Veri Biliminin Sosyal Etki Çalışmanızı Hızlandırmasının 9 Yolu

Hayırseverlik sektöründe çalışan insanlar için veri bilimi hantal bir konu gibi görünebilir. Nereden başlarsın? Hangi veriler önemlidir? Topluluk çalışmanıza nasıl uyuyor?

Yabani otların derinliklerine inmeden önce, veri biliminin ne olduğunu ve ne yapmanızı sağlayabileceğini anlamak için geri adım atmaya değer.

Sosyal etki için veri bilimi, veriye dayalı kararların alınmasına yardımcı olmak için yapılandırılmamış olanı yapılandırmakla ilgilidir. Bu, ihtiyacınız olmayan bilgilerde sizi boğmakla ilgili değil. Daha derin bir etki yaratmak için verileri stratejik olarak kullanmakla ilgilidir.

Kısa süre önce Chantal Forster ve Teknoloji Bağışçıları Derneği ile ortaklaşa bir web seminerine ev sahipliği yaptık. Sosyal etki sektöründe çalışan üç veri bilimci (Wellcome Trust'tan Antonio Campello, Impact Genome Project'ten Jonathan Hertel ve Submittable'dan Andrew Spott), veri biliminin ve yapay zekanın görevlerini yerine getirmelerine nasıl yardımcı olduğunu paylaştı.

Bu etkinlikten içgörüleri ve örnekleri vurgulayarak, veri biliminin kuruluşunuzun daha fazlasını yapmasına yardımcı olabileceği dokuz yolu belirledik.

İster veri biliminde güçlü bir geçmişe sahip olun, ister veriye merak duyuyor olun, herkes için bazı yararlı görüşlerimiz var.

Veri bilimi için bazı hızlı tanımlar

Başlamadan önce, bazı terminolojiyi ele alalım. Veri biliminde yeni olan kişiler için bazen dilin kendisi bunaltıcı olabilir, bu yüzden işte size hızlı bir başlangıç.

• Veri analitiği , eğilimleri bulmak ve soruları yanıtlamak için ham verileri analiz etme sürecidir.
  • Çoğu kuruluş bir tür veri analitiği yapar. Örneğin, hibe alanlarımız nerede yaşıyor diye sorabilirsiniz. Finansman sağladığınız en iyi eyaletleri veya ülkeleri belirlemek için coğrafi verileri izlemek, iş başında veri analizidir.

• Makine öğrenimi , bilgisayarlara deneyim ve verilerle otomatik olarak iyileştirme yeteneği vermek için algoritmalardan yararlanma sürecidir.
  • Görüntü tanıma, makine öğreniminin yaygın bir uygulamasıdır; Telefonunuzun veya bilgisayarınızın bir fotoğrafta kimin olduğunu kendi başına belirlediğini gördüyseniz, makine öğrenimini çalışırken görmüşsünüzdür.

• Veri bilimi , normalde insan zekası gerektiren görevleri gerçekleştirebilen yapay zeka sistemleri üretmek için çeşitli veri kaynaklarına (yani sayılar, metin, resimler, video, ses ve daha fazlası) makine öğrenimi algoritmalarının uygulanmasıdır.
  • Veri biliminde çalışmamış olsanız bile, muhtemelen bundan faydalanmışsınızdır. Veri bilimi, sağlık, ulaşım, kamu güvenliği ve daha fazlası dahil olmak üzere kamu ve özel sektör genelinde kullanılmaktadır. Örneğin, veri bilimi artık tıbbi görüntülemeyi analiz etmeye ve maligniteleri tanımlamaya yardımcı olmak için kullanılıyor.

• Doğal dil işleme , bilgisayarlara metinleri ve konuşulan kelimeleri insanların yapabildiği gibi anlama ve bunlara yanıt verme yeteneği vermeye odaklanan yapay zeka dalıdır.
  • Siri veya Alexa'yı düşünün.

• Taksonomi , benzer öğeleri gruplamak için kullanılan bir sınıflandırma veya sınıflandırma sistemidir .
  • Hayırseverlikte, kar amacı gütmeyen kuruluşlar büyüklük, misyon, program tasarımı, konum veya başka bir atamaya göre gruplandırılabilir.

Veri bilimi, sosyal etki çalışmanızı nasıl güçlendirebilir?

