9 วิธีที่ Data Science เร่งงานสร้างผลกระทบทางสังคมของคุณ

สำหรับคนที่ทำงานในภาคส่วนการกุศล วิทยาศาสตร์ข้อมูลอาจรู้สึกเหมือนเป็นหัวข้อที่ไม่เอื้ออำนวย คุณจะเริ่มต้นที่ไหน ข้อมูลอะไรสำคัญ? เข้ากับงานชุมชนของคุณอย่างไร?

ก่อนที่คุณจะเจาะลึกลงไปในวัชพืช คุณควรถอยกลับไปเพื่อทำความเข้าใจว่าศาสตร์ข้อมูลคืออะไรและช่วยให้คุณทำอะไรได้บ้าง

วิทยาศาสตร์ข้อมูลสำหรับผลกระทบทางสังคมเป็นเรื่องเกี่ยวกับการจัดโครงสร้างสิ่งที่ไม่มีโครงสร้างเพื่อช่วยในการตัดสินใจโดยใช้ข้อมูลเป็นหลัก มันไม่เกี่ยวกับการจมน้ำตายในข้อมูลที่คุณไม่ต้องการ มันเกี่ยวกับการใช้ข้อมูลอย่างมีกลยุทธ์เพื่อสร้างผลกระทบที่ลึกซึ้งยิ่งขึ้น

เมื่อเร็วๆ นี้เราได้จัดสัมมนาผ่านเว็บร่วมกับ Chantal Forster และ Technology Association of Grantmakers นักวิทยาศาสตร์ข้อมูลสามคนที่ทำงานในภาคการสร้างผลกระทบทางสังคม—Antonio Campello จาก Wellcome Trust, Jonathan Hertel จาก Impact Genome Project และ Andrew Spott จาก Submittable— แบ่งปันว่าวิทยาศาสตร์ข้อมูลและ AI ช่วยให้พวกเขาบรรลุภารกิจได้อย่างไร

โดยเน้นที่ข้อมูลเชิงลึกและตัวอย่างจากกิจกรรมนี้ เราได้นำเสนอ 9 วิธีที่วิทยาศาสตร์ข้อมูลสามารถช่วยองค์กรของคุณทำสิ่งต่างๆ ได้มากขึ้น

ไม่ว่าคุณจะมีพื้นฐานด้านวิทยาศาสตร์ข้อมูลมาก่อนหรือแค่ต้องการทราบข้อมูล เราก็มีข้อมูลเชิงลึกที่เป็นประโยชน์สำหรับทุกคน

คำจำกัดความสั้นๆ สำหรับวิทยาศาสตร์ข้อมูล

ก่อนที่เราจะเริ่มต้น เรามาพูดถึงคำศัพท์บางคำกันก่อน สำหรับผู้ที่ยังใหม่ต่อวิทยาศาสตร์ข้อมูล บางครั้งภาษาก็อาจดูคลุมเครือ ดังนั้นนี่คือข้อมูลเบื้องต้นฉบับย่อ

• การวิเคราะห์ข้อมูล เป็นกระบวนการของ การวิเคราะห์ข้อมูลดิบ เพื่อค้นหาแนวโน้มและตอบคำถาม
  • องค์กรส่วนใหญ่ทำการวิเคราะห์ข้อมูลบางรูปแบบ ตัวอย่างเช่น คุณอาจถามว่าผู้รับสิทธิ์ของเราอาศัยอยู่ที่ไหน การติดตามข้อมูลทางภูมิศาสตร์เพื่อระบุสถานะสูงสุดหรือประเทศที่คุณให้ทุนคือการวิเคราะห์ข้อมูลในที่ทำงาน

• การเรียนรู้ของเครื่อง เป็นกระบวนการของการ ใช้ประโยชน์จากอัลกอริทึมเพื่อให้คอมพิวเตอร์มีความสามารถในการปรับปรุงโดยอัตโนมัติ ผ่านประสบการณ์และข้อมูล
  • การจดจำรูปภาพเป็นแอปพลิเคชั่นทั่วไปของการเรียนรู้ของเครื่อง หากคุณเคยเห็นโทรศัพท์หรือคอมพิวเตอร์ของคุณระบุตัวตนที่อยู่ในรูปภาพได้ แสดงว่าคุณได้เห็นการทำงานของการเรียนรู้ของเครื่องแล้ว

• วิทยาศาสตร์ข้อมูล เป็นการประยุกต์ใช้อัลกอริธึมการเรียนรู้ของเครื่องกับแหล่งข้อมูลต่างๆ (เช่น ตัวเลข ข้อความ รูปภาพ วิดีโอ เสียง และอื่นๆ) เพื่อ ผลิตระบบปัญญาประดิษฐ์ที่สามารถทำงานได้ ตามปกติซึ่งต้องใช้สติปัญญาของมนุษย์
  • แม้ว่าคุณจะไม่ได้ทำงานด้านวิทยาศาสตร์ข้อมูล คุณก็น่าจะได้รับประโยชน์จากมัน วิทยาศาสตร์ข้อมูลถูกนำไปใช้ในทุกภาคส่วน ทั้งภาครัฐและเอกชน รวมถึงการดูแลสุขภาพ การคมนาคมขนส่ง ความปลอดภัยสาธารณะ และอื่นๆ ตัวอย่างเช่น วิทยาศาสตร์ข้อมูลถูกใช้เพื่อช่วยวิเคราะห์ภาพทางการแพทย์และระบุมะเร็ง

• การประมวลผลภาษาธรรมชาติ เป็นสาขาหนึ่งของปัญญาประดิษฐ์ที่มุ่งเน้น ให้คอมพิวเตอร์สามารถเข้าใจและตอบสนองต่อข้อความและคำพูด ในลักษณะเดียวกับที่มนุษย์สามารถทำได้
  • คิดว่า Siri หรือ Alexa

• อนุกรมวิธาน เป็นระบบการจัดหมวดหมู่หรือการจัด หมวดหมู่ที่ ใช้ในการจัดกลุ่มรายการที่คล้ายคลึงกัน
  • ในการทำบุญ องค์กรไม่แสวงหากำไรอาจจัดกลุ่มตามขนาด ภารกิจ การออกแบบโปรแกรม สถานที่ หรือการกำหนดอื่น ๆ

วิทยาศาสตร์ข้อมูลสามารถส่งเสริมผลกระทบทางสังคมของคุณได้อย่างไร

1. ทำความเข้าใจพอร์ตโฟลิโอของคุณในระดับที่ละเอียดยิ่งขึ้น

สำหรับผู้ให้ทุน การใช้ประโยชน์จากข้อมูลและการวิเคราะห์ผลกระทบทางสังคมสามารถช่วยให้คุณเห็นภาพที่ชัดเจนขึ้นว่าใครและสิ่งที่คุณให้ทุน ตลอดจนผลลัพธ์ของการระดมทุนนั้น คุณสามารถเปิดเผยแนวโน้ม ความเหลื่อมล้ำ และช่องว่างในวิธีที่คุณแจกจ่ายทรัพยากร

ทำไมสิ่งนี้จึงสำคัญ?

การได้รับมุมมองที่ละเอียดยิ่งขึ้นเกี่ยวกับโปรแกรมของคุณทำให้คุณสามารถระบุและขจัดอคติและค้นหาโอกาสที่พลาดไป นอกจากนี้ยังสามารถให้ข้อมูลเชิงลึกที่คุณต้องการเพื่อขยายความพยายามและสร้างโปรแกรมใหม่ที่มีประสิทธิภาพ

มีแนวโน้มว่าคุณมีข้อมูลจำนวนมากที่ต้องการอยู่แล้ว แต่ถ้าข้อมูลนั้นไม่ได้รับการจัดระเบียบและเข้าถึงได้ก็ไม่ได้มีความหมายอะไรมาก เป็นการยากที่จะเห็นรูปแบบหรือข้อสรุปจากข้อมูลที่ไม่มีโครงสร้างจำนวนมาก

