Oriente cláusula foi coautorado por Eva Hieninger (Sócia, Diretora Executiva), Daniel Navio (Pesquisador de Dados Júnior) e Izeruwawe Blaise Linaniye (Gerenciamento de Projetos e Automação de Marketing) na getunik O que motiva as organizações sem fins lucrativos? Além do duelo de encontrar soluções novas e melhores para deixar o mundo um lugar melhor, as organizações sem fins lucrativos precisam prometer que podem financiar seus esforços contínuos. Novos doadores precisam ser adquiridos continuamente e os existentes também precisam ser abordados adequadamente. Com as novas possibilidades que a arrecadação de fundos do dedo oferece, muitos tendem a ignorar um ativo importante: dados. Na verdade, dados de doadores e tirocínio de máquina podem ajudar as organizações sem fins lucrativos a gerenciar seus doadores existentes de forma mais eficiente ou usar seus ativos já existentes, ajudando a prever resultados futuros. Portanto, planejar com antecedência se torna mais fácil. O cláusula a seguir descreve porquê prever o comportamento dos doadores graças ao tirocínio de máquina pode ajudar as organizações a se tornarem mais eficientes.

Conheça nosso doador perfeito

Imagine Johanna: jovem, enérgica, inteligente e geralmente interessada no que acontece ao seu volta. Mas uma coisa a preocupa: poluição, mormente a poluição do suprimento de chuva do mundo. Um dia, ela decide que precisa fazer sua secção para combater essa poluição. Durante sua pesquisa, ela encontra a organização comprometida em combater a poluição dos oceanos. Impressionada com o perfil e a presença online, ela decide assinar o boletim informativo. Nas semanas seguintes, ela obtém mais informações sobre o trabalho da organização e, por meio de sua interação com, por exemplo, suas plataformas de mídia social, a organização também conhece Johanna um pouco melhor. Portanto, as mensagens que ela recebe da organização se tornam mais ajustadas aos seus interesses individuais. Em qualquer momento, a organização pedirá uma doação a ela. Uma vez que a notícia online é persuasivo e Johanna quer fazer sua secção, ela decide estribar a organização doando qualquer quantia. No entanto, toda organização depende de uma renda confiável e planejável, logo Johanna eventualmente se torna uma doadora regular. Até leste ponto, tudo parece bastante simples: os canais de notícia da organização ajudaram a comprar e desenvolver um doador regular. Mas o que fazemos quando nossos doadores concordam em se comprometer conosco por mais tempo? Uma vez que mantemos os doadores engajados e, mais importante, porquê podemos identificar se um doador quer continuar a nos estribar ou não? É cá que o tirocínio de máquina entra em jogo. Por meio da coleta e categorização de dados de doadores, é provável fazer previsões sobre porquê seus doadores, incluindo Johanna, provavelmente reagirão no horizonte. O tirocínio de máquina pode ajudar você a calcular a verosimilhança de um doador continuar a estribar sua organização ou não. Em outras palavras, ele nos ajuda a fazer previsões sobre a taxa de rotatividade de doadores, a taxa de pessoas que provavelmente pararão de doar.

Uma vez que podemos usar o tirocínio de máquina para prever a rotatividade de doadores?

