Non lo strumento, servono due cose che quasi nessuna organizzazione ha ancora costruito, e vanno in direzioni opposte.
Quando un’organizzazione inizia a usare l’AI nella raccolta fondi, la prima domanda è sempre quale strumento utilizzare. Lo strumento però lo usano tutti allo stesso modo, con lo stesso abbonamento e lo stesso listino prezzi.
A fare la differenza è quello che gli si dà da leggere prima, e quanto ci si lascia sorprendere dopo.
Costruire il contesto è un lavoro
Molte non profit (forse nessuna) non hanno mai fatto l’esercizio di mettere per iscritto, in modo utilizzabile, chi sono i loro donatori, quali criteri usano per segmentarli, cosa hanno scritto nell’ultimo appello, perché ha funzionato o no, quali parole non vogliono più vedere in una bozza, etc… Non lo hanno fatto nemmeno per i nuovi colleghi, figuriamoci per una macchina.
Il lavoro vero, prima ancora di scrivere un prompt, è archivistico e organizzativo.
Vuol dire raccogliere la storia dei donatori, le motivazioni ricorrenti nelle donazioni, gli errori già fatti nelle campagne passate, e renderli leggibili. Non serve un sistema sofisticato per iniziare, serve la disciplina di scrivere in un documento:
- chi siete come organizzazione
- come parlate
- cosa avete già imparato sui vostri sostenitori
Quel documento, più che qualsiasi abbonamento, è l’asset che nessun altro ente può replicare, perché è fatto della vostra storia specifica con le vostre persone.
Il donatore che il modello non avrebbe segnalato
Il rischio opposto riguarda l’imprevisto, un sistema che lavora sulla probabilità, se lo lasciamo fare da solo, tende a portarci sempre verso ciò che ha già funzionato, verso il donatore che assomiglia ai donatori che hanno già dato, verso l’appello scritto come l’appello che ha già convertito.
Nel fundraising predittivo questo è già visibile.
Il modello segnala chi ha più probabilità di rispondere a una richiesta di grande dono, e ha ragione, statisticamente ma la persona che diventa un sostenitore straordinario è spesso quella che il modello non avrebbe segnalato, perché il suo profilo non assomigliava a nessuno dei precedenti.
È il socio (ndr) che dona per la prima volta dopo dieci anni di silenzio, il volontario che non era mai stato considerato un potenziale grande donatore, la conversazione fatta per caso a un evento con qualcuno fuori dal target.
Una relazione costruita fuori dal modello mostra un bias che il modello non poteva mostrare, perché quel bias non era nei dati.
Nel fundraising, che resta un mestiere di relazioni prima che di segmentazione, questa è la differenza tra conoscere un database e conoscere una persona.
Cosa fare lunedì mattina
Le due cose vanno tenute insieme. La prima, è costruire il contesto, mettere per iscritto la vostra storia con i donatori in un formato che l’AI possa leggere e che anche un nuovo collega potrebbe leggere per capire come lavorate.
La seconda è riservare una parte del lavoro, anche piccola, a ciò che il modello non suggerirebbe:
- una telefonata a un donatore fuori target
- un appello scritto senza guardare prima cosa ha già funzionato
- una conversazione con qualcuno che non è mai stato segmentato come prioritario
L’AI aiuta a fare meglio la prima cosa, se le date materiale da cui partire e rischia di impoverire la seconda, se la lasciate decidere da sola cosa è probabile.
Chi vuole iniziare questa settimana può partire da un esercizio semplice, guardate la lista dei prossimi contatti in programma, appelli, telefonate, incontri, e individuate quello che il vostro criterio di segmentazione avrebbe scartato, il donatore silenzioso da anni, il volontario mai considerato per un grande dono, il nominativo che nel foglio di lavoro finisce sempre in fondo.
Non sostituitelo con un contatto più probabile, fatelo davvero e annotate cosa avete imparato, anche se non porta a nulla. È in quel margine, non nel prompt scritto meglio, che si allena la parte del lavoro che l’AI non può fare al posto vostro.
[articolo scritto con il supporto di Claude AI]