ตัวอย่างเช่น Wellcome Trust ซึ่งเป็นโครงการที่เน้นเรื่องสุขภาพเป็นส่วนใหญ่ ได้วิเคราะห์ผลงานของทุนสนับสนุนกว่า 100,000 ทุน โดยใช้การประมวลผลภาษาธรรมชาติ พวกเขาใช้แท็กโรค 30,000 รายการกับพอร์ตโฟลิโอของพวกเขา การติดแท็กนี้เป็นขั้นตอนสำคัญในการเตรียมข้อมูลสำหรับการวิเคราะห์และการแบ่งส่วน ช่วยให้ผู้จัดการทุนสามารถค้นหาโปรแกรมการให้ทุนที่ผ่านมาได้อย่างง่ายดาย สมมติว่าองค์กรกำลังพิจารณาให้ทุนสนับสนุนการวิจัยเกี่ยวกับโรคใดโรคหนึ่ง ตอนนี้พวกเขาสามารถมองย้อนกลับไปว่าก่อนหน้านี้พวกเขาเคยให้ทุนสนับสนุนในส่วนที่มุ่งเน้นนั้นและผลลัพธ์ของงานนั้นหรือไม่

แม้ว่าคุณจะไม่ได้จัดการกับพอร์ตโฟลิโอ 100,000 ทุน การมีความเข้าใจที่ละเอียดยิ่งขึ้นเกี่ยวกับโปรแกรมของคุณเป็นสิ่งสำคัญ

การติดแท็กอัตโนมัติเป็นวิธีหนึ่งในการเริ่มจัดระเบียบข้อมูลที่คุณมี ตัวอย่างเช่น Submittable เปิดใช้งานการติดแท็กอัตโนมัติ เพื่อให้เมื่อมีใบสมัครเข้ามา คุณสามารถใช้แท็กตามคำตอบของคำถามเฉพาะได้ สิ่งนี้ให้อำนาจคุณในการติดตาม จัดหมวดหมู่ และวิเคราะห์ข้อมูลที่สำคัญต่อทีมของคุณ ไม่ว่าจะเป็นข้อมูลประชากร ภูมิศาสตร์ การมุ่งเน้นภารกิจ ขนาดองค์กร หรืออย่างอื่น

คุณสามารถจัดเรียงผู้สมัครและผู้รับทุนตามแท็กเหล่านั้นเพื่อช่วยคุณวิเคราะห์ว่าคุณแจกจ่ายทรัพยากรอย่างไร และคุณจำเป็นต้องเปลี่ยนกลยุทธ์ของคุณหรือไม่

2. สร้างมาตรฐานและอนุกรมวิธานที่ชัดเจนขึ้น

ในโลกของผลกระทบทางสังคม บ่อยครั้งมากที่เรากำลังพูดถึงสิ่งเดียวกันแต่ใช้ภาษาต่างกัน ซึ่งจะทำให้ยากต่อการดูว่างานของเราทับซ้อนกับงานของผู้อื่นอย่างไร และทำการเปรียบเทียบในโปรแกรมที่คล้ายคลึงกัน

ตัวอย่างเช่น เมื่อผู้ให้ทุน องค์กรไม่แสวงหากำไร และนักวิจัยใช้ภาษาต่างกันเพื่อพูดคุยเกี่ยวกับปัญหาเดียวกัน การเชื่อมโยงงานระหว่างกันจะยากกว่ามาก

การตัดการเชื่อมต่อนี้ขัดขวางความสามารถของทุกคนในการพัฒนาโซลูชันที่มีประสิทธิภาพและคาดการณ์อย่างมีข้อมูล คิดว่ามันเป็นรากฐานของบ้าน ถ้าเราไม่มีโครงสร้างที่แข็งแรงในระดับฐานนี้ ทุกสิ่งทุกอย่างที่สร้างขึ้นบนนั้นจะไม่มั่นคง

