шорт-лист премии «ИИ в НКО» 2026 года
номинация: Эффективное применение ИИ в НКО
номинация: Эффективное применение ИИ в НКО
Модуль донорской аналитики и прогнозирования с «Автономным аналитиком фандрайзера»
Благотворительный фонд «БЭЛА. Дети-бабочки»
На какую проблему, задачу откликается этот кейс
Задача со стороны фонда была классической для НКО, но в острой форме. Донорская база большая, а внимания фандрайзеров на каждого донора физически не хватает. Из-за этого фонд терял доноров раньше, чем успевал заметить, что они уходят.
Разовые жертвователи плохо конвертировались в регулярных. Средний чек оставался плоским, не рос. Просьбы о пожертвовании шли ко всем одинаковые. Решения принимались задним числом, по итогам месяца или квартала, а не в тот момент, когда у донора реально менялось поведение.
Какое решение было найдено/разработано, какое было участие ИИ
Фонд получил доступ к модулю прогнозирования в сервисе GIVR. В модуле два блока.
- ML-модель, которая по поведению донора рассчитывает вероятности ключевых действий: риск оттока, вероятность повторного пожертвования, переход к рекуррентным пожертвованиям, рекомендованную сумму пожертвования.
- «Автономный аналитик фандрайзера» — модуль из более чем 20 независимых правил-сценариев, которые автоматически отлавливают негативные паттерны в поведении доноров (резкое падение активности, обрыв рекуррентных платежей, всплеск отказов) и сразу подсказывают фандрайзеру, что с этим делать.
Что требовалось от ИИ: видеть отток до того, как он случился, а не после; понимать, кому из доноров уже сейчас можно предложить рекуррентную подписку, а кому пока рано; называть в просьбе сумму, релевантную именно этому донору, а не средний чек по фонду; работать на масштабе всей базы, а не на тех 50−100 контактах, до которых у фандрайзера обычно доходят руки. ИИ-модуль GIVR закрыл все эти пункты. Модель пересчитывает вероятности по каждому донору регулярно и в фоновом режиме, без участия фандрайзера.
Почему было уместно и здорово применить ИИ
В России на момент запуска проекта не было аналогичных решений для фандрайзинга в НКО. Команда GIVR первой начала разрабатывать прогнозную аналитику специально под задачи сбора пожертвований. Фонд «Дети-бабочки» вошёл в проект как пилотная площадка.
Этапы создания ИИ-решения
Полный цикл занял около 18 месяцев.
- Передача данных от фондаИсторический массив по донорской базе: пожертвования, участие в сборах, реакции на рассылки, статусы, отказы.
- Построение моделиКоманда GIVR сформировала поведенческие и финансовые признаки и обучила ML-модель.
- Разработка «Автономного аналитика», более 20 независимых сценариев
- Интеграция в работу фондаФандрайзер начал работать с размеченными сегментами и автоматическими подсказками.
- Тестирование на реальных фандрайзинг-кампаниях
- Дообучение по обратной связиФонд регулярно возвращал GIVR полевые наблюдения: какие предсказания модели подтверждались на практике, какие сегменты вели себя иначе. На этой основе команда GIVR дообучала модель и дорабатывала сценарии. Цикл продолжается.
Как работает ИИ-решение
1
2
Для формирования аналитических отчётов и ответов на вопросы фандрайзеров используется LLM (Large Language Model, большая языковая модель). Сейчас это Qwen в локальной конфигурации, то есть она работает внутри сервиса и не обращается к внешним интернет-ресурсам.
ML-модель регулярно изучает поведение каждого донора в базе и обновляет его «профиль риска»: насколько вероятно, что человек уйдёт, сделает ещё один платёж или перейдёт на регулярные пожертвования. Параллельно работает сценарный движок — больше 20 правил постоянно сканируют базу на выявление негативных паттернов. Как только один из них срабатывает, система формирует задачу для фандрайзера и даёт подсказку о том, что произошло и как поступить.
