Een van de voornaamste targets van goede doelen is om donateurs meer te laten doneren. Dit kan gaan van donateurs met een eenmalige donatie te converteren naar donateurs met een automatische maandelijkse donatie tot het stimuleren van hogere eenmalige donaties. Verschillende gegevens kunnen gebruikt worden om donateurs te segmenteren en automatisch de juiste communicatie toe te sturen om de gemiddelde donatie per donateur te verhogen. Voor deze case, zijn de volgende variabelen beschikbaar:

• Leeftijd
• Postcode
• Eerdere donaties
• Open-rate van emails
• Click-rate van emails

Verschillende van deze variabelen kunnen invloed hebben op het gedrag van donateurs wanneer communicatie hierop gebaseerd wordt.

Invloed van variabelen op donaties

Omdat dit een case betreft waarin de mogelijkheden van LLM’s bekeken worden, is er niet daadwerkelijk onderzocht of de variabelen invloed op de hoogte van donaties kunnen hebben. Dit zijn dan ook slechts aannames.

Leeftijd

Naarmate mensen ouder worden, hebben ze gemiddeld gezien een groter besteedbaar inkomen en daardoor ook meer geld beschikbaar om te doneren. Ook zal er enigzins meer vatbaarheid zijn voor donaties in de vorm van nalatenschap.

Postcode

Postcodes zijn eenvoudig te vertalen naar gemiddelde inkomsten. Alhoewel lang niet altijd even accuraat, kan het in combinatie met eerdere donaties een beter beeld geven van het vrije besteedbare inkomen.

Eerdere donaties

Eerdere donaties geven een basispunt waarvandaan de optimalisatie gedaan wordt. Eerder is beschreven hoe mensen die af en toe eenmalig doneren, mogelijk geconverteerd kunnen worden naar maandelijkse donaties. Donateuren die alsmaar groeiende donaties doen of juist lange tijd niet meer doneren, hebben ieder een eigen aanpak nodig.

Open rate van emails

Betrokkenheid met de inhoud van een specifieke email, geeft aan dat de inhoud van de email de donateur activeert. Nog interessanter is, waar later dieper op wordt ingegaan, het onderwerp van de mail die geopend wordt.

Click-rate van emails

In lijn met open-rate, maar dan nog specifieker te verbinden aan inhoud. Wanneer duidelijk is dat de donateur geactiveerd wordt door specifieke content in een email, kan die content gebruikt worden om donaties in het vervolg te activeren.

Chain-of-Thought prompting voor segmenteren?

Het idee achter Chain-of-Thought prompting, voorgesteld door Wei et al. is dat we het AI-model met tussenstappen de aangeleverde input beter laten begrijpen. We geven voorbeelden met daarbij het denkproces op basis waarvan de output van de voorbeelden op gebaseerd is.

Voor deze case zijn donateur in verschillende segmenten geplaatst. In werkelijkheid zouden er wel 50 verschillende segmenten gemaakt kunnen worden, zoals donateurs die lange tijd niet meer gedoneerd hebben.

Donateur type 1:

Donateur type 2:

Donateur type 3:

Donateur type 4:

Donateur type 5:

Donateur type 6:

Donateur type 7:

Donateur type 8:

Donateur type 9:

Donateur type 10: