Kâr Amacı Gütmeyen Bağış Toplama ve Bağışçı Yönetiminde Yapay Zeka

Bağış toplamak onlarca yıldır verileri kullanıyor. Klasik yöntem, geçmişteki hediyelerin güncelliğine, sıklığına ve parasal değerine dayalı RFM segmentasyonudur ve güçlü bir temel olmaya devam etmektedir. Makine öğrenimi bunu daha birçok sinyalle genişletiyor: kanal verme, etkinliğe katılım, gönüllülük, e-posta katılımı, ilişkinin uzunluğu ve geçmiş çağrılara yanıt verme. Modeller, bir sonraki çağrıya bağış yapmak, yükseltme yapmak, aylık bağışlamaya dönüştürmek veya hayır kurumunu vasiyete dahil etmek gibi tanımlanmış bir sonuç için bir eğilim puanı tahmin eder. Büyük hediye arama, satıcıların kapasiteyi tahmin etmek için bağışçı kayıtlarını mülk kayıtları, şirket dosyaları ve hayırseverlik geçmişi gibi kamuya açık bilgilerle eşleştirdiği servet taramasını da ekliyor. Kapasite eğilim değildir: Herhangi bir amaç ile bağlantısı olmayan zengin bir kişi nadiren iyi bir ihtimaldir, bu nedenle güçlü programlar zenginliğin yanı sıra yakınlığı da tartar. Salesforce Nonprofit Cloud ve Blackbaud's Raiser's Edge NXT gibi CRM platformları tahmine dayalı ve üretken özellikler içerir ve Dataro gibi uzman araçlar bağış toplama tahminlerine odaklanır. Üretken yapay zeka, itirazların, teşekkür notlarının ve çağrı metinlerinin taslağını hazırlamak ve toplantılardan önce bağışçı notlarını özetlemek için giderek daha fazla kullanılıyor. Verilerin korunması en büyük risktir. Birleşik Krallık'ta Bilgi Komiserliği Ofisi, 2016 ve 2017 yıllarında aralarında RSPCA ve İngiliz Kalp Vakfı'nın da bulunduğu çok sayıda büyük hayır kurumuna, kısmen bağışçılara haber vermeden servet taraması yaptıkları gerekçesiyle para cezası verdi. 2020'de Blackbaud'a yapılan fidye yazılımı saldırısı, kâr amacı gütmeyen birçok müşteriden gelen verileri açığa çıkardı ve yoğunlaşmış bağışçı verilerinin yoğunlaşmış risk anlamına geldiğini gösterdi. Yapay zekanın daha fazla soru göndermek anlamına geldiği yaygın bir yanılgıdır. İyi kullanılan modeller genellikle bunun tersini yapar, bağışçıların daha az sıklıkta veya farklı bir kanal aracılığıyla iletişime geçeceğini belirler, bu da yorgunluğu ve maliyeti azaltır. Bir diğeri ise küçük hayır kurumlarının yeterli veriye sahip olmaması; Birkaç bin temiz kayıttaki basit modeller sezgileri yenebilir, ancak dağınık, kopyalanan CRM verileri her türlü aracı zayıflatacaktır.