Алгоритмы щедрости: как искусственный интеллект помогает фандрайзерам

Главные тезисы из исследования об использовании ИИ а в фандрайзинге Изображение: Обложка отчета Unlocking Generosity with Artificial Intelligence: The Future of Giving.

Искусственный интеллект (ИИ) полностью изменит наши представления о фандрайзинге или так и не станет той технологией, которую будут использовать в своей работе все некоммерческие организации? Чтобы разобраться в этом вопросе, мы собрали 6 вариантов использования ИИ в фандрайзинге из отчета Unlocking Generosity with Artificial Intelligence: The Future of Giving («Раскрывая щедрость с искусственным интеллектом: будущее пожертвований»). Его подготовили исследовательницы Аллисон Файн и Бет Кантер для фонда Билла и Мелинды Гейтс. 

От общественного блага к пожертвованиям 

Искусственный интеллект уже начал менять работу некоммерческого сектора. Сейчас алгоритмы помогают сделать общение с ними более персонализированным, анализировать данные и автоматизировать отчетность и другие рутинные задачи. Но это лишь первый этап внедрения ИИ в благотворительность. Вероятно, впереди предстоит большая работа, которая поможет внедрить принципиально новые практики и модели. ИИ для общественного блага (AI4Good) не новое явление. Его истоки можно найти в других инициативах, связанных с использованием технологий для общественного блага. Такие проекты, как DataKind, Data Science for Social Good, AI4ALL и hack4impact, дали старт развитию сообществ программистов, работающих над решением социальных проблем.

На странице конкурса Google AI Impact Challenge можно посмотреть истории, как организации с помощью ИИ добиваются позитивных изменений в обществе. Еще один из примеров использования алгоритмов для общественного блага – партнерство УВКБ ООН (Управление Верховного комиссара ООН по делам беженцев) с компаниями DigitalGlobe и Maxar Technologies. Вместе они используют ИИ для картирования переполненных лагерей беженцев, чтобы уменьшить скопление людей и планировать обустройство новых лагерей. 

Изображение: Картрирование переполненных лагерей беженцев, сайт УВКБ ООН.
Изображение: Картрирование переполненных лагерей беженцев, сайт УВКБ ООН.

Перечислять подобные инициативы можно долго, вывод понятен – искусственный интеллект уже активно используется для решения социальных задач. Но не для работы с донорами. AI4Good (ИИ для общественного блага) и AI4Giving (ИИ для благотворительности) – две разные области. И ниже речь пойдет именно об использовании алгоритмов для фандрайзинга. 

Как платформы используют ИИ 

Сейчас искусственный интеллект чаще в своей работе используют различные благотворительные платформы, а не отдельные организации. Так происходит, потому что у платформ есть больше ресурсов и возможностей для сбора данных, на основе которых они анализируют поведение доноров. Исследователи выделили шесть областей, в которых платформы на данный момент используют ИИ. 

1. Для поиска организаций 

Каждый день команды некоммерческих организаций заняты поиском новых сторонников. Им важно привлекать людей, которые будут разделять миссию и ценности организации. Ведь тогда велика вероятность, что человек не просто сделает разовое пожертвование, но и будет помогать регулярно. В свою очередь, благотворителям тоже важно выбрать наиболее близкую им инициативу. Самостоятельно изучить все организации, их проекты и планы, пожалуй, невозможно. И тут на помощь приходят алгоритмы. Платформы собирают данные о пользователях, их предпочтениях, предыдущих пожертвованиях. Затем анализируют полученную информацию и предлагают разные варианты участия в благотворительности. 

Один из примеров такого инструмента – Philanthropy Cloud от компании Salesforce.org. Он создан для сотрудников корпораций, чтобы облегчить им поиск благотворительных организаций, которым они хотели бы помогать. Как обычно устроена корпоративная социальная ответственность? Компания придумывает для сотрудников один общий проект, например, вместе собрать мусор в парке или съездить в приют для животных. Конечно, ведь невозможно учесть интересы и запросы каждого участника команды. Philanthropy Cloud позволяет отойти от такого унифицированного подхода и подобрать для каждого сотрудника именно тот проект, который был бы ему интересен. Пользователь заполняет профиль, в котором рассказывает о своих интересах и предыдущем опыте волонтерства, а платформа предлагает ему подходящие организации. 

2. Для советов благотворителям

По мнению экспертов, искусственный интеллект может успешно давать рекомендации донорам, как лучше распределить их пожертвования. Алгоритмы подсказывают людям, в какую организацию сделать перевод, чтобы получить наибольшие системные изменения. Или просто решить ту проблему, которая волнует человека сильнее всего. Причем эти подсказки подходят не только для крупных доноров. Даже человек, который хочет сделать небольшое пожертвование, с помощью ИИ может найти подходящую организацию. Алгоритмы анализируют запрос донора и сопоставляют его с данными о некоммерческих организациях и их программах. Разные онлайн-инструменты, например, плагины для сбора пожертвований, по сути уже «проложили путь» для ИИ-ориентированных инструментов. Ведь это очень удобно – пользователь заходит на платформу, вводит свой запрос, получает рекомендацию и делает перевод. Минимальные затраты времени и сил. 

