Gegevensanalyse met AI

Wat je leert

Geschatte tijd: 50 minuten

Aan het einde van deze les kun je:

De Delegation-Diligence loop gebruiken om systematisch de analytische mogelijkheden van AI voor je specifieke werk te valideren
Description en Discernment toepassen om patronen in je gegevens te identificeren terwijl je de beperkingen van AI erkent
Vertrouwen in AI-ondersteunde analyse opbouwen door te testen tegen gegevens die je al begrijpt

(7 minuten)

Deze video behandelt een kritieke vraag waarmee nonprofit-professionals worden geconfronteerd bij het gebruik van AI voor gegevensanalyse: Hoe weet ik dat ik de resultaten kan vertrouwen? Je volgt Rio, een programmamanager bij Valley Veterans Services, terwijl hij de Delegation-Diligence loop gebruikt om systematisch de analytische mogelijkheden van AI te valideren met behulp van eerdere gegevens waarvan hij al de antwoorden kent. De video laat zien hoe je vertrouwen opbouwt door te testen, hiaten in mogelijkheden identificeert en een aanpak ontwikkelt die je met vertrouwen op nieuwe gegevens kunt toepassen.

Belangrijkste inzichten

Test AI tegen gegevens die je al begrijpt : Voordat je AI vertrouwt met nieuwe analyse, valideer het met behulp van eerdere gegevens waarvan je de juiste resultaten kent. Als AI je bekende resultaten kan matchen met de juiste begeleiding, kun je het vol vertrouwen gebruiken voor soortgelijke toekomstige taken
Gebruik Discernment om hiaten in AI's redenering te identificeren : Noteer terwijl je test waar AI belangrijke context mist en welke aanvullende Description je moet geven
Bouw gevalideerde benaderingen op, niet blind vertrouwen : Elke testronde leert je wat AI goed doet en waar het begeleiding nodig heeft. Documenteer wat werkt zodat je het kunt herhalen
AI kan helpen zelfs als je niet goed bent in gegevensanalyse : Als je je niet comfortabel voelt met gegevensanalyse zelf, kan AI je helpen brainstormen, Excel-formules schrijven en rommelige gegevens herformateren—vraag gewoon om verduidelijkingen zodat je het proces begrijpt
Validatie bouwt vertrouwen op maar elimineert verantwoordelijkheid niet : Je bent nog steeds verantwoordelijk voor het controleren dat resultaten logisch zijn en transparant te zijn over AI's rol

Oefening 1: Berichtgeving-analyse

Deze oefening gebruikt gegevens met lager risico (je eigen openbare communicatie) om de Description-Discernment loop voor gegevensanalyse te oefenen.

Deel I: Verzamel je gegevens

Verzamel 10-20 voorbeelden van de communicatie van je organisatie—social media-berichten, onderwerpsregels van e-mails, nieuwsbriefkoppen of evenementaankondigingen. Neem een mix op van wat je beschouwt als goed presterende en minder goed presterende inhoud.

Deel II: Analyseer met AI

Deel je dataset met AI en vraag het om patronen te identificeren:

Welke thema's of onderwerpen verschijnen in je beter presterende inhoud?
Welke taal-, toon- of opmaakpatronen komen naar voren?
Zijn er gaten tussen wat je communiceert en wat aanslaat?

Deel III: Pas Discernment toe

Evalueer AI's analyse:

Komen de geïdentificeerde patronen overeen met je intuïtie over wat werkt?
Welke context mist AI over je publiek of doelstellingen?
Zijn er patronen die AI heeft geïdentificeerd die je verrassen?

Reflectie:

Wat probeer je van je dataset te leren?
Hoe sluit beter presterende inhoud aan bij je authentieke stem en organisatiewaarden?
Bereik je het juiste publiek?

Strekdoel : Gebruik AI om te controleren hoe je berichtgeving zich verhoudt tot de uitgesproken missie en waarden van je organisatie, vind discrepanties en maak een berichtgevingsgids op basis van de analyse.

Oefening 2: Doneurgeefpatronen analyseren

Deze oefening past gegevensanalysevaardigheden toe op gegevens met hoog risico voor fondsenwerving, voortbouwend op de praktijken voor gegevenshygiëne uit les 5.

Deel I: Bereid je gegevens voor

Gebruik de geanonimiseerde doneursdataset uit les 5, of bereid een nieuwe voor door persoonlijk identificeerbare informatie te verwijderen. Zorg ervoor dat je historische gegevens over meerdere perioden hebt.

Deel II: Analyseer met AI

Vraag AI om patronen te identificeren in:

Doneurretentiecijfers in de loop van de tijd
Terugkerende versus eenmalige donatiepartronen
Vergelijkingen van campagneeffectiviteit
Geeftrends per bedragareas

Deel III: Pas Discernment toe

Evalueer AI's bevindingen kritisch:

Komen de trends overeen met wat je over je doneurbestand weet?
Richt AI zich alleen op geldwaarde en mist het relatiefactoren?
Welke patronen zouden helpen om doneurrelaties te versterken, niet alleen inkomsten te maximaliseren?

Reflectie:

Wat kunnen de kosten van het implementeren van efficiëntieaanbevelingen zijn? (bijv. Als bevindingen suggereren zich op grote donateurs te concentreren ten koste van kleine donateurs, wat is de impact op gemeenschapsperceptie of duurzaamheid op lange termijn? )
Welke patronen zouden helpen om relaties met donateurs te versterken buiten alleen geefbedragen?

Oefening 3: Trendanalyse om behoeften van de gemeenschap te anticiperen (strekdoel)

Deze geavanceerde oefening combineert meerdere gegevensbronnen om predictieve analyse te oefenen—een zeer gevraagde mogelijkheid.

Deel I: Verzamel diverse bronnen

Verzamel informatie die je al gebruikt om behoeften van de gemeenschap te begrijpen:

Je eigen programmagegevens en serviceverzoeken
Externe rapporten of datasets over je gemeenschap
Nieuws- of beleidssontwikkelingen die je achterban beïnvloeden

Deel II: Analyseer op opkomende patronen

Vraag AI je te helpen identificeren:

Trends in de soorten ondersteuning die mensen aanvragen
Externe factoren die vraag kunnen verhogen of veranderen
Gaten tussen huidige diensten en opkomende behoeften

Deel III: Pas rigoureuze Discernment toe

Deze analyse vereist het hoogste niveau van kritische evaluatie:

Hoe vergelijken AI's voorspellingen met je directe ervaringen in de gemeenschap?
Welke systeemfactoren of lokale context zou AI kunnen missen?
Welke waarden moet je in gedachten houden terwijl je behoeften van de gemeenschap met waardigheid en respect anticipeert?

Reflectie:

Hoe kun je dit proces verantwoord benaderen?
Welke factoren en systeemkwesties kunnen verklaren of contextualiseren wat AI niet kan?

Lesreflectie

Hoe veranderde het testen van AI tegen gegevens die je al begreep je vertrouwen in het gebruik ervan voor nieuwe analyse?
Welke gaten of beperkingen heb je geïdentificeerd die zullen bepalen hoe je gegevensanalysetaken in de toekomst delegeert?

Wat komt volgende

In de volgende les kijken we naar workflowautomatisering—hoe je dezelfde principes toepast wanneer AI routinetaken namens je uitvoert, waardoor je tijd vrijkomt voor impactvoller werk.

Feedback

Terwijl je door de cursus vordert, horen we graag van je hoe je concepten uit de cursus in je werk gebruikt en eventuele feedback die je hebt. Deel je feedback hier.

Dankbetuigingen en licentie

Copyright 2025 Anthropic en Giving Tuesday. Gebaseerd op het AI Fluency Framework ontwikkeld door Prof. Rick Dakan (Ringling College of Art and Design) en Prof. Joseph Feller (University College Cork). Uitgebracht onder de CC BY-NC-SA 4. 0 licentie.