但主要价值在于支持资助者团体之间的战略对话，讨论支持什么、在哪里合作以及如何找到合适的市场。
无论出于何种目的，关键都是要找到易于用于决策的可视化效果——风险在于积累大量既不可消化也不可用的数据（请参阅Cath Sleeman 提供的良好可视化效果的示例）。
做好这项工作将非常困难。数字健康地图集是一个全球网络平台，用于管理数字健康实施，支持卫生部、技术人员和实施者规划、监控和促进数字健康创新投资，以实现政府的健康目标。它雄心勃勃，但用处不大，部分原因是它太复杂了。
因此，任何未来的项目都需要努力就扫描/数据存储库的实用性和功能、如何标准化和协调数据流、组织后端数据存储库、数据拉取和推送的 API 和用户体验达成共识（例如，根据他们的资金优先级提供按需仪表板概览或自动定期洞察报告）。
调动群体智慧
最后一组选项是有意调动群体智慧来帮助确定 股东数据 优先事项或决定拨款。同样，这可能只与最大的资助者有关。但这些可以尝试就优先事项进行大规模协商。
当 Nesta 将新经度奖的主题开放给公众投票时，它展示了一种做法（并通过与 BBC、亚马逊和其他公司的密切合作，确保了大量公众投票，以及对选项的大量严肃辩论）。
开放流程还可用于对潜在的资助接受者进行评论和排名——调整城市目前用于参与式预算和民主的一些工具，包括 Polis 等人工智能驱动的工具。这些方法存在很多风险——捕获、游戏和对重要但不受欢迎的问题的偏见。但如果慈善事业甚至没有尝试过这种工具，那将是不幸的。
下一步
对于已经在做或计划做本文所述事情的基金会，我敦促他们分享他们的经验教训和他们正在使用的技术，并尽可能将其开源。未来几十年必然会出现一系列复杂的问题——围绕治理、偏见和道德。这些问题越公开地处理越好。
来自那些还没有答案但有兴趣共同资助一些实验的基金会，使用更多开放数据和人工智能来实现上述目的。我们可以着手进行概念验证研究，最好是与一个真正的大资助者合作，我们可以着手协调和加强要求资助接受者保持透明度的政策。
来自创新者和实践者、中介机构和经纪人，就如何实现这些目标提出了建议，提供了值得效仿的良好范例或可供借鉴的开源工具
任何有兴趣共同致力于共同方法和标准（如开放数据和证据标准）的人。与许多技术领域一样，拥有一个 70% 完美的单一标准可能比拥有数十个追求 100% 完美的标准更好。
慈善事业有自由的美德，但也有缺乏责任感的严重弊端。根深蒂固的习惯可能会阻碍使用新方法，因为新方法可能会暴露盲点、偏见和失败。但权力应该伴随着责任，从长远来看，当系统能够更好地学习时，我们所有人都会受益。