Donor profiling, passo ... passo dal donor relationship management al donor profiling system

Mario Belli

Area Terzo Settore: Servizi per il fundrasing

Indice

Introduzione al Sistema Informativo per la Raccolta Fondi (SIRF_)

Differenza tra analisi delle campagne, analisi delle entrate, segmentazione e donor profiling

Donor Profiling in 8 step

A cosa serve?

1. Normalizzazione dei dati gestionali

2. datawarehouse; 3. data mart (indicatori e

indici); 4. data mining (analisi

multidimensionali) 5. la "piramide“ 6. il DRR (donor retention

rate); 7. Il DLFT (life time value) 8. l'RFD (recency frequency

donor);

SOFTLAB S.p.A.

Composta da circa 500 risorse, Softlab è da quasi 30 anni specializzata nella progettazione, produzione e sviluppo evolutivo di tecnologie, sistemi, soluzioni e outsourcing.

Il contesto internazionale è la nuova sfida che Softlab ha accettato, avviando la controllata Softlab Middle East con sede in Arabia Saudita, per raggiungere in breve tempo una posizione di prestigio nel mercato internazionale.

Volendo riassumere i vantaggi competitivi che i Clienti di Softlab hanno dichiarato, sono: le esperienze concrete, la garanzia dell’avanguardia nelle scelte tecnologiche, i contenuti d’innovazione delle soluzioni proposte e il consolidamento degli strumenti di gestione, di analisi, di disegno, di pianificazione e di management.

Con 5 sedi, Softlab si colloca tra le grandi imprese nazionali che in Italia operano sulle componenti dell’offerta IT ad alta specializzazione.

Nel 2006, forte dell’esperienza di importanti contratti di outsourcing con imprese private e pubbliche, nasce SOFTLAB TERZO SETTORE, un’area interamente dedicata al Terzo Settore e ai Servizi per il Cittadino. SOFTLAB TERZO SETTORE ha modellato la propria struttura organizzativa per recepire appieno le istanze sollevate dagli enti che pongono l’utente, il cittadino, al centro delle proprie strategie. Il nostro Staff è composto unicamente da persone che hanno lavorato nelle imprese sociali e non profit. SOFTLAB TERZO SETTORE è certificata ISO 9001:2008 per le attività di “Progettazione, realizzazione e gestione dei servizi di relazione con il pubblico, contact center, fundraising management, data entry, telemarketing e call center”. SOFTLAB è l’unica impresa che vanta nel mercato questi due asset.

SOFTLAB Terzo Settore

S.I.R.F. un Sistema Informativo per la Raccolta Fondi

IL CONTROLLO DI TUTTI GLI ASPETTI CONOSCITIVI

Marketing Informatica Statistica

Il fundraising deve coniugare 3 professionalità:

Informatica: strumento diffuso e ormai trasversale, senza alfabetizzazione informatica non c’è comunicazione interattiva

Statistica: l’analisi dei dati diviene un sistema di comprensione e previsione, interna all’attività delle campagne di raccolta fondi

Marketing: integra i due sopra per creare valore aggiunto e realizzare l’incontro da ONP e sostenitore

MARKETING GESTIONE

SERVIZI

Donor Care

SIRF

Integrazione e controllo di 3 processi

IL GESTIONALE:

1. Incasso 2. Avvisi

DONATORI

FONDI

1. Caricamento 2. Aggiornamento

1. Invio 2. Esito SPEDIZIONI

Fundraising management

1. In bound 2. Out bound

INTERNET 1. On line 2. Off line

TELEFUNDRAISING

1. In entrata 2. In uscita COMUNICAZIONE

IL SISTEMA QUALITA’:

il donor care

Endogene ed esogene

ANALISI

RICERCHE

Sistema degli osservatori

Monitoraggio entrate e budget CONTROLLO

Donor Profiling System PREVISIONE

DATA MINING

SEGMENTAZIONE

IL SISTEMA MARKETING

F.I. - Fundraising intelligence

E’ il risultato di una corretta gestione delle liste, ossia del DB

Segmentazione strategica:

•comportamentale, nasce dal database interno

•di mercato, nasce dalle ricerche di mercato

•geodemografica, nasce dal database statistico-territoriale

Segmentazione operativa:

è quella che nasce dalla codifica dei target che vengono messi sotto osservazione. In generale avviene su tre livelli:

•Iniziativa, è la campagna (5X1000, Natale, fidelizzazione)

•Target, è l’insieme utilizzato per studiare i ritorni (attivi, top – middle - bot donor, lapsed, ecc.)

