Sobre Recurve
Optimiza el rendimiento de tu campaña con IA
El Fundraising está cambiando – y en Adroit creemos que es hora de que la creación de modelos para campañas debe cambiar también. Lo que una vez se consideró vanguardista: el Machine Learning – se ha convertido ahora en una parte fundamental de cómo captadores de fondos pueden optimizar el rendimiento de sus campañas.
Estamos encantados de compartir este nuevo capítulo con vosotros, en el que se unen lo mejor del conocimiento humano y la inteligencia artificial para ayudar a los recaudadores de fondos a alcanzar metas aún más ambiciosas.
Fruto de años de experiencia analítica y meses de minucioso desarrollo, Recurve AI aprovecha las capacidades del aprendizaje automático y lo convierte en una herramienta práctica, asequible y sorprendentemente fácil de implementar. Se acabaron los modelos personalizados únicos, difíciles de actualizar y costosos de reconstruir. En su lugar, obtendrás acceso a un conjunto flexible de modelos que mejoran continuamente con cada campaña, lo que permite realizar selecciones más inteligentes y obtener resultados más sólidos.
Sabemos que los Fundraiser valoran la experiencia y la confianza, además de herramientas potentes, por lo que con Recurve AI siempre tendrás analistas expertos a tu lado para ayudarte, ¡no te dejaremos solo para que lo descubras por ti mismo como ocurre con otras plataformas!
Beneficios
Rendimiento
Utilizamos múltiples algoritmos que ofrecen un rendimiento superior al de un proceso de selección manual típico o al de una herramienta que utiliza un único algoritmo.
Velocidad
Ya no hay que esperar meses para que se construyan modelos desde cero. Recurve es un modelo «listo para usar» que puede ofrecer resultados de gran impacto en solo 2 o 3 semanas sin necesidad de integración informática.
Asquible
Recurve AI pone al alcance de las organizaciones, medianas y en crecimiento, el modelado avanzado de propensión, eliminando los altos costes y la complejidad de las soluciones tradicionales a medida y liberando además tiempo a su equipo interno de análisis.
Inteligencia humana integrada
Combinamos el aprendizaje automático con la perspicacia humana. Siempre tendrá acceso a un experto en datos que entiende tanto de estadística como de captación de fondos, no solo de algoritmos.
Reaprender
Los modelos Recurve evolucionan. Recurve AI se adapta continuamente al comportamiento cambiante de los socios y donantes, lo que garantiza que las campañas sigan siendo eficaces a lo largo del tiempo, sin necesidad de realizar constantes reajustes.
Creado para lograr un impacto en la captación de fondos
Recurve AI no se centra en los datos por los datos. Cada modelo se crea con objetivos claros de captación de fondos en mente, ya sea para impulsar las conversiones, evitar la pérdida de socios y donantes o aumentar el valor de los mismos.
Múltiples algoritmos. Mejores resultados.
La mayoría de las herramientas se basan en un solo algoritmo para el modelado de propensión, pero eso puede significar perder oportunidades. Cada algoritmo tiene sus propias fortalezas, así que ¿por qué conformarse con uno solo? Al combinar múltiples algoritmos, se obtienen predicciones más precisas y completas que capturan tanto tendencias simples como comportamientos complejos.
Un enfoque multi-algorítmico también mantiene a la organización a la vanguardia a medida que cambia el comportamiento de los seguidores. En lugar de depender de un único método, que podría pasar por alto nuevos patrones, dispone de varios que funcionan conjuntamente para adaptarse y detectar nuevas oportunidades.
¿El resultado? Una segmentación más inteligente, mejores resultados y una forma más inteligente de crecer.
Modelos Recurve disponibles
Diseñado para mejorar tu infraestructura tecnológica. No para duplicarla. .
Recurve no selecciona a tus socios y donantes, sino que les asigna una puntuación, lo que te permite incluir las puntuaciones en tus selecciones, independientemente del CRM que utilices.
