VolunteerMatch.org: balancing mission and earned‐revenue potential
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose This case investigates how a nonprofit can analyze its earned revenue potential. What changes would be required for the organization's current business units to start making a positive financial contribution? What other opportunities to expand its earned‐income efforts exist, and how should they be prioritized? What would it take to implement the new ventures, and how could the nonprofit guard against undertaking initiatives that would subtract more from the organization – in dollars and staff time – than they could possibly add? Design/methodology/approach A team of consultants from Bridgespan worked with VolunteerMatch, the largest web‐based volunteer‐matching service in the country, to study how to make its earned revenue ventures generate income for the organization and support its mission. Findings VolunteerMatch's work on earned income helped it to move forward with its financial goals, and also to strengthen its social mission. Research limitations/implications VolunteerMatch is a small, talent rich nonprofit with a staff that is comfortable innovating internet‐based products and services. Expanding the study to include a variety of nonprofits would provide a better indication of the viability of an earned income strategy in this sector. Practical implications VolunteerMatch now derives 38 percent of its revenue from its earned income activities, decreasing its reliance on contributions. Originality/value Few detailed studies exist of the development of earned income operations in nonprofits. This one serves as a guide to best practices for organizations considering this strategy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle