Cómo aumentamos los resultados de la recaudación de fondos P2P en un 36% mediante el aprendizaje automático

Desde que lanzamos Fundraiser Coach, nuestro algoritmo de aprendizaje automático, la recaudación media recaudada ha aumentado un 36%. Así es como encontramos ese resultado.

Actualizado con los últimos datos: 19 de enero

El impacto de nuestro modelo de aprendizaje automático

Descubrimos que el promedio de recaudación de fondos recaudados para las recaudaciones de fondos P2P aumentó un 36%. El promedio de recaudación de fondos por recaudación de fondos pasó de 434€ a 636€ en 12 meses. Este período coincide con los 12 meses siguientes al lanzamiento de una nueva forma de recomendar acciones a las recaudaciones de fondos P2P, basada en nuestro propio modelo de aprendizaje automático.

Cuando redactamos la solicitud de subvención del Fondo de Innovación de Dinamarca, calculamos que podríamos obtener un aumento del 25%. Descubrimos un aumento del 36%. ¡Un aumento del 36% está fuera de su mundo! Está por encima de todas las expectativas y, francamente, no podemos ponernos manos a la obra.

‍

¿Qué hace el entrenador de recaudación de fondos?

Llamamos a nuestro modelo de aprendizaje automático «El entrenador de recaudación de fondos» porque entrena a los recaudadores de fondos P2P. El objetivo es entrenar a los recaudadores de fondos para que sean lo mejor posible.

Cuando un seguidor crea una recaudación de fondos, calculamos la cantidad prevista que recaudará, teniendo en cuenta nuestro conocimiento inicial. Posteriormente, el modelo calcula el impacto de las acciones específicas que podemos recomendarle que realice.

Una recomendación podría ser que hagas tú mismo la primera donación, escribas una descripción más extensa o agregues una imagen. Recomendamos al seguidor que haga la acción que tenga el mayor impacto calculado. Luego, este proceso se repite varias veces a lo largo de la recaudación de fondos. Los cálculos se realizan mediante un modelo basado en los datos de todas las recaudaciones de fondos anteriores creadas a través de BetterNow.

Luego, la recomendación se envía a través de un panel de control para la recaudación de fondos llamado «herramientas de recaudación de fondos» y por correo electrónico. Además, hemos añadido algunos otros cambios para fomentar las autodonaciones y algunos otros cambios. Por lo tanto, el 40% se debe únicamente al modelo de aprendizaje automático, pero también a las numerosas mejoras menores que surgieron de ese proceso.

Tenemos más detalles sobre el entrenador de recaudación de fondos aquí, cómo lo desarrollamos, y cómo hemos pensado acerca de ética de datos rodeándolo.

Nuestro análisis

Hemos añadido la siguiente sección porque queremos ser lo más transparentes posible con este resultado. Cuando un efecto alcanza un aumento del 36%, esperamos que lo cuestiones. Queremos explicar abiertamente por qué calculamos el resultado de la manera en que lo hicimos e incluimos algunas salvedades sobre la interpretación del mismo.

Análisis de cohortes

Hacemos un análisis de cohorte de las recaudaciones de fondos para evaluar el impacto de las nuevas funciones. Un análisis de cohorte divide los datos en grupos de datos antes del análisis. En nuestro caso, los desglosamos por hora del calendario. Por eso, queremos ver el rendimiento de las recaudaciones de fondos creadas en un período de tiempo específico en comparación con las recaudaciones de fondos creadas en períodos anteriores. Lo mejor para nosotros es desglosarlos por meses, ya que los datos se vuelven demasiado ruidosos y propensos a generar valores atípicos si los almacenamos en plazos más detallados (por ejemplo, semanas o días).

Este análisis comenzó observando un gráfico de nuestra herramienta de BI (inteligencia empresarial) y comprobando que el promedio recaudado por recaudación de fondos parecía aumentar en los últimos 12 meses. Sin embargo, incluso en las agrupaciones mensuales, los datos son ruidosos. Los efectos estacionales tienen un impacto significativo e, incluso a nuestra escala, una sola recaudación de fondos puede cambiar la media de un mes.

Una media móvil de 12 meses

Una estrategia común para tratar con datos ruidosos es hacer una media móvil. Una media móvil se actualizará constantemente al cambiar el período durante el que se calcula.

En nuestro caso, hemos utilizado una media móvil de 12 meses. Una media móvil de 12 meses utiliza los 12 meses anteriores para calcular la media de un mes. Por lo tanto, el promedio calculado para julio de 2022 se calculará para el período comprendido entre junio de 2021 y julio de 2022. De esta forma, suavizamos todos los efectos estacionales y vemos la tendencia subyacente en los datos.

Es problemático tomar un promedio de promedios. Por lo tanto, hemos ponderado nuestra media móvil de 12 meses según el número de recaudaciones de fondos en cada mes.