โครงการ Impact Genome ภายใน Mission Measurement กำลังทำงานเพื่อจัดระบบมาตรฐานเหล่านี้ ตัวอย่างเช่น พวกเขาได้สร้าง Impact Registry ซึ่งเป็นฐานข้อมูลที่ค้นหาได้พร้อมข้อมูลผลกระทบและผู้รับผลประโยชน์ในโครงการไม่แสวงหาผลกำไรมากกว่า 2 ล้านโครงการในสหรัฐอเมริกาและแคนาดา เครื่องมือประเภทนี้สามารถช่วยเสริมรากฐานนั้นเพื่อให้ภาคส่วนการกุศลสามารถสร้างโซลูชันที่ขับเคลื่อนด้วยข้อมูลได้อย่างมีประสิทธิภาพมากขึ้น

3. ติดตามผลลัพธ์และผลลัพธ์ได้ชัดเจนยิ่งขึ้น

งานการกุศลเป็นเรื่องของผลกระทบ โปรแกรมที่คุณเรียกใช้สร้างผลลัพธ์ที่คุณต้องการหรือไม่? ไม่ว่าคุณจะมีงบประมาณเท่าไร หากคุณไม่รู้สิ่งนี้ คุณจะไม่รู้ว่าโปรแกรมของคุณสร้างความแตกต่างที่มีความหมายหรือไม่

การวิเคราะห์ข้อมูลสามารถช่วยให้คุณติดตามผลกระทบของงานของคุณได้แม่นยำยิ่งขึ้น คุณสามารถเชื่อมโยงระหว่างทรัพยากรที่คุณทุ่มเทให้กับโปรแกรม ผลลัพธ์ในระยะสั้นที่โปรแกรมสร้างขึ้น และผลลัพธ์ในระยะยาวที่ทำได้

ตัวอย่างเช่น Wellcome Trust ให้ทุนสนับสนุนการวิจัยและการทดลองทางคลินิกมากมาย ทีมของพวกเขาต้องการติดตามผลงานทางวิชาการจากทุนของพวกเขา กล่าวอีกนัยหนึ่งคือพวกเขาต้องการทราบว่ามีบทความทางวิชาการจำนวนเท่าใดที่มาจากโครงการที่พวกเขาให้ทุนสนับสนุน

การใช้เทคนิควิทยาศาสตร์ข้อมูล ทีม Wellcome Trust สามารถสร้างไปป์ไลน์อัตโนมัติเพื่อรวบรวมบทความวิจัยที่เกี่ยวข้องกับโปรแกรมที่พวกเขาให้ทุนสนับสนุน จากนั้นพวกเขาสามารถเชื่อมโยงงานนี้กลับไปที่ทุนเฉพาะเพื่อกำหนดว่าโปรแกรมใดมีจำนวนผลงานทางวิชาการมากที่สุด

นึกถึงโปรแกรมของคุณและผลลัพธ์และผลลัพธ์ที่สำคัญที่สุดสำหรับองค์กรของคุณ คุณได้รับข้อมูลที่ชัดเจนและมีรายละเอียดเกี่ยวกับวิธีการเชื่อมต่อหรือไม่ คุณรู้หรือไม่ว่าโปรแกรมใดให้ผลลัพธ์ที่ดีที่สุดอย่างสม่ำเสมอ? การใช้ประโยชน์จากวิทยาศาสตร์ข้อมูลเพื่อผลประโยชน์ทางสังคมสามารถช่วยให้คุณเห็นภาพที่ชัดเจนขึ้นว่าทั้งหมดนี้เข้ากันได้อย่างไร

4. ค้นหาช่องว่างในการระดมทุน

การวิเคราะห์ข้อมูลสามารถช่วยให้ผู้ให้ทุนระบุช่องว่างในการระดมทุนได้ คุณกำลัง underfunding ประชากรบาง? คุณมองข้ามองค์ประกอบบางอย่างของงานหรือไม่? การเจาะลึกข้อมูลจะช่วยให้คุณพบโอกาสในการทำสิ่งต่างๆ ได้มากขึ้น

