Maximera kampanjavkastning: snabbkurs för insamlingar

Att maximera din ideella organisations insamlingsavkastning kräver att du samlar in mer samtidigt som du spenderar mindre. Lär dig dessa moderna tips för att öka kampanjavkastningen för att komma igång.

Gästblogginlägg från Tim Paris, VD och medgrundare av Dataro.

Det finns mycket som kan läras av nedslående insamlingsresultat med hjälp av efterklokskap och data. Dessa ovärderliga lärdomar kan användas för att stärka din ideella organisations nästa appell eller crowdfunding-kampanj, men var börjar du? Hur vet du vad du ska ta med dig från din prestation?

Om du vill lära dig av tidigare misstag och förbättra framtida insamlingar, gå direkt till källan genom att gräva i avkastningen på dina kampanjer och arbeta därifrån.

Avkastning på investeringen är ett grundläggande mått som definierar din insamlingsframgång, i huvudsak att mäta om din strategi genererade eller förlorade intäkter. Målet är att maximera donationer som genereras av varje överklagande samtidigt som du minimerar kostnaderna och på så sätt samla in mer pengar till din sak.

För att börja säkra så mycket stöd du kan från dina insamlingsappeller, kommer du att lita på din data för att bättre kunna rikta in dig på din målgrupp. Denna idé om "segmentering" eller att dela upp din publik i diskreta grupper baserat på delade egenskaper och antaganden om hur de kommer att bete sig, är inget nytt och är en standard del av insamling idag. Men vi har upptäckt att traditionella segmenteringstekniker inte räcker långt för att hjälpa ideella organisationer verkligen få ut det mesta av sina insamlingsbudgetar (och därför maximera kampanjavkastningen). Låt oss gå igenom tre avancerade strategier som vi rekommenderar till ideella organisationer för att maximera avkastningen på överklagande.

Supportersegmentering är användbart som ett grundläggande koncept för insamlingar. Men problemet kommer när ideella organisationer låter sina segmenteringsstrategier diktera snarare än vägleda hur de planerar kampanjer.

Till exempel förlitar sig ideella organisationer ofta på en form av segmentering som kallas RFM-analys, står för nyhet, frekvensoch penningvärde av donationer. Givarna sorteras enligt dessa mätvärden, som sedan formar e-postlistorna som utvecklats för direktreklamöverklaganden. Men detta tillvägagångssätt har sina gränser och kan vara felaktigt.

Tänk på donationsnyheten. Om ditt överklagande bara skickas till dem du anser vara "aktiva givare" eller de som har gett inom en viss tidsram, kan exakt hur du definierar nyligen ha stora konsekvenser. Genom att försumma de som faller utanför den tidsramen, missar du chansen att lägga ditt uppdrag tillbaka på deras sinnen och säkra fler donationer från de som faktiskt skulle kommer sannolikt att ge men har bara inte blivit kontaktad på ett tag.

Istället för att tillåta RFM-statistiken att helt avgöra vem som kontaktas för överklaganden, du bör istället ta ett mer selektivt förhållningssätt.

Genom att analysera dina givares benägenhet att ge, kan du avgöra ner till individnivå vem som ska kontaktas och när. Artificiell intelligens genererar benägenhetsmått för givare baserat på deras hela historia av engagemang med din organisation, plus alla djupa mönster i ditt engagemang med andra givare över tid. Detta tillvägagångssätt ger dig en mycket mer nyanserad och individualiserad förståelse för när givare är och inte är mottagliga för överklaganden.

Därifrån kan du skräddarsy dina e-postlistor med hjälp av benägenhetsmått snarare än vaga RFM-grupperingar. Mål endast de som sannolikt kommer att ge, sparar på utskick och marknadsföringskostnader och ser högre avkastning på din investering – höjer mer samtidigt som du spenderar mindre.

Donation sida design är välkänt för att ha betydande inverkan på insamlingsresultat. En lång, svår form ger naturligtvis mindre än en som är strömlinjeformad och laddas perfekt på mobila enheter.