1. Portföyünüzü daha ayrıntılı bir düzeyde anlayın

Hibe verenler için, verilerden ve sosyal etki analitiğinden yararlanmak, kime ve neye fon sağladığınızın yanı sıra bu fonun sonuçlarının daha net bir resmini elde etmenize yardımcı olabilir. Kaynakları nasıl dağıttığınıza ilişkin eğilimleri, çakışmaları ve boşlukları ortaya çıkarabilirsiniz.

Bu neden önemli?

Programlarınızın daha ayrıntılı bir görünümünü elde etmek, önyargıları tespit edip ortadan kaldırmanıza ve kaçırılan fırsatları bulmanıza olanak tanır. Ayrıca, çabalarınızı genişletmek ve etkili yeni programlar oluşturmak için ihtiyaç duyduğunuz bilgileri size verebilir.

Muhtemelen ihtiyacınız olan birçok veriye zaten sahipsiniz. Ancak bu veriler organize ve erişilebilir değilse, bunun pek bir anlamı yok. Büyük bir yapılandırılmamış veri yığınından kalıpları görmek veya sonuçlar çıkarmak zor.

Örneğin, programları çoğunlukla sağlığa odaklanan Wellcome Trust, 100.000'den fazla hibeden oluşan portföyünü analiz etti. Doğal dil işlemeyi kullanarak portföylerine 30.000 hastalık etiketi uyguladılar. Bu etiketleme, verilerin analiz ve segmentasyon için hazırlanmasında önemli bir adımdır. Hibe yöneticilerinin geçmiş hibe programlarını kolayca aramasını sağlar. Kuruluşun belirli bir hastalıkla ilgili araştırmaları finanse etmeyi düşündüğünü varsayalım, şimdi bu odak alanını daha önce finanse edip etmediklerini ve bu çalışmanın sonuçlarına bakabilirler.

100.000 hibelik bir portföyle uğraşmasanız bile, programlarınız hakkında daha ayrıntılı bir anlayışa sahip olmak önemlidir.

Otomatik etiketleme, sahip olduğunuz verileri düzenlemeye başlamanın bir yoludur. Örneğin, Gönderilebilir, bir hibe başvurusu geldiğinde, belirli sorulara verilen yanıtlara dayalı olarak bir etiket uygulayabilmeniz için otomatik etiketlemeyi etkinleştirir. Bu, demografi, coğrafya, görev odağı, organizasyon boyutu veya başka bir şey olsun, ekibiniz için önemli olan verileri izlemenize, kategorilere ayırmanıza ve analiz etmenize olanak tanır.

Kaynaklarınızı nasıl dağıttığınızı ve stratejilerinizi değiştirmeniz gerekip gerekmediğini analiz etmenize yardımcı olması için başvuranlarınızı ve hibe alanlarınızı bu etiketlere göre sıralayabilirsiniz.

2. Daha net standartlar ve sınıflandırmalar oluşturun

Sosyal etki dünyasında, çoğu zaman aynı şeylerden bahsediyoruz ama farklı bir dil kullanıyoruz. Bu, çalışmalarımızın diğerlerinin çalışmalarıyla nerede örtüştüğünü görmeyi ve benzer programlar arasında karşılaştırma yapmayı zorlaştırabilir.

Örneğin, hibe verenler, kar amacı gütmeyen kuruluşlar ve araştırmacılar aynı konular hakkında konuşmak için farklı dil kullandıklarında, çalışmaları arasında bağlantı kurmak çok daha zordur.

Bu kopukluk, herkesin etkili çözümler geliştirme ve bilinçli tahminler yapma becerisini engeller. Bir evin temeli gibi düşünün. Bu taban seviyesinde güçlü bir yapımız yoksa, bunun üzerine inşa edilen her şey kararsız olacaktır.

Misyon Ölçümü kapsamındaki Etki Genom Projesi bu standardizasyonları sistemleştirmek için çalışmaktadır. Örneğin, ABD ve Kanada'daki 2 milyondan fazla kar amacı gütmeyen programa ilişkin etki ve yararlanıcı verilerini içeren aranabilir bir veritabanı olan bir Etki Kaydı oluşturdular. Bu tür bir araç, hayırsever sektörün veriye dayalı çözümlere doğru daha etkili bir şekilde inşa edebilmesi için bu temeli güçlendirmeye yardımcı olabilir.

