مروری بر حکمرانی کلان داده در نهادهای غیرانتفاعی
سید علیرضا نیکبخت
*نویسنده مسئول مکاتبات: alireza.nik@gmail.com

چکیده:
در دوره ای زندگی می کنیم که با توجه به افزایش روز افزون حجم اطلاعات و داده‌ها، کلان داده و به طبع آن علم داده به عنوان یکی از مهمترین منابع و ابزارهای تحلیل و برنامه‌ریزی در سطوح مختلف سازمانی و اجتماعی نقشی کلیدی ایفا می نمایند. امروزه در بخش های حاکمیتی و اقتصادی کشور شاهد زمزمه‌هایی در راستای ترویج و بکارگیری علم داده هستیم که با رونق و شکوفایی کسب و کارهای اجتماعی و بخش سوم، به تدریج شاهد ورود این تحول در چنین سازمان‌هایی که شواهد اثربخشی خود را دنبال می‌نمایند، نیز خواهیم بود.
در جستار پیش رو ضمن مرور مقدماتی مفاهیم مرتبط با کلان داده، به راهبردهای تنظیم‌گری نهادی در حکمرانی داده اشاراتی خواهد شد؛ با این سوال مشخص که سازمان‌های غیرانتفاعی چگونه می‌توانند با کاربست بینش‌های داده محور، دستیابی به اهداف و برنامه‌هایشان را تسهیل و کارایی و اثربخشی سازمانی را به حداکثر برسانند و با استفاده از ابزارهای تحلیل‌داده برای خیر عمومی جامعه اقدام نمایند؟
حکمرانی کلان داده در نهادهای غیرانتفاعی در سه محور :1. پویش‌های جذب سرمایه و بازاریابی مبتنی بر داده؛ 2.نظارت، پیش‌بینی و کارآمدسازی فعالیت‌های غیر انتفاعی؛ و 3. پردازش زبان‌های طبیعی(NLP) برای بررسی رفتار کاربران شبکه‌های اجتماعی و رسانه‌ها) با ذکر تجاربی از نهادهای مردمی چند کشور پیشرو مورد بررسی قرار گرفته و “داد‌ه برای کنش” و “داده برای تأثیر” به عنوان دو روی سکه این جریان شرح داده خواهد شد.
کلمات کلیدی:
کلان داده؛ حکمرانی داده محور؛ کارآمدسازی نهادی؛ داده برای کنش؛ داده برای تاثیر.

مقدمه
داده یا قطعه‌هایی از اطلاعات، از گذشته به تناسب امکانات موجود جمع‌آوری و استفاده می‌شدند. آن‌چه اخیراً دستخوش تغییر شده است، به وقوع پیشرفت‌ها در تکنولوژی دیجیتال برمی‌گردد که به‌ شکل قابل ملاحظه‌ای توانایی ما را در جمع‌آوری، ذخیره و تحلیل داده افزایش داده است و به تبع آن “کلان داده” متولد شده است. (مانوویچ، 2011، 460). اندازه مجموعه داده بسته به سطح ظرفیت سازمان‌ها متفاوت و متغیر است؛ و کلان داده می‌تواند به مجموعه داده‌هایی اشاره داشته باشد که اندازه آن‌ها از نظر مرتبه و بزرگی متفاوت است. با رشد چشمگیر فناوری اطلاعات، انتظار می‌رود که با گذشت زمان، ابزارهای جمع-آوری و ذخیره سازی داده نیز توسعه یابند.
کلان داده‌ اصطلاحی است که به‌طور گسترده جهت توصیف رشد نماییِ داده‌هایی که از تلفن‌های همراه، ماهواره‌ها، سنسورهای موجود در زمین، وسایل نقلیه، رسانه‌های اجتماعی و دیگر منابع به‌دست می‌آیند، استفاده می‌شود. عبارت کلان داده همچنین ظهور فناوری‌ها و الگوریتم‌های محاسباتی را توضیح می‌دهد که کلان داده را در راستای کسبِ بینش‌های ارزشمند مهار می‌کنند. در بخش عمومی، کلان داده معمولا به استفاده از منابع داده غیر سنتی و نوآوری‌های داده جهت پاسخگوتر و موثرتر ساختن راه‌حل‌های سازمانی اشاره دارد.
