Big Data ist in aller Munde. Doch was steckt eigentlich dahinter? Jeden Tag erheben wir in unserem Berufsalltag oder während unseres Engagements Daten unserer Zielgruppe. Zugriffe auf Newsletter oder Website, Anmeldungen für Veranstaltungen – all das sind Daten, deren Auswertung gerade gemeinnützigen Organisationen spannende Einblicke in die Erfolge und Misserfolge ihrer Bemühungen geben kann. Doch wo anfangen? Data Science for Social Good haben uns in diesem Gastbeitrag einen kleinen Einblick gegeben, wie man das Potenzial der Daten für den guten Zweck nutzen kann.
Über Data Science for Social Good
Data Science for Social Good (DSSG) Berlin unterstützt soziale Organisationen bei ihrer Arbeit mithilfe von „Data Science“. Das heißt: Sie bringen Datenanalystinnen und -analysten mit gemeinnützigen Organisationen zusammen. Basierend auf den vorhandenen Daten gewinnen sie gemeinsam Erkenntnisse für die Arbeit der Organisation. Alle Daten werden von den Datenanalystinnen und -analysten vertraulich und gemäß den Datenschutzgesetzen behandelt.
Datenpotenziale für den guten Zweck
Der Hintergrund dieses Beitrags ist, dass uns immer wieder auffällt, dass soziale Organisationen zwar Begriffe wie „Künstliche Intelligenz“ (KI), „Big Data“ oder „Data Science“ kennen und schon einzelne Beispiele gesehen haben. Es fehlt ihnen aber oft an Orientierung, welches Potenzial in ihren Daten liegt und für welche Arten von Problemen Data-Science-Methoden geeignet sind. Darum haben wir die Vielzahl an Beispielen, die es bereits gibt, anhand der Problemarten kategorisiert. Im Folgenden sind einige wichtige Kategorien beschrieben und anhand von Beispielen illustriert.
ZIELGRUPPEN VERSTEHEN
Problem: Ihr möchtet verstehen, was die Zielgruppen eurer Programme oder Kampagnen auszeichnet, um diese besser erreichen zu können.
Lösung: Mithilfe verschiedener DataScience-Verfahren ist es möglich, genauere Erkenntnisse über die betroffenen Personengruppen zu gewinnen. Es lassen sich auch anhand relevanter Merkmale unterschiedliche Teilzielgruppen bilden. Das erlaubt eine gezieltere Ansprache und Abstimmung auf die Bedürfnisse unterschiedlicher Teile eurer Zielgruppe.
Beispiel: SchulePLUS, ein Projekt der Studio2B GmbH & SchulePLUS Forum gemeinnützige UG, fördert über die Vermittlung von Schülerpraktika die berufliche Orientierung von Jugendlichen. Freiwillige Datenanalystinnen und -analysten haben die Ergebnisse des von SchulePLUS angebotenen Stärkentests und die Google-Suchanfragen nach Praktika analysiert. In Kombination mit der Praktika-Datenbank ließ sich erkennen, in welchen Regionen und Berufsfeldern Angebot und Bedarf besser aufeinander abgestimmt werden können.
AUTOMATISIERUNG VON MANUELLEN PROZESSEN
Problem: Eure Organisation verbringt viel Zeit mit der wiederkehrenden Verarbeitung von Daten, Informationen oder Dokumenten.
Lösung: Wiederkehrende daten- und dokumentenverarbeitende Arbeitsschritte lassen sich teilweise mit für diesen Zweck entwickelten Programmen automatisieren, oft auf Basis von maschinellem Lernen bzw. künstlicher Intelligenz. Das spart Arbeitszeit und ermöglicht die Skalierung von Hilfsangeboten.
Beispiel: Die Deutsche Krebsgesellschaft erfasst und analysiert systematisch wissenschaftliche Artikel aus dem Bereich der Onkologie. Datenanalystinnen und -analysten haben ein Modell zur Textklassifizierung entwickelt, welches neu erschienene Artikel automatisch nach Krebsart und Fokus (beispielsweise Diagnose, Behandlung) kategorisieren kann. So war es der Deutschen Krebsgesellschaft möglich, einen aufwendigen Schritt ihrer Recherchearbeiten zu einem Teil zu automatisieren.
BEDARFSANALYSE/ -VORHERSAGE
Problem: Ihr könnt den Bedarf oder Umfang eurer Zielgruppe nicht direkt bestimmen.
