データサイエンスがあなたの社会的影響の仕事を加速することができる9つの方法

慈善部門全体で働く人々にとって、データサイエンスは扱いにくいトピックのように感じることがあります。 どこから始めますか？ どのようなデータが重要ですか？ それはあなたのコミュニティの仕事にどのように適合しますか？

雑草を深く理解する前に、データサイエンスとは何か、そしてデータサイエンスで何ができるかを理解することは、一歩下がる価値があります。

社会的影響のためのデータサイエンスは、データ主導の意思決定を支援するために非構造化されたものを構造化することです。 それはあなたが必要としない情報にあなたを溺死させることではありません。 それは、データを戦略的に使用して、より深い影響を与えることです。

最近、ChantalForsterおよびTechnologyAssociationofGrantmakersと共同でウェビナーを開催しました。 ウェルカムトラストのAntonioCampello、Impact GenomeProjectのJonathanHertel、SubmittableのAndrew Spottの3人のデータサイエンティストが、データサイエンスとAIがミッションの遂行にどのように役立つかを共有しました。

このイベントからの洞察と例を強調し、データサイエンスが組織のさらなる活動に役立つ9つの方法を示しました。

データサイエンスに強いバックグラウンドを持っている場合でも、データに興味を持っているだけの場合でも、すべての人に役立つ洞察が得られます。

データサイエンスの簡単な定義

始める前に、いくつかの用語について説明しましょう。 データサイエンスに不慣れな人にとっては、言語自体が圧倒されることがあるので、ここに簡単な入門書があります。

• データ分析は、生データを分析して傾向を見つけ、質問に答えるプロセスです。
  • ほとんどの組織は、何らかの形のデータ分析を行っています。 たとえば、助成対象者はどこに住んでいますか？ 地理データを追跡して、資金を提供する上位の州または国を特定することは、データ分析が機能していることです。

• 機械学習は、アルゴリズムを活用して、コンピューターに経験とデータを使用して自動的に改善する機能を提供するプロセスです。
  • 画像認識は機械学習の一般的なアプリケーションです。 携帯電話やコンピューターが写真に写っている人物を自分で識別するのを見たことがあれば、機械学習が実際に行われているのを見たことがあるでしょう。

• データサイエンスとは、機械学習アルゴリズムをさまざまなデータソース（数字、テキスト、画像、ビデオ、オーディオなど）に適用して、通常は人間の知能を必要とするタスクを実行できる人工知能システムを作成することです。
  • データサイエンスに携わったことがなくても、その恩恵を受けている可能性があります。 データサイエンスは、医療、運輸、公安など、あらゆるセクター（公的および私的）で活用されています。 たとえば、データサイエンスは現在、医用画像の分析と悪性腫瘍の特定に役立てられています。

• 自然言語処理は、人間と同じようにテキストや話し言葉を理解して応答する能力をコンピューターに与えることに焦点を当てた人工知能の分野です。
  • SiriまたはAlexaを考えてください。

• 分類法は、類似したアイテムをグループ化するために使用される分類または分類システムです。
  • 慈善活動では、非営利団体は、規模、使命、プログラムの設計、場所、または別の指定によってグループ化される場合があります。

データサイエンスがあなたの社会的影響力をどのように強化できるか

1.ポートフォリオをより詳細なレベルで理解する

助成金提供者にとって、データと社会的影響分析を活用することで、誰が、何に資金を提供し、その資金提供の結果をより明確に把握することができます。 リソースの分散方法の傾向、重複、およびギャップを明らかにすることができます。

何でこれが大切ですか？

プログラムをより詳細に把握することで、偏見を特定して根絶し、逃した機会を見つけることができます。 さらに、取り組みを拡大し、効果的な新しいプログラムを構築するために必要な洞察を得ることができます。

必要なデータがすでにたくさんある可能性があります。 しかし、そのデータが整理されておらず、アクセスできない場合、それはあまり意味がありません。 構造化されていないデータの山からパターンを見たり、結論を導き出すことは困難です。

