Datenanalyse mit AI

Was du lernen wirst

Geschätzter Zeitaufwand: 50 Minuten

Am Ende dieser Lektion wirst du in der Lage sein:

Die Delegation-Diligence-Schleife zu nutzen, um die analytischen Fähigkeiten von AI systematisch für deine spezifische Arbeit zu validieren
Description und Discernment anzuwenden, um Muster in deinen Daten zu identifizieren und gleichzeitig die Grenzen von AI zu erkennen
Vertrauen in AI-gestützte Analysen aufzubauen, indem du gegen Daten testest, die du bereits verstehst

(7 Minuten)

Dieses Video behandelt eine kritische Frage, der sich Fachleute in gemeinnützigen Organisationen beim Einsatz von AI für Datenanalyse stellen: Wie kann ich den Ergebnissen vertrauen? Du wirst Rio, einen Programmdirektor bei Valley Veterans Services, begleiten, während er die Delegation-Diligence-Schleife nutzt, um die analytischen Fähigkeiten von AI systematisch zu validieren, indem er vergangene Daten verwendet, bei denen er bereits die Antworten kennt. Das Video zeigt, wie man durch Tests Vertrauen aufbaut, Fähigkeitslücken identifiziert und einen Ansatz entwickelt, den du mit Zuversicht auf neue Daten anwenden kannst.

Wichtigste Erkenntnisse

Teste AI gegen Daten, die du bereits verstehst : Bevor du AI mit neuen Analysen vertraust, validiere sie anhand von vergangenen Daten, bei denen du die korrekten Ergebnisse kennst. Wenn AI mit der richtigen Anleitung deine bekannten Ergebnisse erreichen kann, kannst du AI mit Zuversicht für ähnliche zukünftige Aufgaben nutzen
Nutze Discernment, um Lücken in der Argumentation von AI zu identifizieren : Während du testest, notiere, wo AI wichtigen Kontext vermisst und welche zusätzliche Description du bereitstellen musst
Baue validierte Ansätze auf, nicht blindes Vertrauen : Jede Testrunde lehrt dich, was AI gut kann und wo es Anleitung braucht. Dokumentiere, was funktioniert, damit du es wiederholen kannst
AI kann helfen, auch wenn du nicht datenkundig bist : Wenn du dich selbst nicht wohlfühlst mit Datenanalyse, kann AI dir helfen, Lösungen zu brainstormen, Excel-Formeln zu schreiben und ungeordnete Daten umzuformatieren – stelle einfach weiterhin Fragen, um den Prozess zu verstehen
Validierung schafft Vertrauen, hebt aber nicht die Verantwortung auf : Du bist immer noch dafür verantwortlich, zu überprüfen, dass die Ergebnisse sinnvoll sind, und transparent über die Rolle von AI zu sein

Übung 1: Messaging-Analyse

Diese Übung nutzt weniger kritische Daten (deine eigenen öffentlichen Kommunikationen), um die Description-Discernment-Schleife für Datenanalyse zu üben.

Teil I: Sammle deine Daten

Sammle 10-20 Beispiele der Kommunikation deiner Organisation – Social-Media-Beiträge, E-Mail-Betreffzeilen, Newsletter-Überschriften oder Veranstaltungsankündigungen. Beziehe eine Mischung aus dem ein, was du als hochperformant und weniger performant betrachtest.

Teil II: Analysiere mit AI

Teile deinen Datensatz mit AI und bitte es, Muster zu identifizieren:

Welche Themen oder Inhalte erscheinen in deinem höherperformanten Content?
Welche Sprach-, Ton- oder Formatierungsmuster entstehen?
Gibt es Lücken zwischen dem, was du kommunizierst, und dem, was ankommt?

Teil III: Wende Discernment an

Bewerte die Analyse von AI:

Stimmen die identifizierten Muster mit deiner Intuition darüber überein, was funktioniert?
Welchen Kontext vermisst AI über dein Publikum oder deine Ziele?
Gibt es Muster, die AI identifiziert hat und die dich überraschen?

Reflexion:

Was versuchst du aus deinem Datensatz zu lernen?
Wie stimmt hochperformanter Content mit deiner authentischen Stimme und den Werten deiner Organisation überein?
Erreichst du die richtige Zielgruppe?

Stretch-Ziel : Nutze AI, um zu überprüfen, wie dein Messaging mit der erklärten Mission und den Werten deiner Organisation vergleicht, finde Diskrepanzen und erstelle aus der Analyse einen Messaging-Leitfaden.