Sabemos que muchas organizaciones ya cuentan con potentes herramientas de selección de CRM en las que han invertido tiempo y dinero y que funcionan. No estamos aquí para sustituirlas, sino para que las selecciones sean más inteligentes y estén mejor fundamentadas, de modo que tu equipo pueda trabajar de forma aún más eficiente.
Flujo de trabajo
Descubrir el potencial oculto
Nuestros modelos son como una intuición superior para tus esfuerzos de captación de fondos o marketing.
Mientras que los humanos se centran de forma natural en patrones obvios, como quién ha realizado donaciones recientemente o con frecuencia, estos modelos analizan docenas, incluso cientos de puntos de datos y las relaciones entre ellos, descubriendo señales ocultas que podrían pasar desapercibidas. Alguien que a simple vista parece un simpatizante normal podría tener en realidad una alta probabilidad de participar o realizar donaciones, según patrones sutiles en su comportamiento, intereses o interacciones.
Aprovechamos esas oportunidades ocultas, ayudándote a llegar a personas a las que quizá nunca habrías pensado dirigirte.
RFV. Descansa en Paz
No nos malinterpretes: nos encantan los RFV, pero solo rascan la superficie, ya que se fijan en la actualidad, la frecuencia y el valor, pero ignoran todas las demás señales que revelan lo que realmente quieren tus donantes y socios.
Los modelos de regresión, por otro lado, pueden recopilar todo tipo de información, desde el comportamiento de navegación hasta datos demográficos, patrones de interacción e interacciones pasadas, para predecir lo que es probable que haga un donante/socio a continuación. Eso significa que estás tomando decisiones más inteligentes y basadas en datos, en lugar de actuar a ciegas. RFV se queda en la superficie, ¡los modelos de propensión profundizan más!
MÁS
SEÑAL
Recurve utiliza múltiples bucles de marcos temporales que reducen el ruido y amplifican las señales reales. Los datos a corto plazo por sí solos pueden ser volátiles, influenciados por picos temporales o comportamientos aleatorios. Al superponer tendencias a medio y largo plazo, junto con subconjuntos de características candidatas, Recurve equilibra la actividad inmediata con patrones de consistencia más profundos.
Este enfoque filtra las anomalías, refuerza la precisión predictiva y ofrece una visión más completa de las intenciones de los socios y donantes. El resultado: información más fiable, una segmentación más inteligente y mejores resultados.
Preguntas frecuentes
En vez de basarse en un solo árbol, los bosques de decisiones aleatorias agregan los resultados de docenas o incluso cientos de árboles para mejorar significativamente la precisión de la predicción. Este enfoque conjunto da lugar al concepto de «bosque». El algoritmo analiza la estructura colectiva de estos árboles, examinando sus diversas divisiones y ramificaciones. Identifica y aprovecha las rutas más informativas dentro de este bosque para pasar de los datos de entrada sin procesar a la clasificación del resultado deseado, esencialmente una determinación de «sí» o «no» con respecto al resultado. Por ejemplo, clasificar a alguien como «buen simpatizante potencial».
Aunque la clasificación final pueda parecer binaria («sí» o «no»), las predicciones en el mundo real se basan en probabilidades. La probabilidad de que alguien realice una acción rara vez es del 100 % o del 0 %. Para captar este matiz, el proceso de predicción emplea puntuaciones de propensión. Una puntuación de propensión cuantifica la probabilidad de que un individuo realice la acción objetivo. Por ejemplo, una puntuación más alta indica una mayor probabilidad de ser un buen potencial seguidor. Cada individuo del grupo objetivo recibe una puntuación, y los que obtienen las puntuaciones más altas suelen ser recomendados como los mejores candidatos para lograr el resultado deseado.