たとえば、プログラムが主に健康に焦点を当てているウェルカムトラストは、100,000を超える助成金のポートフォリオを分析しました。 彼らは自然言語処理を使用して、ポートフォリオに30,000の病気タグを適用しました。 このタグ付けは、分析とセグメンテーションのためのデータを準備する上で重要なステップです。 これにより、助成金マネージャーは過去の助成金プログラムを簡単に検索できます。 組織が特定の疾患に関する研究への資金提供を検討しているとすると、彼らは以前にその重点分野に資金を提供したかどうか、およびその作業の結果を振り返ることができます。

100,000の助成金のポートフォリオを扱っていない場合でも、プログラムをより詳細に理解することが重要です。

自動タグ付けは、所有しているデータの整理を開始する1つの方法です。 たとえば、Submittableは自動タグ付けを有効にしているため、助成金申請書が届いたときに、特定の質問への回答に基づいてタグを適用できます。 これにより、人口統計、地理、ミッションフォーカス、組織の規模など、チームにとって重要なデータを追跡、分類、分析することができます。

これらのタグに基づいて申請者と被付与者を並べ替えることで、リソースの配分方法や戦略を変える必要があるかどうかを分析できます。

2.より明確な基準と分類法を作成します

社会的影響の世界では、同じことについて話しているが、異なる言語を使用していることがよくあります。 これにより、私たちの作業が他の作業と重複している場所を確認したり、同様のプログラム間で比較したりすることが困難になる可能性があります。

たとえば、助成金提供者、非営利団体、研究者がすべて同じ問題について話すために異なる言語を使用する場合、彼らの仕事を結びつけることははるかに困難です。

この切断は、効果的なソリューションを開発し、情報に基づいた予測を行うすべての人の能力を妨げます。 家の土台のように考えてください。 この基本レベルで強力な構造がないと、その上に構築されたすべてのものが不安定になります。

MissionMeasurement内のImpactGenomeProjectは、これらの標準化を体系化するために取り組んでいます。 たとえば、米国とカナダの200万を超える非営利プログラムに関する影響と受益者のデータを含む検索可能なデータベースであるImpactRegistryを作成しました。 この種のツールは、慈善部門がデータ駆動型ソリューションに向けてより効果的に構築できるように、その基盤を強化するのに役立ちます。

3.出力と結果をより明確に追跡します

慈善活動はすべて影響に関するものです。 実行するプログラムは、意図した結果を生み出していますか？ あなたの予算がいくらであっても、これを知らなければ、あなたのプログラムが意味のある違いを生み出しているかどうかはわかりません。

データ分析は、作業の影響をより正確に追跡するのに役立ちます。 プログラムに捧げるリソース、プログラムが作成する短期的な成果、および達成される長期的な成果の間を結び付けることができます。

たとえば、ウェルカムトラストは、多くの研究や臨床試験に資金を提供しています。 彼らのチームは、助成金からの学術的成果を追跡したいと考えていました。 言い換えれば、彼らは彼らが資金提供したプログラムからいくつの学術論文が出てきたか知りたかったのです。

ウェルカムトラストチームは、データサイエンスの手法を使用して、資金提供したプログラムに関連する研究記事を集約する自動パイプラインを作成することができました。 その後、彼らはこの作業を特定の助成金にリンクして、どのプログラムが最も多くの学術的成果を上げたかを判断することができました。

あなたのプログラムとあなたの組織にとって最も重要な成果と結果について考えてください。 それらがどのように接続されているかについて、明確で詳細なデータを取得していますか？ どのプログラムが一貫して最良の結果を生み出すか知っていますか？ 社会的利益のためにデータサイエンスを活用することで、データサイエンスがどのように組み合わされているかをより明確に把握することができます。

4.資金調達のギャップを見つける

データを分析することは、助成金提供者が資金のギャップを特定するのに役立ちます。 特定の人口に資金が不足していますか？ 作品のいくつかの要素を見落としていますか？ データを掘り下げると、より多くのことを行う機会を見つけるのに役立ちます。