به نظر هاکلر و ساکستون مشتریان اصلی کلان داده، شرکتها و کسب و کارهای تجاری محسوب می‌شوند به‌گونه‌ای که در جهت افزایش بهروری مالی از کلان داده بهره‌ی بسیاری می‌برند و ادبیات مربوط به کلان داده به سمت استفاده در بخش خصوصی معطوف شده است (هاکلر و ساکستون، 2007، 22). تحلیل کلان داده نه تنها به شکل موفقیت آمیزی در حوزه‌های تجاری استفاده می‌شود بلکه به‌کارگیری آن در موضوع دیگر به طور فزاینده‌ای در حال گسترش است. با این حال بسیاری از سازمان‌های غیرانتفاعی برای افزایش توانایی‌ها و قابلیت‌های خود در تحلیل داده با محدودیت‌های مختلفی مواجه هستند. برخلاف سرمایه‌داران جسور و ریسک‌پذیر، سرمایه‌گذاران عمومی و دولتی تمایلی به کمک به چنین سازمان‌هایی را در بهبود زیرساخت‌های فناوری خود ندارند (الکدمنی، 2012، 279).
امروزه چنین به نظر می‌رسد که افراد زیادی در بخش اجتماعی در حال بحث در مورد چگونگی استفاده از داده برای ارائه کالاهای اجتماعی هستند. در سال‌های آینده بدون شک شاهد رشد مداوم سازمان‌های غیرانتفاعی داده محور و کسب و کارهای اجتماعی خواهیم بود که در محیطی فعالیت می‌کنند که به‌طور فزاینده، شواهد اثرگذاری را جستجو می‌کنند.
برخلاف بخش انتفاعی، که معیارهای آن ساده و متمرکز بر سود است، بخش اجتماعی به چندین ذینفع جامعه‌ای که به آن خدمت می‌کند، از جمله کارکنان، اهدا‌کنندگان و سیاست‌گذاران گزارش می‌دهد. علی‌رغم وجود چالش‌هایی که در مدیریت موثر داده در سازمان‌های غیرانتفاعی و کسب و کارهای اجتماعی. وجود دارد، اما ضرورت وجود داده بر کسی پوشیده نیست. با پیشرفت مداوم تکونولوژی شاهد کاهش هزینه سخت افزاری و نرم افزاری هستیم که جمع‌آوری و تحلیل داده را نسبت به گذشته بسیار ارزان‌تر و راحت‌تر می‌کند. به کمک داده می‌توان باعث تقویت عوامل موثر در تغییر اجتماعی شد و راه حل‌های موثرتری را برای پشتیبانی از برنامه‌ها و پروژه‌های غیرانتفاعی ارائه کرد.
نهادهای مدنی به عنوان یک بخش مستقل، باید از داده جهت پاسخگویی به نیازهای روزمره، برای مدیریت بهتر تیم‌های خود و بهبود کارایی خود استفاده نمایند. این همان چیزی است که می‌توان آن را “داده برای عمل” (استفاده از داده در راستای عمل و اقدام) نامید. در عین حال، بخش اجتماعی برای اثبات این که مداخلاتش منجر به تغییر پایدار می‌شوند، نیاز به استفاده از داده دارد. این برای اهداکنندگان، سیاست‌گذاران و رهبران بخش اجتماعی بسیار حیاتی است. این را می‌توان “داده برای تأثیر” (استفاده از داده در راستای تاثیرگذاری) نامگذاری نمود.
قدرت واقعی داده زمانی شکوفا خواهد شد که یاد بگیریم چگونه این دو رویکرد را بصورت یکپارچه به هم پیوند دهیم؛ چرا که داده برای عمل و داده برای تأثیر دو روی یک سکه هستند. اگر نهادی بتواند زیرساخت لازم برای جمع‌آوری داده مورد نیاز جهت بهبود برنامه‌های خود را ایجاد کند، اولین گام اساسی در جهت ارائه شواهدی از هدف نهایی اجتماعی خود، یعنی تأثیر پایدار، را برداشته است.