Ajuste por valores atípicos

La recaudación de fondos P2P tiene resultados extremadamente sesgados. En algunos casos, el 1% de los recaudadores de fondos que más recauden representará el 50% o más de los resultados de una organización sin ánimo de lucro. En los últimos 12 meses se ha producido un gran acontecimiento que nos ha hecho cuestionar los resultados: la guerra de Ucrania. Podemos ver fácilmente que las recaudaciones de fondos de marzo tuvieron promedios más altos que en otros meses, por lo que hay motivos para sospechar que esto explica parte del resultado. Hemos eliminado los valores atípicos para ayudar a eliminar el efecto de cualquier campaña o recaudación de fondos específica.

Pero, ¿cuándo una recaudación de fondos es un caso atípico? Por lo general, tratamos cualquier recaudación de fondos con más de 5000€ como un caso atípico. Por lo tanto, en nuestra hipótesis base, excluimos a todas las recaudaciones de fondos que hayan recaudado más de 5000€.

¿Eso nos dio una nueva pregunta? ¿Quizás 5.000€ era demasiado bajo o demasiado grande? Para responder a eso, hicimos un análisis de sensibilidad de varios niveles, desde 1.000€ hasta 10.000€.

Al ajustar el nivel del valor atípico, se movió todo el gráfico hacia arriba y hacia abajo en lugar de cambiar su curva. Por lo tanto, si elegimos un nivel bajo, el promedio aumentó a lo largo de todos los meses. Y si elegimos un nivel alto para los valores atípicos, el promedio recaudado aumentó de manera uniforme. Por lo tanto, el nivel de valores atípicos no tuvo un impacto significativo en el resultado.

Por lo tanto, decidimos continuar con nuestro escenario base. En este caso, un valor atípico es una recaudación de fondos superior a 5000€.

Como resultado, las cifras reales subestiman el rendimiento real, ya que hemos omitido en el análisis las principales recaudaciones de fondos.

El gráfico y los datos finales

El siguiente gráfico muestra el aumento promedio de la recaudación de fondos al principio de la vida de BetterNow. Luego se aplana y no pasa mucho. Luego, en julio de 2021, vemos un fuerte aumento.

Interpretación

A lo largo de los años, hemos seguido añadiendo más funciones y formas de recaudación de fondos. Entre 2014 y 2020, nos hemos centrado principalmente en los pagos, las funciones administrativas y las integraciones. Por lo tanto, no es de extrañar que no hayamos cambiado la media recaudada durante este período. También tiene sentido que aumente en los primeros años de vida de BetterNow. Este período de rápidas iteraciones en el diseño, la experiencia de usuario y la orientación por correo electrónico para los recaudadores de fondos.

Luego, en julio de 2021, lanzamos nuestra nueva función más destacada en mucho tiempo. Esta función era el entrenador de recaudación de fondos. Como se describió anteriormente, no solo se trataba de una forma de generar recomendaciones para los recaudadores de fondos a partir de un algoritmo de aprendizaje automático, sino de una larga lista de mejoras menores basadas en nuestro análisis de datos.

Como el gráfico es una media móvil de 12 meses, esto solo tendrá un ligero impacto inicialmente y, después de 12 meses, todo el efecto estará presente. Y lo vemos: en los 12 meses siguientes a la publicación de esta versión, vemos un fuerte aumento en el promedio de recaudación de fondos.

Pero, ¿es un efecto temporal? Bueno, no lo sabremos hasta más tarde. Por lo tanto, nos comprometemos a revisar el análisis más adelante, cuando se hayan agregado más datos. Como las recaudaciones de fondos suelen durar dos o más meses, no podemos usar los datos de los últimos 2 o 3 meses porque las recaudaciones de fondos no han terminado de recaudar fondos. Esperamos hacer una actualización en febrero del año que viene, cuando tengamos otros seis meses de datos.

¿Qué pasa con la inflación?

El año pasado hubo una inflación relativamente alta. ¿Podría esto explicar el aumento de los montos recaudados? Una medida razonable para ajustarnos a esta situación sería la inflación subyacente, que se ha mantenido en torno al 6,5% en los países en los que operamos durante el mismo período. Sin embargo, es cuestionable si la inflación tendría un impacto positivo en los montos de las donaciones y, aunque no lo fuera, qué es lo que está impulsando los resultados de alguna manera.

Conclusión

Estamos seguros de que los lanzamientos de las principales funciones del verano de 2021 impulsaron el resultado. A pesar de que el aumento comenzó mucho antes de la invasión de Ucrania en marzo de 2021, todavía podemos ver que este período ha tenido un impacto positivo en el efecto total, y no podemos descartar que una parte del aumento solo se deba a esto.

Con un aumento del 36%, hay mucho margen para seguir obteniendo un resultado positivo masivo, aunque parte de él provenga de fuentes externas.