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.

Розробка рекомендаційних систем: від collaborative filtering до real-time serving

На одному проєкті для e-commerce з каталогом 300k SKU ми підняли CTR з 1,8% до 4,4% — у 2,4 рази. Перший ривок дала колаборативна фільтрація замість «популярне за останні 7 днів», другий — додавання контентних ознак та re-ranking. Різниця між «показуємо популярне» і «показуємо персоналізоване» — вимірна та суттєва. Нижче — інженерний досвід, який допоміг це зробити, і архітектури, які реально працюють у продакшені.

Collaborative Filtering: матрична факторизація та нейронні підходи

Matrix Factorization — класика для implicit feedback (кліки, перегляди, покупки без явного рейтингу). ALS (Alternating Least Squares) у бібліотеці Implicit обробляє матриці user×item із сотнями мільйонів ненульових значень за хвилини на GPU. Latent factors 64–256, регуляризація λ=0.01–0.1 — стартові параметри. Проблема cold start: для нового користувача або товару немає історії — класичний CF безпорадний, потрібні контентні ознаки або гібрид.

Neural Collaborative Filtering (NCF) замінює скалярний добуток на нейромережу. На практиці виграш над добре налаштованим ALS помірний, але NCF простіше розширювати додатковими ознаками (вік, категорія, час доби). Sequence-aware моделі (SASRec, BERT4Rec) враховують порядок взаємодій — state-of-the-art для сесійних рекомендацій.

Як вибрати архітектуру рекомендаційної системи?

Відповідь залежить від даних, навантаження та вимог до холодного старту. Нижче — три основні підходи з критеріями вибору.

Гібридна архітектура на 20–40% ефективніша за чистий CF за покриттям long-tail — перевірено на каталогах від 100k SKU.

Content-Based Filtering: коли історії взаємодій мало

Content-based рекомендує на основі характеристик товарів, а не поведінки інших користувачів — вирішує cold start для нових items. Текстові ембединги через sentence-transformers (multilingual-e5-base, BGE-M3) → пошук схожих через FAISS IndexFlatIP — запит за <5 ms на 100k товарів. Item2Vec (Word2Vec на послідовностях переглядів) дає інтерпретовані «схожі товари» за пару годин навчання.

Структуровані ознаки (категорія, бренд, ціна) подаються через embedding layers або в gradient boosting — CatBoost працює з категоріями без ручного кодування.

Чому гібридні моделі працюють краще?

Production-системи майже завжди дворівневі. Stage 1 (Retrieval) — швидкий відбір 100–500 кандидатів із 300k товарів через ALS або Two-Tower модель з векторним пошуком (FAISS, Qdrant). Stage 2 (Ranking) — важкий ранжувальник на LightGBM або нейромережі з cross-features, часом, пристроєм та контекстом сесії. LightFM — хороша відправна точка для середнього масштабу без важкої інфраструктури. Наша практика показує: перехід від single-stage до two-stage дає приріст точності на 15–25% при зростанні latency всього на 20–30 мс.

Real-Time Serving: архітектура під навантаження

Latency SLA — 50–100 ms при тисячах запитів на секунду. Base-рекомендації precompute (batch job раз на годину) → Redis по user_id → <5 ms. Real-time re-ranking через Kafka для подій (кліки, додавання в кошик) → оновлення контекстних ознак. Feature serving — Redis з TTL (кількість переглядів за 24 години, останній клікнутий item). При навантаженні 10k req/s ставимо Redis Cluster з реплікацією.

A/B тестування — єдиний достовірний спосіб оцінити покращення. Офлайн-метрики корелюють з онлайн не завжди. Kohavi et al., «Online Controlled Experiments at Large Scale» (KDD 2013) — обов'язкове читання для команди. Тест з 5–10% трафіку, моніторинг CTR, конверсії, revenue per session. Одна з наших клієнтських систем після гібридизації збільшила виручку на 18% за місяць A/B.

Терміни розробки рекомендаційної системи

Етапи та типові часові витрати — у таблиці нижче. Вартість розраховується індивідуально під масштаб каталогу та вимоги до latency.

Що входить у розробку під ключ

1. Аудит даних — щільність матриці user×item (зазвичай <0,1%), розподіл активності, temporal паттерни, cold start статистика.
2. Baseline — «популярне» як простий поріг, який часто важко перевершити.
3. Ітеративне покращення — ALS → контентні ознаки → two-stage → sequence-aware. Кожен крок з A/B.
4. Інфраструктура serving — batch precomputation, Redis, real-time re-ranking, моніторинг у Grafana.
5. Документація — model card з метриками, інструкція з деплою, опис ознак.
6. Навчання команди — сесія з інтерпретації результатів та донавчання моделі.
7. Підтримка — 1 місяць після запуску (фікс інцидентів, доналаштування pipeline).

Ми — команда з 7+ роками досвіду в рекомендаційних системах, реалізували понад 30 проєктів для e-commerce та медіа. Гарантуємо прозоре A/B-тестування та фіксацію покращення метрик.

Хочете оцінити потенціал зростання вашого каталогу? Зв'яжіться з нами для безкоштовного аудиту даних. Замовте розробку рекомендаційної системи — перший прототип протягом двох тижнів.

from implicit.als import AlternatingLeastSquares

model = AlternatingLeastSquares(
    factors=64,
    regularization=0.05,
    iterations=15,
    use_gpu=True
)
model.fit(user_item_matrix)

Більше про математику рекомендаційних систем — у Wikipedia.