Чему вы научитесь
Примерное время: 50 минут
К концу этого урока вы сможете:
- Использовать цикл «Делегирование — Добросовестность» для систематической проверки аналитических возможностей ИИ под вашу конкретную работу
- Применять Описание и Распознавание для поиска паттернов в данных, осознавая ограничения ИИ
- Укрепить уверенность в анализе с помощью ИИ, тестируя его на данных, которые вы уже понимаете
Анализ данных с помощью ИИ
(7 минут)
Это видео отвечает на критический вопрос, с которым сталкиваются специалисты некоммерческого сектора при использовании ИИ для анализа данных: откуда мне знать, что результатам можно доверять? Вы проследите за Рио, программным директором Valley Veterans Services, который использует цикл «Делегирование — Добросовестность», чтобы систематически проверить аналитические возможности ИИ на прошлых данных, где он уже знает правильные ответы. Видео показывает, как укреплять уверенность через тестирование, выявлять пробелы в возможностях и вырабатывать подход, который можно уверенно применять к новым данным.
Ключевые выводы
- Тестируйте ИИ на данных, которые вы уже понимаете: прежде чем доверять ИИ новый анализ, проверьте его на прошлых данных, где вы знаете правильные результаты. Если ИИ может повторить известные результаты при правильном руководстве, вы сможете уверенно использовать его для похожих задач в будущем
- Используйте Распознавание, чтобы выявлять пробелы в рассуждениях ИИ: во время тестирования отмечайте, где ИИ упускает важный контекст и какое дополнительное Описание нужно предоставить
- Создавайте проверенные подходы, а не слепое доверие: каждый раунд тестирования учит вас, что ИИ делает хорошо, а где ему нужно руководство. Документируйте то, что работает, чтобы это можно было повторить
- ИИ может помочь, даже если вы не сильны в анализе данных: если вам некомфортно с анализом данных, ИИ поможет придумывать решения, писать формулы Excel и переформатировать messy-данные — просто продолжайте просить разъяснений, чтобы понимать процесс
- Проверка укрепляет уверенность, но не снимает ответственности: вы по-прежнему отвечаете за проверку осмысленности результатов и прозрачность роли ИИ
Упражнение 1: Анализ сообщений
Это упражнение использует данные с низкими ставками (ваши собственные публичные коммуникации) для практики цикла «Описание — Распознавание» в анализе данных.
Часть I: Соберите данные
Соберите 10–20 примеров коммуникаций вашей организации — постов в соцсетях, тем писем, заголовков рассылок или анонсов мероприятий. Включите смесь того, что вы считаете высокоэффективным и менее эффективным контентом.
Часть II: Проанализируйте с ИИ
Поделитесь датасетом с ИИ и попросите его выявить паттерны:
- Какие темы или топики встречаются в вашем более эффективном контенте?
- Какие паттерны языка, тона или форматирования проявляются?
- Есть ли разрыв между тем, что вы коммуницируете, и тем, что находит отклик?
Часть III: Примените Распознавание
Оцените анализ ИИ:
- Совпадают ли выявленные паттерны с вашей интуицией о том, что работает?
- Какого контекста об аудитории или целях не хватает ИИ?
- Есть ли паттерны, выявленные ИИ, которые вас удивили?
Рефлексия:
- Что вы пытаетесь узнать из своего датасета?
- Как более эффективный контент соотносится с вашим аутентичным голосом и ценностями организации?
- Доходите ли вы до правильной аудитории?
Дополнительная цель: используйте ИИ, чтобы проверить, как ваши сообщения соотносятся с заявленными миссией и ценностями организации, найти расхождения и создать на основе анализа гайд по сообщениям.
Упражнение 2: Анализ паттернов пожертвований доноров
Это упражнение применяет навыки анализа данных к фандрайзинговым данным с высокими ставками, опираясь на практики гигиены данных из урока 5.
Часть I: Подготовьте данные
Используйте очищенный датасет доноров из урока 5 или подготовьте новый, удалив персональные идентифицирующие данные. Убедитесь, что у вас есть исторические данные о пожертвованиях за несколько периодов.
Часть II: Проанализируйте с ИИ
Попросите ИИ выявить паттерны в:
- Удержании доноров с течением времени
- Паттернах регулярных и разовых пожертвований
- Сравнении эффективности кампаний
- Трендах пожертвований по диапазонам сумм
Часть III: Примените Распознавание
Критически оцените выводы ИИ:
- Совпадают ли тренды с тем, что вы знаете о своей донорской базе?
- Фокусируется ли ИИ только на денежной ценности, упуская факторы отношений?
- Какие паттерны помогли бы укрепить отношения с донорами, а не просто максимизировать выручку?
Рефлексия:
- Каковы могут быть издержки внедрения рекомендаций по эффективности? (например, если выводы предлагают сосредоточиться на крупных донорах в ущерб мелким, как это повлияет на восприятие сообществом или долгосрочную устойчивость?)
- Какие паттерны помогли бы укрепить отношения с донорами помимо сумм пожертвований?
Упражнение 3: Анализ трендов для предвидения потребностей сообщества (дополнительная цель)
Это продвинутое упражнение объединяет несколько источников данных для практики предиктивного анализа — очень востребованной возможности.
Часть I: Соберите разнообразные источники
Соберите информацию, которую вы уже используете для понимания потребностей сообщества:
- Собственные программные данные и запросы на услуги
- Внешние отчёты или датасеты о вашем сообществе
- Новости или изменения политики, затрагивающие ваших подопечных
Часть II: Проанализируйте emerging-паттерны
Попросите ИИ помочь выявить:
- Тренды в типах поддержки, которую запрашивают люди
- Внешние факторы, которые могут увеличить или изменить спрос
- Разрывы между текущими услугами и emerging-потребностями
Часть III: Примените строгое Распознавание
Этот анализ требует высочайшего уровня критической оценки:
- Как прогнозы ИИ соотносятся с вашим прямым опытом сообщества?
- Какие системные факторы или локальный контекст ИИ может упускать?
- Какие ценности нужно держать в уме, предвидя потребности сообщества с достоинством и уважением?
Рефлексия:
- Как подойти к этому процессу ответственно?
- Какие факторы и системные проблемы могут объяснить или контекстуализировать то, чего ИИ не может?
Рефлексия по уроку
- Как тестирование ИИ на данных, которые вы уже понимали, изменило вашу уверенность в его использовании для нового анализа?
- Какие пробелы или ограничения вы выявили, которые повлияют на то, как вы будете делегировать задачи анализа данных в будущем?
Что дальше
На следующем уроке мы рассмотрим автоматизацию рабочих процессов — как применять те же принципы, когда ИИ выполняет рутинные задачи за вас, освобождая время для более impactful-работы.
Обратная связь
По мере прохождения курса нам будет очень интересно узнать, как вы используете концепции курса в своей работе, а также любые ваши отзывы. Поделитесь отзывом здесь.
Благодарности и лицензия
Copyright 2025 Anthropic и Giving Tuesday. Основано на фреймворке ИИ-грамотности, разработанном проф. Риком Даканом (Ringling College of Art and Design) и проф. Джозефом Феллером (University College Cork). Выпущено под лицензией CC BY-NC-SA 4.0.