Nel settore No Profit sviluppiamo analisi e progetti di Data Intelligence utilizzando analytics, advanced analytics & machine learning nei seguenti ambiti:

 

  • Automatizzazione reportistica excel: studio, sviluppo, miglioramento e automatizzazione di reportistica attualmente presente su file excel del cliente

 

  • Reporting & Dashboard: studio e sviluppo di sistemi di reporting dinamico sui fenomeni aziendali e di dashboard a differenti livelli di dettaglio

 

  • Implementazione metriche RFM: sviluppo di indicatori e di score per le analisi RFM (recency, frequency, monetary). Si tratta di una metodologia di segmentazione in grado di associare ai donatori un punteggio. E’ uno dei primi indicatori che forniscono una misura sul valore del donatore. Tale score viene utilizzato ai fini classificatori per progettare migliorare il target nelle campagne di marketing.

 

  • Sviluppo indicatore di Customer Life Time Value (CLTV o CLV): il Customer Life Time Value (CLTV o CLV) è un indicatore che misura i profitti prevedibili in base alla relazione con i donatori, a partire dal loro comportamento di donazione. In modo molto più semplice si può definire Customer Life Time Value come il guadagno che ogni donatore può generare nel tempo. Il CLTV viene calcolato ed attribuito ad ogni singolo donatore al fine di, ad esempio, indirizzare meglio le campagne di marketing piuttosto che prendere decisioni strategiche su singoli segmenti di donatori a seconda della loro profittabilità.

 

Leggi Customer Life Time Value (CLTV) cos’è e come funziona se vuoi maggiori informazioni

 

  • Segmentazione sul comportamento di donazione: modelli di data mining per descrivere, segmentare, profilare i donatori sulla base del comportamento di donazione e indirizzare al meglio le strategie di marketing e comunicazione delle Associazioni. Modelli per identificare i segmenti più profittevoli e prevedere nel tempo le transizioni future dei donatori all’interno dei segmenti.

 

  • Calcolo del potenziale di donazione: modelli di analisi per il calcolo del potenziale futuro del donatore sulla base del ciclo di vita e del donors journey. Identificazione del potenziale fin dal momento di acquisizione. Misura ed efficacia dei canali e dei touch point sulla base del potenziale. Relazione del potenziale con le altre metriche aziendali (totale donazione, donazione media, churn, RFM, CLTV, NPS, etc.), mappe di posizionamento, segmentazioni e modelli predittivi sul potenziale. Targeting e ottimizzazione campagne di marketing sul potenziale del donatore.

 

  • Inferenza e integrazione indicatore di NPS su tutta la base donatori: modelli analitici e di text mining per calcolare l’indicatore di NPS su tutta la base donatori. Modelli di data mining per descrivere, segmentare, profilare i donatori sulla base dell’indicatore NPS. Relazione NPS con le altre metriche aziendali (totale donazione, donazione media, churn, RFM, CLTV, etc.), mappe di posizionamento. Modelli predittivi su NPS. Targeting e ottimizzazione campagne di marketing per segmento di NPS.

 

  • Identificazione target per campagne di marketing: studio e identificazione dei target per le campagne di marketing sulla base della tipologia di donatore, del costo contatto, del ciclo di vita, dei canali e touch point, della propensione alla donazione, al churn e tutte le altre metriche disponibili sul donatore.

 

  • Misurazione ROI e ottimizzazione campagne di marketing: sviluppo di analisi per misurare il ritorno degli investimenti delle campagne di marketing sulla base degli obiettivi della campagna (lead, conversione e acquisizione, churn prevention & retention, winback, etc.). Identificazione dei fattori di successo e dei fattori che hanno contribuito negativamente alla campagna. Modelli predittivi per ottimizzare le campagne future sulla base delle campagne passate e sulla base dei vincoli aziendali (delivery, budget, canali, etc.).

 

  • Modelli predittivi per prevenire l’abbandono (Churn): sviluppo di modelli predittivi anti-churn, attraverso tecniche di data mining e di machine learning, per prevenire l’abbandono e aumentare la retention dei donatori. Il modello predittivo viene costruito utilizzando un modello interpretativo di Data Intelligence che incorpora obiettivo, analytics capabilities, metodologia, dati e tecnologia e fornisce come risultato una visione di contesto e trend sul fenomeno dell’abbandono, uno strumento gestionale che pone una lente di ingrandimento sui donatori a maggior e minor rischio, un dettaglio sulle aree informative e la relazione delle stesse con il fenomeno abbandono, l’evidenza dei fattori che incidono sull’abbandono. I principali output del modello predittivo sono: analisi di contesto e trend, focus sui segmenti e relazione degli stessi con il fenomeno dell’abbandono, relazione del fenomeno dell’abbandono con le principali metriche aziendali (totale donazione, donazione media, churn, RFM, CLTV, etc.), una misura della qualità e del rischio potenziale sulle nuove adesioni, i fattori di rischio, la declinazione dei fattori di rischio sui processi aziendali (es. caring), uno scoring probabilistico (indicazione per ogni donatori della probabilità di abbandono), un semaforo gestionale per simulazione delle campagne di marketing, uno strumento gestionale e una maschera utente attraverso la quale selezionare l’elenco di donatori da gestire nelle campagne di marketing.