3. Çıktıları ve sonuçları daha net takip edin

Hayırsever çalışma tamamen etkiyle ilgilidir. Yürüttüğünüz programlar hedeflediğiniz sonuçları yaratıyor mu? Bütçeniz ne olursa olsun, bunu bilmiyorsanız, programınızın anlamlı bir fark yaratıp yaratmadığını bilemezsiniz.

Veri analitiği, çalışmanızın etkilerini daha doğru bir şekilde izlemenize yardımcı olabilir. Bir programa ayırdığınız kaynaklar, yarattığı kısa vadeli çıktılar ve elde edilen uzun vadeli sonuçlar arasında bağlantı kurabilirsiniz.

Örneğin, Wellcome Trust birçok araştırma ve klinik deneyi finanse ediyor. Ekipleri, hibelerinin akademik çıktılarını izlemek istedi. Başka bir deyişle, finanse ettikleri programlardan kaç tane akademik makale çıktığını bilmek istediler.

Wellcome Trust ekibi, veri bilimi tekniklerini kullanarak, finanse ettikleri programlarla ilgili araştırma makalelerini bir araya getirmek için otomatik bir ardışık düzen oluşturabildi. Daha sonra, hangi programların en fazla akademik çıktıya sahip olduğunu belirlemek için bu çalışmayı belirli hibelerle ilişkilendirebildiler.

Programlarınızı ve kuruluşunuz için en önemli olan çıktıları ve sonuçları düşünün. Nasıl bağlandıkları hakkında net, ayrıntılı veriler alıyor musunuz? Hangi programların sürekli olarak en iyi sonuçları ürettiğini biliyor musunuz? Sosyal fayda için veri biliminden yararlanmak, hepsinin nasıl bir araya geldiğine dair daha net bir resim elde etmenize yardımcı olabilir.

4. Finansmandaki boşlukları bulun

Verileri analiz etmek, hibe verenlerin fonlarındaki boşlukları belirlemelerine yardımcı olabilir. Belirli nüfusları yetersiz mi finanse ediyorsunuz? İşin bazı bileşenlerini gözden mi kaçırıyorsunuz? Verileri araştırmak, daha fazlasını yapmak için fırsatlar bulmanıza yardımcı olabilir.

Fon verenlerin topluluk çalışmasının daha kişisel veya daha duygusal hissettiren yönlerine odaklanması bazen kolaydır. İhtiyacı olan birine yardım sağlamak, bireysel düzeyde iyi hissettirir. Bununla birlikte, bu empatik tepki bazen kuruluşların programlarını nasıl oluşturduklarını çarpıtabilir. Sosyal etki çalışması, güçlü altyapıya dayanır. Bu daha az heyecan verici, ancak gerekli çerçeveleri desteklemek çoğu zaman kuruluşların çok daha fazlasını yapmasına izin verebilir.

Veri bilimini kullanarak portföyünüzdeki veya genel olarak hayırseverlik sektöründeki finansman boşluklarını belirleyebilirsiniz. Önleme ve altyapı çoğu zaman hak ettikleri ilgiyi görmez.

Örneğin, Wellcome Trust, portföylerini analiz etmek ve programlarında teknolojiyi ne sıklıkla finanse ettiklerini belirlemek için veri bilimini kullandı. Bu içgörüleri kullanarak, birçok araştırmacı için önemli bir araç olan yazılım altyapısı için daha fazla hibe finanse etmek için önceliklerini değiştirdiler.

5. Yeni bağlantılar kurun

Öznelerin ve kimliklerin örtüştüğü ve kesiştiği tüm yolları gözden kaçırmak kolaydır. Ancak bu içgörüler, programlarınızı nasıl tasarladığınız konusunda büyük bir fark yaratabilir.

Veri bilimini kullanarak, hibe verenler farklı konuları veya projeleri birbirine bağlama fırsatlarını belirleyebilir. Veri görselleştirme araçlarıyla, bağlantıların zaten var olduğu yerleri görebilir ve bağlantıların olması gereken ancak henüz olmayan yerleri bulabilirsiniz.

Bu kavşakları anlamazsak büyük sorunlara etkili çözümler üretmemiz zor olacaktır. Örneğin iklim değişikliğini ele alalım. İklim değişikliğinin etkileri, yoksulluk ve ırksal adaletsizliğin etkileriyle karmaşık şekillerde örtüşmekte ve kesişmektedir. Kuruluşunuz bunu dikkate almadan iklim değişikliğini ele almak istiyorsa, programlarınızın muhtemelen sınırlı bir etkisi olacaktır.

