Collecte de fonds 2.0 : quand l'intelligence artificielle révolutionne les dons

L'intelligence artificielle rencontre le cœur de la collecte de fonds : un terrain inexploré avec un potentiel non découvert. Mon mémoire de maîtrise explore la symbiose entre les technologies de pointe et la collecte de fonds à but non lucratif. En m'appuyant sur des entretiens avec des experts des secteurs de l'IA, de la collecte de fonds et des OBNL, je fais la lumière sur des applications pratiques qui pourraient révolutionner les organisations à but non lucratif. Cet article se concentre sur les approches les plus prometteuses et vous invite à vous y pencher de plus près. Vous souhaitez en savoir plus sur mon travail ? Vous pouvez accéder à mon mémoire de maîtrise ici.

Il n'existe actuellement aucune définition standard du terme « IA ». En termes de pertinence pratique, j'ai défini l'IA pour la thèse comme un sous-domaine de l'informatique qui traite de la recherche et du développement d'agents intelligents capables de résoudre certains problèmes de manière autonome en utilisant diverses méthodes. L'enquête des experts a montré qu'il existe plusieurs applications possibles de l'intelligence artificielle dans la collecte de fonds pour les organisations. Les experts ont convenu que les domaines les plus prometteurs sont la communication, la planification et l'analyse des mesures de collecte de fonds. Cependant, il est également apparu clairement dans les entretiens que la plupart des organisations ne sont pas encore prêtes à utiliser l'IA et à améliorer durablement la communication et la collecte de fonds. C'est pourquoi il convient d'examiner dans un premier temps les conditions préalables à l'utilisation de l'intelligence artificielle dans la collecte de fonds.

Conditions préalables à l'utilisation de l'IA dans la collecte de fonds

Fondamentalement, une prise de conscience des sujets numériques en général et de l'IA en particulier doit avoir lieu au sein de l'organisation concernée. Cela nécessite une culture de gestion au plus haut niveau de l'organisation qui doit comprendre les sujets numériques et l'IA comme une opportunité et vivre cette tendance à travers le conseil d'administration en la transmettant à l'organisation. Un premier point de départ pourrait être le recrutement de directeurs/directrices de la technologie dans les équipes de direction des organisations. En outre, les organisations doivent définir les objectifs à atteindre grâce à l'utilisation de l'IA, les intégrer dans la planification stratégique et fournir des ressources financières et humaines.

D'un point de vue technique, il est nécessaire de disposer d'une infrastructure informatique appropriée permettant de mettre en place des systèmes d'IA et, d'autre part, de fournir un accès aux solutions techniques elles-mêmes, qui doivent ensuite être adaptées au cas d'utilisation spécifique. L'accès aux données est également fondamental au niveau technique afin de pouvoir étayer les systèmes d'IA. Il est important de déterminer clairement les données pertinentes et de les collecter. Fondamentalement, les organisations doivent comprendre que leurs données recèlent d'immenses trésors et qu'elles doivent les utiliser avec discernement.

L'IA dans la planification et l'analyse des mesures de collecte de fonds

La planification et l'analyse des mesures de collecte de fonds offrent un grand potentiel pour l'utilisation de l'intelligence artificielle. La segmentation des groupes cibles en est un élément élémentaire, qui pose la question suivante : « À qui s'adresser, quand, comment et par quel canal ? »

C'est là que l'IA peut être utilisée pour aider les collecteurs de fonds à concevoir leurs mesures de manière efficace. En effet, faire des prédictions basées sur des données existantes, ce que l'on appelle l'analyse prédictive, est précisément l'un des points forts des systèmes d'IA actuels. Il s'agit d'utiliser des analyses, des statistiques et des techniques d'apprentissage automatique pour faire des prédictions sur l'avenir à partir de données existantes. Les modèles prédictifs tentent de décrire la relation entre une variable dépendante et une variable indépendante. Dans le cas des OBNL, par exemple, la variable dépendante, la variable réponse, pourrait être la probabilité de dons. La variable indépendante, le prédicteur, est utilisée pour faire la prédiction.

Les données qui peuvent être pertinentes pour les OBNL sont expliquées plus en détail ci-dessous. Les données sont utilisées pour comprendre la relation entre les variables, c'est-à-dire pour reconnaître un modèle dans lequel la variable prédictive ou la combinaison de variables prédictives conduit à la variable réponse.