 

Leggi Predictive Analytics cos’è e che risultati fornisce se vuoi maggiori informazioni

 

  • Modelli predittivi per favorire il winback: sviluppo di modelli predittivi per il winback, attraverso tecniche di data mining e di machine learning, per identificare i donatori dormienti ma con un alto potenziale di donazione, se opportunamente sollecitati. Il modello predittivo viene costruito utilizzando un modello interpretativo di Data Intelligence che incorpora obiettivo, analytics capabilities, metodologia, dati e tecnologia e fornisce come risultato una visione di contesto e trend sul fenomeno del winback, uno strumento gestionale che pone una lente di ingrandimento sui donatori a maggior e minor probabilità di ritornare a donare, un dettaglio sulle aree informative e la relazione delle stesse con il fenomeno del winback, l’evidenza dei fattori che incidono sul winback. I principali output del modello predittivo sono: analisi di contesto e trend, focus sui segmenti e relazione degli stessi con il fenomeno del winback, relazione del fenomeno del winback con le principali metriche aziendali (totale donazione, donazione media, churn, RFM, CLTV, etc.), i fattori che incidono sul winback, la declinazione dei fattori di winback sui processi aziendali (es. caring), uno scoring probabilistico (indicazione per ogni donatore della probabilità di tornare a donare), un semaforo gestionale per simulazione delle campagne di marketing, uno strumento gestionale e una maschera utente attraverso la quale selezionare l’elenco di donatori da gestire nelle campagne di marketing.

 

Leggi Predictive Analytics cos’è e che risultati fornisce se vuoi maggiori informazioni

 

  • Modelli di forecast sulle donazioni: studio e sviluppo di modelli di previsione delle donazioni basati sia su tecniche standard (modelli di domanda intermittente, di componenti non osservate, ARIMAX, di regressione dinamica, di smoothing esponenziale con parametri ottimizzati) che su requisiti definiti dal cliente riflettendo meglio la complessità del proprio business. Il modello viene costruito su differenti intervalli temporali, considerando tutte le variabili messe a disposizione dal cliente, identificando le eccezioni e generando relazioni sia su solida base statistica che su regole di business. Grazie ai risultati dei modelli è possibile testare scenari what-if e determinare come questi possano influenzare le donazioni future.

 

  • Analisi del funnel di Fundraising e modelli predittivi sulle conversion: studio e sviluppo di analisi del funnel di Fundraising per ottenere una visione di alto livello o monitorare in dettaglio le performance e identificare tempestivamente criticità intervenendo con azioni di mitigazione e miglioramento. Le analisi sono volte a sintetizzare i fattori chiave del processo di raccolta con la possibilità di integrarli in modelli di forecasting, simulando l’evoluzione futura su differenti scenari senza mai tralasciare eventuali vincoli aziendali. Le analisi del funnel si completano con lo sviluppo di modelli predittivi volti ad migliorare le performance di conversion ottimizzando i canali e i touch point sulla base delle performance passate e considerando le azioni di marketing e comunicazione future.

 

  • Analisi del donor journey: analisi del percorso di donazione in relazione al ciclo di vita del donatore. Analisi del comportamento di donazione sui differenti canali. Analisi delle tempistiche di donazione.

 

  • Modelli predittivi per cross & up selling: sviluppo di modelli predittivi per cross & up selling, attraverso tecniche di data mining e di machine learning, per identificare i donatori con un alto potenziale di donazione, se opportunamente sollecitati. Il modello predittivo viene costruito utilizzando un modello interpretativo di Data Intelligence che incorpora obiettivo, analytics capabilities, metodologia, dati e tecnologia e fornisce come risultato una visione di contesto e trend sul fenomeno del cross & up selling, uno strumento gestionale che pone una lente di ingrandimento sui donatori a maggior e minor probabilità di acquistare, un dettaglio sulle aree informative e la relazione delle stesse con il fenomeno del cross & up selling, l’evidenza dei fattori che incidono sul cross & up selling. I principali output del modello predittivo sono: analisi di contesto e trend, focus sui segmenti e relazione degli stessi con il fenomeno del cross & up selling, relazione del fenomeno del cross & up selling con le principali metriche aziendali (totale donazione, donazione media, churn, RFM, CLTV, etc.), i fattori che incidono sul cross & up selling, la declinazione dei fattori di cross & up selling sui processi aziendali (es. caring), uno scoring probabilistico (indicazione per ogni donatore della probabilità di donare), un semaforo gestionale per simulazione delle campagne di marketing, uno strumento gestionale e una maschera utente attraverso la quale selezionare l’elenco di donatori da gestire nelle campagne di marketing.

 

Leggi Predictive Analytics cos’è e che risultati fornisce se vuoi maggiori informazioni

 

  • Sviluppo di modelli di Next Best Action (Nba): studio e sviluppo di modelli predittivi con l’obiettivo di individuare per ogni donatore, sulla base di tutti i fattori disponibili (momento del ciclo di vita, metriche di valore e churn sul donatore, indicatori sulle campagne passate, canale di contatto preferenziale, comportamento di donazione passato, potenziale di donazione, etc.) quale sia l’offerta migliore da proporre in funzione anche degli obiettivi e processi aziendali. La Next Best Action (Nba) ribalta il classico approccio di marketing che vede la creazione dell’offerta e successivamente cerca i donatori a cui proporla, la Next Best Action (Nba) definisce le varie offerte proponibili a un certo segmento di donatori e sceglie la migliore. Questo approccio genera offerte mirate indirizzandole al canale più adatto.

 

  • Valutazione degli investimenti in comunicazione (Media Mix Model): studio e sviluppo di algoritmi e modelli econometrici per misurare gli effetti delle attività di marketing e comunicazione. La valutazione viene fatta considerando tutti i principali fattori che contribuiscono, in modo differente, ai risultati di business. L’analisi fornisce insight tattici e strategici per azioni da compiere nel breve e nel medio periodo.

 

Iscriviti ora alla nostra newsletter per ricevere contenuti esclusivi e in anteprima! Clicca qui