Один из сервисов, который помогает сторонникам получить рекомендации, – Candid.
Один из сервисов, который помогает сторонникам получить рекомендации, – Candid.

При этом платформы, которые дают рекомендации донорам, пока находятся на ранних этапах своего развития. Они могут подбирать организации под запрос пользователя, но не оценивать социальное воздействие той или иной НКО. Для того чтобы они работали с более сложными рекомендациями и советами, их создателям нужно решить две задачи – понять, как именно алгоритмы будут оценивать социальное воздействие организаций и как они будут собирать наборы больших данных. Когда ответы на эти вопросы будут найдены, искусственный интеллект, вероятно, полностью изменит наше представление о том, как люди делают пожертвования. Примеры платформы, которые сейчас работают в этом направлении, – Candid, Charity Navigator

3. Для планирования работы со сторонниками 

Фандрайзеры не могут лично следить за каждым сторонником и его пожертвованиями. Персональный контакт обычно сохраняется только с самыми крупными донорами. Отследить вручную, кто давно не делал пожертвование, или, наоборот, кто регулярно переводит большие суммы, невозможно. Алгоритмы же могут автоматически анализировать поведение доноров и подсказывать франчайзерам, кому нужно отправить письмо с напоминанием об организации, а кого нужно поблагодарить за активную поддержку и рассказать, как были потрачены средства. 

Такая автоматизация с использованием ИИ экономит время фандрайзеров и делает их работу более эффективной. Изучить вручную тысячи строчек в базах данных – это очень сложно и долго. Алгоритмы же автоматически определяют лучших потенциальных доноров, с которыми стоит выстроить персональную коммуникацию. Иными словами, ИИ выполняет рутинную и трудоемкую задачу. В итоге то время, которое могло быть потрачено на анализ, фандрайзер может провести, составляя письма с перспективными сторонниками или планируя с ними встречи. 

Как работает мобильное приложение NeonMoves.

Примеры сервисов, которые позволяют провести такой анализ, – Blackbaud, boodle.AI, Gravyty, Neon One. Еще один пример – мобильное приложение NeonMoves, в которое фандрайзеры могут загружать разные данные о своих встречах с донорами. На основе этих данных алгоритмы оптимизируют процесс сбора средств.

4. Для «разговоров» со сторонниками 

Даже после анализа базы доноров остается открытым вопрос, как уделить персональное внимание каждому. Ведь одно из важных направлений фандрайзинга – персонализация. Обезличенные сообщения работают намного хуже, человек не чувствует себя важным и нужным. Здесь на помощь некоммерческим организациям приходит так называемый «разговорный искусственный интеллект». Технологии автоматического распознавания речи, чат-боты и цифровые помощники меняют представления фандрайзеров о взаимоотношении со сторонниками.

Алгоритмы также обрабатывают и анализируют слова, которые мы пишем в социальных сетях или медиа. Например, платформа Quilt.AI индексирует и объединяет в кластеры миллионы публичных разговоров, статей и комментариев. Сейчас команда платформы разрабатывает сервис, который будет делать прогнозы для некоммерческих организаций, – предсказывать поведение благотворителей, анализировать мотивацию доноров и их склонность к новым пожертвованиям. Понимание мотивации разных людей поможет фандрайзерам «пробираться» в их информационные пузыри и говорить на одном языке о ценностях организации. Чтобы правильно подобрать слова, фандрайзер должен понимать, что движет потенциальными сторонниками. 

5. Для исследований доноров

Алгоритмы нужны фандрайзерам для анализов и прогнозов. Но чтобы лучше понимать, как, когда и почему доноры жертвуют средства, нужно для начала собрать много данных. Иначе детально изучить закономерности не получится. Чем больше выборка – тем лучше результат. Ни одна некоммерческая организация не сможет собрать столько данных в одиночку. Поэтому ИИ уже используется для прогнозирования, но для лучших результатов необходимы совместные инициативы внутри некоммерческого сектора. 

Благодаря данным, полученным от фондов, команда GivingTuesday смогла узнать новую информацию о донорах. Изображение: GivingTuesday.
Благодаря данным, полученным от фондов, команда GivingTuesday смогла узнать новую информацию о донорах. Изображение: GivingTuesday.

