • Bahkan jika Anda belum pernah bekerja di bidang ilmu data, kemungkinan besar Anda telah mendapat manfaat darinya. Ilmu data dimanfaatkan di setiap sektor—publik dan swasta—termasuk perawatan kesehatan, transportasi, keselamatan publik, dan banyak lagi. Misalnya, ilmu data sekarang digunakan untuk membantu menganalisis pencitraan medis dan mengidentifikasi keganasan.

• Pemrosesan bahasa alami adalah cabang dari kecerdasan buatan yang berfokus pada pemberian komputer kemampuan untuk memahami dan menanggapi teks dan kata-kata yang diucapkan dengan cara yang sama seperti yang dapat dilakukan manusia.
  • Pikirkan Siri atau Alexa.

• Taksonomi adalah sistem klasifikasi atau kategorisasi yang digunakan untuk mengelompokkan barang-barang sejenis.
  • Dalam filantropi, organisasi nirlaba dapat dikelompokkan berdasarkan ukuran, misi, desain program, lokasi, atau sebutan lain.

Bagaimana ilmu data dapat memberdayakan dampak sosial Anda bekerja

1. Pahami portofolio Anda pada tingkat yang lebih terperinci

Untuk pembuat hibah, memanfaatkan data dan analisis dampak sosial dapat membantu Anda mendapatkan gambaran yang lebih jelas tentang siapa dan apa yang Anda danai serta hasil dari pendanaan tersebut. Anda dapat mengungkapkan tren, tumpang tindih, dan kesenjangan dalam cara Anda mendistribusikan sumber daya.

Mengapa ini penting?

Mendapatkan tampilan yang lebih terperinci dari program Anda memungkinkan Anda untuk mengidentifikasi dan menghilangkan bias dan menemukan peluang yang terlewatkan. Plus itu dapat memberi Anda wawasan yang Anda butuhkan untuk memperluas upaya Anda dan membangun program baru yang efektif.

Sepertinya Anda sudah memiliki banyak data yang Anda butuhkan. Tetapi jika data itu tidak terorganisir dan dapat diakses, itu tidak berarti banyak. Sulit untuk melihat pola atau menarik kesimpulan dari tumpukan besar data tidak terstruktur.

Misalnya, Wellcome Trust—yang programnya sebagian besar berfokus pada kesehatan—menganalisis portofolio lebih dari 100.000 hibah. Menggunakan pemrosesan bahasa alami, mereka menerapkan 30.000 tanda penyakit ke dalam portofolio mereka. Penandaan ini merupakan langkah penting dalam mempersiapkan data untuk analisis dan segmentasi. Hal ini memungkinkan manajer hibah untuk dengan mudah mencari program hibah masa lalu. Katakanlah organisasi sedang mempertimbangkan untuk mendanai penelitian seputar penyakit tertentu, mereka sekarang dapat melihat kembali apakah mereka sebelumnya telah mendanai area fokus itu dan hasil dari pekerjaan itu.

Bahkan jika Anda tidak berurusan dengan portofolio 100.000 hibah, memiliki pemahaman yang lebih rinci tentang program Anda adalah penting.

Pemberian tag otomatis merupakan salah satu cara untuk mulai menata data yang Anda miliki. Misalnya, Submittable mengaktifkan penandaan otomatis sehingga ketika aplikasi hibah masuk, Anda dapat menerapkan tag berdasarkan jawaban atas pertanyaan tertentu. Ini memberdayakan Anda untuk melacak, mengkategorikan, dan menganalisis data yang penting bagi tim Anda, apakah itu demografi, geografi, fokus misi, ukuran organisasi, atau lainnya.

Anda dapat mengurutkan pelamar dan penerima hibah berdasarkan tag tersebut untuk membantu Anda menganalisis bagaimana Anda mendistribusikan sumber daya Anda dan apakah Anda perlu mengubah strategi Anda.

2. Buat standar dan taksonomi yang lebih jelas

Dalam dunia social impact, seringkali kita membicarakan hal yang sama tetapi menggunakan bahasa yang berbeda. Hal ini dapat membuat sulit untuk melihat di mana pekerjaan kami tumpang tindih dengan pekerjaan orang lain dan membuat perbandingan di seluruh program serupa.

Misalnya, ketika pembuat hibah, organisasi nirlaba, dan peneliti menggunakan bahasa yang berbeda untuk membicarakan masalah yang sama, akan jauh lebih sulit untuk membuat hubungan di antara pekerjaan mereka.

