2021 年寫過一篇「組織的捐款報表，要分析捐款人？還是分析捐款行為？」，當時借用資料分析的四大階段——描述、診斷、預測、指示——來談組織的捐款報表可以長什麼樣子。文章裡有一句：中間兩個階段（為什麼這個募款專案成效好、能不能預測募款成效）「可能是需要滿多的領域知識與資料分析技術/資源，才能夠應對」。
五年後，這句話可以改寫了。因為 AI 加上 MCP，組織跟資料的關係，正在從「看報表」變成「問問題」。
（先自首：這篇是老王賣瓜，因為講的是我們家 netiCRM 即將推出的新功能。但賣瓜之餘，希望整理的概念對用其他系統的組織也有參考價值。）
MCP 是什麼？AI 應用的 USB-C
MCP（Model Context Protocol）是由 Anthropic 發起的開放協定，讓 AI 工具可以用標準化的方式連接外部資料來源。官方文件的比喻是：MCP 之於 AI 應用，就像 USB-C 之於電子裝置——以前每接一種裝置要一條專用線，USB-C 出現後一個接口通吃；以前每接一種資料來源要開發一次客製整合，有了 MCP，接上就能用。過去要讓 AI 分析組織的捐款資料，得先把資料匯出成 Excel、再貼給 AI（然後個資就跟著出去了...），有了 MCP，AI 可以在設定好的權限範圍內直接查詢 CRM，中間不需要人工搬運資料。
我們在今年二月啟動了 netiCRM 的 MCP 支援測試，讓組織可以在 Claude 或 ChatGPT 裡，用自然語言直接問自己的捐款資料。
四大階段，現在用問的
回到當年的四大階段，以前每一階段都是一份要客製化產出的報表，現在變成四種可以直接開口問的問題：
- 描述：「近五年的捐款人年齡分布有什麼變化？」
- 診斷：「為什麼去年底的募款專案，定期定額轉換率比前年低？」
- 預測：「哪些特徵的捐款人最容易流失？」
- 指示：「如果要重新啟動沉睡捐款人，該優先聯繫哪一群人？」
四個階段受惠的方式不太一樣。描述與指示（第一和第四題），過去是格式固定的報表，想換個角度看就要重新客製，現在可以隨問隨答、不滿意就追問下去；診斷與預測（中間兩題），過去需要資料分析師花上數週的工作，現在 AI 可以在對話中完成初步分析。當然，AI 給的是分析草稿而不是標準答案，領域知識還是在組織自己身上——知道該問什麼問題、判斷答案合不合理，仍然是人的工作。
那，個資呢？
這大概是所有組織（包括我們自己）的第一個疑問。捐款人的個資不是組織「擁有」的資料，GDPR 那時候談過的「個資管家」概念，在 AI 時代只會更重要。
所以在設計 netiCRM Connector 的權限機制時，重點是「AI 到底看得到哪些資料、看不到哪些資料」：
- 資料櫥窗（View）：只展示分析所需的統計欄位，姓名、電話、Email、地址、身分證字號等直接識別個人的資料，一律不開放。
- 唯讀帳號：資料庫層面就禁止修改，AI 只能看、不能動。
- 權限繼承：Connector 的權限完全繼承組織在 netiCRM 裡開給帳號的權限設定，不會擴權。帳號沒有捐款模組權限，AI 就查不到捐款資料。
不論組織用的是哪一套系統，在把 AI 接上支持者資料之前，建議都用這三個問題檢查一次：AI 看得到哪些欄位？能不能改資料？權限是誰給的、範圍多大？
給組織的建議
- 先問「為什麼」再問「怎麼用」：跟上一篇談的一樣，先想清楚組織想回答什麼問題，工具才有意義。
- 資料品質是地基：AI 沒辦法從一團亂的資料裡變出洞察。捐款行為資料的收集與整理（捐款方式、頻率、金額、現況），還是要先做。（CRM幫你做）
- 個資保護先於分析需求：選擇工具時，把上面那三個檢查問題拿出來用。
- 小組織反而該試：這波工具降低的正是「請不起資料分析師」的門檻。我們也規劃了 Early Access 公益推廣計畫，希望降低組織嘗試的成本，敬請期待。
（本篇圖文為AI協作產出）
參考資料：