لازمه تبدیل شدن به یک سازمان داده محور، صرفا ایجاد زیرساخت‌های فنی و تکنولوژیکی نیست. این امر مستلزم ایجاد اصلاحات اساسی در فرهنگ سازمانی، هم برای سازمان‌های غیرانتفاعی و کسب و کارهای اجتماعی و هم برای اهداکنندگان، سازمان‌های دولتی و سرمایه‌گذاران است.

کلان داده و سازمان‌های غیرانتفاعی
امروزه کلان داده به مجموعه داده‌هایی اطلاق می‌شود که فراتر از فضای ذخیره سازی منفرد گسترش یافته است و انبار داده یا پایگاه داده نامیده می‌شود. کلان داده آن‌قدر بزرگ و پیچیده هستند که پردازش آن‌ها با ابزارهای سنتی پردازش و مدیریت پایگاه داده غیرممکن است.
کلان داده می‌تواند شامل اطلاعاتی نظیر: تراکش‌های اقتصادی، معاملات، رسانه‌های اجتماعی، محتواهای سازمانی (ترکیبی پویا از راهبردها، روش‌ها و ابزار جهت ضبط، مدیریت، ذخیره، نگهداری و ارائه‌ی اطلاعات از فرایندهای کلیدی یک سازمان) ، حسگرها و ابزارهای موبایل باشد.
کلان داده اغلب دارای حداقل سه بعد مشخص است: حجم، که میزان داده‌های تولید و جمع‌اوری شده است و براساس بایت اندازه‌گیری می‌شود؛ سرعت ذخیره سازی و بازیابی و تحلیل داده ؛ و تنوع گسترده در نوع و ساختارداده (کیتچین، 2014) آستانه و یا معیار دقیق و مشخصی وجود ندارد که تعیین نماید یک مجموعه داده چه زمانی به کلان داده تبدیل می‌شود، خصوصا آنکه با تغییر فناوری اینگونه معیارها نیز تغییر می‌کنند. اما عموما چنین گفته می‌شود که حجم کلان داده باید به قدری زیاد باشد که با واحدهای ترابایت یا پتابایت داده اندازه‌گیری شود(فینلی، 2014)
فرایند تحلیل داده بخشی از زمینه گسترده‌تری است که تحت عنوان “کشف دانش در داده” یا KDD شناخته می‌شود، که اغلب به چندین مرحله تقسیم می‌شود، از جمله: (1) جمع‌آوری (2) تمیزسازی؛ (3) داده‌کاوی؛ و (4) تفسیر نتایج(مایر، 2019) انجام این مراحل نیز به روش‌های از جمله “یادگیری ماشین ” متکی هستند، که “یک تخصص در علم داده است که به طراحی و توسعه الگوریتم‌هایی مربوط می‌شود که به کشف و پیش بینی رفتارهای مبتنی بر داده تجربی می‌پردازد.

کاربرد کلان داده در امور عام المنفعه
تحلیل داده از دو طریق عمده به موسسات خیریه کمک می‌کند: دسترسی به افراد برای جذب هدایا و کمک‌های مالی، و همچنین شناسایی بهترین روش استفاده از پول. ماهیت تبلیغات و جذب منابع و داوطلب در سال‌های اخیر با شکوفایی عصر دیجیتال و ظهور رسانه‌های اجتماعی برای بسیاری از سازمان‌های غیرانتفاعی به شیوه چشمگیری تغییر کرده است، بدین معنا که اکنون آن‌ها عمدتا به صورت آنلاین چنین کارهایی را انجام می‌دهند. این امر فرصت‌های جدیدی را به‌وجود می‌آورد تا با نگاهی به داده تولید شده در این بستر بتوان به تصمیم‌گیرندگان در سازمان‌های غیرانتفاعی کمک کرد تا بهترین بهره را از این کمپین‌ها یا جنبش نوین ببرند. به عنوان مثال زمانی که سازمان‌های غیرانتفاعی در شبکه‌های اجتماعی فعالیت می‌کنند می‌توانند از طریق جمع‌آوری و تحلیل داده‌های بدون ساختار اینستاگرام، توییتر یا فیس‌بوکِ خود نحوه دسترسی به یک کمپین جمع‌آوری پول (جذب سرمایه) را تعیین نمایند، یا احساسات کاربران را متوجه شوند و نحوه درگیر کردن آن‌ها با برنامه‌های خود را تشخیص دهند. این کار با استفاده از پردازش زبان طبیعی (NLP) انجام می‌شود، فناوری‌ای که از داده بدون ساختار مانند متنِ نوشته شده، دانش و فهم مناسبی را کسب می‌کند و از طریق آن رفتار کاربران را که در مورد مسائل مربوط، پست می‌گذارند (محتوایی را منتشر می‌کنند)، کاوش می‌نماید. علاوه بر آن تحلیل احساسات می‌تواند با توجه به معیارهایی مانند پسندیدن (لایک‌ها) و اشتراک‌گذاری (شِیر کردن‌ها) و همچنین استفاده مجدد از NLP برای تحلیل پیام‌ها و پست‌ها و کامنت‌های منتشر شده توسط افراد، تأثیرگذاری یک پویش(کمپین) را تضمین نماید.