Bunun neye benzediğini görmek ister misiniz? Wellcome Trust, araştırma finansmanı için veri odaklı konuları çıkarmak için sinirbilim ekibiyle bir konu modelleme projesi yaptı. Metin belgelerini analiz etmek için veri bilimini kullanarak, konular arasındaki bağlantıları ve boşlukları görselleştirebilmek için bir harita oluşturdular.

6. Programınızı daha geniş bir alana yerleştirin

Birçok kuruluş ve kişi aynı sorunları çözmek için çalışıyor. Birleşmiş Milletler'in Sürdürülebilir Kalkınma Hedefleri gibi çerçeveler, çalışmanızın daha geniş kapsamlı değişim çabalarına nasıl uyduğu konusunda üst düzey bir anlayış sağlamaya yardımcı olabilir. Ancak size ihtiyacınız olan ayrıntıları vermez.

Programlarınızın daha büyük ölçekte ilerlemeye nasıl katkıda bulunduğunun net bir resmini elde etmek istiyorsunuz. İğneyi hareket ettirmeye yardım ediyor musun? Programlarınız diğer çabaları tekrarlıyor mu yoksa benzersiz bir rolü mü yerine getiriyorsunuz?

Veri bilimi, bu yanıtları almanıza yardımcı olabilir ve kaynaklarınızı dağıtırken daha stratejik olmanızı sağlayabilir.

Örneğin, Wellcome Trust, çalışmalarının COVID ile mücadeleye yönelik daha geniş çabalara nasıl uyduğunu değerlendirmek için API araması, web kazıma ve doğal dil işlemenin bir kombinasyonunu kullandı. Finanse ettikleri araştırmanın etkinliğini değerlendirmek için, araştırmadan devlet kurumlarının bilimsel kanıtlarında ne sıklıkta bahsedildiğini ve COVID ile ilgili genel literatürde kabul edildiğini ölçtüler. Bu onlara, destekledikleri programların daha geniş çabalarda bir rol oynayıp oynamadığı konusunda net bir fikir verdi.

7. Programın etkinliğini ve maliyetini değerlendirin

Hibe veren olmanın bir parçası, program maliyetini ve etkililiğini dengelemektir. Kaynaklarınızın görmek istediğiniz değişiklikleri yaptığını, aynı zamanda mümkün olduğunca verimli bir şekilde yaptıklarını bilmek istiyorsunuz.

Bahisler yüksek. Bazı alt satırdan veya hissedar temettülerinden bahsetmiyoruz. Program maliyetleriniz genellikle kaç kişiyi veya topluluk kuruluşunu destekleyebileceğinizi belirler.

Veri bilimi, hibe verenlere çıktıların ve sonuçların nasıl bağlantılı olduğuna ve bunların maliyetlerle nasıl karşılaştırıldığına dair daha derin bir analiz yapma yetkisi verir. Bu bilgilere sahip değilseniz, akıllı yatırımlar yapıp yapmadığınızı bilmek imkansızdır.

Örneğin, Etki Genomu finansal sağlığa odaklanır. Programların etkinliğini ve program maliyetlerinin ürettikleri sonuçlarla nasıl karşılaştırıldığını ölçmek için veri bilimini kullanırlar. Makine öğrenimini kullanarak, ABD'deki tüm kâr amacı gütmeyen kuruluşlar için 990 vergi kaydını değerlendirdiler. Buradan, bütçe boyutunu elde edilen sonuçlarla karşılaştırabilirler.

Tabii ki finansal sağlığı ele almak için pek çok farklı strateji ve program tasarımı var. Örneğin, birinin acil durum masraflarını karşılamasına veya finansal danışmanlık sağlamasına yardımcı olabilirsiniz. Bunların muhtemelen farklı maliyetleri ve sonuçları vardır.

Impact Genome ekibi, finansal sağlığı temsil eden sonuçları parçalamak ve ardından ilgili maliyetleri ortaya koymak için bir meta analiz yaptı.

Bu bilgilerin finansal sağlık alanında çalışan kar amacı gütmeyen kuruluşlar için ne kadar yararlı olabileceğini bir düşünün. Maliyetlerini ve sonuçlarını bu ortalamalarla karşılaştırabilirler. Daha iyi sonuçlar elde etmeden önemli ölçüde daha fazla mı harcıyorlar? Yoksa diğer kar amacı gütmeyen kuruluşlarla eşit mi? Bu, gelecekteki programlarını şekillendirirken sahip olunması gereken önemli bilgilerdir.

