Come trasformare i dati del CRM in nuove donazioni

Aggiornamento: set 10

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 non-profit dove l’attivazione dei donatori nel database alla ricerca di un nuovo valore è la spina dorsale della gran parte delle strategie di fundraising.

La sfida è quella di capire quali nominativi estrarre dal database per creare una lista direct mail o telemarketing ad alta conversione. Una buona lista significa una redemption rate performante e un aumento di donazioni. Una lista imprecisa può risultare in una perdita di income, un aumento dello stress del database e del Churn Rate (come indicato anche in questo studio della Harvard Business Review).



L’analisi RFM


Uno dei modi più semplici 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 problemi dell'RFM


L’analisi RFM non è la metodologia migliore per valutare il potenziale di conversione dei nominativi. Come mostrato da un recente caso studio di W-Mind, l'RFM ha avuto una redemption del 22% inferiore rispetto al Machine Learning - una tecnica di 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. Arbitrarietà nel peso assegnato alle dimensioni


Il primo forte limite 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).





Il Machine Learning


Il Machine Learning è una nuova metodologia predittiva che consente di estrarre liste ad alta redemption dal proprio database con maggiore precisione dell’RFM.


Marie Curie UK, per esempio, utilizza il Machine Learning 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.



L’analisi predittiva basata su Machine Learning 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.


Tre attività per trasformare i dati CRM in donazioni

1. Direct mail


Il direct mail è lo strumento principe dove il Machine Learning può portare risultati importanti rispetto all'RFM o altre metodologie. L'ONG può capire le date migliori per inviare i propri appelli, le numeriche ideali da includere nell'appello e le liste migliori per ogni campagna. Il tutto aumenta fortemente l'income dell'organizzazione.


2. Telemarketing - da one-off a regolare


Uno dei modi principali 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.


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.


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.


5 visualizzazioni0 commenti