AI Fluency for Nonprofits ｜ Lesson 06「AI とともにデータ分析（Data analysis with AI）」
出典: Anthropic Academy ／ 2026-07-04
動画 7分（YouTube: Zzn-g8lvLMA）／ 想定学習時間 50分
日本語ナレッジ（本文の自然な全訳）
このレッスンで学べること
- Delegation–Diligence ループを使い、自分の具体的な業務に対して AI の分析能力を体系的に検証（validate）できる
- Description と Discernment を適用し、AI の限界を認識しながらデータのパターンを特定できる
- すでに理解しているデータに対してテストすることで、AI 支援分析への自信を築ける
動画の要旨（7分）
この動画は、非営利の実務者が AI でデータ分析をするときに直面する重要な問い——「結果を信頼していいと、どうやって分かるのか？」——を扱う。Valley Veterans Services のプログラムディレクターリオ（Rio）を追い、彼が 「答えをすでに知っている過去データ」を使って AI の分析能力を体系的に検証する様子を、Delegation–Diligence ループとともに見る。テストを通じて自信を築き、能力のギャップを特定し、新しいデータに自信をもって適用できるアプローチを育てる方法を示す。
キーテイクアウェイ
- すでに理解しているデータで AI をテストする：新しい分析を AI に信頼する前に、正しい結果を自分が知っている過去データで検証する。正しいガイダンスで AI がその既知の結果を再現できれば、似た将来のタスクに自信をもって使える。
- Discernment で AI の推論のギャップを特定する：テストしながら、AI が重要なコンテキストを取りこぼす箇所と、どんな追加 Description が必要かを記録する。
- 盲目的な信頼ではなく、検証済みのアプローチを築く：各テストラウンドが「AI が得意なこと・ガイダンスが要ること」を教えてくれる。うまくいく方法を文書化し、再現できるようにする。
- データが苦手でも AI は助けになる：自分がデータ分析に不慣れでも、AI は解決策のブレスト、Excel 数式の作成、乱れたデータの整形を助けてくれる——ただしプロセスを理解できるよう、絶えず説明を求めること。
- 検証は自信を築くが、責任を消しはしない：結果が筋が通っているか確認し、AI の役割について透明であることに、あなたは依然として責任を負う。
【対象別ポイント：非営利データ分析の倫理的重り】演習2の Discernment に「AI が金銭的価値だけに注目し、関係性の要因を見落としていないか」「収益最大化ではなく、寄付者との関係を強めるパターンは何か」が入る。さらに「効率化の推奨（例：大口寄付者に集中）を実装するコストは？ コミュニティの認識や長期的持続可能性への影響は？」まで問う——非営利ならではの、数字の裏にある人間関係と使命を守る視点。
演習1：メッセージング分析
より低ステークスなデータ（自団体の公開コミュニケーション）を使い、データ分析のための Description–Discernment ループを練習する。
パートI：データを集める
自団体のコミュニケーション例を10〜20件集める——SNS 投稿、メール件名、ニュースレターの見出し、イベント告知など。高パフォーマンスと低パフォーマンスと考えるものを混ぜる。
パートII：AI で分析する
データセットを AI に共有し、パターンの特定を依頼する：
- 高パフォーマンスのコンテンツに、どんなテーマ・トピックが出るか？
- どんな言語・トーン・フォーマットのパターンが浮かぶか？
- 「伝えていること」と「響いていること」のあいだにギャップはあるか？
パートIII：Discernment を適用する
AI の分析を評価する：
- 特定されたパターンは、「何が効くか」についての自分の直感と一致するか？
- 読者やゴールについて、AI が見落としているコンテキストは何か？
- AI が特定したパターンで、意外なものはあるか？
リフレクション：
- このデータセットから何を学ぼうとしているか？
- 高パフォーマンスのコンテンツは、自団体の真正な声・価値観とどう合致するか？
- 正しい読者に届いているか？
ストレッチゴール：AI に、自団体のメッセージングが「掲げるミッション・価値観」とどう比較されるかを監査させ、不一致を見つけ、分析からメッセージング・ガイドを作る。
演習2：寄付者の寄付パターンを分析する
データ分析スキルを高ステークスなファンドレイジング・データに適用し、レッスン5のデータ衛生の実践に積み上げる。
パートI：データを準備する
レッスン5でサニタイズした寄付者データセットを使う、または PII を取り除いて新しく用意する。複数の期間にわたる過去の寄付データを確保する。
パートII：AI で分析する
次のパターンの特定を AI に依頼する：
- 時間経過による寄付者リテンション率
- 継続寄付 vs 単発寄付のパターン
- キャンペーンの効果比較
