9 sposobów, w jakie nauka o danych może przyspieszyć pracę związaną z wpływem na społeczeństwo

Dla osób pracujących w sektorze filantropijnym nauka o danych może wydawać się trudnym tematem. Od czego zaczynasz? Jakie dane są ważne? Jak to wpasowuje się w pracę Twojej społeczności?

Zanim zagłębisz się w chwasty, warto cofnąć się, aby zrozumieć, czym jest data science i co może Ci pomóc.

Nauka o danych dla wpływu społecznego polega na strukturyzacji tego, co nieustrukturyzowane, aby pomóc w podejmowaniu decyzji opartych na danych. Nie chodzi o zatopienie Cię w niepotrzebnych informacjach. Chodzi o strategiczne wykorzystanie danych, aby wywrzeć większy wpływ.

Niedawno zorganizowaliśmy seminarium internetowe we współpracy z Chantal Forster i Stowarzyszeniem Technologicznym Stypendystów. Trzech naukowców zajmujących się danymi pracującymi w sektorze wpływu społecznego — Antonio Campello z Wellcome Trust, Jonathan Hertel z Impact Genome Project i Andrew Spott z firmy Submittable — podzieliło się, w jaki sposób analityka danych i sztuczna inteligencja pomagają im wypełniać ich misje.

Podkreślając spostrzeżenia i przykłady z tego wydarzenia, przedstawiliśmy dziewięć sposobów, w jakie analiza danych może pomóc Twojej organizacji osiągnąć więcej.

Niezależnie od tego, czy masz duże doświadczenie w nauce danych, czy dopiero zaczynasz interesować się danymi, mamy dla każdego przydatne informacje.

Kilka szybkich definicji nauki o danych

Zanim zaczniemy, omówimy trochę terminologii. Dla osób, które nie znają się na danych, czasami sam język może być przytłaczający, więc oto krótki wstęp.

• Analityka danych to proces analizowania surowych danych w celu znalezienia trendów i udzielenia odpowiedzi na pytania.
  • Większość organizacji prowadzi jakąś formę analizy danych. Na przykład możesz zapytać, gdzie mieszkają nasi stypendyści? Śledzenie danych geograficznych w celu określenia najlepszych stanów lub krajów, w których zapewniasz finansowanie, to analiza danych w pracy.

• Uczenie maszynowe to proces wykorzystywania algorytmów, aby dać komputerom możliwość automatycznej poprawy poprzez doświadczenie i dane.
  • Rozpoznawanie obrazów to powszechne zastosowanie uczenia maszynowego; jeśli widziałeś, jak telefon lub komputer samodzielnie identyfikuje, kto jest na zdjęciu, widziałeś uczenie maszynowe w akcji.

• Nauka o danych to zastosowanie algorytmów uczenia maszynowego do różnych źródeł danych (tj. liczb, tekstu, obrazów, wideo, audio i innych) w celu stworzenia systemów sztucznej inteligencji, które mogą wykonywać zadania, które zwykle wymagają ludzkiej inteligencji.
  • Nawet jeśli nie zajmowałeś się analizą danych, prawdopodobnie odniosłeś z tego korzyści. Nauka o danych jest wykorzystywana w każdym sektorze — publicznym i prywatnym — w tym w opiece zdrowotnej, transporcie, bezpieczeństwie publicznym i nie tylko. Na przykład nauka o danych jest obecnie wykorzystywana do analizy obrazowania medycznego i identyfikacji nowotworów złośliwych.

• Przetwarzanie języka naturalnego to gałąź sztucznej inteligencji, której celem jest zapewnienie komputerom zdolności rozumienia tekstu i słów mówionych oraz reagowania na nie w taki sam sposób, jak ludzie.
  • Pomyśl o Siri lub Alexie.

• Taksonomia to system klasyfikacji lub kategoryzacji używany do grupowania podobnych elementów.
  • W filantropii organizacje non-profit można pogrupować według wielkości, misji, projektu programu, lokalizacji lub innego oznaczenia.