•Segmento, elemento che divide per personalizzazione e allestimento

LA SEGMENTAZIONE

FONTI O D.B.

Clienti

Prospects

Territorio

Ricerche

SEGMENTAZIONE

Comportamentale

Geografica

Di mercato

OBIETTIVI

Fidelizzazione

Acquisizione

Fare marketing strategico ed operativo significa dotarsi di analisi, dati e ricerche

LA SEGMENTAZIONE

Conoscere gli attori del proprio DB e gestirli in maniera integrata significa avere un insieme organizzato di dati, ossia:

un sistema informativo in grado di aggregare, analizzare e visualizzare

associare ai singoli tutti i dati di transazione e relazione.

Donor Profiling System come forma di segmentazione dei comportamenti attuali ed attesi:

• quali prodotti e servizi il cliente utilizza,

• con quali modalità,

• che probabilità che rimanga fedele

DONOR PROFILING SYSTEM

integrare dati ed informazioni in un unico contenitore: il datawarehouse per il marketing fundraising

aggregare i dati e le informazioni in modo da poterli associare ai singoli donatori, ossia creare una serie di indicazioni sintetiche personali: indicatori e indici

effettuare analisi incrociate e multidimensionali per singoli indicatori e indici, dati ed informazioni elementari

DONOR PROFILING SYSTEM

Alla base del DPS vi è un nuovo modo di concepire l’organizzazione delle informazioni:

AdR DPS AdE

DATA MART

DATA MINING

D.W. Estrazione Elaborazione Aggiornamenti

Gestione dizionari

Basi di dati “transazionali” o operativi

EXTRANET

E.T.L.

ARCHITETTURA DPS

Passo 1: il gestionale

Le informazioni del gestionale, non sono immediatamente utili:

sono dati, vanno trasformati in informazioni e conoscenza

Marketing

Dialogo

Anagrafica

Pagamenti

Viste

logiche

Direct mail

Corporate

Lasciti

Fondazioni

Web

FaceToFace

Occas. spec.li

Eventi

Merchandisin

APPLICAZIONI DOMINI

La normalizzazione del gestionale

Analisi documentale dei sistemi sorgenti Trasporto dei dati e pulizia: è il cosiddetto ETL (Estraction,

Trasform and Load) Creazione del deposito centrale: database dove si aggregano le

informazioni Definizione dei metadati: ossia descrizione dei database

aggregati, di dove sono le informazioni, di come sono elaborate e quando sono aggiornate

La prima fase per creare un sistema di supporto al fundraising è “rigirare” il gestionale.

Trasformazione dei dati

• Convertire variabili quantitative in qualitative (p.e. le classi)

• Convertire variabili qualitative in quantitative (p.e. lo status socio-economico)

• Trattare le date come numero di giorni

• Creare delle stringhe posizionali per gestire comportamenti multipli (p.e. le modalità)

• Ridurre il numero delle variabili (intercambiabilità)

• Esplicitare le variabili implicite (1=privato – 2=azienda - 3= scuola, ecc.)

Inserimento

Importazione

SISTEMA DI DEDUPLICA

Accantonati

Anagrafico Fonti

Info

Relazioni

Dialogo

SISTEMA GESTIONALE

Black list

Contatti

Selezioni

Campioni

Mailing Telemktg.

RISPOSTE

Analisi Pianificazione e Controllo

SISTEMA MARKETING

Pagamenti

IL FLOW DEL S.I.R.F.

