Analyse de données avec l'IA

Ce que vous apprendrez

Durée estimée : 50 minutes

À la fin de cette leçon, vous serez capable de :

Utiliser la boucle Délégation-Diligence pour valider systématiquement les capacités analytiques de l'IA pour votre travail spécifique
Appliquer Description et Discernement pour identifier des modèles dans vos données tout en reconnaissant les limites de l'IA
Renforcer votre confiance dans l'analyse assistée par l'IA en testant sur des données que vous comprenez déjà

(7 minutes)

Cette vidéo aborde une question critique que les professionnels du secteur à but non lucratif se posent lorsqu'ils utilisent l'IA pour l'analyse de données : Comment puis-je être sûr de pouvoir faire confiance aux résultats ? Vous suivrez Rio, directeur de programme à Valley Veterans Services, alors qu'il utilise la boucle Délégation-Diligence pour valider systématiquement les capacités analytiques de l'IA en utilisant des données passées dont il connaît déjà les réponses. La vidéo montre comment renforcer la confiance par le test, identifier les lacunes en matière de capacités et développer une approche que vous pouvez appliquer à de nouvelles données en toute confiance.

Points clés à retenir

Testez l'IA sur des données que vous comprenez déjà : Avant de faire confiance à l'IA pour une nouvelle analyse, validez-la en utilisant des données passées dont vous connaissez les résultats corrects. Si l'IA peut correspondre à vos résultats connus avec les bonnes orientations, vous pouvez utiliser en toute confiance pour des tâches futures similaires
Utilisez Discernement pour identifier les lacunes dans le raisonnement de l'IA : Lors du test, notez où l'IA manque un contexte important et quelle Description supplémentaire vous devez fournir
Construisez des approches validées, pas une confiance aveugle : Chaque cycle de test vous enseigne ce que l'IA fait bien et où elle a besoin d'orientation. Documentez ce qui fonctionne pour pouvoir le reproduire
L'IA peut aider même si vous n'êtes pas à l'aise avec l'analyse de données : Si vous n'êtes pas à l'aise avec l'analyse de données vous-même, l'IA peut vous aider à réfléchir à des solutions, à écrire des formules Excel et à reformater des données désordonnées—continuez simplement à demander des clarifications pour comprendre le processus
La validation renforce la confiance mais n'élimine pas la responsabilité : Vous êtes toujours responsable de vérifier que les résultats ont du sens et d'être transparent sur le rôle de l'IA

Exercice 1 : Analyse de messages

Cet exercice utilise des données à enjeux moins élevés (vos propres communications publiques) pour pratiquer la boucle Description-Discernement pour l'analyse de données.

Partie I : Rassembler vos données

Collectez 10 à 20 exemples de communications de votre organisation—publications sur les réseaux sociaux, lignes d'objet d'e-mails, titres de bulletins d'information ou annonces d'événements. Incluez un mélange de contenu que vous considérez comme performant et moins performant.

Partie II : Analyser avec l'IA

Partagez votre ensemble de données avec l'IA et demandez-lui d'identifier des modèles :

Quels thèmes ou sujets apparaissent dans votre contenu plus performant ?
Quels modèles de langage, de ton ou de formatage émergent ?
Y a-t-il des lacunes entre ce que vous communiquez et ce qui résonne ?

Partie III : Appliquer Discernement

Évaluez l'analyse de l'IA :

Les modèles identifiés correspondent-ils à votre intuition sur ce qui fonctionne ?
Quel contexte l'IA manque-t-elle concernant votre audience ou vos objectifs ?
Y a-t-il des modèles que l'IA a identifiés qui vous surprennent ?

Réflexion :

Qu'essayez-vous d'apprendre de votre ensemble de données ?
Comment le contenu plus performant s'aligne-t-il avec votre voix authentique et vos valeurs organisationnelles ?
Atteignez-vous le bon public ?

Objectif supplémentaire : Utilisez l'IA pour auditer comment votre message se compare à la mission et aux valeurs déclarées de votre organisation, trouvez les divergences et créez un guide de messages à partir de l'analyse.