« En découvrant les modèles et les tendances qui se cachent dans vos ensembles de données, vous pouvez facilement identifier les donateurs qui pourraient être prêts à donner davantage, ou déterminer quels programmes offrent le meilleur retour sur investissement, ce qui signifie que vous pouvez concentrer vos ressources et vos efforts limités sur les domaines où ils sont susceptibles de faire le plus de bien. » C'est ce que dit le site web d'IBM, ce qui montre que le thème de l'analyse prédictive est déjà bien établi dans la pratique et qu'il existe des organisations, bien que peu nombreuses, qui utilisent cette technique. C'est le cas de l'UNICEF Pays-Bas qui, selon IBM, a plus que doublé son taux de réponse aux campagnes de porte-à-porte en utilisant SPSS (l'outil d'analyse prédictive d'IBM). Outre SPSS d'IBM, d'autres solutions logicielles sont également disponibles pour les analyses prédictives dans le domaine de la collecte de fonds. L'outil Veera de Rapid Insight et la solution LityxIQ de Lityx, basée sur le cloud, en sont des exemples.

En tant que processus, les analyses prédictives pour les mesures de collecte de fonds se déroulent en quatre étapes fondamentales, qui sont décrites plus en détail ci-dessous.

Aligner - l'alignement des informations

La première étape fondamentale est l'alignement des informations brutes du donneur. À cette fin, toutes les données existantes sur les donateurs sont introduites directement dans l'outil d'analyse à partir de diverses sources. Si le logiciel ne permet pas d'accéder à différentes sources, les données doivent d'abord être fusionnées dans un entrepôt de données. Les données accessibles ici incluent des données démographiques (âge, revenus, emploi, statut marital, etc.), les données de campagne (historique des contacts, réponses et dons, résultats des campagnes de test, etc.), les données d'enquête (retour d'information des réseaux sociaux, résultats des courriels ou des enquêtes qui fournissent des informations sur les souhaits et les préférences, etc.) et toutes les données structurées ou non structurées concernant l'activité du donneur.

Anticiper - quelle est la prochaine étape ?

Dans un deuxième temps, les informations sont analysées à l'aide de modèles prédictifs afin de comprendre ce que les donateurs s'apprêtent à faire (anticiper). Les modèles identifient les segments de donateurs idéaux, pondèrent les données et prédisent les probabilités d'événements futurs (par exemple, quelle est la probabilité qu'un donateur X réponde à une campagne de marketing particulière Y ?) Un autre point important de cette étape est l'optimisation des décisions, qui suggère en outre comment les informations du modèle prédictif peuvent être utilisées le plus efficacement possible (le donateur X est le plus susceptible de répondre à la campagne Y lorsqu'il est approché par le canal Z).

Agir - la préférence personnelle

La troisième étape consiste à intégrer les connaissances acquises dans les processus et systèmes opérationnels et à s'adresser aux sponsors en fonction de leurs préférences personnelles (agir). Les informations obtenues peuvent également être utilisées pour prendre des décisions stratégiques (quelle mesure reçoit quel budget ? Quelles sont les activités rentables à long terme ?)

Des prédictions de plus en plus précises

Les analyses prédictives n'étant pas linéaires, la prédiction est optimisée en dernier lieu. Les nouveaux résultats de la mise en œuvre opérationnelle permettent d'affiner les sources existantes et de nouvelles sources de données peuvent également être ajoutées. Par conséquent, le modèle s'améliore à chaque répétition et fournit des prédictions de plus en plus précises.

Les analyses prédictives peuvent donc aider à planifier efficacement toutes les mesures de collecte de fonds, à analyser les résultats de la mesure et à les intégrer dans la planification des mesures ultérieures. Pour segmenter les groupes cibles, il convient, d'une part, d'avoir une compréhension de base du groupe cible et, d'autre part, de disposer de données d'une qualité appropriée pour appliquer ces techniques. Toutefois, si les données pertinentes sont disponibles, il est possible d'établir une prévision qui permet de cibler très précisément les personnes pour une nouvelle opportunité d'investissement [en termes de projets ou de campagnes].