เป็นเรื่องง่ายสำหรับผู้ให้ทุนที่จะมุ่งเน้นไปที่แง่มุมของงานชุมชนที่รู้สึกเป็นส่วนตัวมากขึ้นหรือมีอารมณ์มากขึ้น การให้ความช่วยเหลือคนขัดสนทำให้รู้สึกดีในระดับปัจเจก อย่างไรก็ตาม การตอบสนองด้วยความเห็นอกเห็นใจในบางครั้งอาจบิดเบือนวิธีที่องค์กรสร้างโปรแกรม งานสร้างผลกระทบทางสังคมอาศัยโครงสร้างพื้นฐานที่แข็งแกร่ง การสนับสนุนกรอบงานที่ไม่น่าสนใจแต่จำเป็นเหล่านี้มักจะช่วยให้องค์กรทำสิ่งต่างๆ ได้มากขึ้น

เมื่อใช้วิทยาศาสตร์ข้อมูล คุณสามารถระบุช่องว่างในการระดมทุนในพอร์ตโฟลิโอหรือภาคส่วนการกุศลโดยรวมได้ บ่อยครั้งที่การป้องกันและโครงสร้างพื้นฐานไม่ได้รับความสนใจเท่าที่ควร

ตัวอย่างเช่น Wellcome Trust ใช้วิทยาศาสตร์ข้อมูลเพื่อวิเคราะห์พอร์ตโฟลิโอและกำหนดความถี่ที่พวกเขาให้ทุนสนับสนุนเทคโนโลยีในโปรแกรมต่างๆ การใช้ข้อมูลเชิงลึกเหล่านี้ทำให้พวกเขาเปลี่ยนลำดับความสำคัญในการให้ทุนสนับสนุนเพิ่มเติมสำหรับโครงสร้างพื้นฐานซอฟต์แวร์ ซึ่งเป็นเครื่องมือสำคัญสำหรับนักวิจัยจำนวนมาก

5. สร้างการเชื่อมต่อใหม่

ง่ายที่จะมองข้ามทุกวิถีทางที่ตัวแบบและตัวตนทับซ้อนกันและตัดกัน แต่ข้อมูลเชิงลึกเหล่านี้สามารถสร้างความแตกต่างอย่างมากในการออกแบบโปรแกรมของคุณ

การใช้วิทยาศาสตร์ข้อมูล ผู้ให้ทุนสามารถระบุโอกาสในการเชื่อมโยงหัวข้อหรือโครงการต่างๆ ด้วยเครื่องมือสร้างภาพข้อมูล คุณสามารถดูได้ว่าการเชื่อมต่อมีอยู่แล้วที่ไหน และคุณสามารถค้นหาสถานที่ที่ควรมีการเชื่อมต่อแต่ยังไม่มี

จะเป็นการยากที่จะสร้างวิธีแก้ปัญหาที่มีประสิทธิภาพสำหรับปัญหาใหญ่ๆ หากเราไม่เข้าใจทางแยกเหล่านี้ ยกตัวอย่างการเปลี่ยนแปลงสภาพภูมิอากาศ ผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศซ้อนทับและตัดกับผลกระทบของความยากจนและความอยุติธรรมทางเชื้อชาติในรูปแบบที่ซับซ้อน หากองค์กรของคุณพยายามที่จะจัดการกับการเปลี่ยนแปลงสภาพภูมิอากาศโดยไม่คำนึงถึงเรื่องนี้ โปรแกรมของคุณน่าจะมีผลกระทบจำกัด

ต้องการดูว่ามีลักษณะอย่างไร Wellcome Trust ได้ทำโปรเจ็กต์การสร้างแบบจำลองหัวข้อกับทีมประสาทวิทยาเพื่อแยกหัวข้อที่ขับเคลื่อนด้วยข้อมูลสำหรับเงินทุนวิจัย การใช้วิทยาศาสตร์ข้อมูลเพื่อวิเคราะห์เอกสารข้อความ พวกเขาสร้างแผนที่เพื่อให้เห็นภาพความเชื่อมโยงและช่องว่างระหว่างหัวข้อต่างๆ