W jaki sposób analityka danych może wzmocnić Twoje oddziaływanie społeczne

1. Zapoznaj się ze swoim portfolio na bardziej szczegółowym poziomie

W przypadku grantodawców wykorzystanie danych i analizy wpływu społecznego może pomóc uzyskać jaśniejszy obraz tego, kto i co finansuje, a także wyniki tego finansowania. Możesz ujawnić trendy, nakładanie się i luki w sposobie dystrybucji zasobów.

Dlaczego to jest ważne?

Uzyskanie bardziej szczegółowego obrazu programów pozwala zidentyfikować i wyeliminować uprzedzenia oraz znaleźć utracone możliwości. Ponadto może dostarczyć informacji potrzebnych do rozszerzenia wysiłków i tworzenia nowych skutecznych programów.

Prawdopodobnie masz już dużo potrzebnych danych. Ale jeśli te dane nie są zorganizowane i dostępne, to niewiele to znaczy. Trudno jest dostrzec wzorce lub wyciągnąć wnioski z ogromnej sterty nieustrukturyzowanych danych.

Na przykład Wellcome Trust – którego programy skupiają się głównie na zdrowiu – przeanalizował swój portfel ponad 100 000 grantów. Wykorzystując przetwarzanie języka naturalnego, zastosowali do swojego portfolio 30 000 znaczników chorób. To tagowanie jest ważnym krokiem w przygotowaniu danych do analizy i segmentacji. Pozwala menedżerom grantów na łatwe wyszukiwanie wcześniejszych programów grantowych. Powiedzmy, że organizacja rozważa finansowanie badań nad konkretną chorobą, może teraz spojrzeć wstecz, czy wcześniej finansowała ten obszar tematyczny i wyniki tej pracy.

Nawet jeśli nie masz do czynienia z portfelem 100 000 grantów, ważne jest bardziej szczegółowe zrozumienie swoich programów.

Automatyczne tagowanie to jeden ze sposobów na rozpoczęcie porządkowania posiadanych danych. Na przykład, Submittable umożliwia automatyczne tagowanie, dzięki czemu po nadejściu wniosku o dotację można zastosować tag na podstawie odpowiedzi na określone pytania. Dzięki temu możesz śledzić, kategoryzować i analizować dane, które są ważne dla Twojego zespołu, niezależnie od tego, czy są to dane demograficzne, geografia, cel misji, wielkość organizacji czy coś innego.

Możesz sortować kandydatów i stypendystów na podstawie tych tagów, aby pomóc Ci przeanalizować, w jaki sposób dystrybuujesz swoje zasoby i czy musisz zmienić swoje strategie.

2. Twórz jaśniejsze standardy i taksonomie

W świecie wpływu społecznego zbyt często mówimy o tych samych rzeczach, ale używając innego języka. Może to utrudnić zauważenie, gdzie nasza praca pokrywa się z pracą innych i dokonywanie porównań między podobnymi programami.

Na przykład, gdy grantodawcy, organizacje non-profit i badacze używają różnych języków, aby mówić o tych samych kwestiach, znacznie trudniej jest nawiązać powiązania między ich pracą.

To rozłączenie utrudnia każdemu opracowywanie skutecznych rozwiązań i dokonywanie świadomych prognoz. Pomyśl o tym jak o fundamencie domu. Jeśli nie mamy silnej struktury na tym podstawowym poziomie, wszystko zbudowane na niej będzie niestabilne.

Impact Genome Project w ramach Mission Measurement pracuje nad usystematyzowaniem tych standaryzacji. Na przykład stworzyli Rejestr Wpływów, przeszukiwalną bazę danych zawierającą dane dotyczące wpływu i beneficjentów z ponad 2 milionów programów non-profit w Stanach Zjednoczonych i Kanadzie. Tego rodzaju narzędzie może pomóc wzmocnić tę podstawę, aby sektor filantropijny mógł skuteczniej budować w kierunku rozwiązań opartych na danych.

