9 maneiras pelas quais a ciência de dados pode acelerar seu trabalho de impacto social

Para pessoas que trabalham no setor filantrópico, a ciência de dados pode parecer um tópico complicado. Onde você começa? Quais dados são importantes? Como isso se encaixa no trabalho da sua comunidade?

Antes de se aprofundar no assunto, vale a pena voltar atrás para entender o que é ciência de dados e o que ela pode permitir que você faça.

A ciência de dados para impacto social é sobre estruturar o que não está estruturado para ajudar a tomar decisões orientadas por dados. Não se trata de afogar você em informações que você não precisa. Trata-se de usar os dados estrategicamente para causar um impacto mais profundo.

Recentemente, realizamos um webinar em parceria com Chantal Forster e a Technology Association of Grantmakers. Três cientistas de dados que trabalham no setor de impacto social – Antonio Campello da Wellcome Trust, Jonathan Hertel do Impact Genome Project e Andrew Spott da Submittable – compartilharam como a ciência de dados e a IA os ajudam a cumprir suas missões.

Destacando insights e exemplos deste evento, apresentamos nove maneiras pelas quais a ciência de dados pode ajudar sua organização a fazer mais.

Se você tem uma sólida experiência em ciência de dados ou está apenas ficando curioso sobre dados, temos algumas informações úteis para todos.

Algumas definições rápidas para ciência de dados

Antes de começarmos, vamos abordar um pouco da terminologia. Para pessoas novas na ciência de dados, às vezes a linguagem em si pode ser esmagadora, então aqui está uma cartilha rápida.

• A análise de dados é o processo de análise de dados brutos para encontrar tendências e responder a perguntas.
  • A maioria das organizações faz alguma forma de análise de dados. Por exemplo, você pode perguntar, onde moram nossos beneficiários? O rastreamento de dados geográficos para determinar os principais estados ou países para os quais você fornece financiamento é a análise de dados em ação.

• O aprendizado de máquina é o processo de alavancar algoritmos para dar aos computadores a capacidade de melhorar automaticamente por meio da experiência e dos dados.
  • O reconhecimento de imagem é uma aplicação comum de aprendizado de máquina; Se você viu seu telefone ou computador identificar por conta própria quem está em uma foto, você viu o aprendizado de máquina em ação.

• A ciência de dados é a aplicação de algoritmos de aprendizado de máquina a várias fontes de dados (ou seja, números, texto, imagens, vídeo, áudio e muito mais) para produzir sistemas de inteligência artificial que podem executar tarefas que normalmente exigem inteligência humana.
  • Mesmo que você não tenha trabalhado em ciência de dados, provavelmente se beneficiou disso. A ciência de dados é aproveitada em todos os setores – público e privado – incluindo saúde, transporte, segurança pública e muito mais. Por exemplo, a ciência de dados agora é usada para ajudar a analisar imagens médicas e identificar malignidades.

• O processamento de linguagem natural é o ramo da inteligência artificial focado em dar aos computadores a capacidade de entender e responder a textos e palavras faladas da mesma forma que os humanos.
  • Pense Siri ou Alexa.

• Taxonomia é um sistema de classificação ou categorização usado para agrupar itens semelhantes.
  • Na filantropia, as organizações sem fins lucrativos podem ser agrupadas por tamanho, missão, design do programa, localização ou outra designação.

Como a ciência de dados pode capacitar seu trabalho de impacto social

1. Entenda seu portfólio em um nível mais granular

Para os doadores, alavancar dados e análises de impacto social pode ajudá-lo a ter uma visão mais clara de quem e o que você financia, bem como os resultados desse financiamento. Você pode revelar tendências, sobreposições e lacunas na distribuição de recursos.

Por que isso é importante?

Obter uma visão mais granular de seus programas permite identificar e eliminar preconceitos e encontrar oportunidades perdidas. Além disso, ele pode fornecer os insights necessários para expandir seus esforços e criar novos programas eficazes.

É provável que você já tenha muitos dos dados de que precisa. Mas se esses dados não estiverem organizados e acessíveis, isso não significa muito. É difícil ver padrões ou tirar conclusões de uma grande pilha de dados não estruturados.

