AI-фандрайзинг для НКО: персоналізація звернень і прогнозування

AI-система фандрайзингу та роботи з донорами

Типова CRM зберігає тисячі контактів, але ручне сегментування дає лише 25% утримання після першого пожертвування. Модель машинного навчання з RFM-аналізом (recency, frequency, monetary) та LLM для генерації листів підіймає retention до 45–55% — це в 1.5–2 рази вище, ніж у традиційних масових розсилок. Дослідження Nonprofit Trend Report. Ми впровадили такі рішення для 10+ НКО з гарантією зниження Cost Per Dollar Raised на 30%.

Система аналізує історію пожертвувань, сезонність та тренди, потім через LLM генерує персоналізовані звернення з оптимальною сумою запиту. Донори відчувають індивідуальний підхід і охоче жертвують знову. Середній чек донорів сегмента loyal досягає $85, а retention — 55%.

Як модель прогнозує схильність до повторного пожертвування?

Основа системи — градієнтний бустинг над RFM-ознаками, доповнений трендом донацій та сезонністю. Модель видає ймовірність наступного пожертвування протягом 90 днів і розбиває донорів на чотири сегменти: lapsed, occasional, regular, loyal. Для кожного сегмента автоматично розраховується запропонована сума запиту (середній чек × 1.2, округлений до десятків).

import numpy as np import pandas as pd from sklearn.ensemble import GradientBoostingClassifier from anthropic import Anthropic import json class DonorPropensityModel: """Предсказание вероятности следующего пожертвования""" def __init__(self): self.model = GradientBoostingClassifier( n_estimators=200, learning_rate=0.05, max_depth=4, random_state=42 ) def build_rfm_features(self, donor_history: pd.DataFrame) -> pd.DataFrame: """RFM + дополнительные признаки для фандрайзинга""" today = pd.Timestamp.now() donor_stats = donor_history.groupby('donor_id').agg( recency=('donation_date', lambda x: (today - x.max()).days), frequency=('donation_id', 'count'), monetary=('amount', 'sum'), avg_donation=('amount', 'mean'), last_amount=('amount', 'last'), max_donation=('amount', 'max'), first_donation_days=('donation_date', lambda x: (today - x.min()).days), ).reset_index() # Тренд: растут ли суммы? def donation_trend(group): if len(group) < 3: return 0 x = np.arange(len(group)) y = group['amount'].values return np.polyfit(x, y, 1)[0] # Slope trends = donor_history.groupby('donor_id').apply(donation_trend) donor_stats['donation_trend'] = donor_stats['donor_id'].map(trends).fillna(0) # Сезонность: давал ли в конце года (высокий сезон для НКО)? year_end = donor_history[donor_history['donation_date'].dt.month.isin([11, 12])] year_end_donors = set(year_end['donor_id']) donor_stats['gives_year_end'] = donor_stats['donor_id'].isin(year_end_donors).astype(int) return donor_stats def predict_next_gift(self, donors: pd.DataFrame) -> pd.DataFrame: """Скоринг вероятности следующего пожертвования (90 дней)""" features = self.build_rfm_features(donors) feature_cols = ['recency', 'frequency', 'monetary', 'avg_donation', 'donation_trend', 'gives_year_end'] X = features[feature_cols].fillna(0) probs = self.model.predict_proba(X)[:, 1] features['propensity_score'] = probs features['ask_amount'] = self._suggest_ask_amount(features) features['donor_tier'] = pd.cut( probs, bins=[0, 0.2, 0.5, 0.75, 1.0], labels=['lapsed', 'occasional', 'regular', 'loyal'] ) return features def _suggest_ask_amount(self, donors: pd.DataFrame) -> pd.Series: """Предлагаемая сумма запроса: слегка выше средней""" return (donors['avg_donation'] * 1.2).round(-1) # Округляем до десятков class PersonalizedDonorOutreach: """Персонализированные обращения к донорам""" def __init__(self): self.llm = Anthropic() def generate_appeal(self, donor: dict, campaign: dict, ask_amount: float) -> dict: """Персонализированное письмо для донора""" response = self.llm.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=350, messages=[{ "role": "user", "content": f"""Write a personalized fundraising appeal in Russian. Donor profile: - Name: {donor.get('first_name', 'Друг')} - Giving history: {donor.get('frequency', 1)} gifts, average ${donor.get('avg_donation', 50):.0f} - Last gift: {donor.get('last_amount', 50)} {donor.get('recency', 30)} days ago - Main interests: {donor.get('cause_interests', ['general support'])} Campaign: {campaign.get('name')} Campaign story: {campaign.get('impact_story', '')[:200]} Ask amount: ${ask_amount:.0f} Write: 1. Personal opening (acknowledge their history) 2. Impact story (specific, emotional) 3. Clear ask with specific amount and its impact 4. Warm closing Max 200 words. No generic phrases.""" }] ) subject_response = self.llm.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=50, messages=[{ "role": "user", "content": f"Write a compelling email subject line in Russian for this fundraising appeal. Max 50 chars. Campaign: {campaign.get('name')}. Donor's interests: {donor.get('cause_interests', [])}." }] ) return { 'subject': subject_response.content[0].text.strip(), 'body': response.content[0].text, 'ask_amount': ask_amount, 'donor_id': donor.get('id') } def determine_best_channel(self, donor: dict) -> str: """Канал коммуникации на основе истории отклика""" response_rates = donor.get('channel_response_rates', {}) if not response_rates: return 'email' return max(response_rates, key=response_rates.get) 