6. วางโปรแกรมของคุณให้กว้างขึ้น

องค์กรและบุคคลจำนวนมากกำลังทำงานเพื่อแก้ปัญหาชุดเดียวกัน กรอบการทำงาน เช่น เป้าหมายการพัฒนาที่ยั่งยืนของสหประชาชาติ สามารถช่วยให้เข้าใจในระดับสูงว่างานของคุณสอดคล้องกับความพยายามในวงกว้างในการเปลี่ยนแปลงอย่างไร แต่ไม่ได้ให้รายละเอียดที่คุณต้องการ

คุณต้องการได้ภาพที่ชัดเจนว่าโปรแกรมของคุณมีส่วนทำให้เกิดความก้าวหน้าในระดับที่ใหญ่ขึ้นได้อย่างไร คุณช่วยย้ายเข็มหรือไม่? โปรแกรมของคุณพยายามซ้ำเติมความพยายามอื่น ๆ หรือคุณกำลังปฏิบัติตามบทบาทที่ไม่เหมือนใครหรือไม่?

วิทยาศาสตร์ข้อมูลสามารถช่วยให้คุณได้รับคำตอบเหล่านี้และช่วยให้คุณมีกลยุทธ์มากขึ้นในการกระจายทรัพยากรของคุณ

ตัวอย่างเช่น Wellcome Trust ใช้การผสมผสานระหว่างการค้นหา API การคัดลอกเว็บ และการประมวลผลภาษาธรรมชาติเพื่อประเมินว่างานของพวกเขาสอดคล้องกับความพยายามในวงกว้างในการต่อสู้กับโควิดอย่างไร เพื่อประเมินประสิทธิภาพของงานวิจัยที่พวกเขาให้ทุน พวกเขาวัดความถี่ที่งานวิจัยถูกกล่าวถึงในหลักฐานทางวิทยาศาสตร์จากหน่วยงานของรัฐและเป็นที่ยอมรับในวรรณกรรมทั่วไปเกี่ยวกับโควิด สิ่งนี้ทำให้พวกเขาเข้าใจชัดเจนว่าโปรแกรมที่พวกเขาสนับสนุนมีส่วนในความพยายามในวงกว้างหรือไม่

7. ประเมินประสิทธิภาพและต้นทุนของโปรแกรม

ส่วนหนึ่งของการเป็นผู้ให้ทุนคือการสร้างสมดุลระหว่างต้นทุนและประสิทธิภาพของโปรแกรม คุณต้องการทราบว่าทรัพยากรของคุณกำลังทำการเปลี่ยนแปลงที่คุณต้องการเห็น แต่ยังต้องทราบด้วยว่ากำลังดำเนินการดังกล่าวอย่างมีประสิทธิภาพมากที่สุด

เดิมพันสูง เราไม่ได้พูดถึงกำไรหรือเงินปันผลของผู้ถือหุ้น ค่าใช้จ่ายโปรแกรมของคุณมักจะกำหนดจำนวนคนหรือองค์กรชุมชนที่คุณสามารถสนับสนุนได้

วิทยาศาสตร์ข้อมูลช่วยให้ผู้ให้ทุนได้รับการวิเคราะห์เชิงลึกว่าผลลัพธ์และผลลัพธ์เชื่อมโยงกันอย่างไร และเปรียบเทียบกับต้นทุนอย่างไร หากคุณไม่มีข้อมูลนี้ เป็นไปไม่ได้เลยที่จะรู้ว่าคุณกำลังลงทุนอย่างชาญฉลาดหรือไม่