Por exemplo, a Wellcome Trust—cujos programas são focados principalmente em saúde—analisou seu portfólio de mais de 100.000 doações. Usando processamento de linguagem natural, eles aplicaram 30.000 tags de doenças em seu portfólio. Essa marcação é uma etapa importante na preparação de dados para análise e segmentação. Ele permite que os gerentes de subsídios pesquisem facilmente programas de subsídios anteriores. Digamos que a organização esteja pensando em financiar pesquisas em torno de uma doença específica, agora eles podem analisar se já financiaram essa área de foco e os resultados desse trabalho.

Mesmo que você não esteja lidando com um portfólio de 100.000 bolsas, é importante ter uma compreensão mais granular de seus programas.

A marcação automática é uma maneira de começar a organizar os dados que você possui. Por exemplo, o Submittable habilita a marcação automática para que, quando um pedido de concessão for recebido, você possa aplicar uma marcação com base nas respostas a perguntas específicas. Isso permite que você acompanhe, categorize e analise os dados que são importantes para sua equipe, seja demografia, geografia, foco da missão, tamanho da organização ou qualquer outra coisa.

Você pode classificar seus candidatos e beneficiários com base nessas tags para ajudá-lo a analisar como você distribui seus recursos e se precisa mudar suas estratégias.

2. Crie padrões e taxonomias mais claros

No mundo do impacto social, muitas vezes falamos das mesmas coisas, mas usando uma linguagem diferente. Isso pode dificultar ver onde nosso trabalho se sobrepõe ao trabalho de outras pessoas e fazer comparações entre programas semelhantes.

Por exemplo, quando doadores, organizações sem fins lucrativos e pesquisadores usam linguagens diferentes para falar sobre as mesmas questões, é muito mais difícil fazer conexões entre seus trabalhos.

Essa desconexão prejudica a capacidade de todos de desenvolver soluções eficazes e fazer previsões informadas. Pense nisso como a fundação de uma casa. Se não tivermos uma estrutura forte nesse nível de base, tudo que for construído sobre ela será instável.

O Impact Genome Project, dentro do Mission Measurement, está trabalhando para sistematizar essas padronizações. Por exemplo, eles criaram um Impact Registry, um banco de dados pesquisável com dados de impacto e beneficiários em mais de 2 milhões de programas sem fins lucrativos nos EUA e Canadá. Esse tipo de ferramenta pode ajudar a fortalecer essa base para que o setor filantrópico possa construir de forma mais eficaz soluções orientadas por dados.

3. Acompanhe os resultados e resultados com mais clareza

O trabalho filantrópico tem tudo a ver com o impacto. Os programas que você executa estão criando os resultados pretendidos? Não importa qual seja o seu orçamento, se você não souber disso, não saberá se o seu programa está fazendo uma diferença significativa.

A análise de dados pode ajudá-lo a rastrear com mais precisão os efeitos do seu trabalho. Você pode fazer conexões entre os recursos que dedica a um programa, os resultados de curto prazo que ele cria e os resultados de longo prazo alcançados.

Por exemplo, o Wellcome Trust financia muitas pesquisas e ensaios clínicos. Sua equipe queria acompanhar os resultados acadêmicos de suas bolsas. Em outras palavras, eles queriam saber quantos artigos acadêmicos saíram dos programas que eles financiaram.

Usando técnicas de ciência de dados, a equipe do Wellcome Trust conseguiu criar um pipeline automático para agregar os artigos de pesquisa relacionados aos programas que financiaram. Eles puderam então vincular esse trabalho a bolsas específicas para determinar quais programas tiveram o maior número de resultados acadêmicos.

Pense em seus programas e nas saídas e resultados que mais importam para sua organização. Você está obtendo dados claros e detalhados sobre como eles estão conectados? Você sabe quais programas produzem consistentemente os melhores resultados? Aproveitar a ciência de dados para o bem social pode ajudá-lo a ter uma visão mais clara de como tudo isso se encaixa.

4. Encontre lacunas no financiamento

A análise de dados pode ajudar os doadores a identificar lacunas em seu financiamento. Você está subfinanciando certas populações? Você está negligenciando alguns componentes do trabalho? Investigar os dados pode ajudá-lo a encontrar oportunidades para fazer mais.

