9 способов, которыми наука о данных может ускорить вашу социальную работу

Для людей, работающих в благотворительном секторе, наука о данных может показаться громоздкой темой. С чего начать? Какие данные важны? Как это вписывается в вашу общественную работу?

Прежде чем углубиться в сорняки, стоит сделать шаг назад, чтобы понять, что такое наука о данных и что она может дать вам.

Наука о данных для социального воздействия — это структурирование того, что неструктурировано, чтобы помочь принимать решения, основанные на данных. Дело не в том, чтобы утопить вас в информации, которая вам не нужна. Речь идет о стратегическом использовании данных для оказания более глубокого воздействия.

Недавно мы провели вебинар в партнерстве с Шанталь Форстер и Технологической ассоциацией грантодателей. Трое ученых, работающих в сфере социального воздействия, — Антонио Кампелло из Wellcome Trust, Джонатан Хертель из Impact Genome Project и Эндрю Спотт из Submittable — поделились тем, как наука о данных и ИИ помогают им выполнять свои задачи.

Подчеркнув идеи и примеры этого мероприятия, мы изложили девять способов, с помощью которых наука о данных может помочь вашей организации добиться большего.

Если у вас есть большой опыт в области науки о данных или вы просто интересуетесь данными, у нас есть несколько полезных идей для всех.

Несколько быстрых определений для науки о данных

Прежде чем мы начнем, давайте рассмотрим некоторые термины. Для людей, плохо знакомых с наукой о данных, иногда сам язык может быть ошеломляющим, поэтому вот краткое руководство.

• Аналитика данных — это процесс анализа необработанных данных для выявления тенденций и ответов на вопросы.
  • Большинство организаций занимаются той или иной формой анализа данных. Например, вы можете спросить, где живут наши грантополучатели? Отслеживание географических данных для определения лучших штатов или стран, которым вы предоставляете финансирование, — это аналитика данных в действии.

• Машинное обучение — это процесс использования алгоритмов, чтобы дать компьютерам возможность автоматически совершенствоваться на основе опыта и данных.
  • Распознавание изображений — распространенное применение машинного обучения; если вы видели, как ваш телефон или компьютер самостоятельно определяет, кто изображен на фотографии, вы видели машинное обучение в действии.

• Наука о данных — это применение алгоритмов машинного обучения к различным источникам данных (например, числам, тексту, изображениям, видео, аудио и т. д.) для создания систем искусственного интеллекта, которые могут выполнять задачи , для которых обычно требуется человеческий интеллект.
  • Даже если вы не занимались наукой о данных, вы, вероятно, извлекли из этого пользу. Наука о данных используется во всех секторах — государственном и частном, включая здравоохранение, транспорт, общественную безопасность и многое другое. Например, наука о данных теперь используется для анализа медицинских изображений и выявления злокачественных новообразований.

• Обработка естественного языка — это ветвь искусственного интеллекта, направленная на то, чтобы дать компьютерам возможность понимать текст и произносимые слова и реагировать на них так же, как люди.
  • Вспомните Siri или Alexa.

• Таксономия — это система классификации или категоризации, используемая для группировки сходных элементов.
  • В благотворительности некоммерческие организации могут быть сгруппированы по размеру, миссии, дизайну программы, местонахождению или другому обозначению.

Как наука о данных может расширить возможности вашей социальной работы

1. Изучите свое портфолио на более детальном уровне

Для грантодателей использование данных и аналитики социального воздействия может помочь вам получить более четкое представление о том, кого и что вы финансируете, а также о результатах этого финансирования. Вы можете выявить тенденции, совпадения и пробелы в том, как вы распределяете ресурсы.

Почему это важно?

Получение более подробного представления о ваших программах позволяет вам выявлять и искоренять предвзятость и находить упущенные возможности. Кроме того, это может дать вам информацию, необходимую для расширения ваших усилий и создания эффективных новых программ.

Вполне вероятно, что у вас уже есть много необходимых данных. Но если эти данные не организованы и не доступны, это мало что значит. Трудно увидеть закономерности или сделать выводы из большой кучи неструктурированных данных.

