writing_blog_29

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

Come trasformare i dati del CRM in nuove donazioni

Francesco Allegra
Co-founder & Head of Data Science @W-Mind. PhD, Matematica @Università di Roma

 

Vendere nuovamente a un consumatore (o donatore) già esistente ha una probabilità del 60-70%, rispetto a un 5-20% di vendere a un nuovo prospect. Questa è una realtà ben nota nel settore no-profit dove l’attivazione dei donatori nel CRM alla ricerca di nuovo valore è una pratica affermata.



La sfida è quella di capire quali nominativi estrarre dal CRM e fornire al team telemarketing per tentare la nuova conversione. Una buona lista significa una conversion rate performante e un aumento di donazioni. Una lista imprecisa può risultare in uno spreco di risorse lato telemarketing oltre che in perdite di marginalità e aumento del Churn Rate (come indicato anche in questo studio della Harvard Business Review). 

 

L’analisi RFM

Uno dei modi più semplici e validati per creare una buona lista di prospect è il metodo RFM (Recency, Frequency e Monetary Value). L’analisi RFM prende in considerazione tre variabili per dare un punteggio ai donatori presenti in database:

 

           1. Recency - Quando è stata l’ultima donazione?

  • Grado A recente
  • Grado B relativamente recente
  • Grado C non recente

           2. Frequency - Ogni quanto dona la persona?

  • Grado A molto frequente
  • Grado B mediamente frequente
  • Grado C poco frequente

    3. Monetary Value - Quant’è la donazione media?
  • Grado A alta
  • Grado B media
  • Grado C bassa

I donatori ricevono un punteggio RFM concatenando i loro valori per recency, frequency e monetary value. Per esempio un donatore grado AAA è un donatore altamente potenziale per ulteriori attività. 

 

I due principali problemi dell’RFM 

L’analisi RFM non è la metodologia migliore per valutare il potenziale di conversione dei nominativi. Come mostrato da un recente studio di Dataro, l'RFM ha ottenuto un ROI del 22% inferiore rispetto all'analisi predittiva (trattata nel prossimo paragrafo). 

Per quanto utile per la sua semplicità l’RFM ha il difetto di lasciare buona parte del potenziale di donazione sul tavolo a causa di due limiti:

 

1. Bias nel peso assegnato alle dimensioni 

Il primo è l’arbitrarietà dei pesi che vengono dati ai valori recency, frequency e monetary value come predittori di potenzialità del donatore. Nella maggior parte dei casi si sceglie di dare uguale importanza alle tre dimensioni (come visto nell’esempio sopra) anche se nessun dato suggerisce che tutte e tre le variabili debbano avere lo stesso grado di correlazione con la propensità a donare. Per esempio una persona con Recency grado C, Frequency grado B e Monetary Value grado A  potrebbe avere maggiore propensità di una persona con Recency A, Frequency A e Monetary value B.

 

2. Limitatezza delle informazioni

Il secondo problema è la limitatezza delle variabili utilizzate. L’RFM prende i considerazione solo tre variabili, lasciando inutilizzate altre dimensioni (demografica, geografica, mezzo di pagamento, canale di acquisizione) che sono invece forti predittori di propensità per cross-selling o upselling (Chorianopoulus, 2017). Analisi predittiva database fundraising CRM aumento donazioni machine learning

L’analisi predittiva

L’analisi predittiva è una nuova metodologia che consente di rankizzare i donatori per potenzialità di upselling e cross-selling con maggiore precisione dell’RFM. L’analisi predittiva aumenta la conversion e la marginalità totale delle operazioni di telemarketing da database.

Marie Curie UK, per esempio, utilizza algoritmi predittivi per capire su quali donatori concentrare gli sforzi di conversione. Action Aid Australia utilizza le stesse tecnologie per raccogliere più fondi per i diritti delle donne durante la stagione delle tasse Australiana.

Marie Curie utilizza la data science sul database donatori (CRM) per analizzare i dati e creare modelli predittivi per aumentare le donazioni

L’analisi predittiva è basata sull’uso di algoritmi di Machine Learning e riesce a superare i due problemi chiave della RFM. In primo luogo non è l’analista a dare un peso alle singole variabili ma un algoritmo statistico che studia i dati per capire quali sono i predittori più forti dell’azione di up-selling e quanto peso dare a ogni predittore. In seconda battuta la Predictive Analytics prende in considerazione tutte le decine di dimensioni contenute nel CRM per rankizzare gli utenti (socio-demo, geo, storia di donazione, donazione media, canale di acquisizione e molto altro) - fornendo un ranking di propensione molto più accurato e con maggiore conversion rate in fase di telemarketing. 

