AI के साथ डेटा विश्लेषण

आप क्या सीखेंगे

अनुमानित समय: 50 मिनट

इस पाठ के अंत तक आप सक्षम होंगे:

• अपने विशिष्ट कार्य के लिए AI की विश्लेषणात्मक क्षमताओं को व्यवस्थित रूप से मान्य करने के लिए Delegation-Diligence लूप का उपयोग करना
• अपने डेटा में पैटर्न की पहचान करने के लिए Description और Discernment लागू करना और साथ ही AI की सीमाओं को पहचानना
• उन डेटा के विरुद्ध परीक्षण करके AI-सहायक विश्लेषण में आत्मविश्वास बनाना जिन्हें आप पहले से समझते हैं

AI के साथ डेटा विश्लेषण

(7 मिनट)

यह वीडियो एक महत्वपूर्ण प्रश्न को संबोधित करता है जिसका सामना गैर-लाभकारी पेशेवरों को करना पड़ता है जब वे डेटा विश्लेषण के लिए AI का उपयोग करते हैं: मुझे कैसे पता चलेगा कि मैं परिणामों पर विश्वास कर सकता हूँ? आप Rio को देखेंगे, जो Valley Veterans Services में एक प्रोग्राम निदेशक है, जो Delegation-Diligence लूप का उपयोग करके AI की विश्लेषणात्मक क्षमताओं को व्यवस्थित रूप से मान्य करता है, पिछले डेटा का उपयोग करके जहाँ वह पहले से ही उत्तर जानता है। वीडियो परीक्षण के माध्यम से आत्मविश्वास कैसे बनाया जाए, क्षमता के अंतराल की पहचान कैसे करें, और एक ऐसा दृष्टिकोण विकसित करें जिसे आप नए डेटा पर आत्मविश्वास के साथ लागू कर सकें।

मुख्य बातें

• उन डेटा के विरुद्ध AI का परीक्षण करें जिन्हें आप पहले से समझते हैं : नए विश्लेषण के लिए AI पर विश्वास करने से पहले, पिछले डेटा का उपयोग करके इसे मान्य करें जहाँ आप सही परिणाम जानते हैं। यदि AI सही मार्गदर्शन के साथ आपके ज्ञात परिणामों से मेल खा सकता है, तो आप समान भविष्य के कार्यों के लिए आत्मविश्वास के साथ इसका उपयोग कर सकते हैं
• AI के तर्क में अंतराल की पहचान करने के लिए Discernment का उपयोग करें : जैसे ही आप परीक्षण करते हैं, ध्यान दें कि AI महत्वपूर्ण संदर्भ को कहाँ मिस करता है और आपको किस अतिरिक्त Description की आवश्यकता है
• अंधे विश्वास नहीं, बल्कि मान्य दृष्टिकोण बनाएँ : प्रत्येक परीक्षण दौर आपको सिखाता है कि AI क्या अच्छी तरह करता है और कहाँ इसे मार्गदर्शन की आवश्यकता है। दस्तावेज़ करें कि क्या काम करता है ताकि आप इसे दोहरा सकें
• यदि आप डेटा-सावधान नहीं हैं तब भी AI मदद कर सकता है : यदि आप स्वयं डेटा विश्लेषण के साथ सहज नहीं हैं, तो AI समाधान के बारे में विचार-विमर्श करने, Excel सूत्र लिखने और गड़बड़ डेटा को पुनः प्रारूपित करने में मदद कर सकता है—बस स्पष्टीकरण माँगते रहें ताकि आप प्रक्रिया को समझें
• सत्यापन आत्मविश्वास बनाता है लेकिन जिम्मेदारी को समाप्त नहीं करता : आप अभी भी यह जाँचने के लिए जवाबदेह हैं कि परिणाम समझदारी भरे हैं और AI की भूमिका के बारे में पारदर्शी हैं

अभ्यास 1: संदेश विश्लेषण

यह अभ्यास कम-दांव वाले डेटा (आपके स्वयं के सार्वजनिक संचार) का उपयोग करके डेटा विश्लेषण के लिए Description-Discernment लूप का अभ्यास करता है।