Например, Wellcome Trust, чьи программы в основном ориентированы на здравоохранение, проанализировала свой портфель из более чем 100 000 грантов. Используя обработку естественного языка, они применили к своему портфолио 30 000 тегов заболеваний. Эта маркировка является важным шагом в подготовке данных для анализа и сегментации. Это позволяет менеджерам грантов легко искать прошлые программы грантов. Скажем, организация рассматривает возможность финансирования исследований по конкретному заболеванию, теперь они могут оглянуться на то, финансировали ли они ранее эту область, и на результаты этой работы.

Даже если вы не имеете дело с портфелем из 100 000 грантов, важно иметь более детальное представление о ваших программах.

Автоматическая пометка — это один из способов систематизировать имеющиеся у вас данные. Например, Submittable включает автоматическую пометку, чтобы при поступлении заявки на грант вы могли пометить ее на основе ответов на конкретные вопросы. Это дает вам возможность отслеживать, классифицировать и анализировать данные, которые важны для вашей команды, будь то демография, география, направленность миссии, размер организации или что-то еще.

Вы можете сортировать своих кандидатов и получателей грантов на основе этих тегов, чтобы помочь вам проанализировать, как вы распределяете свои ресурсы и нужно ли вам изменить свои стратегии.

2. Создайте более четкие стандарты и таксономии

В мире социального воздействия мы слишком часто говорим об одних и тех же вещах, но используем разный язык. Это может затруднить понимание того, где наша работа совпадает с работой других, и сравнение похожих программ.

Например, когда грантодатели, некоммерческие организации и исследователи используют разные языки для обсуждения одних и тех же вопросов, гораздо сложнее установить связь между их работой.

Это разъединение препятствует способности каждого разрабатывать эффективные решения и делать обоснованные прогнозы. Думайте об этом как о фундаменте дома. Если у нас нет прочной структуры на этом базовом уровне, все, что над ней построено, будет неустойчивым.

Проект Impact Genome в рамках Mission Measurement работает над систематизацией этих стандартов. Например, они создали Impact Registry, доступную для поиска базу данных с данными о воздействии и бенефициарах более чем 2 миллионов некоммерческих программ в США и Канаде. Такой инструмент может помочь укрепить эту основу, чтобы благотворительный сектор мог более эффективно создавать решения, основанные на данных.

3. Более четко отслеживать промежуточные и итоговые результаты

Филантропическая работа — это влияние. Приводят ли программы, которые вы запускаете, к ожидаемым вами результатам? Неважно, каков ваш бюджет, если вы этого не знаете, вы не узнаете, приносит ли ваша программа значимые изменения.

Аналитика данных может помочь вам более точно отслеживать результаты вашей работы. Вы можете установить связь между ресурсами, которые вы выделяете программе, краткосрочными результатами, которые она создает, и достигнутыми долгосрочными результатами.

Например, Wellcome Trust финансирует множество исследований и клинических испытаний. Их команда хотела отслеживать академические результаты своих грантов. Другими словами, они хотели знать, сколько научных статей появилось в результате программ, которые они финансировали.

Используя методы обработки данных, команда Wellcome Trust смогла создать автоматический конвейер для сбора исследовательских статей, связанных с финансируемыми ими программами. Затем они смогли связать эту работу с конкретными грантами, чтобы определить, какие программы дали наибольшее количество академических результатов.

Подумайте о своих программах, а также о продуктах и ​​результатах, которые наиболее важны для вашей организации. Получаете ли вы четкие и подробные данные о том, как они связаны? Знаете ли вы, какие программы неизменно дают наилучшие результаты? Использование науки о данных для общественного блага может помочь вам получить более четкое представление о том, как все это сочетается друг с другом.

4. Найдите пробелы в финансировании

Анализ данных может помочь грантодателям выявить пробелы в их финансировании. Вы недофинансируете определенные группы населения? Вы упускаете из виду некоторые компоненты работы? Изучение данных может помочь вам найти возможности сделать больше.