資金提供者にとって、より個人的またはより感情的なコミュニティ活動の側面に集中するのは簡単な場合があります。 困っている人に援助を提供することは、個人レベルで気分が良いです。 ただし、その共感的な反応は、組織がプログラムを構築する方法を歪める可能性があります。 社会的影響の仕事は強力なインフラストラクチャに依存しています。 これらのそれほど刺激的ではないが不可欠なフレームワークをサポートすることで、組織は多くのことを実行できるようになります。

データサイエンスを使用すると、ポートフォリオまたは慈善部門全体の資金調達のギャップを特定できます。 多くの場合、予防とインフラストラクチャは、それに値する注目を集めていません。

たとえば、ウェルカムトラストは、データサイエンスを使用してポートフォリオを分析し、プログラム全体でテクノロジーに資金を提供する頻度を決定しました。 これらの洞察を使用して、彼らは優先順位を変更し、多くの研究者にとって重要なツールであるソフトウェアインフラストラクチャへのより多くの助成金に資金を提供しました。

5.新しい接続を作成します

サブジェクトとアイデンティティが重なり合ったり交差したりするすべての方法を見落としがちです。 しかし、これらの洞察は、プログラムの設計方法に大きな違いをもたらす可能性があります。

データサイエンスを使用して、助成金提供者はさまざまなトピックやプロジェクトを結び付ける機会を特定できます。 データ視覚化ツールを使用すると、接続がすでに存在する場所を確認したり、接続が存在するはずの場所を見つけることができますが、まだ存在していません。

これらの交差点を理解しないと、大きな問題に対する効果的な解決策を作成することは困難になります。 気候変動を例にとってみましょう。 気候変動の影響は、複雑な方法で貧困や人種的不公正の影響と重なり合い、交差しています。 組織がこれを考慮せずに気候変動に対処しようとする場合、プログラムの影響は限定的である可能性があります。

これがどのように見えるかを見たいですか？ ウェルカムトラストは、研究資金のためにデータ主導のトピックを抽出するために、神経科学チームとトピックモデリングプロジェクトを行いました。 データサイエンスを使用してテキストドキュメントを分析し、トピック間のつながりやギャップを視覚化できるようにマップを作成しました。

6.プログラムをより広いランドスケープに配置します

多くの組織や個人が同じ一連の問題の解決に取り組んでいます。 国連の持続可能な開発目標のようなフレームワークは、あなたの仕事が変化を起こすためのより広範な取り組みにどのように適合するかについての高レベルの理解を提供するのに役立ちます。 しかし、それはあなたが必要とする詳細をあなたに与えません。

プログラムがより大きな規模で進歩にどのように貢献しているかを明確に把握したいと考えています。 針を動かすのを手伝っていますか？ あなたのプログラムは他の努力を複製していますか、それともあなたはユニークな役割を果たしていますか？

データサイエンスは、これらの答えを得るのに役立ち、リソースをより戦略的に配布できるようにします。

たとえば、Wellcome Trustは、API検索、Webスクレイピング、自然言語処理の組み合わせを使用して、COVIDと戦うための幅広い取り組みに彼らの仕事がどのように適合するかを評価しました。 彼らが資金提供した研究の有効性を評価するために、彼らは研究が政府機関からの科学的証拠で言及され、COVIDに関する一般的な文献で認められた頻度を測定しました。 これは、彼らが支援したプログラムがより広い努力に貢献していたかどうかを彼らに明確に感じさせました。

7.プログラムの有効性とコストを評価する

助成金提供者になることの一部は、プログラムの費用と効果のバランスを取ることです。 あなたはあなたのリソースがあなたが見たいと思う変化をしていることを知りたいだけでなく、彼らが可能な限り効率的にそうしていることも知りたいのです。

賭け金は高いです。 収益や株主配当について話しているのではありません。 プログラムの費用によって、サポートできる人やコミュニティ組織の数が決まることがよくあります。

データサイエンスにより、助成金提供者は、成果と成果がどのように関連しているか、およびそれらがコストとどのように比較されるかについて、より深い分析を行うことができます。 この情報がないと、賢明な投資をしているのかどうかを知ることはできません。