Passo 2: il datawarehouse

… dai pagamenti ai donatori … come passare dai dati puntuali ai dati organizzati

prime trasformazioni

DATA WAREHOUSING

• Elencare ciò che esiste (campi, record, file, relazioni)

• Definire ciò che serve (tabelle e informazioni)

• Disegnare il motore

• Un esempio

La struttura del data warehouse

• Codice anagrafica • Sesso • Data nascita • Fonte anagrafica • Codice regione • CAP • Codice Area Nielsen • Codice grandezza centro • Data di ingresso [nel file] • Età [in anni] • Classe per età • Anzianità “associativa” • Classe per Anzianità “associativa”

• Data invio prima ed ultima promozione • Numero promozioni inviate • Data primo ed ultimo pagamento • Data primo ed ultimo contatto vivo • Importo e Numero totale pagamenti • Classe per importo e numero totale pagamenti • RFD [comportamento stagionale] • LTV [Life time value: indice di “sopravvivenza” del

donatore] • Numero e Valore totale da S_0 a S_N

La struttura del data warehouse

Passo 3: i datamart

… dai donatori gli insiemi significativi …

come passare dai dati organizzati a unità dotate di

senso prime informazioni

Donors

Etc…

FtF/DtD Etc…

Donation

DataWarehouse

Enterprise“Database”

Transactions

Copied,

organized

summarized

Data Mining

Data Miners:

• “Farmers” – they know

• “Explorers” - unpredictable

Data Warehouse & Data Mart

Cosa sono i data mart

• Privati

• Corporate

• Lasciti

• Face To Face

• Door to door

• Occasioni speciali

• Eventi

• Telefundraising

• Merchandising

• Peopleraising

Il datawarehouse generale va calato nella realtà operativa. Alcune variabili non sono comuni alle diverse famiglie di fundraising

Un esempio di data mart: i rid

Come esempio di datamart, si riporta quello relativo ai sostenitori che aderiscono alle promozioni tramite RID.

• Motivo pagamento • Codice iniziativa • Codice target • Codice segmento • Importo pagamento • Modalità pagamento • Data incasso • Importo del rid • CF [flag codice fiscale] • Storno [flag storno]

• Codice anagrafica • Codice regionale • Classe [da inviare alla banca, da

inviare per autorizzazione,incassato, insoluto,

• cancellato, revocato, variato, ecc] • Tipologia [alla stregua di “Classe”

ma di maggiore dettaglio] • Numero pagamenti

Un esempio di data mart

il telefundraising Come esempio di datamart, si riporta quello relativo a coloro che aderiscono alle promozioni tramite il telefundraising. Questo DM è focalizzato quindi non sul sostenitore ma sulla specifica azione . In altri termini le variabili sono aggregate, totalizzate rispetto all’azione e non

al sostenitore. E’ questa un’altra ottica che spesso si accoppia alla prima, dove il focus è sulla

persona.

• Codice azione • Numero destinatari azione • Numero e percentuale contattati • Numero e percentuale positivi • Numero e percentuale pagamenti totali • Numero e percentuale pagamenti tipo 1 • Numero e percentuale pagamenti tipo 2 • Delta medio tra spedizione e contatto • Delta medio tra contatto e fine azione

Passo 4: il datamining

… dagli insiemi significativi all’esplorazione

…come far uscire dalle informazioni delle conoscenze multidimensionali

le prime conoscenze

DATA MINING

• Cruscotto aziendale

• Navigatore

• Modello di analisi dei dati

Osservatori di monitoraggio

• Osservatori sulle iniziative – andamento ritorni – previsione ritorni – storico iniziative – avvisi – utilizzo liste

• Osservatori sulle entrate – progressiva entrate – analisi incassi periodici – conto economico

Osservatori strategici

• Osservatori sulla “Qualità” – analisi “dialogo” (complain) – analisi dei disguidi (azioni correttive) – analisi abbandoni (CHURN)

• Osservatori sul Marketing – profilo sostenitori – andamento indici classificazione

• Osservatori sulla base sociale – sostenitori “attivi”

Passo 5: la piramide

… la prima forma di classificazione …

dividere i donatori per importo non è poi così scontato la legge di Pareto (80/20-20/80) è già una prima forma

di segmentazione

COME SI COSTRUISCE

• Analisi della distribuzione dei contributi dei donatori per periodo (12 – 18 – 24 – 48 mesi)