Il est important de faire la différence entre la façon dont une organisation obtient ses données. Dans le cas des sympathisants qui sont avec l'organisation depuis des années, c'est-à-dire lorsqu'il existe un certain niveau de confiance et que les données et préférences pertinentes sont connues, l'amélioration supplémentaire du profil grâce à des analyses prédictives peut créer une situation gagnant-gagnant.

Toutefois, lorsqu'il s'agit d'explorer les données de nouveaux sponsors ou de personnes qui ne sont devenues sponsors que récemment, les organisations opèrent dans un domaine très sensible où les questions d'éthique et de protection des données doivent être abordées. En général, il est facile d'extraire des informations d'Internet à l'aide du web mining ou du web content mining et de les rendre utilisables.

Il convient d'évaluer et de décider au cas par cas jusqu'où une organisation souhaite aller, qu'elle recueille des données sur ses donateurs au fil des années de soutien et des parcours des donateurs, ou qu'elle obtienne des données de sources externes à l'organisation. En général, une approche réflexive des données et des résultats des analyses correspondantes est nécessaire, car les images déformées peuvent également être explorées. Les analyses prédictives ne fonctionnent que si des modèles sont effectivement contenus dans les structures de données. Si c'est avéré dans de nombreux cas, la dernière étape consiste cependant à utiliser le bon sens, car toute prédiction est et reste une analyse statistique.

Domaines d'application pour les ONG

Les domaines d'application de l'analyse des données pour les OBNL vont généralement bien au-delà de la segmentation des groupes cibles et de la sélection de campagnes ou de canaux de contact appropriés. Les analyses de données et les modèles prédictifs peuvent également être utilisés pour réaliser des analyses de besoins ou d'impact. La section américaine d'Amnesty International, par exemple, a collaboré avec DataKind pour analyser 5 000 demandes d'aide reçues par l'intermédiaire du réseau Urgent Action Network au cours des 25 dernières années. Des schémas ont été identifiés, indiquant quels cas avaient dégénéré en crises dans le passé. Les modèles peuvent être utilisés pour estimer les niveaux d'urgence des nouveaux appels d'action urgente, ce qui permet de classer les cas par ordre de priorité. D'autres exemples d'application sont disponibles sur la page d'accueil de DataKind (www.datakind.org).

Données et sécurité

Si une organisation décide de travailler en fonction des données, elle ne doit pas ignorer les questions de protection des données, de sécurité des données, d'éthique et de respect de la vie privée. En effet, la globalité de la population sera de plus en plus sensibilisée à ces questions à l'avenir. La transparence lors de la collecte des données est donc capitale, car la question de la confiance joue de toute façon un rôle majeur dans la collecte de fonds et de nombreux sponsors n'y parviennent pas encore en ce qui concerne les canaux numériques. Par conséquent, si des méthodes telles que l'analyse prédictive sont utilisées, ce qui peut avoir des avantages et des effets considérables, cela doit se faire de manière transparente pour l'utilisateur individuel et avec son consentement.

D'un point de vue sociologique, il n'est toutefois pas nécessaire de descendre à un niveau 1:1 et de rendre les donateurs « transparents », puisqu'il suffirait d'examiner les niveaux de groupes segmentés. Dans une enquête menée par le Frauenhofer Institute for Secure Information Technology, la majorité des personnes interrogées ont déclaré qu'elles considéraient que l'anonymat était garanti à partir d'une taille de groupe de 100 personnes par ensemble de données.

L'étude « Leap before you lag » d'IBM, à laquelle ont participé des cadres et des employés de 330 grandes organisations de 34 pays, à la solidité financière variable, montre que les organisations sont bien avisées de travailler en s'appuyant sur des données.

L'IA dans la collecte de fonds : plus qu'une simple tendance

Les progrès de la numérisation ouvrent de nouveaux horizons dans le domaine de la collecte de fonds et l'intelligence artificielle (IA) en est le fer de lance. L'IA modifie fondamentalement la manière dont nous communiquons, obtenons des dons et diffusons nos messages. Dans un domaine qui repose traditionnellement sur les relations personnelles et les appels émotionnels, la technologie est à la fois source de défis et d'opportunités.

