데이터 과학이 소셜 임팩트 작업을 가속화할 수 있는 9가지 방법

자선 부문에서 일하는 사람들에게 데이터 과학은 다루기 힘든 주제처럼 느껴질 수 있습니다. 어디서 시작합니까? 어떤 데이터가 중요합니까? 커뮤니티 작업에 어떻게 적합합니까?

잡초에 대해 더 깊이 들어가기 전에 데이터 과학이 무엇이며 데이터 과학이 무엇을 할 수 있는지 이해하는 것이 좋습니다.

사회적 영향을 위한 데이터 과학은 데이터 기반 의사 결정을 내리는 데 도움이 되도록 비구조화된 것을 구조화하는 것입니다. 필요하지 않은 정보에 빠져드는 것이 아닙니다. 더 깊은 영향을 미치기 위해 전략적으로 데이터를 사용하는 것입니다.

우리는 최근 Chantal Forster 및 기술 보조금 제작자 협회와 협력하여 웨비나를 주최했습니다. Wellcome Trust의 Antonio Campello, Impact Genome Project의 Jonathan Hertel, Submittable의 Andrew Spott 등 소셜 임팩트 부문에서 일하는 3명의 데이터 과학자는 데이터 과학과 AI가 미션을 수행하는 데 어떻게 도움이 되는지 공유했습니다.

이 이벤트의 통찰력과 예를 강조하여 데이터 과학이 조직에서 더 많은 작업을 수행하는 데 도움이 될 수 있는 9가지 방법을 제시했습니다.

데이터 과학에 대한 강력한 배경 지식이 있든 막 데이터에 대한 호기심이 생겼든 관계없이 모든 사람에게 유용한 통찰력이 있습니다.

데이터 과학에 대한 몇 가지 빠른 정의

시작하기 전에 몇 가지 용어를 살펴보겠습니다. 데이터 과학을 처음 접하는 사람들에게는 때때로 언어 자체가 압도적일 수 있으므로 여기에 간단한 입문서가 있습니다.

• 데이터 분석 은 원시 데이터를 분석 하여 추세를 찾고 질문에 답하는 프로세스입니다.
  • 대부분의 조직은 일종의 데이터 분석을 수행합니다. 예를 들어, 수혜자는 어디에 살고 있습니까? 지리 데이터를 추적하여 자금을 제공하는 상위 주 또는 국가를 결정하는 것은 작업에서 데이터 분석입니다.

• 머신 러닝 은 알고리즘을 활용하여 컴퓨터가 경험과 데이터를 통해 자동으로 개선할 수 있는 기능을 제공 하는 프로세스입니다.
  • 이미지 인식은 기계 학습의 일반적인 응용 프로그램입니다. 휴대전화나 컴퓨터가 사진 속 인물을 스스로 식별하는 것을 본 적이 있다면 기계 학습이 작동하는 것을 본 것입니다.

• 데이터 과학 은 일반적으로 인간 지능이 필요한 작업을 수행할 수 있는 인공 지능 시스템을 생성 하기 위해 다양한 데이터 소스(예: 숫자, 텍스트, 이미지, 비디오, 오디오 등)에 기계 학습 알고리즘을 적용합니다.
  • 데이터 과학 분야에서 일하지 않았더라도 데이터 과학의 이점을 얻었을 것입니다. 데이터 과학은 의료, 교통, 공공 안전 등을 포함한 모든 부문(공공 및 민간)에서 활용됩니다. 예를 들어, 데이터 과학은 이제 의료 영상을 분석하고 악성 종양을 식별하는 데 사용됩니다.

• 자연어 처리 는 인간이 할 수 있는 것과 같은 방식 으로 텍스트와 말을 이해하고 응답할 수 있는 능력을 컴퓨터에 제공하는 데 중점을 둔 인공 지능의 한 분야입니다.
  • Siri 또는 Alexa를 생각해 보십시오.

• 분류 는 유사한 항목을 그룹화하는 데 사용되는 분류 또는 분류 시스템 입니다.
  • 자선 활동에서 비영리 단체는 규모, 사명, 프로그램 디자인, 위치 또는 기타 명칭별로 그룹화될 수 있습니다.