- 金額レンジ別の寄付トレンド
パートIII：Discernment を適用する
AI の発見を批判的に評価する：
- トレンドは、自団体の寄付者ベースについて知っていることと一致するか？
- AI は金銭的価値だけに注目し、関係性の要因を見落としていないか？
- 単なる収益最大化ではなく、寄付者との関係を強めるのはどんなパターンか？
リフレクション：
- 効率化の推奨を実装するコストは何か？（例：小口寄付者を犠牲に大口寄付者へ集中する示唆が出た場合、コミュニティの認識や長期的持続可能性への影響は？）
- 寄付額を超えて寄付者との関係を強めるパターンは何か？
演習3：トレンド分析でコミュニティのニーズを先読みする（ストレッチゴール）
この上級演習は、複数のデータソースを組み合わせて予測的分析（predictive analysis）を練習する——非常に要望の多い能力。
パートI：多様なソースを集める
コミュニティのニーズを理解するために既に使っている情報を集める：
- 自団体のプログラムデータとサービス依頼
- コミュニティについての外部レポートやデータセット
- 構成員に影響するニュースや政策の動き
パートII：新たなパターンを分析する
次の特定を AI に手伝わせる：
- 人々が求めるサポートの種類のトレンド
- 需要を増やす・変えうる外部要因
- 現在のサービスと新たなニーズのギャップ
パートIII：厳密な Discernment を適用する
この分析は最高レベルの批判的評価を要する：
- AI の予測は、あなたの直接のコミュニティ経験とどう比較されるか？
- AI が見落としているかもしれない構造的要因やローカルな文脈は何か？
- 尊厳と敬意をもってコミュニティのニーズを先読みするために、どんな価値観を念頭に置く必要があるか？
リフレクション：
- このプロセスに、どうすれば責任をもって取り組めるか？
- AI が説明できないことを、どんな要因や構造的問題が説明・文脈化できるか？
レッスンの振り返り
- すでに理解しているデータで AI をテストしたことは、新しい分析に使う自信をどう変えたか？
- 今後データ分析タスクを委任する仕方を形づくる、どんなギャップや限界を特定したか？
次のレッスン
次はワークフロー自動化を見る——AI が定型タスクを代行するとき、同じ原則をどう適用し、より高インパクトな仕事のために時間を空けるかを学ぶ。
謝辞とライセンス
Copyright 2025 Anthropic and Giving Tuesday. Prof. Rick Dakan（Ringling College of Art and Design）と Prof. Joseph Feller（University College Cork）が開発した AI Fluency Framework に基づく。CC BY-NC-SA 4.0 で公開。
英語原文
Data analysis with AI
What you'll learn — Estimated time: 50 minutes. By the end of this lesson you'll be able to:
- Use the Delegation-Diligence loop to systematically validate AI's analytical capabilities for your specific work
- Apply Description and Discernment to identify patterns in your data while recognizing AI's limitations
- Build confidence in AI-assisted analysis by testing against data you already understand
Data analysis with AI (7 minutes)
This video addresses a critical question that nonprofit professionals face when using AI for data analysis: How do I know I can trust the results? You'll follow Rio, a program director at Valley Veterans Services, as he uses the Delegation-Diligence loop to systematically validate AI's analytical capabilities using past data where he already knows the answers. The video demonstrates how to build confidence through testing, identify capability gaps, and develop an approach you can apply to new data with confidence.