Um dos modelos mais comuns e bem-sucedidos usados ​​para tirocínio de máquina (supervisionado) é uma floresta aleatória, que é baseada nas chamadas árvores de decisão. Vamos imaginar que Johanna está paragem na frente de uma árvore, uma árvore simbólica e profética que decide se Johanna permanecerá porquê doadora ou não. Para sua profecia, a árvore escaneia os dados de Johanna e suas raízes cavam fundo em seus dados e se alimentam deles. Uma vez que a informação é adquirida, ela viaja pela árvore e seus diferentes ramos, representando diferentes caminhos analíticos possíveis. Cada ramo individual representa uma estudo distinta de uma secção dos dados. Um ramo, por exemplo, examina com que frequência Johanna abriu seus e-mails nos últimos três meses, enquanto outro ramo verifica se o cartão de crédito de Johanna irá morrer nos próximos seis meses. Quanto mais dados a árvore se alimenta, mais ramos se separarão do tronco da árvore. Finalmente, os dados que alimentam a árvore e os ramos farão com que as folhas brotem. Uma vez que a árvore tem qualidades proféticas, as folhas serão de cores diferentes. Uma folha verdejante representa uma resposta positiva, significando que Johanna continuará apoiando a organização. Uma folha vermelha, por outro lado, representa um resultado negativo e indica que Johanna provavelmente deixará a organização. A árvore deixará tombar uma folha que se juntura melhor nos dados de Johanna e isso representará a decisão profética da árvore.

Agora, no mundo dos dados, árvores proféticas não são zero fora do generalidade e uma plebe delas pode crescer a qualquer momento, o que logo forma o que é chamado de floresta aleatória. Na verdade, várias árvores se alimentam dos dados de Johanna ao mesmo tempo e analisam diferentes informações sobre ela.

Se você quiser prever o comportamento horizonte dela da forma mais precisa provável, você precisa olhar para as diferentes folhas proféticas que caíram das diferentes árvores. Coletar todas essas folhas na floresta aleatória para reunir as diferentes profecias lhe dará uma resposta final e mais precisa.

Árvores e folhas? Mas qual a verosimilhança de Johanna continuar sendo uma doadora?

Oriente concepção pode ser traduzido em um operação percentual. Na verdade, o tirocínio de máquina define por si só, a partir de dados coletados, quais árvores são importantes e devem ser adicionadas a uma floresta aleatória específica de Johanna. Portanto, ele coleta todas as folhas necessárias e proféticas para transformá-las em uma porcentagem de verosimilhança. É importante notar que o tirocínio de máquina não é aplicado pontualmente. Ele reúne, analisa e avalia dados continuamente e em tempo real. Assim, uma vez que você é capaz de usar o tirocínio de máquina para examinar o comportamento do doador, você pode usar as probabilidades ou previsões feitas por ele para harmonizar sua notícia de uma forma que cada doador receba a mensagem certa, no momento manifesto e, se necessário, pelo meato manifesto também. Isso pode ser melhor conseguido com o uso de uma instrumento de automação de marketing, onde você pode introduzir as descobertas do tirocínio de máquina para harmonizar suas mensagens a diferentes doadores em risco de interromper seu escora. Além de saber quem precisa ser abordado com mais cautela, o tirocínio de máquina agora fornece uma solução automatizada e de autoatualização para doadores incertos. Vamos voltar para Johanna: Reunimos todas as folhas que podem indicar se ela corre o risco de interromper suas contribuições para a organização. Você percebeu que sua rima de folhas vermelhas é maior do que sua rima de folhas verdes, o que significa que ela corre o risco de interromper suas doações. Em outras palavras, sua taxa de rotatividade ou a porcentagem de verosimilhança calculada por meio do tirocínio de máquina é subida e, uma vez que ela cruza um manifesto limite, sua instrumento de automação de marketing é instruída a enviar um e-mail (automatizado) contendo, por exemplo, uma mensagem de “Obrigado pelo seu escora” para Johanna. Esse concepção fica mais interessante quando percebemos que, ao contrário dos algoritmos de tirocínio de máquina humanos, eles não tendem a se perder na floresta e podem, portanto, fabricar florestas aleatórias cada vez maiores, capazes de averiguar quantidades cada vez maiores de dados. As possibilidades resultantes para medidas preditivas são inúmeras. Além de prever o comportamento de doadores existentes ou mesmo possíveis, as organizações podem calcular várias outras probabilidades, porquê, por exemplo, o número de doações que serão coletadas, quem tem potencial para se tornar um grande doador e outras informações importantes relacionadas ao bem-estar horizonte de uma organização. Agora é com você: você está pronto para cultivar sua própria floresta?