데이터 과학이 소셜 임팩트 작업에 힘을 실어주는 방법

1. 보다 세분화된 수준에서 포트폴리오를 이해합니다.

보조금 제공자의 경우 데이터 및 사회적 영향 분석을 활용하면 자금을 조달한 사람과 대상 및 해당 자금의 결과에 대한 더 명확한 그림을 얻을 수 있습니다. 리소스 배포 방법의 추세, 중복 및 격차를 밝힐 수 있습니다.

이것이 왜 중요한가?

프로그램에 대한 보다 세분화된 보기를 통해 편견을 식별 및 근절하고 놓친 기회를 찾을 수 있습니다. 또한 노력을 확장하고 효과적인 새 프로그램을 구축하는 데 필요한 통찰력을 제공할 수 있습니다.

필요한 데이터가 이미 많이 있을 수 있습니다. 그러나 해당 데이터가 정리되고 액세스할 수 없다면 큰 의미가 없습니다. 많은 양의 비정형 데이터에서 패턴을 보거나 결론을 도출하는 것은 어렵습니다.

예를 들어, 프로그램이 주로 건강에 중점을 둔 Wellcome Trust는 100,000개 이상의 보조금 포트폴리오를 분석했습니다. 자연어 처리를 사용하여 포트폴리오에 30,000개의 질병 태그를 적용했습니다. 이 태깅은 분석 및 세분화를 위해 데이터를 준비하는 중요한 단계입니다. 이를 통해 보조금 관리자는 과거 보조금 프로그램을 쉽게 검색할 수 있습니다. 조직이 특정 질병에 대한 연구에 자금을 지원하는 것을 고려하고 있다고 가정해 보겠습니다. 이제 이전에 해당 초점 영역에 자금을 지원했는지 여부와 해당 작업의 결과를 되돌아볼 수 있습니다.

100,000개의 보조금으로 구성된 포트폴리오를 다루지 않더라도 프로그램을 보다 세부적으로 이해하는 것이 중요합니다.

자동 태그 지정은 보유한 데이터를 구성하는 한 가지 방법입니다. 예를 들어 Submittable은 자동 태깅을 활성화하여 보조금 신청서가 들어올 때 특정 질문에 대한 답변을 기반으로 태그를 적용할 수 있습니다. 이를 통해 인구 통계, 지역, 미션 포커스, 조직 규모 등 팀에 중요한 데이터를 추적, 분류 및 분석할 수 있습니다.

이러한 태그를 기반으로 지원자와 피부여자를 정렬하여 리소스를 배포하는 방법과 전략을 변경해야 하는지 여부를 분석할 수 있습니다.

2. 보다 명확한 표준 및 분류 체계 만들기

사회적 영향력의 세계에서 우리는 너무 자주 같은 것에 대해 이야기하지만 다른 언어를 사용합니다. 이것은 우리의 작업이 다른 사람의 작업과 겹치는 부분을 확인하고 유사한 프로그램을 비교하는 것을 어렵게 만들 수 있습니다.

예를 들어, 보조금 제공자, 비영리 단체 및 연구원이 모두 동일한 문제에 대해 다른 언어를 사용하여 이야기할 때 작업 간에 연결을 만드는 것이 훨씬 더 어렵습니다.

이러한 단절은 효과적인 솔루션을 개발하고 정보에 입각한 예측을 하는 모든 사람의 능력을 방해합니다. 집의 기초와 같다고 생각하십시오. 이 기본 수준에 강력한 구조가 없으면 그 위에 구축된 모든 것이 불안정할 것입니다.

Mission Measurement 내 Impact Genome Project는 이러한 표준화를 체계화하기 위해 노력하고 있습니다. 예를 들어, 그들은 미국과 캐나다의 2백만 개 이상의 비영리 프로그램에 대한 영향 및 수혜자 데이터가 포함된 검색 가능한 데이터베이스인 Impact Registry를 만들었습니다. 이러한 종류의 도구는 자선 부문이 데이터 기반 솔루션을 향해 보다 효과적으로 구축할 수 있도록 기반을 강화하는 데 도움이 될 수 있습니다.