Key takeaways
- Test AI against data you already understand: Before trusting AI with new analysis, validate it using past data where you know the correct results. If AI can match your known results with the right guidance, you can confidently use it for similar future tasks
- Use Discernment to identify gaps in AI's reasoning: As you test, note where AI misses important context and what additional Description you need to provide
- Build validated approaches, not blind trust: Each testing round teaches you what AI does well and where it needs guidance. Document what works so you can replicate it
- AI can help even if you're not data-savvy: If you're not comfortable with data analysis yourself, AI can help brainstorm solutions, write Excel formulas, and reformat messy data—just keep asking for clarifications so you understand the process
- Validation builds confidence but doesn't eliminate responsibility: You're still accountable for checking that results make sense and being transparent about AI's role
Exercise 1: Messaging analysis
Part I: Gather your data — Collect 10-20 examples of your organization's communications—social media posts, email subject lines, newsletter headlines, or event announcements. Include a mix of what you consider high-performing and lower-performing content.
Part II: Analyze with AI — Share your dataset with AI and ask it to identify patterns:
- What themes or topics appear in your higher-performing content?
- What language, tone, or formatting patterns emerge?
- Are there any gaps between what you communicate and what resonates?
Part III: Apply Discernment — Evaluate AI's analysis:
- Do the identified patterns match your intuition about what works?
- What context is AI missing about your audience or goals?
- Are there patterns AI identified that surprise you?
Reflection:
- What are you trying to learn from your dataset?
- How does higher-performing content align with your authentic voice and organizational values?
- Are you reaching the right audience?
Stretch goal: Use AI to audit how your messaging compares with your organization's stated mission and values, find discrepancies, and create a messaging guide from the analysis.
Exercise 2: Analyzing donor giving patterns
Part I: Prepare your data — Use the sanitized donor dataset from Lesson 5, or prepare a new one by removing personally identifiable information. Ensure you have historical giving data across multiple time periods.
Part II: Analyze with AI — Ask AI to identify patterns in:
- Donor retention rates over time
- Recurring vs. one-time donation patterns
- Campaign effectiveness comparisons
- Giving trends by amount ranges
Part III: Apply Discernment — Critically evaluate AI's findings:
- Do the trends match what you know about your donor base?
- Is AI only focusing on monetary value, missing relationship factors?
- What patterns would help strengthen donor relationships, not just maximize revenue?
Reflection:
- What might the costs of implementing efficiency recommendations be? (e.g., If findings suggest focusing on major donors at the expense of small donors, what's the impact on community perception or long-term sustainability?)
- What patterns would help strengthen relationships with donors beyond just giving amounts?
Exercise 3: Trend analysis to anticipate community needs (stretch goal)
Part I: Gather diverse sources — Collect information you already use to understand community needs:
- Your own program data and service requests
- External reports or datasets about your community
- News or policy developments affecting your constituents
Part II: Analyze for emerging patterns — Ask AI to help you identify:
- Trends in the types of support people are requesting
- External factors that might increase or change demand
- Gaps between current services and emerging needs
Part III: Apply rigorous Discernment — This analysis requires the highest level of critical evaluation:
- How do AI's predictions compare with your direct community experience?
- What systemic factors or local context might AI be missing?
- What values do you need to keep in mind as you anticipate community needs with dignity and respect?
Reflection:
- How can you approach this process responsibly?
- What factors and systemic issues can explain or contextualize what AI cannot?
Lesson reflection
- How did testing AI against data you already understood change your confidence in using it for new analysis?
- What gaps or limitations did you identify that will shape how you delegate data analysis tasks in the future?
What's next — In the next lesson, we'll look at workflow automation—how to apply these same principles when AI handles routine tasks on your behalf, freeing up your time for higher-impact work.
Acknowledgments and license — Copyright 2025 Anthropic and Giving Tuesday. Based on the AI Fluency Framework developed by Prof. Rick Dakan (Ringling College of Art and Design) and Prof. Joseph Feller (University College Cork). Released under the CC BY-NC-SA 4.0 license.