• Decisione sulle code della distribuzione

• Scelta delle modalità discriminanti

Regolari vs. top donor

• Classificazione o segmenti

• Interpretazione: confronti storici

Piramidi vista generale

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

2007 2008 2009 2010

>=300

101-299

61-100

36-60

26-35

fino a 25

36

Piramidi Zoom su valori alti

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

2007 2008 2009 2010

>750

501-750

401-500

300-400

Passo 6: il DRR

… previsione e conto economico …

un indicatore del valore dei donatori la conoscenza economica

• Nell'ambito di una strategia di Donor Relationship Management , l’analisi della fedeltà del donatore è un passaggio obbligato .

• Il donor retention rate ( DRR) misura la fedeltà del nostro parco donatori.

• Può essere calcolato in base al numero ovvero in base all’importo delle donazioni.

DRR

Df ————— x100

Di

DRR Trend

DRR(S_n) + …. + DRR(S_2)+DRR(S_1)+ DRR (S_0) —————————————————————————— x100

N

DRR a valore

∑€Df - ∑€Dn ———————— x100

∑€ Df

Oppure:

∑€D(S_0) - ∑€D(S_1) ———————————— x100

∑€ D(S_0)

Le formule Dove: •D f : Donatori di S-1 che donano S0 •D n : Nuovi donatori acquisiti •D i : Donatori S-1 •S_0: periodo corrente •S_n: periodi precedenti

COME SI COSTRUISCE

• Analisi della distribuzione dei donatori per periodo (12 – 18 – 24 – 48 mesi)

• Scelta delle modalità discriminanti One-off – Regolari – Adozioni - Top donor

• Classificazione o segmenti

• Interpretazione: IL TREND

DRR stagionali per ciascun gruppo

0,0

10,0

20,0

30,0

40,0

50,0

60,0

70,0

80,0

90,0

100,0

ONE-OFF ADOZIONI TOP DONOR REGOLARI

DRR0

DRR1

DRR2

drr3

Passo 7: il DLTV

la durata come indice della qualità del fundraising … quanto vive un donatore? la conoscenza prospettica

Le formule … Dove: P t : Numero Pagamenti totali P n : Pagamenti ultimo anno A_0: anno corrente A_x: anno di prima donazione

DLTV

Pt —————— x100

A_0 - A_x

Pn - Pt —————— x100

Pt

DLTV a valore ∑€Pt

—————— x100 A_0 - A_x

COME SI COSTRUISCE

• E’ l’analisi dei pagamenti o fondi secondo periodi (12 – 18 – 24 – 48 mesi)

• Scelta delle modalità discriminanti

One-off – Regolari – Adozioni - Top donor

• Classificazione o segmenti

• Interpretazione: confronti storici

DLTV per ciascun gruppo

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

One-off Adozioni Top donor Regolari

0-0.5ltv

0.5-0.8ltv

0.8-1ltv

La “piramide” del DLTV

0,0

10,0

20,0

30,0

40,0

50,0

60,0

70,0

80,0

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

DLTV

DLTV

Passo 8: l’RFD

… segmentazione e previsione … come prevedere il trend dei sostenitori per pianificare

le azioni la conoscenza diventa pratica

Cosa sono le catene di Markov

processo stocastico: successione di variabili aleatorie che descrivono un processo empirico governato da leggi probabilistiche

(xt)t,

dove xt é una variabile aleatoria

catena di Markov: t parametro discreto e xt che può assumere un numero di valori finito (ciascun valore è detto “stato” ed il processo è a numero di stati finito)

descrive il processo evolutivo di un sistema che si trasforma nel tempo in termini probabilistici passando, in una successione di periodi, attraverso N stati di transizione

Marketing della memoria

La probabilità di mantenersi fedeli (ossia di ripetere la donazione o rinnovare l’iscrizione) dipende dai dati storici.

Il comportamento futuro è una diretta conseguenza del comportamento passato, conoscendolo in maniera segmentata il profilo dei nostri donatori possiamo prevedere in maniera attenbile il futuro e porre le azioni di intervento e correzione.