3. Dokładniej śledź produkty i rezultaty

W pracy filantropijnej chodzi o wpływ. Czy programy, które prowadzisz, przynoszą zamierzone rezultaty? Bez względu na budżet, jeśli tego nie wiesz, nie będziesz wiedział, czy Twój program ma znaczenie.

Analityka danych może pomóc Ci dokładniej śledzić efekty Twojej pracy. Możesz tworzyć powiązania między zasobami, które przeznaczasz na program, krótkoterminowymi wynikami programu i osiąganymi długoterminowymi wynikami.

Na przykład Wellcome Trust finansuje wiele badań i prób klinicznych. Ich zespół chciał śledzić wyniki akademickie z ich grantów. Innymi słowy, chcieli wiedzieć, ile artykułów naukowych powstało w ramach finansowanych przez nich programów.

Korzystając z technik analizy danych, zespół Wellcome Trust był w stanie stworzyć automatyczny potok do agregowania artykułów naukowych związanych z finansowanymi przez siebie programami. Następnie byli w stanie powiązać tę pracę z konkretnymi grantami, aby określić, które programy miały największą liczbę wyników akademickich.

Pomyśl o swoich programach oraz produktach i wynikach, które mają największe znaczenie dla Twojej organizacji. Czy otrzymujesz jasne, szczegółowe dane o tym, jak są połączone? Czy wiesz, które programy konsekwentnie przynoszą najlepsze rezultaty? Wykorzystanie nauki o danych dla dobra społecznego może pomóc w uzyskaniu jaśniejszego obrazu tego, jak to wszystko do siebie pasuje.

4. Znajdź luki w finansowaniu

Analiza danych może pomóc grantodawcom zidentyfikować luki w ich finansowaniu. Czy niedofinansowujesz pewne populacje? Czy pomijasz niektóre elementy pracy? Zagłębianie się w dane może pomóc Ci znaleźć możliwości, aby zrobić więcej.

Czasami fundatorom łatwo jest skoncentrować się na tych aspektach pracy w społeczności, które są bardziej osobiste lub bardziej emocjonalne. Udzielanie pomocy komuś w potrzebie jest dobre na poziomie indywidualnym. Jednak ta empatyczna reakcja może czasami wypaczyć sposób, w jaki organizacje budują swoje programy. Praca w zakresie wpływu społecznego opiera się na silnej infrastrukturze. Wspieranie tych mniej ekscytujących, ale niezbędnych struktur może często pozwolić organizacjom zrobić znacznie więcej.

Korzystając z analizy danych, możesz zidentyfikować luki w finansowaniu w swoim portfelu lub ogólnie w sektorze filantropijnym. Zbyt często profilaktyka i infrastruktura nie przyciągają uwagi, na jaką zasługują.

Na przykład firma Wellcome Trust wykorzystała analitykę danych do przeanalizowania swojego portfolio i określenia, jak często finansowała technologię w ramach swoich programów. Korzystając z tych spostrzeżeń, zmienili swoje priorytety, aby sfinansować więcej grantów na infrastrukturę oprogramowania, która jest kluczowym narzędziem dla wielu badaczy.

5. Nawiąż nowe połączenia

Łatwo przeoczyć wszystkie sposoby nakładania się i przecinania się tematów i tożsamości. Ale te spostrzeżenia mogą mieć ogromny wpływ na sposób projektowania programów.

Korzystając z nauki o danych, grantodawcy mogą identyfikować możliwości łączenia różnych tematów lub projektów. Dzięki narzędziom do wizualizacji danych możesz zobaczyć, gdzie połączenia już istnieją i możesz znaleźć miejsca, w których połączenia powinny istnieć, ale jeszcze ich nie ma.