3. 출력 및 결과를 보다 명확하게 추적

자선 활동은 영향에 관한 것입니다. 당신이 실행하는 프로그램이 당신이 의도한 결과를 만들어 내고 있습니까? 예산이 얼마이든 간에 이를 알지 못하면 프로그램이 의미 있는 차이를 만들고 있는지 알 수 없습니다.

데이터 분석은 작업의 효과를 보다 정확하게 추적하는 데 도움이 될 수 있습니다. 프로그램에 할애하는 리소스, 프로그램이 생성하는 단기 결과 및 달성된 장기 결과를 연결할 수 있습니다.

예를 들어 Wellcome Trust는 많은 연구 및 임상 시험에 자금을 지원합니다. 그들의 팀은 보조금에서 학업 성과를 추적하기를 원했습니다. 다시 말해서, 그들은 그들이 지원한 프로그램에서 얼마나 많은 학술 논문이 나왔는지 알고 싶었습니다.

Wellcom Trust 팀은 데이터 과학 기술을 사용하여 자금을 지원한 프로그램과 관련된 연구 기사를 집계하는 자동 파이프라인을 만들 수 있었습니다. 그런 다음 그들은 이 작업을 특정 보조금에 다시 연결하여 어떤 프로그램이 가장 많은 학업 성과를 냈는지 결정할 수 있었습니다.

귀하의 프로그램과 조직에 가장 중요한 출력 및 결과에 대해 생각하십시오. 연결 방법에 대한 명확하고 자세한 데이터를 얻고 있습니까? 어떤 프로그램이 지속적으로 최상의 결과를 산출하는지 알고 있습니까? 사회적 이익을 위해 데이터 과학을 활용하면 이 모든 것이 어떻게 조화를 이루는지 더 명확하게 이해할 수 있습니다.

4. 자금 조달의 공백 찾기

데이터 분석은 보조금 제공자가 자금의 격차를 식별하는 데 도움이 될 수 있습니다. 특정 인구에 대한 자금 지원이 부족합니까? 작업의 일부 구성 요소를 간과하고 있습니까? 데이터를 자세히 살펴보면 더 많은 작업을 수행할 수 있는 기회를 찾는 데 도움이 될 수 있습니다.

자금 제공자들이 더 개인적이거나 더 감정적으로 느껴지는 커뮤니티 활동의 측면에 집중하는 것이 때때로 쉽습니다. 도움이 필요한 사람에게 도움을 제공하는 것은 개인적 차원에서 기분이 좋습니다. 그러나 그러한 공감적 반응은 때때로 조직이 프로그램을 구축하는 방식을 왜곡할 수 있습니다. 소셜 임팩트 작업은 강력한 기반 시설에 의존합니다. 덜 흥미롭지만 필수적인 프레임워크를 지원하면 종종 조직이 훨씬 더 많은 일을 할 수 있습니다.

데이터 과학을 사용하여 포트폴리오 또는 자선 부문 전반의 자금 조달 격차를 식별할 수 있습니다. 예방 및 기반 시설이 마땅히 받아야 할 관심을 받지 못하는 경우가 너무 많습니다.

예를 들어 Wellcom Trust는 데이터 과학을 사용하여 포트폴리오를 분석하고 프로그램 전반에 걸쳐 기술에 자금을 지원한 빈도를 결정했습니다. 이러한 통찰력을 사용하여 그들은 우선 순위를 변경하여 많은 연구자에게 핵심 도구인 소프트웨어 인프라에 대한 더 많은 보조금을 지원했습니다.

5. 새로운 연결 만들기

주체와 정체성이 겹치고 교차하는 모든 방식을 간과하기 쉽습니다. 그러나 이러한 통찰력은 프로그램을 설계하는 방법에 큰 차이를 만들 수 있습니다.

데이터 과학을 사용하여 보조금 제공자는 다양한 주제 또는 프로젝트를 연결할 기회를 식별할 수 있습니다. 데이터 시각화 도구를 사용하면 연결이 이미 존재하는 위치를 볼 수 있고 연결이 있어야 하지만 아직 존재하지 않는 위치를 찾을 수 있습니다.