Às vezes, é fácil para os financiadores se concentrarem nos aspectos do trabalho comunitário que parecem mais pessoais ou mais emocionais. Prestar assistência a alguém em necessidade é bom em nível individual. No entanto, essa resposta empática às vezes pode distorcer a forma como as organizações constroem seus programas. O trabalho de impacto social depende de uma infraestrutura forte. Apoiar essas estruturas menos empolgantes, mas essenciais, muitas vezes pode permitir que as organizações façam muito mais.

Usando a ciência de dados, você pode identificar lacunas no financiamento em seu portfólio ou no setor filantrópico em geral. Muitas vezes, a prevenção e a infraestrutura não recebem a atenção que merecem.

Por exemplo, a Wellcome Trust usou ciência de dados para analisar seu portfólio e determinar com que frequência eles financiaram tecnologia em seus programas. Usando esses insights, eles mudaram suas prioridades para financiar mais doações para infraestrutura de software, que é uma ferramenta fundamental para muitos pesquisadores.

5. Faça novas conexões

É fácil ignorar todas as maneiras pelas quais sujeitos e identidades se sobrepõem e se cruzam. Mas esses insights podem fazer uma enorme diferença na forma como você projeta seus programas.

Usando a ciência de dados, os doadores podem identificar oportunidades para conectar diferentes tópicos ou projetos. Com as ferramentas de visualização de dados, você pode ver onde as conexões já existem e pode encontrar lugares onde as conexões deveriam existir, mas ainda não existem.

Será difícil criar soluções eficazes para grandes problemas se não entendermos essas interseções. Veja as mudanças climáticas, por exemplo. Os impactos das mudanças climáticas se sobrepõem e se cruzam com os efeitos da pobreza e da injustiça racial de maneiras complexas. Se sua organização procura abordar as mudanças climáticas sem considerar isso, seus programas provavelmente terão um impacto limitado.

Quer ver como é isso? A Wellcome Trust fez um projeto de modelagem de tópicos com sua equipe de neurociência para extrair tópicos baseados em dados para financiamento de pesquisas. Usando ciência de dados para analisar documentos de texto, eles criaram um mapa para que pudessem visualizar as conexões e lacunas entre os tópicos.

6. Coloque seu programa no cenário mais amplo

Muitas organizações e indivíduos estão trabalhando para resolver o mesmo conjunto de problemas. Estruturas como os Objetivos de Desenvolvimento Sustentável das Nações Unidas podem ajudar a fornecer uma compreensão de alto nível de como seu trabalho se encaixa em esforços mais amplos para fazer mudanças. Mas não fornece os detalhes que você precisa.

Você quer ter uma visão clara de como seus programas estão contribuindo para o progresso em uma escala maior. Você está ajudando a mover a agulha? Seus programas replicam outros esforços ou você está cumprindo um papel único?

A ciência de dados pode ajudá-lo a obter essas respostas e permitir que você seja mais estratégico na distribuição de seus recursos.

Por exemplo, a Wellcome Trust usou uma combinação de pesquisa de API, web scraping e processamento de linguagem natural para avaliar como seu trabalho se encaixa em esforços mais amplos para combater o COVID. Para avaliar a eficácia da pesquisa que eles financiaram, eles mediram a frequência com que a pesquisa foi mencionada em evidências científicas de agências governamentais e reconhecida na literatura geral sobre o COVID. Isso lhes deu uma noção clara se os programas que eles apoiavam estavam desempenhando um papel nos esforços mais amplos.

7. Avaliar a eficácia e custo do programa

Parte de ser um doador é equilibrar o custo e a eficácia do programa. Você quer saber se seus recursos estão fazendo as alterações que você deseja ver, mas também se estão fazendo isso da maneira mais eficiente possível.

As apostas são altas. Não estamos falando de resultados financeiros ou dividendos aos acionistas. Os custos do seu programa geralmente determinam quantas pessoas ou organizações comunitárias você pode apoiar.

A ciência de dados capacita os doadores a obter uma análise mais profunda de como as saídas e os resultados estão vinculados e como eles se comparam aos custos. Se você não tiver essas informações, é impossível saber se está fazendo investimentos inteligentes.