S-1 p11 p12 p13 p14

S-2 p21 p22 p23 p24

Periodo (t) S-3 p31 p32 p33 p34 Periodo (t+1)

S-4 p41 p42 p43 p44

S-n pn1 pn2 pn3 pn4

• S-1 = il nostro donatore ha donato o non ha donato, lo scorso anno?

• S-2 = il nostro donatore ha donato o non ha donato, 2 anni fa?

• S-n = il nostro donatore ha donato o non ha donato, + di 4 anni fa?

• P11= è la probabilità rilevata o stimata di S-1

• rilevata se si riferisce al dato osservato quest’anno o precedentemente

• stimata se di riferisce alla probabilità per il prossimo, o quelli successivi

L’RFD

La sigla RFD sta ad indicare Recentezza e Frequenza della Donazione. Ed è un elemento della catena di Markov vista con la tecnica CHAID (chain automatic interactive detection).

Sintetizza “dinamicamente” il comportamento stagionale del donatore per un arco temporale di 4 stagioni (l’attuale più le 3 precedenti).

Start 2011 S-N < 2007 S-4 2007 S-3 2008 S-2 2009 S-1 2010 S_0 2011

S(t-n) St(n+1) … S(t0) S(t+1) dove t0= 2010 t0= 2011

Start 2010 S-N < 2006 S-4 2006 S-3 2007 S-2 2008 S-1 2009 S_0 2010

Come usare l’RFD

L’RFD consente di analizzare l’andamento e la struttura del file Sostenitori, sia di valutarne passo passo le prospettive future.

S-N | S-5 | S-4 | S-3 | S-2 | S-1 | S_0

RFD S-1

RFD S_0

RFD S+1

Es. 1: 0010110

Es. 2: 1100100

Es. 3: 0001101

Es. 1:

RFD di S+1 0101

RFD di S_0 1011

RFD di S+1 0110

La profilazione del file

La chain

COME SI PROCEDE

• Decisione sulla tipologia dei pagamenti

• Scelta delle modalità discriminanti

One-off – Regolari – Adozioni - Top donor

• Matrici start- end su almeno 4 anni

• Proiezione: da S_0 a S+1, S+2, …, S+n

• Previsione : le 2 varibili fondamentali: new e lapsed

• Profilazione attuale e prospettica

La previsione su 3 anni

BASE EXIT %CONV. END NEW TOTALE DONATORI

a b t c=(a-b) d(*) e=(c+d) f=(e*t)

2010 97434 16690 38% 80744 6060 97434 30736

2011 80744 14668 40% 82766 3448 86214 34629

2012 82766 10471 43% 86963 3030 89993 38410

(*) "d" è la stima degli exit che vengono reinseriti come nuovi sulla base della % di conversione dei nuovi

Donor profiling, passo ... passo Grazie per la vostra attenzione!

Le Referenze

Roma Via Valentino Mazzola, 66 Tel: 06.510391 E-Mail: softlab@soft.it Milano Via Clemente Prudenzio, 16 Tel: 02.50981 E-Mail: milano@soft.it Padova Via Savonarola, 217 Tel: 0498.235820 E-Mail: padova@soft.it Napoli Via dei Campi Flegrei, 34 E-Mail: napoli@soft.it Palermo Via Ercole Bernabei, 51 E-Mail: palermo@soft.it

Softlab S.p.A. è una tech-company specializzata nella

progettazione, produzione e sviluppo evolutivo di tecnologie,

sistemi, soluzioni e outsourcing in ambiente Information Technology.

SOFTLAB TERZO SETTORE ha da tempo deciso di adottare un’ottica

di Qualità Totale. Tutti i nostri servizi sono certificati:

“Progettazione, realizzazione e gestione dei servizi di relazione

con il pubblico, contact center, fundraising management, data entry, telemarketing e call

center sono certificati ISO9001:2008”.

Il contenuto di questa presentazione è strettamente confidenziale e ne è vietata la duplicazione, la distribuzione, l’alterazione, la stampa e la commercializzazione con qualsiasi mezzo senza la previa autorizzazione scritta da parte di Softlab S.p.A.

Mario Belli m.belli@soft.it

Roma

Contatti