Иногда спонсорам легко сосредоточиться на аспектах общественной работы, которые кажутся более личными или более эмоциональными. Оказание помощи тому, кто в ней нуждается, ощущается хорошо на индивидуальном уровне. Однако такой чуткий ответ иногда может исказить то, как организации строят свои программы. Работа с социальным воздействием опирается на мощную инфраструктуру. Поддержка этих менее захватывающих, но важных фреймворков часто позволяет организациям делать гораздо больше.

Используя науку о данных, вы можете определить пробелы в финансировании вашего портфеля или благотворительного сектора в целом. Слишком часто профилактике и инфраструктуре не уделяется того внимания, которого они заслуживают.

Например, Wellcome Trust использовала науку о данных, чтобы проанализировать свой портфель и определить, как часто они финансируют технологии в своих программах. Используя эти идеи, они изменили свои приоритеты, чтобы финансировать больше грантов на программную инфраструктуру, которая является ключевым инструментом для многих исследователей.

5. Установите новые связи

Легко упустить из виду все способы пересечения и наложения субъектов и идентичностей. Но эти идеи могут иметь огромное значение в том, как вы разрабатываете свои программы.

Используя науку о данных, грантодатели могут определить возможности для объединения различных тем или проектов. С помощью инструментов визуализации данных вы можете увидеть, где связи уже существуют, и найти места, где связи должны существовать, но еще не созданы.

Будет трудно создавать эффективные решения для больших проблем, если мы не понимаем эти пересечения. Возьмем, к примеру, изменение климата. Последствия изменения климата сложным образом пересекаются с последствиями бедности и расовой несправедливости. Если ваша организация стремится решить проблему изменения климата, не принимая во внимание этого, ваши программы, скорее всего, окажут ограниченное влияние.

Хотите увидеть, как это выглядит? Wellcome Trust вместе со своей командой нейробиологов разработали проект тематического моделирования, чтобы выделить темы, основанные на данных, для финансирования исследований. Используя науку о данных для анализа текстовых документов, они создали карту, чтобы визуализировать связи и пробелы между темами.

6. Поместите свою программу в более широкий ландшафт

Многие организации и частные лица работают над решением одного и того же набора проблем. Рамки, такие как Цели устойчивого развития Организации Объединенных Наций, могут помочь обеспечить общее понимание того, как ваша работа вписывается в более широкие усилия по внесению изменений. Но он не дает вам нужных деталей.

Вы хотите получить четкое представление о том, как ваши программы способствуют прогрессу в более широком масштабе. Вы помогаете двигать иглу? Ваши программы повторяют другие усилия или вы выполняете уникальную роль?

Наука о данных может помочь вам получить эти ответы и позволит вам более стратегически распределять свои ресурсы.

Например, компания Wellcome Trust использовала комбинацию API-поиска, веб-скрапинга и обработки естественного языка, чтобы оценить, как их работа вписывается в более широкие усилия по борьбе с COVID. Чтобы оценить эффективность финансируемого ими исследования, они измерили, как часто это исследование упоминалось в научных данных государственных органов и признавалось в общей литературе по COVID. Это дало им четкое представление о том, играют ли программы, которые они поддерживали, определенную роль в более широких усилиях.

7. Оценить эффективность и стоимость программы

Часть работы грантодателя заключается в том, чтобы сбалансировать стоимость программы и ее эффективность. Вы хотите знать, что ваши ресурсы вносят изменения, которые вы хотите видеть, и что они делают это максимально эффективно.

Ставки высоки. Мы не говорим о какой-то чистой прибыли или дивидендах акционерам. Стоимость вашей программы часто определяет, сколько людей или общественных организаций вы можете поддержать.

Наука о данных позволяет грантополучателям получить более глубокий анализ того, как результаты и результаты связаны между собой и как они соотносятся с затратами. Если у вас нет этой информации, невозможно узнать, делаете ли вы разумные инвестиции.

