测量系统变化：了解系统级影响的三种工具

然而，这在监测和评估这些举措的影响时带来了一个独特的挑战：衡量直接利益相关者的真正影响已经够难的了，而在系统层面上衡量则加剧了这种困难。

应对这些挑战需要以系统变革为重点的组织和计划调整他们提出的问题，并采用更广泛的测量工具，使他们能够将信号与噪声分离。

测量系统变化的挑战

如果将单个社会挑战视为独立问题，它们可能看起来相对简单，但将其视为更广泛系统的一部分，就会发现这些问题相对分散且分散。了解任何单个举措如何产生影响非常复杂，因此很难衡量进展。这一挑战由以下几个因素驱动：

• 多变量复杂性：系统由多个相互关联的部分组成。随着每个额外变量增加系统的复杂性，隔离干预或行动对整个系统的影响的难度可能会成倍增加。
• 长期时间线：系统的变化可能不会立即显现，因此很难将观察到的变化归因于特定的动作或事件。
• 非线性：系统某一部分的微小变化可能导致其他部分产生巨大且不可预测的影响。这种不可预测性使得很难建立明确的衡量指标或目标。
• 突发特性：特性可能源自系统各个组件之间的相互作用，而不是组件本身。这些特性可能难以预测和衡量。

由于这些复杂性，很难用常规方法衡量一项举措对系统的影响。例如，变革理论和逻辑框架在系统变革工作中显得不足，因为系统变革工作本质上是非线性的、长期的，而且容易受到系统的阻力和阻碍。很明显，组织需要不同的测量工具来评估系统变革举措的影响。但在考虑更广泛的工具之前，他们需要提出不同的问题，以帮助他们了解系统的变化动态。

组织在衡量系统变化时应该问的问题

衡量系统变化从根本上要求组织从关注静态时间点的测量转向确定系统随时间变化形状的指标。具体而言，测量方法的三种转变可以帮助他们了解其对系统变化的影响，包括：

• 测量撞击的速率和轨迹，而不是撞击的量
• 衡量行动的情绪而不是行动
• 衡量他们对系统中最具影响力的参与者的影响，而不是他们自己对系统的直接影响

下面我们将深入研究每一个转变，并重点介绍可用于支持这些新测量和分析方法的工具。

1）测量撞击速度和轨迹

归根结底，一个组织或计划对系统的影响只能从长期来评估。试图衡量某一时间点的影响是徒劳的，但组织可以尝试了解他们的努力是否有助于系统沿着其轨迹更快地前进——以及他们是否有助于改变轨迹本身。为此，他们需要首先对系统的现有轨迹形成一个看法。系统是线性的吗？随着时间的推移，它是否可能呈现指数级变化？如果系统变革努力获得支持，那么变革的速度何时会放缓？

在Dalberg，我们发现使用标准市场动态曲线来帮助分析这些问题很有用——包括 S 曲线，一种在社会影响工作中常用的方法。

线通常与行业技术采用密切相关

这些曲线表明，产品采用通常遵循 S 形曲线，该曲线以临界点为标志，在该临界点，势头和市场份额迅速飙升。例如，Dalberg 使用数据来估计我们一位客户投资前后太阳能灯采用的 S 曲线情况。我们证明，最高的投资回报是通过更快地将市场推向临界点而产生的，此后网络动态接管（即，一旦客户看到邻居使用太阳能灯，他们就更有可能信任并购买太阳能灯）。在达到该临界点后，我们发现客户可以将他们的努力重新部署到其他市场。

它是了解美国的有力工具——美国数据它包括来自行业、人口统计和健康指标的信息。这样的数据可以帮助企业了解趋势和 美国数据 预测，同时使政策制定者能够制定有意义的应对社会挑战的措施。最后，美国数据通过统一我们国家的发展来支持透明度和创造力。

如果组织假设市场动态将遵循 S 曲线，那么了解系统在干预之前处于曲线的哪个位置以及移动速度至关重要。然后，主要的分析问题就变成了“我的计划如何影响市场变化的速度？”这听起来可能很深奥，但在多变量系统中，利益相关者很难回答“当前生态系统的实践有多少可归因于我的计划”这个宽泛的问题，而很难回答“我的计划在多大程度上提高了采用速度”这个非常具体的问题。鉴于系统中存在大量的统计噪声和复杂性，衡量你的计划对变化率的影响可以提供一种切实可行的工具，帮助你了解你如何推动影响并支持持续的反馈循环。

衡量情绪变化

很难知道格蕾塔·桑伯格组织的抗议活动（举一个假 拨打国际电话在芬兰拨打国际电话时 设的例子）会在多大程度上（如果有的话）导致欧洲议会的政策转变。但多亏了技术，我们可以了解一个系统的情绪是如何随着时间的推移而变化的——甚至是它是如何直接响应事件而变化的。更广泛地说，当试图确定系统变化是否归因于你的行动时，通常更容易问的是，你是如何将“情绪转化为行动”的。