Manejo de datos faltantes: Los bosques de decisión aleatorios son notablemente robustos cuando se trata de datos faltantes, especialmente en contraste con métodos como la regresión logística o las redes neuronales, que a menudo requieren entradas de datos completas. Dentro de un solo árbol de decisión, si falta un valor para un atributo específico, el algoritmo puede explorar rutas de decisión alternativas. Cuando se escala en todo un bosque de decisión aleatorio, esta flexibilidad inherente permite que el modelo mantenga una alta precisión de predicción incluso en presencia de conjuntos de datos incompletos.
Identificación de colinealidad y ganancia de información: los bosques de decisión aleatorios son eficaces para sortear los retos que plantea la colinealidad, en la que los atributos están altamente correlacionados. Muchos atributos de los datos de los seguidores están relacionados linealmente, pero pueden no ser los principales impulsores de un comportamiento específico. El algoritmo del bosque de decisiones aleatorio se centra en encontrar las áreas de mayor ganancia de información. Esto significa que puede reconocer las interdependencias entre los atributos, pero dará prioridad a la característica que proporcione mayor influencia sobre la predicción. Esta capacidad es especialmente ventajosa cuando se trabaja con conjuntos de datos de seguidores grandes y complejos, ya que los datos sobre el comportamiento humano suelen ser ruidosos y no siempre se ajustan a las distribuciones o supuestos estadísticos estándar.
En el momento de la predicción, el sistema evalúa y selecciona dinámicamente el algoritmo que mejor se adapta a la tarea específica que se está realizando, por ejemplo, la conversión de efectivo a RG. Según nuestra experiencia, suele ser el algoritmo de bosque de decisiones aleatorio, por lo que lo utilizamos como nuestro enfoque «predeterminado».
Incorporar un proceso de este tipo en la plataforma CRM resulta beneficioso si la frecuencia de la acción deseada es alta y la frecuencia de los comportamientos también lo es, por lo que este enfoque puede funcionar muy bien en el sector minorista – retail. Sin embargo, en el tercer sector, la frecuencia de las acciones que se solicitan a los colaboradores (socios, donantes, etc) , por ejemplo, donar dinero en efectivo, es mucho menor, por lo que la necesidad de actualizar diariamente la puntuación del modelo es simplemente excesiva.
Y aunque nuestro proceso está altamente automatizado y optimizado, tener acceso a los datos nos permite identificar mejor cualquier problema y ajustar los algoritmos en consecuencia, garantizando así que los modelos funcionen correctamente.
Hay una diferencia importante entre el proceso de puntuación y el proceso de selección de campañas. La puntuación simplemente te proporciona información más detallada sobre la probabilidad de que los socios y donantes actúen, lo que suele ser más preciso que seleccionar manualmente a los colaboradores de la organizacion.
Con esta información, aún puedes optar por centrar las selecciones en la eficiencia de la campaña (lo que puede generar un mayor retorno de la inversión, pero, en algunos casos, unos ingresos brutos menores) o centrarte en los ingresos brutos (lo que puede generar un menor retorno de la inversión). También puedes complementar el enfoque de puntuación con segmentos adicionales que desees probar dentro de una campaña.
Cada uno de estos escenarios generará un conjunto diferente de costes e ingresos previstos para la campaña.
Para ayudar en este proceso y garantizar que se seleccione el volumen óptimo que se ajuste a los objetivos, ofrecemos una calculadora de campañas. Al introducir el coste por comunicación, cuantifica los ingresos brutos y netos previstos para cada porcentaje de seguidores incluidos.
Los dos problemas más comunes que experimentamos son:
1. Garantizar que las pruebas iniciales del modelo sean sólidas y significativas y tengan en cuenta factores relevantes de la campaña, como el canal y la propuesta.
2. La falta de datos sobre el público objetivo. Por ejemplo, si nunca se ha pedido a los donantes puntuales que se conviertan en donantes regulares, no hay muchos datos sobre el comportamiento del público objetivo con los que trabajar. En este caso, se puede crear un modelo, pero se basará más en proxies y look-a-likes (es decir, datos demográficos similares). En casos como este, el modelo proxy puede ser la primera etapa para generar más datos que luego se puedan modelar mejor.