 

W-Mind aiuta le no-profit a condurre analisi predittive sul proprio CRM per identificare i donatori più propensi alle attività di telemarketing. La nostra soluzione UpRaise, consente di creare liste di nominativi ad alta conversione in maniera facile e veloce.

 

Tre attività per trasformare i dati CRM in donazioni 

 

1. Da one-off a regolare

Uno dei primi modi di estrarre valore dal CRM consiste nel chiamare i donatori one-off per proporre un rapporto di donazione regolare (definito ‘up-selling’ cioè passaggio da un prodotto base a uno di maggior valore).

 

Per creare la lista con il maggiore convertion rate occorre costruire un modello predittivo che valuti la propensione dei donatori one-off di passare alla donazione regolare. La lista dei donatori generato dal modello viene poi passato al team di telemarketing. 

 

Per costruire il modello con la massima accuratezza l’organizzazione può utilizzare dati storici di attività simili svolte in passato. Altrimenti può essere lanciata una campagna test dove un campione di donatori estratti casualmente vengono contattati con telemarketing. I risultati storici o quelli della campagna test diventano la base di partenza per il modello predittivo che imparerà a riconoscere il profilo del donatore che ha maggiore propensione per questo tipo di proposta.

 

2. Donazione d’emergenza

La crisi del COVID-19 ha generato una contrazione delle donazioni regolari e one-off a causa di a) chiusura degli uffici postali b) shift dell’attenzione dai problemi ordinari a quelli dell’emergenza globale. 

 

Mentre migliaia di persone smettono di donare per cause ordinarie, tante altre vivono in apprensione e coltivano il desiderio di fare la loro parte della gestione dell’emergenza. Le no-profit possono individuare questi donatori e chiedere loro una donazione one-off extra per aiutare l’organizzazione in un momento di difficoltà. 

 

Come nel caso precedente il primo step è creare una lista di donatori con la maggiore propensione a una donazione one-off di emergenza. La lista è creata tramite un modello predittivo che viene costruito a partire dai dati di una campagna test. 

 

3. Aumento della donazione mensile

Alcuni donatori regolari sono disponibili ad aumentare il contributo mensile se contattati telefonicamente. La sfida è trovare queste persone rendendo l’attività sostenibile ed evitando di indispettire donatori che hanno una bassa probabilità di accettare la proposta (o che magari sono in procinto di churn e presso i quali una richiesta ulteriore rischia di generare una rottura)

Anche qui occorre elaborare la lista a partire da un modello predittivo. La fonte dei dati può essere ancora una volta storica oppure provenire da una campagna test svolta dall’organizzazione. 

 

4. Regolari to one-off 

Le festività sono un’ottima occasione per contattare i donatori regolari e chiedere una donazione one-off in aggiunta al rapporto esistente. La proposta può essere quella dell’acquisto di un prodotto solidale a distanza, o semplicemente una richiesta di donazione extra. 

 

Per questo tipo di attività l’analisi predittiva supera ulteriormente l'RFM per conversione e totale donato. Mentre l’RFM monitora un generale valore del donatore, l’analisi predittiva può predire il valore del donatore rispetto a un'azione specifica - ad esempio l’acquisto di un prodotto solidale tramite telemarketing. 

 

Il donatore regolare che acquisterebbe volentieri un prodotto solidale via telefono non è necessariamente quello che dona di più o più frequentemente. Le caratteristiche geografiche, socio-demografiche o i canali di acquisizione potrebbero essere invece i predittori forti rilevati dall’algoritmo e utilizzati per comporre la lista di contatti utili.

 

Il futuro del fundraising

Le no-profit hanno costruito negli anni un grande valore, quello del CRM. Nei prossimi anni si affermeranno come leader nel fundraising le organizzazioni che sapranno sbloccare il valore delle proprie informazioni e costruire fonti di ricavi nuove ed addizionali. 

 

Vuoi scoprire i donatori più propensi per donazioni extra o aumento di donazione regolare sul tuo CRM? Prenota una videocall gratuita con uno Specialist W-Mind.

New call-to-action

 

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