Frafallanalyse for organisasjoner
Det er langt dyrere å rekruttere nye medlemmer og givere enn å redusere frafallet blant de man har. Til tross for store datamengder kan det være vanskelig å forstå hvorfor noen velger å forlate en organisasjon, og ofte er det mange årsaker. Heldigvis kan teknologien komme oss til unnsetning her.
Riktig tilrettelegging og kombinasjon av data fra organisasjonens datasystemer gjør at vi kan ta i bruk avansert maskinlæring
Maskinlæring er god på å finne mønster i store datamengder, og dette kan vi bruke for å identifisere signalene på at noen er i ferd med å forlate en organisasjon.
I seg selv er ikke det å finne disse signalene nok. Det er viktig å visualisere disse mønstrene på en måte som gjør at de ansvarlige i organisasjonen kan få bedre forståelse for hva de kan gjøre av tiltak for å redusere frafallet.
Mønstrene i seg selv er heller ikke nok. I en organisasjon med ti tusenvis eller hundre tusenvis av personer vil det være forskjellige grupper av personer som må håndteres på forskjellige måter.
Ofte har man definerte «personas» eller andre målgruppe begreper, men like ofte er ikke disse godt nok knyttet opp mot den informasjonen man har om virkelige personer. Her kan igjen maskinlæring bidra til å identifisere grupperinger basert på den tilgjengelige informasjonen slik at man bedre forstår medlemsmassen slik den er og ikke slik man tror den er.
Kunnskapen dette gir bidrar til at man på et langt tidligere tidspunkt kan komme i gang med korrigerende tiltak og kampanjer skreddersydd mot de målgruppene man ønsker å beholde. Dette kan automatiseres slik at når en person identifiseres å være i faresonen for å forlate en organisasjon kan det automatisk settes i gang tilpassede kommunikasjons- og oppfølgings aktiviteter.
Ønsker du å vite mer om hvordan Winorg bruker maskinlæring, avansert analyse og datavisualisering for å hjelpe organisasjoner å rekruttere og beholde medlemmer og givere? Kontakt Ståle Sørensen på sms@winorg.no.