می‌توان از داده در راستای توسعه خدمات شخصی‌سازی شده برای مخاطبین سازمان غیرانتفاعی استفاده نمود – که این امر نه تنها در جذب اهداکنندگان برای اولین بار، بلکه در حفظ آن‌ها نیز حیاتی است. از داده می‌توان برای پاداش دادن به رفتارها و تشویق اهداکنندگان دائمی، و همچنین ترغیب و تحریک کمک‌های مالی بیشتر استفاده نمود. به عنوان مثال دیگر آن رویکرد سنتیِ ارسال یادداشت‌های تشکر عمومی کافی نیستند، و دسته بندی هوشمند اهدا‌کنندگان و ارائه هدایا یا خدمات اختصاصی بر اساس ویژگی‌های آن‌ها و می‌تواند به جلب توجه مردم به سازمان‌ها کمک کند.
سازمان‌های غیرانتفاعی می‌توانند با استفاده از بینش‌های داده محور برای دستیابی به رویکردهای بهتر نسبت به اهداف و برنامه‌ها، کارایی و اثربخشی تلاش‌های سازمانی را به حداکثر برسانند. سازمان‌های غیرانتفاعی با استفاده از بینش‌هایی که از علم داده به‌دست می‌آید، می‌توانند اهداف و برنامه‌های خود را ترسیم کنند، و از تحلیل داده برای تولید بینشی مناسب استفاده کنند تا کارآیی سازمان خود به اهداکنندگان نشان دهند، همچنین آن را در راستای مشروعیت بخشیدن به تأمین بودجه فعلی، و همچنین جذب اهدا کنندگان جدید بکارگیرند، بدین صورت که بر اساس رفتار کاربران در شبکه‌های اجتماعی و استخراج ویژگی‌های آن‌ها اهداکنندگان و داوطلبان بالقوه خود را شناسایی و جذب نمایند.

چگونه سازمان‌های غیرانتفاعی از علم داده استفاده می‌کنند؟
1.کمپین‌های جذب سرمایه و بازاریابی مبتنی بر داده
سازمان‌های غیرانتفاعی می‌توانند به سه روش اصلی از علم داده استفاده کنند: بازاریابی و جمع‌آوری کمک‌های مالی، نظارت و اجرای فعالیت‌های خاص و ساده و موثرسازی وجوه. بینش‌هایی که می‌توان از کلان داده و تحلیل داده برای جذب و جمع‌آوری کمک‌های مالی کسب نمود، شامل توسعه مدل‌های آماری برای بهینه‌سازی جمع‌آوری کمک‌های مالی؛ شناسایی و طبقه‌بندی اهداکنندگان در راستای تلاش‌های هدفمند در جمع‌آوری کمک‌های مالی؛ و روشن ساختن و شناساندنِ ارزش کار سازمان‌های غیرانتفاعی به اهداکنندگان می‌شوند. عفو بین‌الملل به عنوان یک سازمان جهانی با بیش از هفت میلیون عضو که در راستای بهبود حقوق بشر فعالیت می‌کنند، اخیرا از روش‌های تحلیل داده برای بررسی الگوهای رفتاری در میان اهدا‌کنندگان، سفارشی‌سازی بهتر پیام‌ها به اهدا کنندگان احتمالی و تعیین اثربخشی کمپین‌های جمع‌آوری کمک‌های مالی استفاده کرده است.