Trudno będzie stworzyć skuteczne rozwiązania dużych problemów, jeśli nie zrozumiemy tych skrzyżowań. Weźmy na przykład zmiany klimatyczne. Skutki zmian klimatu nakładają się i przecinają ze skutkami ubóstwa i niesprawiedliwości rasowej w złożony sposób. Jeśli Twoja organizacja stara się przeciwdziałać zmianom klimatu, nie biorąc tego pod uwagę, Twoje programy prawdopodobnie będą miały ograniczony wpływ.

Chcesz zobaczyć, jak to wygląda? Wellcome Trust wspólnie z zespołem neuronaukowym przeprowadziło projekt modelowania tematów, aby wyodrębnić tematy oparte na danych do finansowania badań. Wykorzystując naukę o danych do analizy dokumentów tekstowych, stworzyli mapę, dzięki której mogli zwizualizować połączenia i luki między tematami.

6. Umieść swój program w szerszym krajobrazie

Wiele organizacji i osób pracuje nad rozwiązaniem tego samego zestawu problemów. Ramy, takie jak Cele Zrównoważonego Rozwoju Organizacji Narodów Zjednoczonych, mogą pomóc w zrozumieniu na wysokim poziomie, w jaki sposób Twoja praca wpisuje się w szersze działania na rzecz zmian. Ale nie zawiera szczegółów, których potrzebujesz.

Chcesz uzyskać jasny obraz tego, w jaki sposób Twoje programy przyczyniają się do postępu na większą skalę. Pomagasz przenieść igłę? Czy Twoje programy naśladują inne wysiłki, czy też spełniasz wyjątkową rolę?

Nauka o danych może pomóc w uzyskaniu tych odpowiedzi i umożliwić bardziej strategiczną dystrybucję zasobów.

Na przykład firma Wellcome Trust wykorzystała kombinację wyszukiwania API, web scrapingu i przetwarzania języka naturalnego, aby ocenić, jak ich praca wpisuje się w szersze działania na rzecz zwalczania COVID. Aby ocenić skuteczność badań, które sfinansowali, zmierzyli, jak często badanie było wymieniane w dowodach naukowych z agencji rządowych i uznawane w ogólnej literaturze dotyczącej COVID. Dało im to jasne wyczucie, czy wspierane przez nich programy odgrywały rolę w szerszych wysiłkach.

7. Oceń skuteczność i koszt programu

Częścią bycia grantodawcą jest równoważenie kosztów i efektywności programu. Chcesz wiedzieć, że Twoje zasoby wprowadzają zmiany, które chcesz zobaczyć, ale także, że robią to tak wydajnie, jak to możliwe.

Stawka jest wysoka. Nie mówimy o jakichś zyskach czy dywidendach dla akcjonariuszy. Koszty programu często określają liczbę osób lub organizacji społecznych, które możesz wesprzeć.

Nauka o danych umożliwia grantodawcom uzyskanie głębszej analizy powiązań między produktami i wynikami oraz ich porównania z kosztami. Jeśli nie masz tych informacji, nie możesz wiedzieć, czy dokonujesz mądrych inwestycji.

Na przykład Impact Genome skupia się na zdrowiu finansowym. Wykorzystują naukę o danych do pomiaru skuteczności programów i porównania kosztów programów z wynikami, które generują. Korzystając z uczenia maszynowego, ocenili 990 rekordów podatkowych dla wszystkich amerykańskich organizacji non-profit. W tym miejscu mogą porównać wielkość budżetu z osiągniętymi wynikami.

Oczywiście istnieje wiele różnych strategii i projektów programów mających na celu poprawę kondycji finansowej. Na przykład możesz pomóc komuś pokryć wydatki w nagłych wypadkach lub zapewnić doradztwo finansowe. Mają one prawdopodobnie różne koszty i wyniki.

Zespół Impact Genome przeprowadził metaanalizę, aby rozbić wyniki, które reprezentują kondycję finansową, a następnie określić powiązane koszty.