Например, Impact Genome фокусируется на финансовом здоровье. Они используют науку о данных для измерения эффективности программ и сравнения затрат на программы с результатами, которые они дают. Используя машинное обучение, они оценили 990 налоговых отчетов для всех некоммерческих организаций США. Отсюда они могут сравнить размер бюджета с достигнутыми результатами.

Конечно, существует так много различных стратегий и программ для улучшения финансового состояния. Например, вы можете помочь кому-то покрыть экстренные расходы или предоставить финансовые консультации. Они, вероятно, имеют разные затраты и результаты.

Команда Impact Genome провела метаанализ, чтобы разбить результаты, отражающие финансовое благополучие, а затем определить связанные с этим затраты.

Подумайте, насколько полезной может быть эта информация для некоммерческих организаций, работающих в области финансового здоровья. Они могли бы сравнить свои затраты и результаты с этими средними значениями. Они тратят значительно больше, не достигая лучших результатов? Или они наравне с другими некоммерческими организациями? Это важная информация, которой они должны располагать при формировании своих будущих программ.

8. Автоматизируйте процесс проверки

Для грантодателей, желающих рассмотреть большое количество заявок, может помочь наука о данных. Ради чистоты данных (данных, обработанных и отформатированных для устранения неточностей и несоответствий) некоторые организации заменяют вопросы с открытым ответом на вопросы с несколькими вариантами ответов. Это может быть проще для людей, но многое теряется, когда вы лишаете кандидата возможности объяснить свою работу на своих условиях.

Используя машинное обучение, вы можете сохранить открытые вопросы и тратить меньше времени на ручную проверку заявок. Вы также можете добиться менее предвзятых и более последовательных результатов. Как это работает?

Функция ускоренного просмотра Submittable превращает науку о данных в действие. Используя машинное обучение, Submittable строит модель на основе отзывов, сделанных вашей командой. Короче говоря, вы тренируете компьютер помогать в рассмотрении приложений так же, как это делает ваша команда.

Как выглядит процесс?

Ваша команда рассматривает выборку из примерно 200 приложений. Модель построена вокруг этого процесса, изучая, как ваши рецензенты оценивают кандидатов. Прежде чем применять модель в полном объеме, ее точность оценивают на небольшой партии приложений. При необходимости модель можно переобучить.

Такая автоматизация процесса проверки означает, что вы можете просматривать тысячи или даже миллионы заявок с невероятной скоростью и с поразительной точностью. Это значительно снижает усталость и человеческий фактор. Проще говоря, автоматизированная проверка позволяет вашей команде выполнять больше работы с меньшим количеством сотрудников за счет использования машинного обучения для выделения ключевой информации.

9. Облегчить нагрузку на грантополучателей

С ростом осведомленности об административном бремени, которое часто возлагается на грантополучателей, наука о данных может стать невероятным инструментом, открывающим возможности для грантополучателей уменьшить нагрузку.

Например, Технологическая ассоциация грантодателей недавно использовала машинное обучение и анализ подобия, чтобы определить, что случайная форма гранта на 39% похожа на любую другую форму гранта.

Почему это важно?

Это означает, что многие организации часто переделывают одну и ту же работу снова и снова, когда подают заявки на разные гранты. Что, если спонсоры соберутся вместе и стандартизируют части своих заявок на гранты, чтобы гарантировать, что все запрашивают одну и ту же информацию в одном и том же формате? Подумайте, сколько времени это сэкономит грантополучателям. 39%!

Превращение идей в действия

Наука о данных — это использование технологий для анализа и структурирования имеющейся у вас информации. Но создание изменений потребует от людей принятия этих идей и воплощения их в жизнь.

У вас может не быть ресурсов или возможностей для создания собственной команды специалистов по обработке и анализу данных. Ничего страшного — Submittable поможет вам. Являясь платформой социального воздействия, созданной для помощи организациям любого размера, мы можем предоставить все преимущества команды специалистов по обработке и анализу данных за небольшую часть стоимости. Узнайте больше сегодня.