Уже есть проекты, которые объединяют разные организации для сбора данных. Один из них – Giving Tuesday’s Data Commons. Эту инициативу запустила команда GivingTuesday (#ЩедрогоВторника). Проект начался с того, что благотворительные фонды из США поделились результатами своих онлайн-сборов в #ЩедрыйВторник, чтобы организаторы акции могли понять, сколько денег было пожертвовано. Быстро стало очевидно, что благодаря этим данным также можно узнать гораздо больше о донорах и их мотивации. Причем делать это не только во время акции, но и круглый год. Сейчас проект объединил больше 60 организаций, которые делятся своими данными о сборах, чтоб принести пользу всему сектору. 

6. Для автоматизации отчетности 

Искусственный интеллект используется платформами для создания отчетов. Причем речь идет не только о документах для внутреннего пользования. Например, команда платформы GlobalGiving создала инструмент, который обрабатывает данные и отправляет донорам ежеквартальные отчеты (тем, которые указали, что хотят получать такие письма). Таким образом люди могут следить, как были потрачены их пожертвования, а фандрайзеры – не тратить свои ресурсы на рассылку документов. То есть алгоритмы по сути помогают выстраивать долгосрочные отношения с донорами, ведь прозрачная отчетность повышает доверие к организации. 

Проблемы ИИ в фандрайзинге 

Организация AI In Advancement Advisory Council в 2019 году провела опрос среди некоммерческих организаций об их отношении к ИИ. Только 15% респондентов сказали, что они используют искусственный интеллект для сбора пожертвований. Почти три четверти опрошенных заявили, что они все еще присматриваются к технологии или не планируют ее использовать. При этом 89% респондентов соглашаются с тем, что ИИ сделает их фандрайзинг более эффективным.

Можно сделать вывод, что ИИ пока не получил широкого распространения в области фандрайзинга, но некоторые организации уже начинают использовать технологию. Почему технология, которую многие считают перспективной, не используется пока в полную силу? Исследователи называют несколько проблем и «узких мест», которые только предстоит преодолеть ИИ на пути внедрения в фандрайзинг. 

  • Масштабирование неправильных практик. Алгоритмы могут сделать средство более автоматизированным. Но только просить денег у сторонников – неправильно. Исследователи называют это «отношениями, ориентированным на транзакции». За каждым пожертвованием стоят люди со своими проблемами и потребностями. Если это не учитывать, люди не будут постоянно поддерживать организацию. Автоматизированный сбор средств с помощью платформ и алгоритмов может также привести к «транзакционной ориентированности», что плохо скажется на отношениях со сторонниками. 
  • Отсутствие больших наборов данных. То, о чем мы уже упоминали выше. Ни одна коммерческая организация не может собрать столько данных, чтобы достаточно точно анализировать поведение потенциальных доноров. Собирать полные и точные данные (и делать это автоматизированно) – задача, с которой могут справиться пока только отдельные крупные организации. Есть у этой проблемы и другая сторона. Нужно собирать данные не только о донорах, но и о самих организациях. Один из крупнейших наборов данных в США – декларации Налогового управления (форма 990) – неполный и не актуальный, так как информация в форме указывается за прошедший год. Кроме того, данные в этом наборе не классифицированы удобным для доноров способом. И прежде чем использовать его для обучения алгоритмов, надо вносить изменения.
  • Отсутствие ресурсов у небольших организаций. Любой новый инструмент – это ресурсы, которых иногда просто нет у небольших организаций. Пока внедрение ИИ в работу НКО может привести к усилению неравенства. Это же касается и платформ с рекомендациями – на них должны быть представлены все организации, а не только крупные, чтобы люди могли могли выбирать, кому им отправить пожертвование. 
  • Привычки доноров. Остается открытым вопрос: а так ли нужны людям платформы с рекомендациями? Скорее человек сделает пожертвование в ту организацию, о которой он слышал, чем пойдет целенаправленно искать новые фонды. У доноров часто нет времени на то, чтобы разбираться с новыми технологиями в области благотворительности, проводить собственные исследования, изучать работу организаций. 
  • Отсутствие прозрачности. История с рекомендациями напоминает пользователям историю с социальными сетями и данными, которые они используют (например, по какому принципу таргетируется политическая реклама). Некоммерческие организации волнует, не попадут ли они в ловушку алгоритмов, не станут ли заложниками рекомендательных систем и окажутся вне поле зрения доноров. 

Вывод

Искусственный интеллект вряд ли станет решением всех проблем в фандрайзинге. Эксперты, которые приняли участие в опросе для исследования, отмечают, что алгоритмы не смогут исправить то, что уже плохо работает. Например, практику отношений «вокруг транзакций», когда у сторонников только просят деньги, но не думают об их потребностях. В этом смысле не стоит расценивать ИИ как универсальный инструмент. Но уже сейчас можно подумать, как использовать алгоритмы для лучшего понимания сторонников и их приоритетов. Это путь к тому, чтобы сделать людей более щедрыми и наладить с ними долгосрочные отношения.