Pemutusan hubungan ini menghambat kemampuan setiap orang untuk mengembangkan solusi yang efektif dan membuat prediksi yang tepat. Anggap saja seperti fondasi sebuah rumah. Jika kita tidak memiliki struktur yang kuat di tingkat dasar ini, semua yang dibangun di atasnya akan goyah.

Proyek Genom Dampak, dalam Pengukuran Misi, bekerja untuk mensistematisasikan standarisasi ini. Misalnya, mereka telah membuat Impact Registry, database yang dapat ditelusuri dengan data dampak dan penerima manfaat di lebih dari 2 juta program nirlaba di AS dan Kanada. Alat semacam ini dapat membantu menopang fondasi itu sehingga sektor filantropi dapat membangun secara lebih efektif menuju solusi berbasis data.

3. Lacak keluaran dan hasil dengan lebih jelas

Pekerjaan filantropi adalah tentang dampaknya. Apakah program yang Anda jalankan menciptakan hasil yang Anda inginkan? Berapa pun anggaran Anda, jika Anda tidak mengetahui hal ini, Anda tidak akan tahu apakah program Anda membuat perbedaan yang berarti.

Analisis data dapat membantu Anda melacak efek pekerjaan Anda dengan lebih akurat. Anda dapat membuat hubungan antara sumber daya yang Anda dedikasikan untuk suatu program, keluaran jangka pendek yang dihasilkannya, dan hasil jangka panjang yang dicapai.

Misalnya, Wellcome Trust mendanai banyak penelitian dan uji klinis. Tim mereka ingin melacak hasil akademik dari hibah mereka. Dengan kata lain, mereka ingin mengetahui berapa banyak artikel akademik yang keluar dari program yang mereka biayai.

Dengan menggunakan teknik ilmu data, tim Wellcome Trust mampu membuat saluran otomatis untuk menggabungkan artikel penelitian yang terkait dengan program yang mereka danai. Mereka kemudian dapat menghubungkan pekerjaan ini kembali ke hibah khusus untuk menentukan program mana yang memiliki jumlah output akademik tertinggi.

Pikirkan tentang program Anda dan keluaran serta hasil yang paling berarti bagi organisasi Anda. Apakah Anda mendapatkan data yang jelas dan terperinci tentang bagaimana mereka terhubung? Tahukah Anda program mana yang secara konsisten menghasilkan hasil terbaik? Memanfaatkan ilmu data untuk kebaikan sosial dapat membantu Anda mendapatkan gambaran yang lebih jelas tentang bagaimana semuanya cocok satu sama lain.

4. Temukan kesenjangan dalam pendanaan

Menganalisis data dapat membantu pemberi hibah mengidentifikasi kesenjangan dalam pendanaan mereka. Apakah Anda mendanai populasi tertentu? Apakah Anda mengabaikan beberapa komponen pekerjaan? Menggali data dapat membantu Anda menemukan peluang untuk berbuat lebih banyak.

Terkadang mudah bagi penyandang dana untuk fokus pada aspek kerja komunitas yang terasa lebih pribadi atau lebih emosional. Memberikan bantuan kepada seseorang yang membutuhkan terasa menyenangkan di tingkat individu. Namun, respons empatik itu terkadang dapat mengubah cara organisasi membangun program mereka. Pekerjaan dampak sosial bergantung pada infrastruktur yang kuat. Mendukung kerangka kerja yang kurang menarik namun penting ini seringkali dapat memungkinkan organisasi untuk melakukan lebih banyak hal.

Dengan menggunakan ilmu data, Anda dapat mengidentifikasi kesenjangan dalam pendanaan dalam portofolio Anda atau sektor filantropi pada umumnya. Terlalu sering pencegahan dan infrastruktur tidak mendapatkan perhatian yang layak mereka dapatkan.

Misalnya, Wellcome Trust menggunakan ilmu data untuk menganalisis portofolio mereka dan menentukan seberapa sering mereka mendanai teknologi di seluruh program mereka. Dengan menggunakan wawasan ini, mereka mengubah prioritas mereka untuk mendanai lebih banyak hibah untuk infrastruktur perangkat lunak, yang merupakan alat utama bagi banyak peneliti.

5. Buat koneksi baru

Sangat mudah untuk mengabaikan semua cara subjek dan identitas tumpang tindih dan berpotongan. Tetapi wawasan ini dapat membuat perbedaan besar dalam cara Anda merancang program Anda.

