Come arricchire la segmentazione e aumentare le donazioni

Aggiornamento: set 10

Marica Acconcia - Marketing Manager, W-Mind. Master, Business Administration


La segmentazione nel Fundraising


La segmentazione nel fundraising è la suddivisione della popolazione di riferimento di un'organizzazione in sottoinsiemi o segmenti omogenei tra loro, sulla base di specifiche variabili in comune, come la modalità di donazione o la risposta ad una specifica creatività. La segmentazione è quindi un elemento fondamentale per qualsiasi strategia di fundraising, che sia di direct marketing, online o telemarketing.


La segmentazione del database fundraising è utile alle organizzazioni per comprendere meglio i propri donatori, e per produrre delle creatività specifiche e personalizzate per ogni segmento, con l'obiettivo strategico di attirare in maniera più efficace le donazioni. Come si sa migliore è la personalizzazione delle creatività, maggiore è la probabilità per la ONG di ottenere donazioni. Nonostante questo, è impossibile per l’organizzazione mandare una lettera diversa e personalizzata per ogni singolo donatore con esigenze e preferenze specifiche, per questo motivo esiste la segmentazione del database, in cui un sottoinsieme di donatori viene selezionato sulla base di alcune di regole o caratteristiche.


La segmentazione classica solitamente suddivide il database di una organizzazione in differenti segmenti, ognuno caratterizzato da una variabile in comune, come la recenza della donazione (Recency), la frequenza della donazione (Frequency), e infine il valore monetario della donazione (Monetary Value).


Per esempio:

  • Middle donors

  • One-off attivi

  • Regolari attivi

  • Inattivi recenti

  • Inattivi profondi



The One Variable Problem


Per quanto utile la segmentazione classica ha un forte limite: crea una visione povera dei donatori, che rischia di far fare alle organizzazioni scelte strategiche e creative meno in linea con il profilo dei sostenitori a cui si stanno rivolgendo. I segmenti presentati sopra, prendono in considerazione solo una o due variabili del donatore, ad esempio nel caso dei Middle Donors solo la variabile della monetary value viene presa in considerazione (es. È middle donors qualsiasi donatore attivo con una monetary tra 400 e 1000 euro)La problematica in questo caso è la divisione dei vari donatori solo in base a una o massimo due variabili. Questa operazione porta inevitabilmente alla costruzione di una profilazione della persona decisamente scarna rispetto a ciò che si potrebbe davvero comprendere del donatore se si considerasse più di un unica variabile comune. Da qui la denominazione “The one variable problem”, dato che è più difficile convertire e convincere una persona conoscendo una sola caratteristica sulla stessa.


Per esempio, oltre alla frequenza e al valore dei doni che un donatore ha fatto, ci sono molte altre informazioni che potrebbero essere importanti, come:

  • L'età, il sesso e la residenza del donatore

  • Quante e-mail, telefonate e lettere hanno ricevuto in precedenza

  • Quali cause stanno a cuore al donatore

  • In quale periodo dell'anno preferiscono donare

  • Ogni quanti giorni donano

  • Etc..


Quindi segmentando maggiormente e in maniera più accurata il database è possibile fare molto di più in termini di impatto. Ma si possono aggiungere questi dati supplementari alla segmentazione? Con quali si dovrebbe iniziare? Esiste una tecnica di segmentazione che tiene in considerazione tutte le variabili e che ci consente di creare dei segmenti effettivi, mantenendo un numero limitato in modo da essere gestibile dall’organizzazione? Come risolvere questo problema?



La differenza dell’intelligenza artificiale


L’utilizzo dell’intelligenza Artificiale, al contrario della segmentazione classica, consente di analizzare il database facendo emergere un numero limitato di profili, facilmente gestibili dall’organizzazione e caratterizzati da una moltitudine di caratteristiche comuni. L’intelligenza artificiale rileva automaticamente tutti i differenti gruppi di comportamento tra i donatori e li restituisce all’organizzazione sotto forma di segmenti di grandi dimensioni caratterizzati da molteplici comportamenti comuni. Di conseguenza si creano dei clusters, che sono molto più performanti rispetto alla segmentazione classica, perché caratterizzati da insight ricchi, profondi e azionabili.

dataset di una ONG segmentato con l’intelligenza artificiale.
Sopra un dataset di una ONG segmentato con l’intelligenza artificiale.