ตัวอย่างเช่น Impact Genome มุ่งเน้นไปที่สุขภาพทางการเงิน พวกเขาใช้วิทยาศาสตร์ข้อมูลเพื่อวัดประสิทธิภาพของโปรแกรมและเปรียบเทียบต้นทุนของโปรแกรมกับผลลัพธ์ที่พวกเขาผลิต ด้วยการใช้แมชชีนเลิร์นนิง พวกเขาได้ประเมินบันทึกภาษี 990 รายการสำหรับองค์กรไม่แสวงหากำไรในสหรัฐอเมริกาทั้งหมด จากที่นี่ พวกเขาสามารถเปรียบเทียบขนาดงบประมาณกับผลลัพธ์ที่ได้

แน่นอนว่ามีกลยุทธ์และการออกแบบโปรแกรมต่างๆ มากมายเพื่อจัดการกับสุขภาพทางการเงิน ตัวอย่างเช่น คุณสามารถช่วยเหลือผู้อื่นเกี่ยวกับค่าใช้จ่ายฉุกเฉินหรือให้คำปรึกษาทางการเงิน สิ่งเหล่านี้อาจมีต้นทุนและผลลัพธ์ที่แตกต่างกัน

ทีมงานที่ Impact Genome ได้ทำการวิเคราะห์เมตาเพื่อแจกแจงผลลัพธ์ที่แสดงถึงสุขภาพทางการเงิน จากนั้นจึงจัดวางค่าใช้จ่ายที่เกี่ยวข้อง

คิดว่าข้อมูลนี้จะเป็นประโยชน์ต่อองค์กรไม่แสวงผลกำไรที่ทำงานด้านการเงินได้อย่างไร พวกเขาสามารถเปรียบเทียบต้นทุนและผลลัพธ์กับค่าเฉลี่ยเหล่านี้ พวกเขาใช้จ่ายมากขึ้นอย่างมีนัยสำคัญโดยไม่ได้รับผลลัพธ์ที่ดีขึ้นหรือไม่? หรือเทียบเท่ากับองค์กรไม่แสวงผลกำไรอื่นๆ? นั่นเป็นข้อมูลสำคัญที่ต้องมีในขณะที่พวกเขากำหนดแผนงานในอนาคต

8. ทำให้กระบวนการตรวจสอบของคุณเป็นแบบอัตโนมัติ

สำหรับผู้ให้ทุนที่ต้องการตรวจสอบใบสมัครจำนวนมาก วิทยาศาสตร์ข้อมูลสามารถช่วยได้ เพื่อประโยชน์ของข้อมูลที่สะอาด (ข้อมูลที่ประมวลผลและจัดรูปแบบเพื่อขจัดความไม่ถูกต้องและความไม่สอดคล้องกัน) บางองค์กรจะแทนที่คำถามที่ตอบแบบเปิดด้วยตัวเลือกหลายตัวเลือก การตรวจทานอาจทำได้ง่ายกว่าสำหรับผู้คน แต่จะสูญเสียอะไรไปมากเมื่อคุณนำความสามารถของผู้สมัครในการอธิบายงานของตนตามเงื่อนไขของตนเองออกไป

การใช้ประโยชน์จากแมชชีนเลิร์นนิงทำให้คุณสามารถเก็บคำถามแบบตอบเปิดเหล่านั้นไว้ และใช้เวลาน้อยลงในการตรวจสอบแอปพลิเคชันด้วยตนเอง คุณยังสามารถบรรลุผลที่ลำเอียงน้อยลงและสม่ำเสมอมากขึ้น มันทำงานอย่างไร?

คุณลักษณะการตรวจสอบแบบเร่งรัดของ Submittable ทำให้วิทยาศาสตร์ข้อมูลเป็นจริง เมื่อใช้การเรียนรู้ของเครื่อง Submittable จะสร้างแบบจำลองตามรีวิวที่ดำเนินการโดยทีมของคุณ กล่าวโดยย่อ คุณกำลังฝึกคอมพิวเตอร์เพื่อช่วยตรวจสอบแอปพลิเคชันในลักษณะเดียวกับที่ทีมของคุณทำ