이러한 교차점을 이해하지 못한다면 큰 문제에 대한 효과적인 솔루션을 만들기 어려울 것입니다. 예를 들어 기후 변화를 보자. 기후 변화의 영향은 복잡한 방식으로 빈곤 및 인종적 불의의 영향과 겹치고 교차합니다. 조직에서 이를 고려하지 않고 기후 변화를 해결하려는 경우 프로그램의 영향이 제한적일 수 있습니다.

이게 어떻게 생겼는지 보고 싶으세요? Wellcom Trust는 연구 자금 지원을 위해 데이터 기반 주제를 추출하기 위해 신경과학 팀과 함께 주제 모델링 프로젝트를 수행했습니다. 데이터 과학을 사용하여 텍스트 문서를 분석하고 주제 간의 연결과 격차를 시각화할 수 있도록 지도를 만들었습니다.

6. 프로그램을 더 넓은 영역에 배치

많은 조직과 개인이 동일한 문제를 해결하기 위해 노력하고 있습니다. UN의 지속 가능한 개발 목표(Sustainable Development Goals)와 같은 프레임워크는 귀하의 작업이 변화를 만들기 위한 광범위한 노력에 어떻게 부합하는지에 대한 높은 수준의 이해를 제공하는 데 도움이 될 수 있습니다. 그러나 필요한 세부 정보를 제공하지 않습니다.

귀하는 귀하의 프로그램이 더 큰 규모의 발전에 어떻게 기여하고 있는지에 대한 명확한 그림을 원합니다. 바늘 이동을 돕고 있습니까? 귀하의 프로그램은 다른 노력을 복제합니까, 아니면 고유한 역할을 수행하고 있습니까?

데이터 과학은 이러한 답을 얻는 데 도움이 되며 리소스를 보다 전략적으로 배포할 수 있습니다.

예를 들어 Wellcome Trust는 API 검색, 웹 스크래핑 및 자연어 처리를 조합하여 자신의 작업이 COVID 퇴치를 위한 광범위한 노력에 어떻게 부합하는지 평가했습니다. 자금을 지원한 연구의 효율성을 평가하기 위해 정부 기관의 과학적 증거에서 해당 연구가 얼마나 자주 언급되고 COVID에 관한 일반 문헌에서 인정되는지 측정했습니다. 이것은 그들에게 그들이 지원한 프로그램이 더 넓은 범위의 노력에 한 몫을 하고 있는지에 대한 분명한 감각을 주었습니다.

7. 프로그램 효과 및 비용 평가

보조금 제공자의 일부는 프로그램 비용과 효율성의 균형을 맞추는 것입니다. 리소스가 보고 싶은 변경 사항을 만들고 있지만 가능한 한 효율적으로 변경하고 있음을 알고 싶습니다.

판돈이 높습니다. 우리는 수익이나 주주 배당금에 대해 이야기하는 것이 아닙니다. 귀하의 프로그램 비용은 귀하가 지원할 수 있는 사람 또는 커뮤니티 조직의 수를 결정하는 경우가 많습니다.

데이터 과학은 보조금 제공자가 산출물과 성과가 어떻게 연결되고 비용과 어떻게 비교되는지에 대한 심층 분석을 얻을 수 있도록 합니다. 이 정보가 없으면 현명한 투자를 하고 있는지 알 수 없습니다.

예를 들어 Impact Genome은 재무 건전성에 중점을 둡니다. 그들은 데이터 과학을 사용하여 프로그램의 효율성과 프로그램 비용이 생산 결과와 어떻게 비교되는지 측정합니다. 그들은 기계 학습을 사용하여 모든 미국 비영리 단체에 대한 990개의 세금 기록을 평가했습니다. 여기에서 예산 규모를 달성한 결과와 비교할 수 있습니다.

물론 재정 건전성을 다루기 위한 다양한 전략과 프로그램 설계가 있습니다. 예를 들어, 긴급 비용을 충당하거나 재정 상담을 제공하는 사람을 도울 수 있습니다. 비용과 결과가 다를 수 있습니다.

Impact Genome의 팀은 재정 건전성을 나타내는 결과를 분석한 다음 관련 비용을 제시하기 위해 메타 분석을 수행했습니다.