Übung 2: Analyse von Spendenmuster von Spendern

Diese Übung wendet Datenanalysefähigkeiten auf kritische Fundraising-Daten an und baut auf den Datenhygiene-Praktiken aus Lektion 5 auf.

Teil I: Bereite deine Daten vor

Nutze den bereinigten Spenderdatensatz aus Lektion 5 oder bereite einen neuen vor, indem du persönlich identifizierbare Informationen entfernst. Stelle sicher, dass du historische Spendendaten über mehrere Zeiträume hinweg hast.

Teil II: Analysiere mit AI

Bitte AI, Muster zu identifizieren in:

Spenderbindungsquoten im Zeitverlauf
Wiederkehrende vs. einmalige Spendenmuster
Vergleiche der Kampagnenwirksamkeit
Spendendtrends nach Betragsbereich

Teil III: Wende Discernment an

Bewerte die Ergebnisse von AI kritisch:

Stimmen die Trends mit dem überein, was du über deine Spenderbasis weißt?
Konzentriert sich AI nur auf den Geldwert und übersieht Beziehungsfaktoren?
Welche Muster würden helfen, Beziehungen zu Spendern zu stärken, nicht nur Einnahmen zu maximieren?

Reflexion:

Welche Kosten könnten mit der Umsetzung von Effizienzempfehlungen verbunden sein? (z. B. Wenn Ergebnisse nahelegen, sich auf Großspender auf Kosten von Kleinspender zu konzentrieren, welche Auswirkungen hat das auf die Wahrnehmung durch die Gemeinschaft oder die langfristige Nachhaltigkeit? )
Welche Muster würden helfen, Beziehungen zu Spendern zu stärken, über reine Spendensummen hinaus?

Übung 3: Trendanalyse zur Antizipation von Gemeinschaftsbedarf (Stretch-Ziel)

Diese fortgeschrittene Übung kombiniert mehrere Datenquellen, um Vorhersageanalysen zu üben – eine stark nachgefragte Fähigkeit.

Teil I: Sammle vielfältige Quellen

Sammle Informationen, die du bereits nutzt, um Gemeinschaftsbedarf zu verstehen:

Deine eigenen Programmdaten und Serviceanfragen
Externe Berichte oder Datensätze über deine Gemeinschaft
Nachrichten oder politische Entwicklungen, die deine Wähler beeinflussen

Teil II: Analysiere auf entstehende Muster

Bitte AI, dir zu helfen, zu identifizieren:

Trends in den Arten von Unterstützung, die Menschen anfordern
Externe Faktoren, die die Nachfrage erhöhen oder verändern könnten
Lücken zwischen aktuellen Services und entstehenden Bedarf

Teil III: Wende rigorose Discernment an

Diese Analyse erfordert das höchste Maß an kritischer Bewertung:

Wie vergleichen sich die Vorhersagen von AI mit deiner direkten Gemeinschaftserfahrung?
Welche systemischen Faktoren oder lokalen Kontexte könnte AI übersehen?
Welche Werte musst du im Auge behalten, während du Gemeinschaftsbedarf mit Würde und Respekt antizipierst?

Reflexion:

Wie kannst du diesen Prozess verantwortungsvoll angehen?
Welche Faktoren und systemischen Probleme können erklären oder kontextualisieren, was AI nicht kann?

Lektion-Reflexion

Wie hat das Testen von AI gegen Daten, die du bereits verstanden hast, dein Vertrauen in die Nutzung für neue Analysen verändert?
Welche Lücken oder Grenzen hast du identifiziert, die beeinflussen werden, wie du Datenanalysaufgaben in Zukunft delegierst?

Was kommt als Nächstes

In der nächsten Lektion werden wir uns Workflow-Automatisierung ansehen – wie man dieselben Prinzipien anwendet, wenn AI Routineaufgaben in deinem Namen übernimmt und dir Zeit für höherwirksame Arbeit freisetzt.

Feedback

Während du den Kurs durcharbeitest, würden wir gerne von dir hören, wie du Konzepte aus dem Kurs in deiner Arbeit nutzt und welches Feedback du hast. Teile dein Feedback hier.

Danksagungen und Lizenz

Copyright 2025 Anthropic und Giving Tuesday. Basierend auf dem AI Fluency Framework, das von Prof. Rick Dakan (Ringling College of Art and Design) und Prof. Joseph Feller (University College Cork) entwickelt wurde. Veröffentlicht unter der CC BY-NC-SA 4. 0-Lizenz.