Как НКО спрогнозировать объем пожертвований и успешность кампаний с помощью машинного обучения

Для НКО внедрение машинного обучения в свою работу откроет новые возможности для разработки пиар-стратегии на годы вперед. Изображение с сайта pixabay.com (CC0).
Для НКО внедрение машинного обучения в свою работу откроет новые возможности для разработки пиар-стратегии на годы вперед. Изображение с сайта pixabay.com (CC0).

Пред­ставь­те, что спе­ци­а­ли­сты НКО уме­ют про­гно­зи­ро­вать, сколь­ко пожерт­во­ва­ний будет на сче­те орга­ни­за­ции через несколь­ко меся­цев или через год. А еще зна­ют, какие дей­ствия повли­я­ли на «всплес­ки» поступ­ле­ний, допу­стим, вес­ной, и, более того, пони­ма­ют, что нуж­но делать, что­бы вызвать их сно­ва. Полу­чить такую инфор­ма­цию из буду­ще­го мож­но уже сей­час, бла­го­да­ря алго­рит­мам машин­но­го обу­че­ния. Кор­ре­спон­дент Теп­ли­цы Ната­лья Бара­но­ва узна­ла у экс­пер­тов, каким обра­зом НКО с помо­щью новых тех­но­ло­гий смо­гут выстро­ить устой­чи­вую пиар-кам­па­нию.

Машин­ное обу­че­ние пред­став­ля­ет собой ком­пью­тер­ную систе­му, кото­рая спо­соб­на обу­чать­ся, пред­ска­зы­вать, рабо­тать с боль­шим объ­е­мом дан­ных. Для НКО внед­ре­ние этой тех­но­ло­гии в свою рабо­ту откро­ет новые воз­мож­но­сти для раз­ра­бот­ки пиар-стра­те­гии на годы впе­ред.

Как это работает

Алго­ритм машин­но­го обу­че­ния рабо­та­ет на осно­ве боль­шо­го объ­е­ма инфор­ма­ции. Модель мож­но обу­чить делать рас­че­ты имен­но бла­го­да­ря дан­ным. «Нуж­но, что­бы у вас были фак­ти­че­ские дан­ные в раз­ре­зе вре­ме­ни, ауди­то­рии и гео­гра­фии. Если вы хоти­те про­гно­зи­ро­вать на пол­го­да впе­ред, жела­тель­но что­бы у вас было уже несколь­ко полу­го­дий накоп­ле­но», – объ­яс­нил неза­ви­си­мый ана­ли­тик Миха­ил Бог­да­нов.

Зада­чу, что нуж­но спро­гно­зи­ро­вать, мож­но ста­вить по-раз­но­му. Тут для НКО есть два вари­ан­та. Во-пер­вых, имея дан­ные, собран­ные за год, мож­но спро­гно­зи­ро­вать, какой объ­ем пожерт­во­ва­ний посту­пит на счет вашей орга­ни­за­ции в буду­щем. Во-вто­рых, и этот путь слож­ный, но полез­ный, понять, от каких фак­то­ров зави­сят пики поступ­ле­ний от жерт­во­ва­те­лей. По мне­нию экс­пер­тов, имен­но для вто­ро­го вари­ан­та сто­ит исполь­зо­вать мето­ды машин­но­го обу­че­ния.

Еще по теме: 4 спо­со­ба исполь­зо­вать машин­ное обу­че­ние для реше­ния про­блем

Осно­ва­тель Data Mining Labs и сооб­ще­ства Open Data Science Алек­сей Нате­кин счи­та­ет, что общую модель раз­ра­бо­тать невоз­мож­но, для каж­дой обще­ствен­ной орга­ни­за­ции она будет своя. По его мне­нию, все силы нуж­но бро­сить на постро­е­ние моде­ли, кото­рая смо­жет лег­ко выяв­лять фак­то­ры успеш­но­сти и неуспеш­но­сти раз­лич­ных всплес­ков в пожерт­во­ва­ни­ях.

«Надо не столь­ко пытать­ся пред­ска­зать пожерт­во­ва­ния как ряд (бес­по­лез­ная затея, вы напря­мую вли­я­е­те на ряд сво­и­ми дей­стви­я­ми). Нуж­но выяс­нить, что на что вли­я­ет, что­бы самим изме­нить пове­де­ние и стра­те­гию». Алек­сей Нате­кин

Что нужно

1. Мно­го дан­ных. Экс­пер­ты схо­дят­ся во мне­нии: чем боль­ше дан­ных у вас будет, тем прав­ди­вее ока­жет­ся про­гноз. «Что­бы повы­сить точ­ность ана­ли­за, жела­тель­но собрать боль­ше мик­ро­дан­ных с непро­зрач­ны­ми свя­зя­ми. И раз­ме­тить все кам­па­нии по сбо­ру средств на успеш­ные и неуспеш­ные», – посо­ве­то­вал началь­ник отде­ла ана­ли­ти­ки Яндекс.Деньги Алек­сандр Мат­ве­ев.

Дру­ги­ми сло­ва­ми, мно­го­фак­тор­ный про­гноз дол­жен состо­ять из несколь­ких пере­мен­ных: из ауди­то­рии, вре­ме­ни, гео­гра­фии, сезо­на. Но чем боль­ше фак­то­ров вы най­де­те, тем луч­ше.