이 정보가 재정 건전성을 위해 일하는 비영리 단체에 얼마나 도움이 될 수 있는지 생각해 보십시오. 비용과 결과를 이러한 평균과 비교할 수 있습니다. 더 나은 결과를 얻지 못한 채 훨씬 더 많은 비용을 지출하고 있습니까? 아니면 다른 비영리 단체와 동등합니까? 이는 미래 프로그램을 형성할 때 가지고 있어야 하는 중요한 정보입니다.

8. 검토 프로세스 자동화

많은 양의 신청서를 검토하고자 하는 보조금 제공자에게는 데이터 과학이 도움이 될 수 있습니다. 깨끗한 데이터(정확성과 불일치를 제거하기 위해 처리되고 형식이 지정된 데이터)를 위해 일부 조직에서는 개방형 질문을 객관식으로 대체합니다. 이것은 사람들이 검토하기 더 쉬울 수 있지만 지원자가 자신의 용어로 자신의 작업을 설명할 수 있는 능력을 빼앗으면 많은 것을 잃게 됩니다.

머신 러닝을 활용하면 이러한 개방형 질문을 유지하고 수동으로 애플리케이션을 검토하는 시간을 줄일 수 있습니다. 또한 덜 편향되고 더 일관된 결과를 얻을 수 있습니다. 어떻게 작동합니까?

Submittable의 Accelerated Review 기능은 데이터 과학을 실행합니다. 기계 학습을 사용하여 Submittable은 팀에서 수행한 검토를 기반으로 모델을 빌드합니다. 간단히 말해서 팀과 동일한 방식으로 응용 프로그램을 검토할 수 있도록 컴퓨터를 훈련하는 것입니다.

과정은 어떻게 보입니까?

귀하의 팀은 약 200개의 애플리케이션 샘플을 검토합니다. 이 모델은 해당 프로세스를 중심으로 구축되어 검토자가 지원자를 평가하고 평가하는 방법을 학습합니다. 모델을 완전히 적용하기 전에 소규모 애플리케이션 배치에서 정확도를 평가합니다. 필요한 경우 모델을 재학습할 수 있습니다.

이러한 방식으로 검토 프로세스를 자동화하면 수천 또는 수백만 개의 애플리케이션을 놀라운 속도와 정확성으로 검토할 수 있습니다. 이것은 피로와 인적 오류를 크게 줄입니다. 간단히 말해서 자동화된 검토를 통해 팀은 기계 학습을 활용하여 주요 정보를 강조 표시함으로써 더 적은 수의 직원으로 더 많은 작업을 수행할 수 있습니다.

9. 수혜자 부담 완화

종종 수혜자에게 부과되는 관리 부담에 대한 인식이 높아짐에 따라 데이터 과학은 수혜자가 부담을 줄일 수 있는 기회를 조명하는 놀라운 도구가 될 수 있습니다.

예를 들어, 기술 보조금 제작자 협회(Technology Association of Grantmakers)는 최근 기계 학습 및 유사성 분석을 사용하여 무작위 보조금 형식이 다른 보조금 형식과 39% 유사하다는 것을 확인했습니다.

이것이 왜 중요합니까?

이는 많은 조직이 다른 보조금을 신청할 때 동일한 작업을 반복해서 반복하는 경우가 많다는 것을 의미합니다. 모든 사람이 동일한 형식으로 동일한 정보를 요청하도록 기금 제공자가 함께 모여 보조금 신청서의 일부를 표준화하면 어떻게 될까요? 수혜자들이 얼마나 많은 시간을 절약할 수 있을지 생각해 보십시오. 39%!

인사이트를 행동으로 옮기기

데이터 과학은 기술을 사용하여 보유한 정보에서 통찰력과 구조를 제공하는 것입니다. 그러나 변화를 일으키려면 사람들이 이러한 통찰력을 취하고 행동으로 전환해야 합니다.

자체 데이터 과학 팀을 구성할 리소스나 역량이 없을 수 있습니다. 괜찮습니다. Submittable에서 처리했습니다. 모든 규모의 조직을 지원하기 위해 구축된 소셜 임팩트 플랫폼으로서 우리는 적은 비용으로 데이터 과학 팀의 모든 이점을 제공할 수 있습니다. 오늘 자세히 알아보십시오.