La création de textes

Qu'il s'agisse de produire des mailings, de créer des newsletters par courriel ou des publications sur les réseaux sociaux, la collecte de fonds consiste à trouver la bonne forme de communication. Cela comprend également la création de textes, une tâche que les systèmes d'IA pourraient prendre en charge à l'avenir. Il existe déjà des solutions logicielles qui utilisent des techniques NLP pour générer automatiquement des textes à partir d'une base de données donnée, comme AX Semantics, text-on et Retresco pour le marché allemand.

Un système d'intelligence artificielle peut être utilisé pour créer une communication personnalisée sur la base des connaissances acquises sur les groupes cibles grâce à l'analyse des données. Grâce aux méthodes d'IA, les collecteurs de fonds n'ont plus besoin d'utiliser des tests A/B pour choisir entre quelques variantes de texte. Il est par ailleurs possible de créer de nombreuses variantes de texte adaptées qui peuvent susciter une volonté de don ou d'engagement beaucoup plus grande.

En ce qui concerne la qualité des textes, on peut affirmer qu'en dernière instance, le correctif émotionnel de la personne restera indispensable. En effet, les éléments nécessaires aux appels émotionnels, tels que l'empathie et les sentiments, ne pourront pas être remplacés par des logiciels et des algorithmes dans un avenir prévisible.

Sites web dynamiques

Outre la rédaction de textes pour des mailings ou des courriels, les techniques d'intelligence artificielle peuvent également être utilisées pour concevoir la communication avec l'utilisateur sur le site web de l'organisation et pour améliorer de manière ciblée les conversions des utilisateurs.

D'une part, les textes de la page d'accueil, tels que décrits au point précédent, peuvent également être créés automatiquement sur la base de données. D'autre part, le contenu de la page d'accueil peut être affiché de manière dynamique en fonction des préférences de l'utilisateur. Sur la base de données connues provenant de l'analyse web, de la gestion de la relation client, de données géographiques, etc., les applications assistées par l'IA peuvent afficher dynamiquement le contenu pour chaque groupe d'utilisateurs et, en même temps, analyser le comportement de clic des utilisateurs et réutiliser immédiatement les connaissances acquises quant à la variante affichée qui donne les meilleurs résultats (en termes de conversions définies au préalable). Toutefois, le site web ne devient pas automatiquement un auto-exploitant. Pour ce faire, la variante non personnalisée devrait déjà être convaincante lors de la première visite sur le site web.

L'affichage dynamique du contenu sur le site web nécessite des conditions techniques préalables, et le site web doit donc être configuré en conséquence. Toutefois, en ce qui concerne le contenu personnalisé du site web, des questions liées à l'identité se posent également en ce qui concerne les besoins et les souhaits des utilisateurs. Que se passe-t-il lorsque les utilisateurs se voient toujours présenter exactement ce qui est censé les intéresser ? La visite d'un site web ne s'accompagne-t-elle pas d'une perte de l'expérience de la découverte ? Il est donc conseillé de rendre la dynamisation optionnelle en tant que fonction de confort et donc contrôlable par l'utilisateur individuel. Les utilisateurs qui ne souhaitent pas utiliser cette option se voient proposer la page d'accueil fournie par l'équipe éditoriale en ligne.

Service aux sympathisants

Une autre application prometteuse des techniques d'intelligence artificielle peut être trouvée dans le domaine des services aux donateurs ou aux sympathisants. La majorité des demandes envoyées à une organisation par des sympathisants existants ou potentiels peuvent être qualifiées de « demandes standard » (changements de coordonnées bancaires, demandes d'informations, etc.) L'un des experts interrogés estime que la proportion de communications récurrentes est d'environ 80 % et précise qu'il faut en moyenne un employé pour 10 000 sympathisants pour traiter toutes les demandes.

Chatbots

C'est précisément là que les chatbots pourraient être utilisés. Les chatbots sont des systèmes de dialogue en ligne avec lesquels les utilisateurs peuvent communiquer par le biais d'un texte ou d'une entrée vocale et grâce auxquels il est possible de répondre automatiquement à des demandes sous forme de texte ou d'entrée vocale. Cela ne nécessite pas nécessairement l'IA, mais l'utilisation de systèmes intelligents présente les avantages suivants :

• Grâce aux techniques d'apprentissage profond, les robots peuvent s'améliorer et éliminer les difficultés de compréhension initiales par un entraînement permanent et l'analyse des commentaires des utilisateurs. Un robot auto-apprenant devient ainsi plus intelligent, peut comprendre les contextes et fournit des réponses plus pertinentes au fur et à mesure qu'il est utilisé.