Lösung: Datenanalystinnen und -analysten können aus alternativen Datenquellen Datensätze erstellen, die stark mit den Eigenschaften der Zielgruppe korrelieren. Über statistische Modelle ist es möglich, vorherzusagen, wie der Bedarf innerhalb einer Personengruppe, Region etc. rechnerisch sein müsste.
Beispiel: Die Non-Profit-Organisation GiveDirectly mit Sitz in New York City (USA) benötigte Informationen über Armutsverhältnisse in Kenia. Es gab jedoch keine amtlichen Statistiken. Datenanalystinnen und -analysten haben geholfen, ein System zu erstellen, das den Typ des Hausdaches auf Satellitenbildern erkennt und einem ungefähren Einkommen zuordnet, sodass die Armutsverhältnisse automatisch geschätzt werden konnten.
WIRKUNGSANALYSE
Problem: Ihr wollt herausfinden, ob euer Programm, Projekt oder Kampagne die gewünschte Wirkung erzielt.
Lösung: Datenanalystinnen und -analysten können anhand vorhandener Datensätze statistische Analysen durchführen und auf dieser Basis die Wirkung einschätzen und visualisieren. Sie können auch beraten, welche zusätzlichen Datensätze für die Untersuchung verwendet werden sollten, falls Daten über die Zielgrößen nicht verfügbar sind.
Beispiel: Jambo Bukoba e.V. engagiert sich für bessere Bildung, Gesundheit und Gleichberechtigung in Tansania. Durch eine Evaluation der Wirkung seiner Arbeit durch freiwillige Datenanalystinnen und -analysten konnte gezeigt werden, dass sich das sportliche Förderprogramm von Jambo Bukoba auch in verbesserten schulischen Leistungen an den teilnehmenden Schulen niederschlägt, insbesondere bei Mädchen. Die statistische Analyse kombinierte interne Daten über die durchgeführten Workshops und externe Daten zu schulischen Leistungen der Schülerinnen und Schüler in Tansania.
FRÜHWARNSYSTEME
Problem: Ihr wollt herausfinden, warum Leistungsempfänger oder Freiwillige ein Programm unerwartet verlassen.
Lösung: Data Science hilft, Muster im Verhalten der Personen, die das Programm verlassen haben, zu erkennen. Das ermöglicht es, auf die betroffenen Personen gezielter einzugehen, um diesem Trend frühzeitig entgegenzuwirken.
Beispiel: Die NGO DC Central Kitchen in Washington, D.C. (USA) bietet u.a. Fortbildungen für sozial schwache Bürgerinnen und Bürger an. Durch die Analyse ihrer Daten konnte aufgedeckt werden, dass Teilnehmende oft kurz vor Ende des Trainings aus dem Programm ausscheiden. Weitere Analysen zeigten, dass Teilnehmende mit bestimmten Eigenschaften mit höherer Wahrscheinlichkeit aufgeben. Darauf aufbauend konnte die Organisation gezielte Interventionen entwerfen und ausprobieren.
Mehr über Data Science for Social Good
Data Science bietet für zivilgesellschaftliche Organisationen viel Potenzial – das bis dato leider oft ungenutzt bleibt. Deshalb unterstützen wir als Data Science for Social Good Berlin seit 2015 gemeinnützige Organisationen dabei, Daten wirksamer für ihre Arbeit zu nutzen. Dazu organisieren wir Veranstaltungen wie Datensprechstunden und Hackathons, die gemeinnützige Organisationen sowie Datenanalystinnen und -analysten auf Pro-bono-Basis zusammenbringen.
Wenn ihr mehr darüber erfahren möchtet, wie Data Science euch in eurer Arbeit unterstützen kann, setzt euch gerne mit uns in Verbindung!
Mehr unter: https://dssg-berlin.org/
Dieser Text ist in dem E-Book „Digitalisierung – vom Buzzword zur zivilgesellschaftlichen Praxis“ erschienen.
Das E-Book ist eine Orientierungshilfe, die das Großthema herunter bricht und konkrete Vorschläge macht, wie das Thema Digitalisierung angegangen werden kann. Schlagworte werden erklärt und mit Praxisbeispielen illustriert. Zahlreiche Tipps sollen zudem dazu inspirieren, sich aktiv in die Debatte um den digitalen Wandel einzuschalten.
Lizenz: CC BY-SA 3.0 de, Herausgeber: Stiftung Bürgermut
Hier geht es zum Download des barrierefreien PDFs.
gefördert durch 