En del av designen av donationssidor som direkt kan påverka avkastningen på dina kampanjer är föreslagna donationsbelopp, även kallade frågesträngar. Genom att uppmana givare att ge ett specifikt belopp, kanske strax över vad de annars skulle ha gett, kan du öka avkastningen med lite extra ansträngning. För ännu mer effektiva förslag använder ideella organisationer idag teknik för att dynamiskt anpassa sina frågesträngar baserat på hur enskilda givare har gett tidigare.

Men gå längre – om du ändå noggrant spårar resultatet av dina överklaganden, var extra uppmärksam på de specifika frågestrategierna för att lära av dem över tid.

Ännu bättre, testa olika belopp direkt. Spåra resultaten från ett A/B-test av olika frågesträngar och använd dina resultat i framtida kampanjer. Kom ihåg att AI kan ta bort gissningarna för att maximera avkastningen genom att identifiera de donatorer som mest sannolikt kommer att ge och genom att hitta donatorer som sannolikt kommer att ge en medelstor eller större gåva i framtiden baserat på deras givande vanor.

Direktreklam är fortfarande en mycket effektiv insamlingsstrategi för ideella organisationer när den används smart, men högkvalitativt tryckt material kan snabbt bli dyrt. Precis som vaga antaganden kan bli kostsamma för andra former av reklam, måste du vara selektiv om vilka givare som får dina bästa kampanjbroschyrer och vykort.

Börja med att utveckla en riktad e-postlista med hjälp av benägenhetsmått, som beskrivs i strategi 1. Detta kommer att se bortom RFM-statistik på ytnivå för att ge dig en snävare lista över de givare som faktiskt är mest benägna att ge just nu.

Borra sedan djupare för att ytterligare förbättra din ROI. Vilka givare på denna lista sannolikt kommer att ge ovan en viss tröskel som skulle täcka kostnaderna för de högkvalitativa utskickarna?

Du kan grovt sett utföra denna uppgift genom att studera dina egna data. Isolera donatorerna på din lista i din CRM eller databas och sortera dem sedan efter deras genomsnittliga gåvostorlekar. För ett lägre tekniskt alternativ, försök att helt enkelt sortera dem efter storleken på deras senaste donation. Detta är inte ett särskilt exakt eller effektivt tillvägagångssätt, men det gör ge fortfarande din e-postlista en extra nivå av precision.

För de bästa resultaten och mindre manuell analys som behövs från ditt team, kommer dock prediktiv modellering genom AI återigen att vara det bättre valet. Genom att studera alla dina tidigare insamlingsanalyser, kan det helt effektivisera processen att utveckla och förfina mycket riktade e-postlistor som är mer benägna att generera en stark positiv ROI. Till exempel kan den berätta vilka donatorer som är mest benägna att ge över $500 i det aktuella överklagandet. AI-teknik som integreras med ditt CRM kommer att ge ännu mer effektivitet i processen, vilket gör det enkelt att skapa högpresterande listor direkt i din välbekanta databas.

De flesta moderna insamlingar förstår redan att det är en bästa praxis att rikta sina vädjanden till specifika uppsättningar givare, men kom ihåg att det alltid finns utrymme att förbättra.

Dessa strategier, uppbackade med rätt teknik och data, kan hjälpa dig att uppnå verkliga resultat. Börja arbeta för att maximera din överklagande avkastning inom ditt befintliga nätverk av givare. När du har bemästrat dessa tips och byggt en solid grund för ständiga förbättringar, kommer du att kunna mer utöka din räckvidd effektivt och utveckla ditt uppdrag.

Nyckelalternativ: För att förbättra din ROI för insamlingar krävs att du säkrar så mycket stöd som möjligt samtidigt som du sänker kostnaderna. Genom att rikta in och optimera dina kampanjer på smartare sätt kan du åstadkomma båda på en gång.

Om Tim

Tim är medgrundare och VD för Dataro. Han har en doktorsexamen i kognitiv neurovetenskap och en kandidatexamen i psykologi. Efter roller inom akademin och startups grundade han Dataro 2018 tillsammans med skolkamraten David Lyndon. Företagets uppdrag är att hjälpa välgörenhetsorganisationer att förbättra insamlingen med hjälp av de senaste teknikerna för maskininlärning och prediktiv modellering.

Source: https://blog.pozible.com/maximizing-campaign-roi-crash-course-for-fundraisers-1275244ceb8b?source=rss—-ae0d23b22248—4