   

• En outre, l'utilisation de techniques de traitement du langage naturel permet d'obtenir des résultats vocaux aussi réels (au sens d'humains) que possible et d'améliorer la compréhension des différents dialectes et accents.

L'utilisation de chatbots ou d'assistants numériques dans les services d'assistance apporte deux avantages significatifs aux organisations. D'une part, les chatbots sont disponibles en permanence et ne sont pas liés aux heures d'ouverture, ce qui signifie que les demandes peuvent être traitées rapidement à toute heure du jour ou de la nuit et que les utilisateurs ont toujours les informations dont ils ont besoin à portée de main.

Si le robot donne de bons résultats, on peut supposer que l'expérience des sympathisants sera plus positive que s'ils devaient attendre plusieurs jours pour obtenir une réponse humaine. Nico, expert en collecte de fonds chez RaiseNow, a déclaré dans une interview :

En revanche, si l'on tient compte de la perspective économique, des coûts de personnel considérables peuvent être utilisés à meilleur escient ailleurs. D'après le calcul ci-dessus, une organisation comptant 150 000 sympathisants a besoin d'environ 15 personnes dans le service des sympathisants. En supposant que le salaire brut de l'employeur est de 3 000 euros par mois et que 80 %, c'est-à-dire 12 personnes, sont impliquées dans la communication standard, 216 000 euros de frais de personnel peuvent être investis ailleurs par an, en supposant que seule la moitié du travail est effectuée par un chatbot assisté par l'IA.

Dans la pratique, il est peu probable que 15 personnes soient affectées au service d'assistance d'une organisation comptant 150 000 sympathisants, ce qui explique pourquoi il y a souvent des temps d'attente pour répondre aux demandes, ce qui rend le premier avantage décrit encore plus significatif.

Avant d'utiliser un robot, il est essentiel que les organisations précisent ses tâches. Une distinction peut être faite ici entre les robots d'information, qui ne font que répondre aux questions, et les robots de service, qui exécutent des tâches et répondent aux questions. L'utilisation de robots de service semble logique pour les organisations.

Il est également important de décider de la manière dont le robot doit être configuré. À ce stade, les organisations doivent choisir entre l'utilisation de cadres de robots prêts à l'emploi provenant de plateformes de développement de chatbots bien connues (par exemple Botpress, Wit.ai de Facebook ou API.ai de Google) et la programmation de leurs propres outils. Bien que la programmation sur sa propre infrastructure soit nettement plus intensive en main-d'œuvre et plus coûteuse, elle présente deux avantages. D'une part, l'organisation conserve le contrôle des données parfois sensibles des sponsors (par exemple, si le robot doit enregistrer des changements d'adresse, etc.) et, d'autre part, les codes peuvent également être utilisés ailleurs de cette manière.

Une fois les décisions essentielles prises, les cas d'utilisation du robot doivent être définis (par exemple, « modification des données du donneur » ou « fourniture d'informations ») et la stratégie de conversation élaborée. Pour comprendre l'intention de l'utilisateur, le chatbot doit identifier correctement les énoncés, les intentions et les entités avant de pouvoir réagir de manière appropriée. Pour reconnaître les phrases et les intentions, le robot a besoin de règles d'intelligence artificielle qui définissent ce qui doit se passer avec telle ou telle intention. Le robot doit recevoir plusieurs phrases par règle afin de pouvoir reconnaître ultérieurement la signification de phrases similaires. Par exemple, les énoncés « Je veux changer mes coordonnées bancaires », « Change mes coordonnées bancaires » et « Peux-tu m'aider à changer mes coordonnées bancaires » devraient reconnaître la même intention.

Des tests et encore des tests !

Avant que le robot ne soit mis en service, il doit être testé de manière approfondie. Il existe des cadres de test automatique pour cela (par exemple Botium), mais les tests alpha et bêta sont également nécessaires pour tester de véritables modèles de comportement humain. Une fois le robot mis à la disposition du public, il doit être amélioré en permanence. Il convient d'intégrer les commentaires négatifs et d'analyser les énoncés mal compris afin de mettre en place un processus d'apprentissage permanent et d'améliorer ainsi continuellement le robot.