Dengan menggunakan ilmu data, pemberi hibah dapat mengidentifikasi peluang untuk menghubungkan berbagai topik atau proyek. Dengan alat visualisasi data, Anda dapat melihat di mana koneksi sudah ada dan Anda dapat menemukan tempat di mana koneksi seharusnya ada tetapi belum ada.

Akan sulit untuk menciptakan solusi yang efektif untuk masalah besar jika kita tidak memahami persimpangan ini. Ambil contoh perubahan iklim. Dampak perubahan iklim tumpang tindih dan bersinggungan dengan dampak kemiskinan dan ketidakadilan rasial secara kompleks. Jika organisasi Anda berusaha untuk mengatasi perubahan iklim tanpa mempertimbangkan hal ini, program Anda kemungkinan akan memiliki dampak yang terbatas.

Mau lihat seperti apa ini? Wellcome Trust melakukan proyek pemodelan topik dengan tim ilmu saraf mereka untuk mengekstrak topik berbasis data untuk pendanaan penelitian. Menggunakan ilmu data untuk menganalisis dokumen teks, mereka membuat peta sehingga mereka dapat memvisualisasikan hubungan dan kesenjangan antar topik.

6. Tempatkan program Anda ke lanskap yang lebih luas

Banyak organisasi dan individu bekerja untuk memecahkan masalah yang sama. Kerangka kerja seperti Tujuan Pembangunan Berkelanjutan Perserikatan Bangsa-Bangsa dapat membantu memberikan pemahaman tingkat tinggi tentang bagaimana pekerjaan Anda cocok dengan upaya yang lebih luas untuk membuat perubahan. Tapi itu tidak memberi Anda detail yang Anda butuhkan.

Anda ingin mendapatkan gambaran yang jelas tentang bagaimana program Anda berkontribusi untuk kemajuan dalam skala yang lebih besar. Apakah Anda membantu memindahkan jarum? Apakah program Anda meniru upaya lain atau apakah Anda memenuhi peran unik?

Ilmu data dapat membantu Anda mendapatkan jawaban ini dan memungkinkan Anda untuk lebih strategis dalam mendistribusikan sumber daya Anda.

Misalnya, Wellcome Trust menggunakan kombinasi pencarian API, pengikisan web, dan pemrosesan bahasa alami untuk menilai bagaimana pekerjaan mereka cocok dengan upaya yang lebih luas untuk memerangi COVID. Untuk menilai efektivitas penelitian yang didanai, mereka mengukur seberapa sering penelitian tersebut disebutkan dalam bukti ilmiah dari lembaga pemerintah dan diakui dalam literatur umum seputar COVID. Ini memberi mereka pemahaman yang jelas apakah program yang mereka dukung berperan dalam upaya yang lebih luas.

7. Evaluasi efektivitas dan biaya program

Bagian dari menjadi pemberi hibah adalah menyeimbangkan biaya dan efektivitas program. Anda ingin tahu bahwa sumber daya Anda membuat perubahan yang ingin Anda lihat, tetapi juga mereka melakukannya seefisien mungkin.

Taruhannya tinggi. Kami tidak berbicara tentang beberapa keuntungan atau dividen pemegang saham. Biaya program Anda sering kali menentukan berapa banyak orang atau organisasi masyarakat yang dapat Anda dukung.

Ilmu data memberdayakan pembuat hibah untuk mendapatkan analisis yang lebih dalam tentang bagaimana keluaran dan hasil terkait dan bagaimana mereka dibandingkan dengan biaya. Jika Anda tidak memiliki informasi ini, tidak mungkin untuk mengetahui apakah Anda melakukan investasi yang cerdas.

Misalnya, Impact Genome berfokus pada kesehatan finansial. Mereka menggunakan ilmu data untuk mengukur efektivitas program dan bagaimana biaya program dibandingkan dengan hasil yang mereka hasilkan. Dengan menggunakan pembelajaran mesin, mereka telah mengevaluasi 990 catatan pajak untuk semua lembaga nonprofit AS. Dari sini, mereka dapat membandingkan ukuran anggaran dengan hasil yang dicapai.

Tentu saja ada begitu banyak strategi dan desain program yang berbeda untuk mengatasi kesehatan keuangan. Misalnya Anda dapat membantu seseorang menutupi biaya darurat atau memberikan konseling keuangan. Ini mungkin memiliki biaya dan hasil yang berbeda.

Tim di Impact Genome telah melakukan analisis meta untuk memecah hasil yang mewakili kesehatan finansial dan kemudian menjelaskan biaya terkait.