Еще по теме: Андрей Себрант: Не нуж­но боять­ся, что маши­ны умнее нас, нуж­но научить­ся рабо­тать с ними

2. Соби­рай­те инфор­ма­цию о пиар-кам­па­ни­ях. В первую оче­редь, нуж­но най­ти все дан­ные, кото­рые так или ина­че вли­я­ют на уве­ли­че­ние или умень­ше­ние пожерт­во­ва­ний. Обра­ти­те вни­ма­ние на ход ваших пиар-кам­па­ний. «Напри­мер, выяс­ни­те, кто их ауди­то­рия, как чек вли­я­ет от вре­ме­ни (празд­ни­ков), кто был в инфор­ма­ци­он­ных парт­не­рах, как часто такие кам­па­нии про­во­ди­лись. Что, где и когда вы писа­ли, кто, как и когда реа­ги­ро­вал, куда про­са­чи­ва­лась инфор­ма­ция. Учесть отдель­ные пере­го­во­ры с круп­ны­ми жерт­во­ва­те­ля­ми и фон­да­ми, что­бы исклю­чить их из дан­ных», – пере­чис­лил важ­ные момен­ты Алек­сей Нате­кин.

«Таки­ми мик­ро­дан­ны­ми могут быть, напри­мер, све­де­ния о том, в каких кана­лах про­во­ди­лась кам­па­ния (Facebook, ВКон­так­те, сайт, что-то еще), в каких горо­дах, какая пого­да там сто­я­ла в дни кам­па­нии». Алек­сандр Мат­ве­ев

Неко­то­рые полез­ные для ана­ли­за пара­мет­ры мож­но полу­чить через пла­теж­ное реше­ние, кото­рое про­во­дит пожерт­во­ва­ния, напри­мер, раз­мер сред­них чеков. «Фон­ды, кото­рые при­ни­ма­ют пожерт­во­ва­ния через Яндекс.Кассу, так­же могут ана­ли­зи­ро­вать дина­ми­ку рек­ку­рент­ных пла­те­жей (под­пи­сок на регу­ляр­ные пожерт­во­ва­ния)», – доба­вил Мат­ве­ев.

3. Исполь­зуй­те уже гото­вые алго­рит­мы. Вам не нуж­но при­ду­мы­вать спе­ци­аль­ные мате­ма­ти­че­ские моде­ли, что­бы сде­лать про­гноз. Все алго­рит­мы уже гото­вы, прав­да, ими нуж­но уметь поль­зо­вать­ся. Для того что­бы про­сто спро­гно­зи­ро­вать объ­ем пожерт­во­ва­ний, нуж­но исполь­зо­вать такой метод машин­но­го обу­че­ния, как про­гно­зи­ро­ва­ние вре­мен­ных рядов (или регрес­си­он­ный ана­лиз).

По мне­нию Алек­сандра Мат­ве­е­ва, самый про­стой ана­лиз мож­но про­во­дить и в MS Excel. А что­бы про­ана­ли­зи­ро­вать мик­ро­дан­ные и сде­лать про­гноз вре­мен­ных рядов, мож­но исполь­зо­вать ста­ти­сти­че­ские паке­ты или язы­ки про­грам­ми­ро­ва­ния с раз­ви­ты­ми биб­лио­те­ка­ми ана­ли­за дан­ных, напри­мер, Python/R.

«Более слож­ный ана­лиз мож­но про­во­дить с помо­щью про­стых для вхо­да и бес­плат­ных на началь­ном эта­пе паке­тов для машин­но­го обу­че­ния с нагляд­ной визу­а­ли­за­ци­ей. Напри­мер, RapidMiner (это сре­да для про­ве­де­ния экс­пе­ри­мен­тов и реше­ния задач машин­но­го обу­че­ния и интел­лек­ту­аль­но­го ана­ли­за дан­ных. – Прим. ред.)». Алек­сандр Мат­ве­ев

4. Най­ди­те ана­ли­ти­ка. Вы уже поня­ли, что для сбо­ра необ­хо­ди­мой инфор­ма­ции потре­бу­ет­ся мно­го вре­ме­ни и зна­ний: рабо­та кро­пот­ли­вая. По мне­нию экс­пер­тов, с этой зада­чей спра­вит­ся ана­ли­тик, если у него есть под­го­тов­ка в обла­сти эко­но­мет­ри­ки, моде­ли­ро­ва­ния или ана­ли­за дан­ных. Такие спе­ци­а­ли­сты, к при­ме­ру, есть в Data Mining Labs. Кста­ти, коман­да про­ек­та ведет инте­рес­ный курс по машин­но­му обу­че­нию.

5. Участ­вуй­те в хака­то­нах по откры­тым дан­ным. Один из отлич­ных вари­ан­тов – заявить свою идею на одном из хака­то­нов по ана­ли­зу боль­ших дан­ных. Имен­но на таких собы­ти­ях вы смо­же­те пред­ста­вить про­ект, най­ти коман­ду (ана­ли­ти­ков, кото­рые вам и нуж­ны). Такие хака­то­ны доволь­но часто про­хо­дят во мно­гих горо­дах Рос­сии под назва­ни­ем Open data day при под­держ­ке экс­перт­ных сооб­ществ и госу­дар­ствен­ных струк­тур. Сле­дить за пред­сто­я­щи­ми хака­то­на­ми мож­но в спе­ци­аль­ной руб­ри­ке Теп­ли­цы.