Exercice 2 : Analyser les modèles de dons des donateurs

Cet exercice applique les compétences en analyse de données à des données de collecte de fonds à enjeux élevés, en s'appuyant sur les pratiques d'hygiène des données de la Leçon 5.

Partie I : Préparer vos données

Utilisez l'ensemble de données des donateurs assaini de la Leçon 5, ou préparez-en un nouveau en supprimant les informations d'identification personnelle. Assurez-vous d'avoir des données de dons historiques sur plusieurs périodes.

Partie II : Analyser avec l'IA

Demandez à l'IA d'identifier des modèles dans :

Les taux de rétention des donateurs au fil du temps
Les modèles de dons récurrents par rapport aux dons ponctuels
Les comparaisons d'efficacité des campagnes
Les tendances de dons par plages de montants

Partie III : Appliquer Discernement

Évaluez de manière critique les conclusions de l'IA :

Les tendances correspondent-elles à ce que vous savez de votre base de donateurs ?
L'IA se concentre-t-elle uniquement sur la valeur monétaire, en manquant les facteurs relationnels ?
Quels modèles aideraient à renforcer les relations avec les donateurs, pas seulement à maximiser les revenus ?

Réflexion :

Quels pourraient être les coûts de la mise en œuvre des recommandations d'efficacité ? (par exemple, si les conclusions suggèrent de se concentrer sur les donateurs majeurs au détriment des petits donateurs, quel est l'impact sur la perception communautaire ou la durabilité à long terme ? )
Quels modèles aideraient à renforcer les relations avec les donateurs au-delà des montants de dons ?

Exercice 3 : Analyse des tendances pour anticiper les besoins communautaires (objectif supplémentaire)

Cet exercice avancé combine plusieurs sources de données pour pratiquer l'analyse prédictive—une capacité très demandée.

Partie I : Rassembler des sources diverses

Collectez les informations que vous utilisez déjà pour comprendre les besoins communautaires :

Vos propres données de programme et demandes de services
Rapports externes ou ensembles de données sur votre communauté
Développements d'actualités ou politiques affectant vos constituants

Partie II : Analyser les modèles émergents

Demandez à l'IA de vous aider à identifier :

Les tendances dans les types de soutien que les gens demandent
Les facteurs externes qui pourraient augmenter ou modifier la demande
Les lacunes entre les services actuels et les besoins émergents

Partie III : Appliquer Discernement rigoureux

Cette analyse nécessite le plus haut niveau d'évaluation critique :

Comment les prédictions de l'IA se comparent-elles à votre expérience directe de la communauté ?
Quels facteurs systémiques ou contextes locaux l'IA pourrait-elle manquer ?
Quelles valeurs devez-vous garder à l'esprit en anticipant les besoins communautaires avec dignité et respect ?

Réflexion :

Comment pouvez-vous aborder ce processus de manière responsable ?
Quels facteurs et enjeux systémiques peuvent expliquer ou contextualiser ce que l'IA ne peut pas ?

Réflexion sur la leçon

Comment le test de l'IA sur des données que vous compreniez déjà a-t-il changé votre confiance dans son utilisation pour une nouvelle analyse ?
Quelles lacunes ou limitations avez-vous identifiées qui façonneront la façon dont vous déléguez les tâches d'analyse de données à l'avenir ?

Prochaines étapes

Dans la prochaine leçon, nous examinerons l'automatisation des flux de travail—comment appliquer ces mêmes principes lorsque l'IA gère des tâches routinières en votre nom, libérant votre temps pour un travail à plus fort impact.

Retours d'information

Au fur et à mesure que vous progressez dans le cours, nous aimerions entendre parler de la façon dont vous utilisez les concepts du cours dans votre travail et de tout retour d'information que vous pourriez avoir. Partagez vos retours ici.

Remerciements et licence

Copyright 2025 Anthropic et Giving Tuesday. Basé sur le Framework de Fluidité en IA développé par Prof. Rick Dakan (Ringling College of Art and Design) et Prof. Joseph Feller (University College Cork). Publié sous la licence CC BY-NC-SA 4. 0.