Por supuesto, podemos crear un modelo a medida; sin embargo, es posible que sea necesario revisar el coste de dicho modelo, ya que los modelos a medida requieren una cantidad significativa de tiempo e inversión iniciales.
La expresión «modelo personalizado» se refiere a una definición que es específica para una acción concreta deseada y, por lo tanto, puede tener un uso limitado para otras organizaciones. Por ejemplo, si una organización solicitara una «reactivación de los donantes en efectivo inactivos a Donante Regular por correo electrónico», se trataría de un modelo personalizado, ya que tendría un atractivo limitado para otras organizaciones.
Sin embargo, se ha diseñado un modelo, como el de una única solicitud de donación en efectivo, para atender a múltiples organizaciones; no obstante, el algoritmo de puntuación es único para cada organización, es decir, las variables identificadas como discriminatorias y la «ponderación» de dichas variables son únicas para cada organización y cada uso.
Una actualización ajusta el modelo para tener en cuenta los cambios y las variaciones en el comportamiento de los donantes: alguien que antes quizá estaba dejando de donar puede haber vuelto a hacerlo o haber cambiado el valor de su última donación. Cuando eso ocurre, es posible que su modelo original ya no sea tan preciso como antes.
Actualizarlo significa incorporar los datos más recientes y, básicamente, volver a entrenar el modelo y asegurarnos de que el modelo actualizado funciona correctamente. Hacerlo con regularidad, tal vez cada trimestre, cuando las cosas cambian o simplemente antes de lanzar una campaña, mantiene su modelo preciso y le ayuda a asegurarse de que está tomando decisiones basadas en la mejor información posible.
Cabe señalar que una actualización consiste básicamente en actualizar las fuentes de datos originales. Una actualización no incluiría la posibilidad de añadir fuentes de datos significativamente diferentes, como una audiencia diferente. Puede ser un tema un poco ambiguo, pero estaremos encantados de estudiarlo caso por caso.
Las cifras que hemos citado son orientativas, por lo que el precio de su paquete puede ajustarse para reflejar si se realizan más campañas de captación de fondos, pero no menos.
Si el volumen de actualizaciones es demasiado alto, no hay problema en que se utilicen en un plazo de 24 meses a partir de la creación del modelo, en vez de en 12 meses.
También ofrecemos un módulo de «Asistencia para la implementación y las pruebas» que recomendamos encarecidamente si es relativamente nuevo en la incorporación de modelos en su proceso de selección. Si necesita un nivel de asistencia superior al que se ofrece en el tiempo asignado, le informaremos de que es posible que tengamos que cobrarle tarifas adicionales en función del tiempo adicional.
Nuestra ambición es reducir el coste del modelado para que más organizaciones puedan beneficiarse de él, y solo podemos hacerlo limitando la cantidad de soporte que podemos ofrecer antes de cobrar por el tiempo extra.
Si no tienes acceso a este tipo de información, podemos analizar una serie de opciones asequibles que podrían mejorar el modelo.
ROI versus Ingresos
Recurve permite alternar entre centrarse en el retorno de la inversión, los ingresos netos o equilibrar ambos.
Nuestra herramienta va más allá de maximizar el retorno de la inversión. Te proporciona la información necesaria para diseñar campañas que logren el equilibrio adecuado entre el retorno de la inversión y los ingresos netos, lo que te ayuda a garantizar un crecimiento sostenible a lo largo del tiempo.
De esta manera, las campañas evitan depender excesivamente de una base de seguidores cada vez más reducida, manteniendo unos rendimientos sólidos sin sacrificar los ingresos a largo plazo.
Deseas información sobre el producto y los precios?
Por favor, cumplimenta el formulario.
Contáctanos para obtener más información sobre Recurve AI.
email Nigel.Magson@adroitinsight.com