Por exemplo, o Impact Genome se concentra na saúde financeira. Eles usam a ciência de dados para medir a eficácia dos programas e como os custos dos programas se comparam aos resultados que produzem. Usando aprendizado de máquina, eles avaliaram 990 registros fiscais de todas as organizações sem fins lucrativos dos EUA. A partir daqui, eles podem comparar o tamanho do orçamento com os resultados alcançados.

É claro que existem muitas estratégias e projetos de programas diferentes para abordar a saúde financeira. Por exemplo, você pode ajudar alguém a cobrir despesas de emergência ou fornecer aconselhamento financeiro. Estes provavelmente têm custos e resultados diferentes.

A equipe do Impact Genome fez uma meta-análise para detalhar os resultados que representam a saúde financeira e, em seguida, definir os custos associados.

Pense em como essas informações podem ser úteis para organizações sem fins lucrativos que trabalham com saúde financeira. Eles poderiam comparar seus custos e resultados com essas médias. Eles estão gastando significativamente mais sem alcançar melhores resultados? Ou eles estão a par com outras organizações sem fins lucrativos? Essa é uma informação importante para se ter à medida que eles moldam seus programas futuros.

8. Automatize seu processo de revisão

Para doadores que desejam revisar um grande volume de aplicativos, a ciência de dados pode ajudar. Por uma questão de dados limpos (dados processados ​​e formatados para eliminar imprecisões e inconsistências), algumas organizações substituem perguntas de resposta aberta por múltipla escolha. Isso pode ser mais fácil para as pessoas revisarem, mas muito se perde quando você tira a capacidade de um candidato de explicar seu trabalho em seus próprios termos.

Ao aproveitar o aprendizado de máquina, você pode manter essas perguntas de resposta aberta e gastar menos tempo revisando os aplicativos manualmente. Você também pode obter resultados menos tendenciosos e mais consistentes. Como é que isso funciona?

O recurso Accelerated Review do Submittable coloca a ciência de dados em ação. Usando aprendizado de máquina, o Submittable cria um modelo com base nas revisões realizadas por sua equipe. Em resumo, você está treinando o computador para ajudar a revisar os aplicativos da mesma forma que sua equipe faz.

Como é o processo?

Sua equipe analisa uma amostra de cerca de 200 aplicativos. O modelo é construído em torno desse processo, aprendendo como seus avaliadores pontuam e avaliam os candidatos. Antes de aplicar o modelo por completo, ele é avaliado quanto à precisão em um pequeno lote de aplicativos. Se necessário, o modelo pode ser treinado novamente.

Automatizar seu processo de revisão dessa maneira significa que você pode revisar milhares ou até milhões de aplicativos com velocidade e precisão incríveis. Isso reduz muito a fadiga e o erro humano. Simplificando, a revisão automatizada permite que sua equipe trabalhe mais com menos funcionários, aproveitando o aprendizado de máquina para ajudar a destacar as principais informações.

9. Alivie a carga dos donatários

Com uma crescente conscientização sobre a carga administrativa frequentemente imposta aos beneficiários, a ciência de dados pode ser uma ferramenta incrível para iluminar oportunidades para os doadores reduzirem a carga.

Por exemplo, a Technology Association of Grantmakers recentemente usou aprendizado de máquina e análise de similaridade para determinar que um formulário de concessão aleatório é 39% semelhante a qualquer outro formulário de concessão.

Por que isso importa?

Isso significa que muitas organizações estão frequentemente refazendo o mesmo trabalho repetidamente quando se candidatam a diferentes doações. E se os financiadores se reunissem e padronizassem partes de seus pedidos de subsídios para garantir que todos estivessem pedindo as mesmas informações no mesmo formato? Pense em quanto tempo isso economizaria para os beneficiários. 39%!

Transformando insights em ação

A ciência de dados é sobre o uso da tecnologia para fornecer insights e estrutura a partir das informações que você possui. Mas criar mudanças exigirá que as pessoas peguem esses insights e os transformem em ação.

Você pode não ter os recursos ou capacidade para construir sua própria equipe interna de ciência de dados. Tudo bem - Submittable tem cobertura. Como uma plataforma de impacto social criada para ajudar organizações de todos os tamanhos, podemos oferecer todos os benefícios de uma equipe de ciência de dados por uma fração do custo. Saiba mais hoje.