شعبه بلژیک سازمان عفو بین‌الملل اخیرا از طریق پلت‌فرم تحلیل داده راپید ماینر (RapidMiner) جهت مدرن‌سازی قابلیت‌های گزارش‌دهی و تحلیل استفاده کرده است. عفو بین‌الملل به منظور مدیریت روابط و تعاملات شرکت و بهبود روابط تجاری، نرم‌افزار راپید ماینر را با مدیریت ارتباط با مشتری (CRM) ادغام کرده است. مدیریت ارتباط با مشتری (CRM) برای بهبود درآمد طراحی شده است، و به‌طور معمول توسط شرکت‌های تجاری، آن هم برای افزایش سود استفاده می‌شود، اما می‌تواند در جذب سرمایه برای سازمان‌های غیرانتفاعی نیز نقش موثری داشته باشد.
2.نظارت، اجرا، پیش‌بینی و ساده‌سازی فعالیت‌های غیرانتفاعی
هم شرکت‌های انتفاعی و هم شرکت‌های غیرانتفاعی می‌توانند از کلان داده برای افزایش درآمد سازمان خود استفاده کنند – در مورد سازمان‌های غیرانتفاعی، این کلان داده به جای بهبود سود خالص، به تأمین هزینه‌های عملیاتی کمک می‌کنند. نکته دیگری که سازمان‌های غیرانتفاعی را از سازمان‌های انتفاعی متمایز می‌کند، نوع کاری است که سازمان‌های غیرانتفاعی به آن مشغول هستند. کلان داده همان‌طور که به شرکت‌ها در بهبود فعالیت‌های روزمره خود کمک کرده است، می‌تواند به سازمان‌های غیرانتفاعی در بهبود نظارت و اجرای تلاش‌های سازمانی کمک کند.
کلان داده می‌توانند به شرکت‌ها کمک کنند تا اثربخشی تلاش‌های خود را به‌درستی اندازه بگیرند و اقدامات آینده را به‌صورت متناسبی هماهنگ نمایند. به عنوان مثال، بانک‌های مواد غذایی می‌توانند از کلان داده برای تعیین نیاز به غذا و شناسایی اهداکنندگانی استفاده کنند که می‌توانند این نیاز را در مواقع تقاضای زیاد مانند بلایای طبیعی یا سایر حوادث مخرب برآورده نمایند. بسیاری از سازمان‌های غیرانتفاعی از طریق پلت‌فرم‌های تحت وب کار می‌کنند، مانند آکادمی غیرانتفاعی آموزشی خان ، این بدان معنی است که انبوهی از داده از کاربران بازدید‌کننده از سایت، بارگیری محتوا، تماشای فیلم و غیره تولید می‌شوند. تحلیل داده، به‌ویژه در زمینه‌های مبتنی بر وب و اپلیکیشن، برای کمک به ایجاد محبوبیت بیشتر در میان کاربران و افزایش تعامل آن‌ها و کمک به تعیین استراتژی محتوای آینده، بسیار قدرتمند است.
3.پردازش زبان‌های طبیعی برای بررسی عادات رسانه‌های اجتماعی
می‌توان از پردازش زبان‌های طبیعی (NLP) برای تحلیل رفتارهای رسانه‌ها و شبکه‌های اجتماعی و توسعه استراتژی‌های بهتر بازاریابی و جذب سرمایه (کمک‌های مالی) استفاده نمود. کلان داده همانند نقشی که در دنیای شرکت‌ها داشته‌، برای تصمیم‌گیری در سازمان‌های غیرانتفاعی نیز کلیدی است. دو کاربرد اصلی کلان داده در سازمان‌های غیرانتفاعی ترویج و ارتقای جذب سرمایه موثر و شناسایی موثرترین و کارآمدترین استفاده از وجوه (جمع‌آوری شده) است. می‌توان از منابع آنلاین در عصر دیجیتال جهت قدرت بخشیدن به تصمیم‌گیری از طریق کلان داده استفاده نمود.