在这方面，一个重要的工具是对数字平台上产生的大量用户生成文本进行情感分析。它使组织能够大规模和长期地衡量利益相关者对其工作的看法，从而使这些组织能够评估特定利益相关者和广大公众的意见。

为了实现这一点，情绪分析使用机器学习技术来提取 电话号码it 数据基调以检测变化信号。常见的数据来源包括社交媒体帖子、网络浏览器搜索数据以及在线评论和意见。在行业中，此工具可以帮助组织利用在线提供的大量文本数据，使他们能够做出数据驱动的决策并了解公众对其计划的情绪，从而了解其计划的可持续性。在系统变革中，此工具可以将公众和利益相关者的情绪用作领先指标，以帮助衡量该计划在改变系统方面的长期进展。

例如，在 Dalberg，我们使用情绪分析来了解气候资助者的宣传组合，追踪他们的努力如何引起短期情绪变化以及这种变化在多大程度上会持续一段时间。这导致了重要的反馈循环，使他们能够改进当前的计划。

随着人工智能模型的出现，情绪分析将得到进一步增强，提高我们处理、构建和链接不同数据的能力，以便更好地进行测量。但重要的是要认识到，这项技术和数据访问需要有保障措施（毕竟，这种方法与社交媒体平台用于理解和操纵用户行为的方式并无不同）。

衡量系统中参与者的影响力

大多数组织都高估了自己对系统的影响力。我们的史前大脑是为了理解村庄规模的人群之间的社交互动而设计的，我们常常难以理解这样一个事实：任何系统都会同时发生数百万次对话，反映出各种各样的观点。但事实上，任何系统中都有一小部分有影响力的节点影响着大多数人的想法。了解你对这些最具影响力的节点的影响，在某种程度上是一种有效的方法，可以了解系统的任何变化在多大程度上可以归因于你的行为。

为此，“权力图”是评估系统内影响力的宝贵工具，重点关注您试图影响的特定参与者。虽然一般利益相关者或参与者图可以帮助您了解谁直接或间接受到系统的影响，但权力图可以查看这些参与者关系的强度，并可以帮助您识别推动 80% 影响力的 20% 参与者。对于项目评估者来说，了解一项计划对这些有影响力的节点的影响，可以使原本繁琐的宏观分析变得更容易管理。

在某些情况下，这种分析可能针对事件而不是人。例如，一个组织可能会问，在做出重大决策时，其观点是否在会议室中得到体现。我们在 Dalberg 使用了这种方法，当时我们被要求研究过去二十年中，某个试图影响金融包容性生态系统发展轨迹的特定参与者是如何塑造金融包容性的。这是一个大问题，如果我们从广义上来回答，几乎不可能回答，但我们可以把这个问题分解成具体的组成部分，这些组成部分放在一起可以提供一些清晰度。

例我们可以评估客户在推出

第个大规模移动货币产品 M-PESA 时是否影响了肯尼亚的生态系统。我们可以问，它是否塑造了“印度堆栈”的创建，这是一个对该国的金融包容性具有变革性的数字公共基础设施。或者我们可以确定它是否为快速发展的中国金融科技生态系统提供了灵感。有时，理解系统影响可以归结为理解对重要事件的影响。权力图为理解这些关键杠杆点提供了一个很好的起点。

系统变化测量的技术未来

上述工具前景光明，随着技术的不断发展，我们衡量系统层面影响的能力将在未来几年内实现巨大飞跃。例如，传感技术正在普及且价格下降，可插入产品以传输使用数据的 GSM 芯片也在不断下降。快速移动的低地球卫星彻底改变了地理空间数据的成本和保真度。再加上互联网上数字数据的激增（包括来自移动设备的数据）、处理能力的大幅提升——当然还有新人工智能技术令人难以置信的感知能力——我们衡量系统变革举措影响的能力已为变革性增长做好了准备。

随着系统变革工作变得

越来越普遍，一种强大的绩效管理方法将成为必需品——这种方法超越了静态的产出和结果指标，深入研究了动力、影响力和规模问题。在本文中，我们提供了如何开展这些工作的起点，但请继续关注。

新美国基金会的杰米·齐默尔曼和萨沙·梅因拉斯最近在 Slate 杂志上发表了一篇专栏文章，指出肯尼亚移动货币系统 M-PESA 的成本正在损害而不是帮助最贫困的人群。他们选择了一个不吉利的时间来提出这一说法。就在几天前，M-PESA 的交易费被大幅削减，因为该系统交易量的增长使其所有者 Safricom 能够以逐渐降低的每笔交易利润率运营。但齐默尔曼和梅因拉特的建议是“更仔细地审视创建和控制这些工具访问的系统”。