กระบวนการมีลักษณะอย่างไร

ทีมของคุณตรวจทานตัวอย่างใบสมัครประมาณ 200 รายการ โมเดลนี้สร้างขึ้นจากกระบวนการดังกล่าว โดยเรียนรู้ว่าผู้รีวิวของคุณให้คะแนนและให้คะแนนผู้สมัครอย่างไร ก่อนที่จะใช้แบบจำลองทั้งหมด จะมีการประเมินความถูกต้องในแอปพลิเคชันกลุ่มเล็กๆ หากจำเป็น สามารถฝึกแบบจำลองใหม่ได้

การทำให้กระบวนการตรวจสอบของคุณเป็นแบบอัตโนมัติหมายความว่าคุณสามารถตรวจสอบแอปพลิเคชันได้หลายพันหรือหลายล้านแอปพลิเคชันด้วยความเร็วที่เหลือเชื่อและแม่นยำอย่างน่าทึ่ง ซึ่งช่วยลดความเหนื่อยล้าและความผิดพลาดของมนุษย์ได้อย่างมาก พูดง่ายๆ ก็คือ การตรวจสอบอัตโนมัติช่วยให้ทีมของคุณทำงานได้มากขึ้นโดยมีพนักงานน้อยลง โดยใช้ประโยชน์จากแมชชีนเลิร์นนิงเพื่อช่วยเน้นข้อมูลสำคัญ

9. แบ่งเบาภาระผู้รับทุน

ด้วยความตระหนักที่เพิ่มขึ้นเกี่ยวกับภาระการบริหารที่มักจะมอบให้กับผู้รับทุน วิทยาการข้อมูลสามารถเป็นเครื่องมือที่เหลือเชื่อในการให้ความกระจ่างแก่โอกาสสำหรับผู้ให้ทุนในการลดภาระงาน

ตัวอย่างเช่น เมื่อเร็ว ๆ นี้ Technology Association of Grantmakers ใช้แมชชีนเลิร์นนิงและการวิเคราะห์ความคล้ายคลึงกันเพื่อพิจารณาว่ารูปแบบการให้ทุนแบบสุ่มมีความคล้ายคลึงกับรูปแบบการให้ทุนอื่นๆ 39%

ทำไมเรื่องนี้?

หมายความว่าหลายองค์กรมักจะทำงานเดียวกันซ้ำแล้วซ้ำอีกเมื่อสมัครทุนที่แตกต่างกัน จะเกิดอะไรขึ้นหากผู้ให้ทุนรวมตัวกันและกำหนดส่วนต่าง ๆ ของใบสมัครทุนของพวกเขาให้เป็นมาตรฐานเพื่อให้แน่ใจว่าทุกคนขอข้อมูลเดียวกันในรูปแบบเดียวกัน ลองนึกถึงเวลาที่จะช่วยผู้รับทุนได้ 39%!

เปลี่ยนข้อมูลเชิงลึกให้กลายเป็นการกระทำ

วิทยาศาสตร์ข้อมูลเป็นการใช้เทคโนโลยีเพื่อให้ข้อมูลเชิงลึกและโครงสร้างจากข้อมูลที่คุณมี แต่การสร้างการเปลี่ยนแปลงจะทำให้ผู้คนต้องใช้ข้อมูลเชิงลึกเหล่านั้นและเปลี่ยนให้กลายเป็นจริง

คุณอาจไม่มีทรัพยากรหรือความสามารถในการสร้างทีมวิทยาศาสตร์ข้อมูลภายในองค์กรของคุณเอง ไม่เป็นไร คุณได้ครอบคลุมถึงสิ่งที่ส่งมาได้ ในฐานะที่เป็นแพลตฟอร์มสร้างผลกระทบทางสังคมที่สร้างขึ้นเพื่อช่วยองค์กรทุกขนาด เราสามารถมอบประโยชน์ทั้งหมดให้กับทีมวิทยาศาสตร์ข้อมูลได้ในราคาเพียงเสี้ยวเดียว ค้นหาข้อมูลเพิ่มเติมได้แล้ววันนี้