¿Cómo pueden las tecnologías de Big Data mejorar la inversión de impacto social?

La pregunta que hago es cómo se puede interrumpir positivamente el trabajo de impacto social y eliminar sus deficiencias.
Una prueba sólida de eficiencia es convincente y crea responsabilidad. Personalmente, no estoy inspirado para donar o invertir en programas que tienen administradores fatcat donde una aspersión del efectivo va a los objetivos anunciados. The Gates, Zuckerbergs y Buffetts del mundo hacen su tarea para obtener una prueba sólida de eficiencia. ¿Qué pasa con el resto de nosotros? ¿Cómo se puede ejecutar esa confianza y facilidad?
A nadie le gusta que lo responsabilicen abiertamente. Este es un inversor, educador y científico hablando. La gran transparencia y la gran verdad pueden arrojar luz y crear esa confianza en los inversores, así como ayudar a los beneficiarios.
Hay muchos problemas con los programas de impacto. Al igual que las organizaciones benéficas, pueden y deben estar bajo mucho escrutinio. Desearía saber a dónde va su dinero cuando invierte en un proyecto. El problema es probar que el dinero está haciendo lo que se supone que debe hacer. Por lo tanto, un objetivo podría ser explotar las operaciones y demostrar la integridad de los reclamos junto con la transparencia.
Algunos de los mayores problemas con cualquier tipo de trabajo de impacto se refieren a la transparencia financiera, la sostenibilidad, el uso del capital, la utilidad y los indicadores de desempeño relevantes que miden el retorno de la inversión. Utilizo la palabra relevante porque el impacto se define de acuerdo con el proyecto.
Consideremos un ejemplo de juguete para ilustrar: los resultados finales de un programa educativo serían la cantidad de personas que alcanzan cierto estándar. Una forma de llegar allí es construir un sistema recursivo de formación de maestros. Esto es más sostenible que solo enseñar a las personas directamente.
¿Cómo se puede medir esto? Quizás redes de sensores que miden el tráfico humano, sensores que extraen sonidos y deducen el nivel de vocabulario, aprovechando los sistemas de punto de venta y observando los patrones de uso de electricidad. Estos pueden estar potencialmente relacionados con el nivel educativo (modelar esta es la porción de análisis). ¿Qué otras variables proxy potenciales estarían relacionadas con el crecimiento exponencial en el rendimiento educativo en una población? ¿Qué datos de capacitación y verificación serían válidos aquí? Preguntas interesantes que deben resolverse tocando y analizando.