از داده ساختار نیافته پلت‌فرم‌های رسانه‌های اجتماعی می‌توان برای جمع‌آوری کمک‌های مالی و همچنین توصیف و شناسایی مخاطبان استفاده نمود. پردازش زبان‌های طبیعی را می‌توان برای تحلیل متن پست‌های شبکه‌های اجتماعی جهت درک چگونگی نگرش نسبت به یک مسئله یا موضوع و صحبت در مورد آن مورد استفاده قرار داد. که می‌تواند در راستای ساختار بخشیدن به کمپین‌های جمع‌آوری کمک‌های مالی مفید واقع شود. همچنین می‌توان از تحلیل داده برای ایجاد کمپین‌های بازاریابی هدفمند برای گروه‌های جمعیتی خاص استفاده نمود، به عنوان مثال، با تحلیل محتوای منتشر شده در شبکه‌های اجتماعی توسط کاربران، می‌توان زیر گروهی از کاربران را شناسایی کرد که با توجه به توییت و یا پستهایی که منتشر کرده‌اند ممکن است بیشتر به اهداف غیرانتفاعی علاقه‌مند باشند.
سازمان‌های غیرانتفاعی باید جهت پیشبرد ماموریت‌های خود، استفاده از کلان داده را مورد توجه قرار دهند و برای استفاده بهینه از منابع محدود خود باید از داده موجود به‌طور موثر استفاده کنند. آن‌ها به این امر که چه داده‌ای در دسترس است و چطور می‌توان از آن برای تولید بینش استفاده نمود، آگاهی دارند. تصمیم‌گیری مبتنی بر داده باعث افزایش شفافیت می‌شود، به سازمان‌ها کمک می‌کند تا در مورد استفاده از بودجه فکر کنند. می‌توان از داده برای درک مخاطبان اهداکننده بالقوه، بدست آوردن بینش در مورد شرایط و زمینه‌های خاص و کمک به تعیین نحوه پیشرفت و توسعه رویکرد سازمان غیرانتفاعی از نظر اثربخشی استفاده نمود.

نگاهی به تجارب کشورها
کمک به افراد بی خانمان، مبارزه با قاچاق انسان، بهبود نرخ قبول و پذیرش حیوانات در یک پناهگاه، کاهش آلودگی و انتشار گازهای گلخانه‌ای از شهرها، کمک به ساکنان یک منطقه با پیش‌بینی این که چه زمانی تاسیسات ساختمانی آن‌ها به سرویس نیاز دارند. این‌ها برخی از روش‌هایی هستند که در آن‌ها داده‌ها و تحلیل‌ها، همه در راستای خیر عموم، برای نجات جان انسان‌ها، بهبود جهان یا صرفا یافتن یک انسان مناسب برای نگهداری یک حیوان آسیب دیده، مورد استفاده قرار گرفته است.