Pikirkan betapa bermanfaatnya informasi ini bagi organisasi nirlaba yang bekerja di bidang kesehatan keuangan. Mereka dapat membandingkan biaya dan hasil mereka dengan rata-rata ini. Apakah mereka membelanjakan lebih banyak tanpa mencapai hasil yang lebih baik? Atau apakah mereka setara dengan organisasi nirlaba lainnya? Itu informasi penting untuk dimiliki saat mereka membentuk program masa depan mereka.

8. Otomatiskan proses peninjauan Anda

Untuk pembuat hibah yang ingin meninjau sejumlah besar aplikasi, ilmu data dapat membantu. Demi data yang bersih (data diproses dan diformat untuk menghilangkan ketidakakuratan dan inkonsistensi), beberapa organisasi mengganti pertanyaan respons terbuka dengan pilihan ganda. Ini bisa lebih mudah bagi orang untuk meninjau, tetapi banyak yang hilang ketika Anda menghilangkan kemampuan pelamar untuk menjelaskan pekerjaan mereka dengan cara mereka sendiri.

Dengan memanfaatkan pembelajaran mesin, Anda dapat menyimpan pertanyaan respons terbuka tersebut, dan menghabiskan lebih sedikit waktu untuk meninjau aplikasi secara manual. Anda juga dapat mencapai hasil yang kurang bias dan lebih konsisten. Bagaimana cara kerjanya?

Fitur Peninjauan Dipercepat yang Dapat Dikirimkan menerapkan ilmu data. Menggunakan pembelajaran mesin, Submittable membuat model berdasarkan ulasan yang dilakukan oleh tim Anda. Singkatnya, Anda melatih komputer untuk membantu meninjau aplikasi dengan cara yang sama seperti yang dilakukan tim Anda.

Seperti apa prosesnya?

Tim Anda meninjau sampel sekitar 200 aplikasi. Model ini dibangun di sekitar proses itu, mempelajari bagaimana peninjau Anda menilai dan menilai pelamar. Sebelum menerapkan model secara penuh, akurasinya dievaluasi pada sejumlah kecil aplikasi. Jika perlu, model dapat dilatih ulang.

Mengotomatiskan proses peninjauan Anda dengan cara ini berarti Anda dapat meninjau ribuan atau bahkan jutaan aplikasi dengan kecepatan luar biasa dan dengan akurasi luar biasa. Ini sangat mengurangi kelelahan dan kesalahan manusia. Sederhananya, tinjauan otomatis memungkinkan tim Anda melakukan lebih banyak pekerjaan dengan lebih sedikit staf dengan memanfaatkan pembelajaran mesin untuk membantu menyoroti informasi penting.

9. Meringankan beban penerima hibah

Dengan meningkatnya kesadaran akan beban administratif yang sering dibebankan pada penerima hibah, ilmu data dapat menjadi alat yang luar biasa untuk menerangi peluang bagi pembuat hibah untuk mengurangi beban tersebut.

Misalnya, Asosiasi Teknologi Pembuat Hibah baru-baru ini menggunakan pembelajaran mesin dan analisis kesamaan untuk menentukan bahwa formulir hibah acak 39% serupa dengan formulir hibah lainnya.

Mengapa ini penting?

Ini berarti bahwa banyak organisasi sering mengulangi pekerjaan yang sama berulang-ulang ketika mereka mengajukan permohonan untuk hibah yang berbeda. Bagaimana jika penyandang dana berkumpul dan menstandardisasi bagian dari aplikasi hibah mereka untuk memastikan bahwa setiap orang meminta informasi yang sama dalam format yang sama? Pikirkan berapa banyak waktu yang akan menghemat penerima hibah. 39%!

Mengubah wawasan menjadi tindakan

Ilmu data adalah tentang menggunakan teknologi untuk memberikan wawasan dan struktur dari informasi yang Anda miliki. Tetapi menciptakan perubahan akan membutuhkan orang untuk mengambil wawasan itu dan mengubahnya menjadi tindakan.

Anda mungkin tidak memiliki sumber daya atau kapasitas untuk membangun tim ilmu data internal Anda sendiri. Tidak apa-apa—Submittable telah Anda liput. Sebagai platform dampak sosial yang dibangun untuk membantu organisasi dari semua ukuran, kami dapat memberikan semua manfaat tim ilmu data dengan biaya yang lebih murah. Cari tahu lebih banyak hari ini.