Pomyśl, jak przydatne mogą być te informacje dla organizacji non-profit zajmujących się zdrowiem finansowym. Mogli porównać swoje koszty i wyniki z tymi średnimi. Czy wydają znacznie więcej bez osiągania lepszych wyników? A może są na równi z innymi organizacjami non-profit? To ważna informacja, którą powinni mieć podczas kształtowania swoich przyszłych programów.

8. Zautomatyzuj proces recenzji

W przypadku grantodawców, którzy chcą przejrzeć dużą liczbę aplikacji, pomocne może być badanie danych. W trosce o czystość danych (dane przetwarzane i formatowane w celu wyeliminowania nieścisłości i niespójności) niektóre organizacje zastępują pytania otwarte odpowiedziami wielokrotnego wyboru. To może być łatwiejsze do sprawdzenia przez ludzi, ale wiele się traci, gdy odbierasz kandydatowi możliwość wyjaśnienia swojej pracy na własnych warunkach.

Wykorzystując uczenie maszynowe, możesz zachować pytania z odpowiedziami otwartymi i poświęcać mniej czasu na ręczne przeglądanie aplikacji. Możesz także osiągnąć mniej tendencyjne i bardziej spójne wyniki. Jak to działa?

Funkcja Przyspieszonego przeglądu aplikacji Submittable umożliwia korzystanie z analizy danych. Korzystając z uczenia maszynowego, Submittable buduje model na podstawie recenzji wykonanych przez Twój zespół. Krótko mówiąc, uczysz komputer, aby pomagał w przeglądaniu aplikacji w taki sam sposób, jak robi to Twój zespół.

Jak wygląda proces?

Twój zespół sprawdza próbkę około 200 aplikacji. Model opiera się na tym procesie, ucząc się, jak recenzenci oceniają i oceniają kandydatów. Przed pełnym zastosowaniem modelu jest on oceniany pod kątem dokładności w małej partii aplikacji. W razie potrzeby model można przeszkolić.

Automatyzacja procesu recenzji w ten sposób oznacza, że ​​możesz przeglądać tysiące, a nawet miliony aplikacji z niewiarygodną szybkością i niesamowitą dokładnością. To znacznie zmniejsza zmęczenie i błędy ludzkie. Mówiąc najprościej, zautomatyzowane przeglądanie umożliwia zespołowi wykonywanie większej ilości pracy przy mniejszej liczbie pracowników, wykorzystując uczenie maszynowe do podkreślenia kluczowych informacji.

9. Odciążenie stypendystów

Wraz z rosnącą świadomością obciążeń administracyjnych często nakładanych na stypendystów, nauka o danych może być niesamowitym narzędziem do oświetlania możliwości zmniejszenia obciążenia przez grantodawców.

Na przykład Technology Association of Grantmakers ostatnio wykorzystało uczenie maszynowe i analizę podobieństwa, aby ustalić, że losowy formularz grantu jest w 39% podobny do każdego innego formularza grantu.

Dlaczego to ma znaczenie?

Oznacza to, że wiele organizacji często powtarza tę samą pracę, gdy ubiegają się o różne dotacje. Co by było, gdyby fundatorzy zebrali się i ujednolicili części swoich wniosków o dotacje, aby upewnić się, że wszyscy proszą o te same informacje w tym samym formacie? Pomyśl, ile czasu zaoszczędziłoby to stypendystom. 39%!

Przekształcanie spostrzeżeń w działanie

Nauka o danych polega na wykorzystywaniu technologii do zapewniania wglądu i struktury na podstawie posiadanych informacji. Jednak tworzenie zmian będzie wymagało od ludzi podjęcia tych spostrzeżeń i przekształcenia ich w działanie.

Możesz nie mieć zasobów lub zdolności do zbudowania własnego wewnętrznego zespołu ds. analizy danych. W porządku — do przesyłania możesz się zająć. Jako platforma wpływu społecznego stworzona, aby pomóc organizacjom dowolnej wielkości, możemy zapewnić wszystkie korzyści zespołu ds. analizy danych za ułamek kosztów. Dowiedz się więcej już dziś.