آژانس درآمد کانادا برای تحلیل پایگاه داده غیرانتفاعی خود، شروع به استفاده از روش‌های کلان داده کرده است. از سال 2013، این آژانس تمام مجموعه داده خود از سال 2000 به بعد را از طریق پورتال داده دولت در دسترس عموم قرار داده است(مک‌مورن، 2016) مجمع خیریه برای انگلیس و ولز بطور مشابه توانایی دسترسی به داده‌های ثبت موسسات خیریه را برای عموم مردم امکان‌پذیر ساخته است(وب سایت کمیسون، 2019) مجمع خیریه‌ها و موسسات غیرانتفاعی استرالیا نیز اطلاعات ارسالی توسط موسسات خیریه در آن کشور را در پایگاه اطلاعاتی خود در سال 2015 در دسترس قرار داده است(وب سایت کمیسون، 2017)
آژانس خدمات نیکوکاری نیوزلند یک موتور جستجوی قوی با امکان دسترسی گسترده مراجعه کنندگان به داده‌های موجوددر وب‌سایت خود را فراهم کرده و تنظیم‌کنندگان امور خیریه در ایرلند و اسکاتلند علاوه بر این خدمت، امکان دسترسی آنلاین و عمومی به شعبه‌های خیریه خود را فراهم می‌کنند. در ایرلند، یک شریک خصوصی پیش قدم شده است تا یک پایگاه اطلاعاتی قابل دسترس عموم از اطلاعات سازمان‌های غیرانتفاعی در آن کشور را، مشابه آنچه در ایالات متحده اتفاق افتاده است، ایجاد کند(مایر ، 2019)

سخن پایانی
در ایالات متحده و نقاط دیگری از دنیا نیز، نهادهای نظارتی دولتی و اشخاص خصوصی ذینفع به استفاده از کلان داده روی آورده‌اند تا نظارت و درک بهتری از سازمان‌های غیرانتفاعی حاصل نمایند. یکی از مزایای اتخاذ رویکرد کلان داده، توانایی بهره بردن از یک اندیشه قابل توجه در مورد این امر است که چگونه چنین رویکردی می‌تواند به بهترین وجه نظارت را افزایش دهد و این که چنین رویکردی چه ریسک‌هایی را می‌تواند در پی داشته باشد. البته سازمان‌های غیرانتفاعی باید به این امر توجه داشته باشند که ممکن است کلان داده منجر به ورود به حریم خصوصی نیز شود، و در این راستا ملاحظات اخلاقی و قانونی برای پیشگیری از آن را درنظر بگیرند، و در مقابل وسوسه‌هایی بایستند که با هدف افزایش قدرت خود، فراتر از مجوزهای قانونی و با نقض محدودیت‌های قانونی، داده‌های موجود را در دسترس دیگر نهادهای حاکمیتی قرار دهند. بنابراین، سازمان‌ها باید رویه‌هایی برای شناسایی و مقابله با چنین امکان‌هایی را ایجاد کنند.
به‌کارگیری تحلیل کلان داده می‌تواند به تنظیم‌گران و ناظران حاکمیتی این امکان را دهد تا منابع محدود خود را به شیوه‌ای بسیار کارآمدتر برای سازمان‌های غیرانتفاعی به‌کار گیرند و نقش نظارتی خود را به شیوه موثرتری انجام دهند، که این امر با توجه به محدودیت منابع در طولانی مدت بسیار مورد نیاز است.

منابع:
Al-Kodmany, K. (2012). Utilizing GIS in nonprofit organizations for urban planning applications: experiences from the field.
Discover Data Science. (2020). Data Science for Nonprofits. https://www.discoverdatascience.org /social-good/nonprofits/
Finlay, S. (2014). Predictive analytics, data mining and big data: Myths, misconceptions and methods. Springer.
Hackler, D., & Saxton, G. D. (2007). The strategic use of information technology by nonprofit organizations: Increasing capacity and untapped potential. Public administration review, 67(3), 474-487.
Kitchin, R. (2014). The data revolution: Big data, open data, data infrastructures and their consequences. Sage.
Manovich, L. (2011). Trending: The promises and the challenges of big social data. Debates in the digital humanities, 2(1), 460-475.
Mayer, L. H. (2019). The Promises and Perils of Using Big Data to Regulate Nonprofits. Wash. L. Rev., 94, 1281.
Mcmurren, J. (2016). Open Data’s Impact: Opening Canada’s T3010 Charity Information Return Data: Accountability Of Charities Through Open Data 3. http://odimpact.org/case-opening-canadas-t3010-charity-information-return-data.html
New Charity Data Available on Data.gov.au, AUSTRALIAN CHARITIES AND NOT-FORPROFITS COMMISSION: NEWS (Jan. 17, 2017), https://www.acnc.gov.au/media/news/new-charitydata- available-datagovau
Registered Charities in England and Wales: Data for Registered and Removed Charities in England and Wales, CHARITY COMMISSION, http://data.charitycommission.gov.uk/datadefinition.aspx

0 پاسخ

دیدگاه خود را ثبت کنید

تمایل دارید در گفتگوها شرکت کنید؟
در گفتگو ها شرکت کنید.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *