使用AI进行数据分析

你将学到什么

预计时间：50分钟

通过本课程，你将能够：

• 运用委托-审慎循环系统验证AI对你特定工作的分析能力
• 应用描述与洞察技术识别数据模式，同时认知AI的局限性
• 通过测试已知数据建立对AI辅助分析的信心

AI数据分析

(7分钟)

本视频解答非营利专业人士使用AI分析数据时的核心问题：如何确信结果可信？你将跟随退伍军人服务谷地的项目主管Rio，看他如何运用委托-审慎循环，在已知答案的历史数据上系统验证AI的分析能力。视频展示如何通过测试建立信心、识别能力缺口，并形成可应用于新数据的可靠方法。

关键要点

• 用已知数据测试AI：在信任AI处理新分析前，先用已知结果的数据验证。如果AI能在适当指导下匹配已知结果，就能放心用于类似未来任务
• 运用洞察力识别AI推理缺陷：测试时注意AI遗漏的重要背景和你需要补充的描述
• 建立验证方法而非盲目信任：每轮测试都让你更了解AI的强项和所需指导。记录有效方法以便复用
• AI能帮助数据新手：即使你不擅长数据分析，AI也能协助构思方案、编写Excel公式、整理混乱数据——只需持续要求解释以确保理解过程
• 验证建立信心但不免除责任：你仍需负责核对结果合理性并透明说明AI的作用

练习1：传播内容分析

本练习使用低风险数据（自有传播内容）实践描述-洞察循环分析。

第一部分：收集数据

收集10-20个组织传播案例——社交媒体帖文、邮件主题、简报标题或活动公告。包含你认为效果较好和较差的内容样本。

第二部分：AI分析

将数据集交给AI并要求识别模式：

• 高传播效果内容有哪些共同主题？
• 呈现哪些语言风格或排版规律？
• 你的传播内容与受众共鸣点之间存在哪些差距？

第三部分：应用洞察力

评估AI分析：

• 识别出的模式是否符合你的直觉判断？
• AI遗漏了哪些关于受众或目标的背景？
• 是否有令你意外的识别模式？

反思：

• 你希望从数据中获得什么认知？
• 高传播效果内容如何与组织真实声音和价值观保持一致？
• 是否触达了目标受众？

进阶目标：用AI审计传播内容与组织使命价值观的契合度，发现偏差并制定传播指南。

练习2：捐赠模式分析

本练习将数据分析技能应用于重要募捐数据，基于第5课的数据清洁实践。

第一部分：准备数据

使用第5课脱敏的捐赠数据集，或新准备去除个人身份信息的数据。确保包含跨时段的历史捐赠记录。

第二部分：AI分析

要求AI识别以下模式：

• 捐赠者留存率随时间变化
• 定期捐赠与单次捐赠模式对比
• 募捐活动效果比较
• 不同金额区间的捐赠趋势

第三部分：应用洞察力

批判性评估AI发现：

• 趋势是否符合你对捐赠者群体的了解？
• AI是否只关注金额而忽略关系因素？
• 哪些模式能强化捐赠者关系而非仅提升收益？

反思：

• 实施效率建议可能产生哪些成本？（例如若结论建议重视大额捐赠者而忽视小额捐赠，对社区认知或长期可持续性有何影响？）
• 哪些模式能超越捐赠金额强化捐赠者关系？

练习3：需求趋势预测分析（进阶）

本高级练习整合多源数据实践预测分析——这是高频需求功能。

第一部分：收集多元数据

整理现有社区需求认知材料：

• 自有项目数据与服务请求
• 社区相关外部报告或数据集
• 影响服务对象的新闻或政策动态

第二部分：分析新兴模式

要求AI协助识别：

• 服务请求类型的变化趋势
• 可能改变需求的外部因素
• 现有服务与新兴需求间的差距

第三部分：严格应用洞察力

此类分析需要最高标准的批判评估：

• AI预测与你的直接社区经验相比如何？
• AI可能忽略哪些系统因素或本地背景？
• 预测社区需求时应秉持哪些尊严与尊重的价值观？

反思：

• 如何负责任地开展此过程？
• 哪些因素和系统问题能解释AI无法捕捉的背景？

课程反思

• 用已知数据测试AI如何改变你对新分析任务的信心？
• 发现哪些缺陷将影响未来委托AI处理数据分析的方式？

后续内容

下节课我们将探讨工作流自动化——当AI代你处理常规任务时，如何应用相同原则来释放时间投入更高价值的工作。

反馈

课程进行中，我们期待了解你如何应用课程概念，以及任何改进建议。反馈请提交此处。

版权声明

_版权2025 Anthropic与Giving Tuesday。基于Rick Dakan教授（瑞林艺术设计学院）与Joseph Feller教授（科克大学）开发的AI流畅度框架。采用CC BY-NC-SA 4. 0许可发布。_