भाग I: अपना डेटा एकत्र करें

अपने संगठन के संचार के 10-20 उदाहरण एकत्र करें—सोशल मीडिया पोस्ट, ईमेल विषय पंक्तियाँ, न्यूज़लेटर शीर्षक, या इवेंट घोषणाएँ। उच्च-प्रदर्शन और कम-प्रदर्शन सामग्री का मिश्रण शामिल करें।

भाग II: AI के साथ विश्लेषण करें

अपना डेटासेट AI के साथ साझा करें और इसे पैटर्न की पहचान करने के लिए कहें:

• आपकी उच्च-प्रदर्शन सामग्री में कौन से विषय या विषय दिखाई देते हैं?
• कौन सी भाषा, टोन, या स्वरूपण पैटर्न उभरते हैं?
• क्या आप जो संचार करते हैं और जो प्रतिध्वनित होता है उसके बीच कोई अंतराल है?

भाग III: Discernment लागू करें

AI के विश्लेषण का मूल्यांकन करें:

• क्या पहचाने गए पैटर्न आपकी अंतर्ज्ञा से मेल खाते हैं कि क्या काम करता है?
• AI आपके दर्शकों या लक्ष्यों के बारे में किस संदर्भ को मिस कर रहा है?
• क्या कोई पैटर्न हैं जो AI ने पहचाने हैं जो आपको आश्चर्यचकित करते हैं?

प्रतिबिंब:

• आप अपने डेटासेट से क्या सीखने की कोशिश कर रहे हैं?
• उच्च-प्रदर्शन सामग्री आपकी प्रामाणिक आवाज़ और संगठनात्मक मूल्यों के साथ कैसे संरेखित होती है?
• क्या आप सही दर्शकों तक पहुँच रहे हैं?

स्ट्रेच लक्ष्य : अपने संगठन के बताए गए मिशन और मूल्यों के साथ अपने संदेश की तुलना करने के लिए AI का उपयोग करें, विसंगतियों को खोजें, और विश्लेषण से एक संदेश मार्गदर्शिका बनाएँ।

अभ्यास 2: दाता देने के पैटर्न का विश्लेषण

यह अभ्यास उच्च-दांव वाले धन उगाहने वाले डेटा पर डेटा विश्लेषण कौशल लागू करता है, पाठ 5 से डेटा स्वच्छता प्रथाओं पर निर्माण करता है।

भाग I: अपना डेटा तैयार करें

पाठ 5 से सैनिटाइज़्ड दाता डेटासेट का उपयोग करें, या व्यक्तिगत रूप से पहचान योग्य जानकारी को हटाकर एक नया तैयार करें। सुनिश्चित करें कि आपके पास कई समय अवधि में ऐतिहासिक देने वाले डेटा हैं।

भाग II: AI के साथ विश्लेषण करें

AI को निम्नलिखित में पैटर्न की पहचान करने के लिए कहें:

• समय के साथ दाता प्रतिधारण दरें
• आवर्ती बनाम एकबारी दान पैटर्न
• अभियान प्रभावशीलता तुलना
• राशि श्रेणियों द्वारा देने की प्रवृत्तियाँ

भाग III: Discernment लागू करें

AI के निष्कर्षों का गंभीरता से मूल्यांकन करें:

• क्या प्रवृत्तियाँ आपके दाता आधार के बारे में जानकारी से मेल खाती हैं?
• क्या AI केवल मौद्रिक मूल्य पर ध्यान केंद्रित कर रहा है, संबंध कारकों को मिस कर रहा है?
• कौन से पैटर्न केवल राजस्व को अधिकतम करने के बजाय दाता संबंधों को मजबूत करने में मदद करेंगे?

प्रतिबिंब:

• दक्षता सिफारिशों को लागू करने की लागत क्या हो सकती है? (उदाहरण के लिए, यदि निष्कर्ष छोटे दाताओं की कीमत पर प्रमुख दाताओं पर ध्यान केंद्रित करने का सुझाव देते हैं, तो सामुदायिक धारणा या दीर्घकालिक स्थिरता पर क्या प्रभाव है? )
• कौन से पैटर्न केवल देने की राशि से परे दाताओं के साथ संबंधों को मजबूत करने में मदद करेंगे?

अभ्यास 3: सामुदायिक आवश्यकताओं का अनुमान लगाने के लिए प्रवृत्ति विश्लेषण (स्ट्रेच लक्ष्य)

यह उन्नत अभ्यास भविष्यसूचक विश्लेषण का अभ्यास करने के लिए कई डेटा स्रोतों को जोड़ता है—एक अत्यधिक अनुरोधित क्षमता।

भाग I: विविध स्रोत एकत्र करें

ऐसी जानकारी एकत्र करें जिसका आप पहले से ही सामुदायिक आवश्यकताओं को समझने के लिए उपयोग करते हैं:

• आपका स्वयं का प्रोग्राम डेटा और सेवा अनुरोध
• आपके समुदाय के बारे में बाहरी रिपोर्ट या डेटासेट
• आपके मतदाताओं को प्रभावित करने वाली समाचार या नीति विकास

भाग II: उभरते पैटर्न के लिए विश्लेषण करें

AI को निम्नलिखित की पहचान करने में मदद करने के लिए कहें:

• लोग जिस प्रकार की सहायता माँग रहे हैं उसमें प्रवृत्तियाँ
• बाहरी कारक जो माँग को बढ़ा या बदल सकते हैं
• वर्तमान सेवाओं और उभरती आवश्यकताओं के बीच अंतराल

भाग III: कठोर Discernment लागू करें

इस विश्लेषण के लिए आलोचनात्मक मूल्यांकन का उच्चतम स्तर आवश्यक है:

• AI की भविष्यवाणियाँ आपके प्रत्यक्ष सामुदायिक अनुभव के साथ कैसे तुलना करती हैं?
• कौन से प्रणालीगत कारक या स्थानीय संदर्भ AI को मिस हो सकते हैं?
• जब आप गरिमा और सम्मान के साथ सामुदायिक आवश्यकताओं का अनुमान लगाते हैं तो आपको किन मूल्यों को ध्यान में रखना होगा?

प्रतिबिंब:

• आप इस प्रक्रिया को जिम्मेदारी से कैसे अपना सकते हैं?
• कौन से कारक और प्रणालीगत मुद्दे उस चीज़ को समझा या संदर्भ दे सकते हैं जिसे AI नहीं कर सकता?

पाठ प्रतिबिंब

• उन डेटा के विरुद्ध AI का परीक्षण करने से कि आप पहले से समझते हैं, नए विश्लेषण के लिए इसका उपयोग करने में आपके आत्मविश्वास में कैसे परिवर्तन आया?
• आपने कौन से अंतराल या सीमाएँ पहचानीं जो भविष्य में डेटा विश्लेषण कार्यों को कैसे सौंपेंगे?

आगे क्या है

अगले पाठ में, हम वर्कफ़्लो ऑटोमेशन को देखेंगे—जब AI आपकी ओर से दिनचर्या के कार्यों को संभालता है तो इन्हीं सिद्धांतों को कैसे लागू करें, जिससे आपका समय उच्च-प्रभाव कार्य के लिए मुक्त हो जाए।

प्रतिक्रिया

जैसे ही आप पाठ्यक्रम के माध्यम से आगे बढ़ते हैं, हम आपसे सुनना पसंद करेंगे कि आप पाठ्यक्रम से अवधारणाओं का अपने काम में कैसे उपयोग कर रहे हैं और आपके पास कोई भी प्रतिक्रिया हो सकती है। अपनी प्रतिक्रिया यहाँ साझा करें।

स्वीकृतियाँ और लाइसेंस

_कॉपीराइट 2025 Anthropic और Giving Tuesday। Prof. Rick Dakan (Ringling College of Art and Design) और Prof. Joseph Feller (University College Cork) द्वारा विकसित AI Fluency Framework पर आधारित। CC BY-NC-SA 4. 0 लाइसेंस के तहत जारी।_