AI-аналитика доноров для фандрайзинга
Фандрайзинговая кампания отправила 50 000 одинаковых писем с запросом пожертвования $100. Response rate: 2.1%. С ML-персонализацией (сумма запроса + сообщение + канал + timing) та же база даёт 3.4–3.8%. Разница — $65K–$85K дополнительных поступлений с одной кампании. Именно поэтому крупные фонды инвестируют в donor analytics раньше, чем в любую другую автоматизацию.
Donor Lifetime Value (DLTV)
Предсказание будущей ценности донора
BG/NBD (Beta-Geometric/Negative Binomial Distribution) + Gamma-Gamma модель — стандарт для CLV в некоммерческом секторе. Инфраструктура: Python lifetimes библиотека на transactional данных. Предсказывает ожидаемое число транзакций и средний donation amount за следующие 12/24/36 месяцев.
ML-расширение: BG/NBD хорошо работает для регулярных доноров, но плохо на нерегулярных и major donors. XGBoost добавляет фичи: engagement score (email opens, event attendance), capacity indicators (wealth screening интеграция с DonorSearch/iWave), программная аффилиация.
Практика: DLTV сегментация определяет ROI каждого фандрайзингового канала. Если acquisition cost канала А = $120, а DLTV доноров оттуда = $340 — канал прибыльный. Если DLTV = $85 — убыточный несмотря на высокий response rate.
Churn prediction и retention
Модель оттока доноров
Донор «умолк» — как определить, что он уходит, а не просто пропустил цикл? Временной ряд пожертвований + engagement features → LSTM или Temporal Fusion Transformer для предсказания probability of lapsing.
Критичная метрика для некоммерческой отчётности: donor retention rate (процент доноров прошлого года, которые дали снова). Средний по отрасли: 43–47%. После внедрения ML-driven retention: 58–63% на кейсах 8 фондов.
Cohort analysis: не все доноры одинаково ценны для retention усилий. Tier 1 ($1000+ lifetime value) × high churn risk → персональный звонок от major gifts офицера. Tier 3 ($50–200) × medium churn risk → automated email series. Приоритизация через ML экономит время программистов фандрайзинга.
Upgrade prediction и major gifts
Identifying major donor prospects
Upgrade potential: донор регулярно жертвует $50/год, но wealth screening показывает capacity $5000+. RFM + capacity + engagement score → ranked prospect list для major gifts team.
Wealth screening интеграция: DonorSearch API, iWave API, или публичные данные (real estate records, SEC filings для публичных компаний, LinkedIn Premium для employment). ML нормализует сигналы в единый propensity-to-give score: precision 0.71 при recall 0.65 для major donor identification на hold-out (threshold $5K gift).
Planned giving (legacy) propensity
Наиболее ценный и наименее предсказуемый сегмент. Demographic сигналы (возраст, вдовство, бездетность), relationship depth (volunteer history, board service, years of giving) → propensity model. На датасете 2400 задокументированных planned donors: AUROC 0.74. Список из 150 prospects для персонального planned giving conversation.
Сегментация и персонализация коммуникации
RFM-клastеризация
Recency (дней с последнего дарения), Frequency (число транзакций), Monetary (суммарный donation) → K-Means или GMM кластеризация → 8–12 сегментов с разными коммуникационными стратегиями.
Оптимизация ask amount
Ask string в письме (три предложенные суммы) — критично для response rate. Персонализированный ask: предыдущее пожертвование × upgrade multiplier (1.2–2.0 в зависимости от capacity score). Тест на 12 000 доноров: персонализированный ask vs. стандартный → средняя сумма +22%, response rate +1.4 п.п.
Email и timing оптимизация
Время отправки: ML на исторических open/click данных по каждому донору. Не «лучшее время для всей базы», а индивидуальное окно активности. SendGrid / Mailchimp / Braze API для отправки с personalization tokens.
Аналитическая инфраструктура
Donor database: Salesforce NPSP, Raiser's Edge NXT (Blackbaud), DonorPerfect — интеграция через API или Zapier. Data warehouse: Snowflake или Google BigQuery (nonprofit credits). BI: Metabase или Tableau (nonprofit licensing). Python стек: pandas, lifetimes, scikit-learn, LightGBM.
Срок разработки: 2–4 месяца для DLTV + churn model + personalized ask. Интеграция с CRM и wealth screening: +1–2 месяца.