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

Aggiornato il: giu 21

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.