photo-1523961131990-5ea7c61b2107-1

W-Mind

Blog

CASE STUDY:+29% conversion rate su appello lapsed con il Machine Learning

Di recente W-Mind ha collaborato con una grande ONG umanitaria attiva in cinquanta paesi, che si occupa della difesa dei diritti umani, per testare se il Machine Learning potesse migliorare ...
Continue Reading
Torna al Blog

+13% donazioni con il Machine Learning? Il caso di Greenpeace Australia (VLOG)

Carlotta Reggioli
Project Manager, W-Mind. Master, Economia e Management @UNINT.

Giulio Rosati, Co-founder e Head of Solutions di W-Mind, ci racconta come Greenpeace Australia è riuscita ad aumentare le sue donazioni nette da direct mail del +13% e la sua redemption rate del +30% passando da RFM a Machine Learning. Buona visione!

 

Negli ultimi giorni, Dataro - società australiana di consulenza al fundraising - ha pubblicato uno studio di grande rilevanza relativo a un lavoro svolto con Greenpeace Australia. 

Dataro ha lavorato con Greenpeace su un appello primaverile di direct mail. La cosa interessante è che per creare la lista di donatori a cui destinare l'invio delle lettere, l'organizzazione ha utilizzato una nuova tecnologia che si chiama Machine Learning, invece che il classico metodo dell'RFM. Il risultato? Greenpeace ha ottenuto +13% di ricavi netti nelle donazioni, +30% conversione e +22% RO (rispetto all'RFM).

Ma che cos'è il Machine Learning? In parole semplici è un insieme di algoritmi di intelligenza artificiale.

Noi esseri umani impariamo, e questo è una dei tratti fondamentali che ci caratterizza e ci distingue da tante altre specie. Impariamo prettamente dall'esperienza, dai tentativi e dagli errori. 

Gli algoritmi di Machine Learning, proprio come noi umani, studiano e imparano, ma dai dati, e svolgono gli obiettivi che gli vengono assegnati nella maniera più ottimale possibile. 

 

In che modo Il Machine Learning ha aiutato Greenpeace ad aumentare le donazioni?

 

La peculiarità del Machine Learning è che - al contrario dell'RFM - utilizza un numero molto elevato di variabili (30-40 variabili VS 3 dell'RFM) per segmentare i potenziali donatori da un database. 

Greenpeace ha fornito al sistema di Machine Learning il suo database contenente tutte le persone a cui ha fatto un appello di direct marketing negli ultimi anni, la relativa risposta alla richiesta di donazione e una serie di variabili che caratterizzano questi individui (dati socio-demografici, donazione media, frequenza di donazione etc.)

Il risultato: 

  • Il Machine Learning ha aiutato Greenpeace a trovare una lista di donatori giusta, densa di donatori potenziali.
  • Greenpeace ha ottimizzato i costi e realizzato +13% ricavi netti grazie a una lista più concentrata.
  • La conversione è aumentata del 30% rispetto all'RFM
  • +22% ROI Vs. RFM

Per scoprire di più su come il Machine Learning può aiutare la tua organizzazione a raccogliere più fondi con l'analisi del database donatori contattaci o prenota un check-up gratuito

 

Post consigliati

CASE STUDY:+29% conversion rate su appello lapsed con il Machine Learning

Di recente W-Mind ha collaborato con una grande ONG umanitaria attiva in cinquanta paesi, che si occupa d...
Continue Reading

Conoscere i propri donatori con la Cluster Analysis (VLOG)

Giulio Rosati, Co-founder e Head of Solutions di W-Mind, ci racconta come la Cluster Analysis basata sul ...
Continue Reading

+13% donazioni con il Machine Learning? Il caso di Greenpeace Australia (VLOG)

Giulio Rosati, Co-founder e Head of Solutions di W-Mind, ci racconta come Greenpeace Australia è riuscita...
Continue Reading