Le champ d'application des chatbots va bien au-delà du traitement des demandes standard via leur propre page d'accueil. Les chatbots peuvent également être utilisés dans les services de messagerie (tels que Facebook chat ou WhatsApp) pour communiquer avec les utilisateurs, envoyer aux followers des notifications pour les mobiliser, établir un contact personnel avec les employés de l'organisation ou même prendre en charge le processus de don si une option de paiement est enregistrées (ici, cependant, le seuil d'inhibition en Allemagne est susceptible d'être assez élevé).

Le robot pourrait également servir de système d'alerte précoce afin de reconnaître les tendances positives ou négatives. Par exemple, s'il est interrogé par des utilisateurs sur le thème de la « résiliation », le robot pourrait envoyer un signal au collecteur de fonds, qui prendrait alors des contre-mesures pour conserver le donateur. D'autre part, le robot pourrait également signaler qu'il existe une possibilité d'élever le donateur au niveau suivant de la pyramide des donateurs (par exemple, le donateur interroge le robot sur le thème des « grands donateurs » ou des « testaments »).

Mettre l'accent sur la transparence

Il y a quelques points à prendre en compte pour utiliser des robots. D'une part, les utilisateurs qui interagissent avec le système doivent savoir qu'ils communiquent avec un robot. Cela évite de créer l'attente d'une communication avec un être humain dès le départ et de décevoir les utilisateurs lorsque ce n'est pas le cas. Dans le même temps, il convient de préciser aux utilisateurs ce que le robot est capable de faire et ce qu'il n'est pas capable de faire, afin d'éviter toute déception quant à son fonctionnement. Si le robot atteint ses limites en matière de dialogue, les utilisateurs devraient toujours avoir la possibilité de passer à un contact humain et, afin de préserver la maturité des utilisateurs, ils devraient pouvoir choisir dès le départ s'ils veulent communiquer avec un robot ou avec un humain.

Il y a certainement des signes qui montrent que certaines organisations s'attaquent déjà au problème. La Croix-Rouge suisse (CRS), par exemple, a lancé le défi de créer un chatbot dans le cadre du hackathon « BärnHäckt ». Le bot devait notamment pouvoir s'intégrer aux services de messagerie, se connecter au système de gestion de contenu (CMS) et au système de gestion de la relation client (CRM) prévus et proposer des modes de paiement suisses, ce qui indique que l'objectif est de générer des dons par l'intermédiaire du robot.

La base de données en ligne chatbottle.co, qui répertorie plus de 10 000 chatbots pour Facebook Messenger, donne un aperçu des chatbots actifs. Le terme de recherche « organisation non gouvernementale » répertorie 565 organisations qui ont déjà un chatbot dans Messenger, dont Oxfam Australia, World Vision USA et plusieurs sections de Greenpeace.

Large éventail d'applications dans le domaine de la collecte de fonds

En résumé, on peut dire qu'il existe plusieurs façons d'utiliser l'intelligence artificielle dans la collecte de fonds pour alléger la charge des employés et faire progresser la professionnalisation de la collecte de fonds, ce qui peut contrer la pression sans cesse croissante sur le marché des donateurs grâce à l'efficience et à l'efficacité.

Il est incontestable que l'IA jouera un rôle de plus en plus important à l'avenir et que l'utilisation de l'IA pour les organisations va bien au-delà du domaine fonctionnel de la collecte de fonds, de sorte que, par exemple, l'intégration de l'IA dans les domaines des ressources humaines ou de la comptabilité serait concevable. L'automatisation des processus standard grâce à des systèmes d'auto-apprentissage, en particulier, semble avoir un grand potentiel pour les organisations à but non lucratif à l'avenir, afin de déployer plus efficacement des ressources humaines limitées. Cependant, le travail des organisations sur le contenu peut également être soutenu par l'utilisation de l'analyse des données.

Nous tenons à remercier Katja Prescher, Maik Meid, Kai Fischer, Nicolas Reis, Christoph Benzmüller et Tobias Hübers pour le temps qu'ils nous ont consacré et leur participation aux diverses interviews.