たとえば、ImpactGenomeは財務の健全性に重点を置いています。 彼らはデータサイエンスを使用して、プログラムの有効性と、プログラムのコストが彼らが生み出す結果とどのように比較されるかを測定します。 機械学習を使用して、米国のすべての非営利団体の990の税務記録を評価しました。 ここから、彼らは予算の規模を達成された結果と比較することができます。

もちろん、財政の健全性に対処するための非常に多くの異なる戦略とプログラム設計があります。 たとえば、誰かが緊急費用を負担したり、財務カウンセリングを提供したりするのを手伝うことができます。 これらはおそらく異なるコストと結果をもたらします。

Impact Genomeのチームは、メタ分析を行って、財務状態を表す結果を分析し、関連するコストをレイアウトしました。

この情報が、金融の健全性に取り組む非営利団体にとってどれほど役立つかを考えてみてください。 彼らはコストと結果をこれらの平均と比較することができます。 彼らはより良い結果を達成することなく大幅に多くを費やしていますか？ それとも、他の非営利団体と同等ですか？ それは彼らが将来のプログラムを形作るときに持っている重要な情報です。

8.レビュープロセスを自動化します

大量のアプリケーションのレビューを検討している助成金提供者にとって、データサイエンスが役立ちます。 クリーンなデータ（不正確さや矛盾を排除するために処理およびフォーマットされたデータ）のために、一部の組織はオープンレスポンスの質問を複数の選択肢に置き換えています。 これは人々がレビューしやすくなる可能性がありますが、応募者が自分の言葉で自分の仕事を説明する能力を奪うと、多くのことが失われます。

機械学習を活用することで、これらのオープンレスポンスの質問を維持し、アプリケーションを手動で確認する時間を短縮できます。 また、偏りが少なく、より一貫性のある結果を得ることができます。 これはどのように作動しますか？

SubmittableのAcceleratedReview機能は、データサイエンスを実行に移します。 機械学習を使用して、Submittableはチームが実行したレビューに基づいてモデルを構築します。 つまり、チームと同じようにアプリケーションをレビューできるようにコンピューターをトレーニングしているのです。

プロセスはどのように見えますか？

チームは約200のアプリケーションのサンプルをレビューします。 モデルはそのプロセスを中心に構築されており、レビュー担当者が応募者をどのように採点して評価するかを学習します。 モデルを完全に適用する前に、アプリケーションの小さなバッチで精度が評価されます。 必要に応じて、モデルを再トレーニングできます。

この方法でレビュープロセスを自動化することは、数千または数百万ものアプリケーションを信じられないほどの速度で驚くほどの精度でレビューできることを意味します。 これにより、倦怠感と人為的ミスが大幅に減少します。 簡単に言えば、自動レビューにより、機械学習を活用して重要な情報を強調することで、チームはより少ないスタッフでより多くの作業を行うことができます。

9.被付与者の負担を軽減します

被付与者にしばしば課せられる管理上の負担に対する認識が高まるにつれ、データサイエンスは、被付与者が負荷を軽減する機会を明らかにするための素晴らしいツールになり得ます。

たとえば、Technology Association of Grantmakersは最近、機械学習と類似性分析を使用して、ランダムな助成金フォームが他の助成金フォームと39％​​類似していることを確認しました。

なぜこれが重要なのですか？

これは、多くの組織が異なる助成金に申請するときに、同じ作業を何度もやり直すことが多いことを意味します。 資金提供者が集まって助成金申請書の一部を標準化し、全員が同じ形式で同じ情報を求めていることを確認したらどうなるでしょうか。 被付与者をどれだけの時間節約できるか考えてみてください。 39％！

洞察を行動に移す

データサイエンスとは、テクノロジーを使用して、所有している情報から洞察と構造を提供することです。 しかし、変化を生み出すには、人々がそれらの洞察を取り入れて行動に移す必要があります。

独自の社内データサイエンスチームを構築するためのリソースや能力がない場合があります。 それは大丈夫です—提出可能はあなたをカバーしました。 あらゆる規模の組織を支援するために構築された社会的影響プラットフォームとして、データサイエンスチームのすべてのメリットをわずかなコストで提供できます。 今日もっと知りましょう。