Чому персоналізація суми запиту підвищує конверсію?

Зазначимо: коли донору пропонують конкретну суму з прив'язкою до його попередніх пожертвувань та впливу, конверсія зростає на 15–25%. Стандартні звернення «Підтримайте нас будь-якою сумою» програють у 2,5 рази цільовим запитам. Модель підбирає суму трохи вище середньої історії донора — це сприймається як природне продовження його підтримки. Персоналізоване звернення із запропонованою сумою дає конверсію в 2,5 рази вище, ніж загальний запит.

Проблеми, які вирішуємо: від холодного старту до низького retention

• Холодний старт: якщо донор зробив лише одне пожертвування, модель використовує демографічні дані та інтереси для первинної оцінки.
• Дисбаланс класів: лише 30% донорів повторюють пожертвування — ми застосовуємо зважену метрику та oversampling.
• Мультиканальність: система визначає найкращий канал (email, SMS, push) на основі історії відгуку, що підвищує відкриваність на 40%.
• Дрейф моделі: з часом поведінка донорів змінюється — MLOps для НКО включає моніторинг та автоматичне перенавчання моделі кожні 3 місяці.

Як ми будуємо AI-систему фандрайзингу: стек та процес

Використовуваний стек: Python, scikit-learn, Hugging Face Transformers, Anthropic API, MLflow для MLOps, Docker для деплою. Модель у продакшені обробляє до 10 000 донорів на хвилину з p99 latency <200 мс.

Процес впровадження: від аудиту до моніторингу

1. Аудит даних: перевіряємо історію транзакцій, повноту та якість. Виявляємо пропуски та дублі.
2. Побудова RFM-ознак: автоматично розраховуємо recency, frequency, monetary, тренд, сезонність. Інтегруємо з вашою CRM (Salesforce, Raisers Edge або власною).
3. Навчання моделі: градієнтний бустинг з крос-валідацією, цільова метрика — AUC >0.85, precision@top20% >0.6. Підбір гіперпараметрів через Optuna.
4. Інтеграція з LLM: налаштовуємо промпти для генерації персоналізованих листів з урахуванням історії донора та кампанії. Тестуємо на 100 випадкових записах.
5. A/B-тестування: запускаємо пілот на одному сегменті (10–20% бази) на 2 тижні. Порівнюємо retention та average gift.
6. Моніторинг та ретаргетинг: розгортаємо дашборд метрик (retention, CPDR, distribution по сегментах). Налаштовуємо алерти при дрейфі моделі.

Що входить в проєкт

• Модель схильності до пожертвування (експорт в ONNX/PMML)
• Скрипти для batch- та real-time скорингу через REST API
• Шаблони персоналізованих листів з інтеграцією через Claude API
• Дашборд метрик в Power BI або Grafana (на вибір)
• Документація з експлуатації та регламент ретрейнінгу
• Навчання команди фандрайзингу (2–3 воркшопи)

Орієнтовні терміни

Від 2 тижнів (пілот на одному сегменті) до 2 місяців (повномасштабна система з моніторингом). Вартість розраховується індивідуально і залежить від обсягу даних, кількості інтеграцій та необхідної інфраструктури.

Типові помилки при впровадженні AI-фандрайзингу

• Ігнорування сезонності: до 40% річних пожертвувань припадає на листопад–грудень. Якщо модель не враховує це, оцінки стають зміщеними.
• Вибір лише email як каналу: SMS має в 2 рази вищу відкриваність у молодих донорів. Модель повинна підбирати канал автоматично.
• Відсутність трекінгу дрейфу: поведінка донорів змінюється (економічні кризи, зміна місії НКО). Без ретрейнінгу модель втрачає точність за 6 місяців.

Отримайте консультацію з впровадження AI-фандрайзингу — ми проаналізуємо ваші дані та запропонуємо рішення під ключ. Замовте пілотний проєкт для вашої НКО, щоб оцінити ефект на реальній базі.