8. İnceleme sürecinizi otomatikleştirin

Çok sayıda uygulamayı gözden geçirmek isteyen hibe sağlayıcılar için veri bilimi yardımcı olabilir. Temiz veriler (yanlışlıkları ve tutarsızlıkları ortadan kaldırmak için işlenmiş ve biçimlendirilmiş veriler) adına, bazı kuruluşlar açık yanıtlı soruları çoktan seçmeli sorularla değiştirir. Bunu insanların gözden geçirmesi daha kolay olabilir, ancak başvuranın çalışmalarını kendi şartlarına göre açıklama yeteneğini elinizden aldığınızda çok şey kaybedilir.

Makine öğreniminden yararlanarak, bu açık yanıtlı soruları tutabilir ve uygulamaları manuel olarak incelemek için daha az zaman harcayabilirsiniz. Ayrıca daha az önyargılı ve daha tutarlı sonuçlar elde edebilirsiniz. Bu nasıl çalışıyor?

Submittable'ın Hızlandırılmış İnceleme özelliği, veri bilimini harekete geçirir. Submittable, makine öğrenimini kullanarak ekibiniz tarafından gerçekleştirilen incelemelere dayalı bir model oluşturur. Kısacası, tıpkı ekibinizin yaptığı gibi, uygulamaları incelemeye yardımcı olması için bilgisayarı eğitiyorsunuz.

Süreç nasıl görünüyor?

Ekibiniz yaklaşık 200 başvurudan oluşan bir örneği inceliyor. Model, gözden geçirenlerin başvuranları nasıl puanladığını ve derecelendirdiğini öğrenerek bu süreç etrafında inşa edilmiştir. Modeli tam olarak uygulamadan önce, küçük bir uygulama grubu üzerinde doğruluk açısından değerlendirilir. Gerekirse, model yeniden eğitilebilir.

İnceleme sürecinizi bu şekilde otomatikleştirmek, binlerce, hatta milyonlarca uygulamayı inanılmaz bir hızla ve inanılmaz bir doğrulukla gözden geçirebileceğiniz anlamına gelir. Bu, yorgunluğu ve insan hatasını büyük ölçüde azaltır. Basitçe söylemek gerekirse, otomatik inceleme, önemli bilgileri vurgulamaya yardımcı olmak için makine öğreniminden yararlanarak ekibinizin daha az personelle daha fazla iş yapmasını sağlar.

9. Hibe alanların üzerindeki yükü hafifletin

Genellikle hibe alanların üzerine binen idari yükün artan farkındalığıyla birlikte veri bilimi, hibe verenlerin yükü azaltma fırsatlarını aydınlatmak için inanılmaz bir araç olabilir.

Örneğin, Teknoloji Bağışçıları Derneği, rastgele bir hibe formunun diğer hibe formlarına %39 benzer olduğunu belirlemek için yakın zamanda makine öğrenimi ve benzerlik analizini kullandı.

Bu neden önemli?

Bu, birçok kuruluşun farklı hibelere başvurduklarında genellikle aynı işi tekrar tekrar yaptığı anlamına gelir. Ya fon sağlayıcılar, herkesin aynı bilgiyi aynı formatta istemesini sağlamak için hibe başvurularının bölümlerini standart hale getirseler mi? Bunun hibe alan kişilere ne kadar zaman kazandıracağını bir düşünün. %39!

İçgörüleri eyleme dönüştürmek

Veri bilimi, sahip olduğunuz bilgilerden içgörü ve yapı sağlamak için teknolojiyi kullanmakla ilgilidir. Ancak değişim yaratmak, insanların bu içgörüleri almasını ve eyleme dönüştürmesini gerektirecek.

Kendi kurum içi veri bilimi ekibinizi oluşturacak kaynaklara veya kapasiteye sahip olmayabilirsiniz. Sorun değil—Submittable sizi korudu. Her büyüklükteki kuruluşa yardımcı olmak için oluşturulmuş bir sosyal etki platformu olarak, bir veri bilimi ekibinin tüm avantajlarını maliyetin çok altında bir fiyata sunabiliriz. Bugün daha fazlasını öğrenin.