CASE STUDY - Crescere la raccolta fondi grazie alla segmentazione con AI

A sinistra una rappresentazione dei donatori del database in due dimensioni. A destra il database segmentato dopo l’analisi con intelligenza artificiale I donatori sono stati divisi in 5 segmenti ognuno caratterizzato da 6 comportamenti comuni (es. Stessa monetary, stessa anzianità crm, stesso canale di ingresso, stesse cause di interesse)
A destra il database segmentato in 5 cluster dopo l’analisi con intelligenza artificiale

Ora guardiamo ad un Case Study di W-Mind su una ONG di medie dimensioni attiva in Italia. L’organizzazione partiva da una segmentazione classica che divideva i gruppi di donatori tramite le variabili RFM presentate sopra (quindi con una sola variabile comune)


W-Mind ha deciso di applicare al database dell’organizzazione una Cluster Analysis utilizzando l’intelligenza artificiale, in modo da conoscere meglio il middle donors. Di conseguenza, la clusterizzazione dei donatori ha prodotto cinque diversi clusters:

  • Impegnati (pseudo regolari)

  • Nuovi Donatori Feste

  • Semi-Impegnati

  • Nuovi donatori natale 2019 non ingaggiati

  • Fedeli Mancati


Differenza tra Segmentazione Classica e con Intelligenza Artificiale
Differenza tra Segmentazione Classica e con Intelligenza Artificiale

I diversi clusters trovati da W-Mind tramite l’utilizzo dell’intelligenza artificiale presentano caratteristiche specifiche e uniche, che non sarebbe stato possibile rilevare clusterizzando il database manualmente. Nelle immagini sottostanti sono rappresentati i diversi clusters, e ogni punto all’interno delle box rappresenta una caratteristica unica di quel cluster.

Ad esempio il cluster degli impegnati (pseudo-regolari) è composto da donatori con la maggiore anzianità nel CRM pari a circa 13 anni, che donano ogni anno in media 300€, e hanno il numero più alto di donazioni totali rispetto agli altri clusters. Questo primo cluster è rappresentativo del 38% dei donatori nel database dell’organizzazione.



Grazie alla segmentazione del database fundraising performato con l’intelligenza artificiale, è stato possibile estrarre da ognuno di questi cluster degli insight rilevanti sui donatori, utili per rendere più efficaci le strategie di marketing da attuare per rinforzare il legame dell’organizzazione con i propri donatori. Alcuni esempi di insight rilevati dai clusters possono essere ad esempio ringraziare gli Impegnati del loro impegno decennale, o provare a generare una nuova donazione fuori periodo per i Fedeli mancati. Questa metodologia ha consentito all’ONG di realizzare circa 100k in più all’anno (+20% degli introiti da direct marketing).


Da questo esempio si può vedere come il machine learning può risolvere il "One variable problem", segmentando i donatori in modo molto più accurato in base a molteplici caratteristiche in comune e non solo tramite un’unica variabile. Comprendendo meglio i propri donatori l’organizzazione ha la possibilità di creare campagne di raccolta fondi personalizzate per attirare i vari clusters, facendo in modo di aumentare le donazioni e non sprecare risorse preziose indirizzando determinate creatività a cluster che non ne sarebbero attirati o influenzati.


In questo modo, tramite l’utilizzo della clusterizzazione, le campagne di raccolta fondi riescono meglio a comprendere i donatori, producono creatività più personalizzate e adatte ai vari segmenti, con l’obiettivo di attirare in maniera più efficace lo specifico cluster per cui è stata creata, e di conseguenza restituiscono più donazioni all'organizzazione per sostenere una causa importante.



Vuoi scoprire di più sulla Cluster Analysis?


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




14 visualizzazioni0 commenti

Post recenti

Mostra tutti