Изменилась сама логика работы. Раньше фандрайзер работал со списком доноров и сам решал, кому и когда написать. Теперь он видит готовые сегменты с понятными метками: «в зоне риска оттока», «готовы увеличить пожертвование», «потенциальные рекурренты», «требуют реактивации», и сразу понимает, какую коммуникацию запустить
Докажите, что с ИИ ситуация стала лучше, чем без него
За период работы с модулем:
- Общая сумма пожертвований выросла на 31%.
- Число доноров стало больше на 11,4%.
- Средний размер разового пожертвования увеличился на 28,6%.
- LTV (lifetime value, пожизненная ценность донора — суммарный объём пожертвований за всё время) вырос на 17,62%.
- Средний размер регулярного платежа (рекуррента) вырос на 2,1%.
- Число активных регулярных подписок выросло на 68%.
ИИ пересчитывает вероятности по каждому донору регулярно и в фоновом режиме, без участия фандрайзера. В базе доступны готовые сегменты доноров с понятным смыслом. Помимо модуля с прогнозами работает сценарный движок. Когда срабатывает сценарий негативного паттерна, инцидент выводится фандрайзеру в работу с готовой подсказкой. Фандрайзер не выявляет проблему сам, а получает её на стол.
Эффективность фонд оценивает по фандрайзинговым метрикам. Важно, что меняется в живых деньгах и в работе команды.
Метрики:
Сравнение через A/B-тест: сегмент с ИИ-сценарием против контрольной группы со стандартной коммуникацией. Где A/B невозможен — сравнивают с показателями фонда за аналогичный период прошлого года.
Метрики:
- Отток рекуррентных доноров в сегменте «риск оттока» против контрольной группы.
- Доля сохранённых рекуррентов после срабатывания удерживающего сценария.
- Возврат к платежам в сегменте «требуют реактивации» в окне 30 и 60 дней.
- Конверсия из разового донора в рекуррентного.
- Средний чек в кампаниях с персонализированной рекомендованной суммой.
- Доля доноров, которые увеличили рекуррентный платёж после апсейл-сценария (автоматического предложения увеличить сумму регулярного платежа).
- Время реакции на негативный паттерн.
- Доля доноров базы, по которым фандрайзер реально работает в течение месяца.
Сравнение через A/B-тест: сегмент с ИИ-сценарием против контрольной группы со стандартной коммуникацией. Где A/B невозможен — сравнивают с показателями фонда за аналогичный период прошлого года.
Опишите экономику процесса: сколько потратили на ИИ решение, на что. Как это окупится?
Модуль прогнозирования обходится фонду в 5 000 рублей в месяц. За год работы с ним общая сумма пожертвований от частных доноров выросла на 31%, что это многократно перекрыло стоимость подписки.
Разработку и обучение «Автономного аналитика» полностью выполнила команда GIVR. Для фонда как пилотной площадки эти работы были бесплатными. Адаптация (дообучение) модели под данные фонда входит в тариф по предоставлению прав на использование модуля
ограничения и этика
-
Что нельзя доверить ИИ?На старте часть прогнозов модели давала лишний «шум»: на небольших когортах (группах доноров со схожим поведением) вероятности менялись сильнее, чем ожидалось, и фандрайзеру приходилось дополнительно фильтровать рекомендации вручную. Модель — приближенная, в ряде сегментов здравый смысл человека по-прежнему необходим.
«Автономный аналитик» ограничен числом реализованных сценариев, сейчас их около 20. Нестандартные ситуации, которые не попадают ни в один из них, модуль не замечает.
ИИ предлагает решения по группам доноров, но не совершает коммуникации за человека: ответственность и финальное решение остаются за сотрудниками фонда. -
Какие этические моменты важно было учесть?Прогнозный модуль GIVR работает только с обезличенными данными. Рекомендованные суммы — это не предписания: донор на виджете может указать любую сумму по своему желанию. Фандрайзер также вправе не следовать рекомендации модели.
В промптах и сценариях аналитика прописаны ограничения, которые не позволяют LLM галлюцинировать и подтягивать данные из внешних источников.
Этические решения закреплены на уровне сервиса GIVR.
ИИ-решение разработано командой сервиса GIVR (ООО «Редермио»). Алгоритмы, модели и архитектура модуля принадлежат ООО «Редермио».
Фонд «Дети-бабочки» выступил пилотной площадкой: предоставил данные, формулировал бизнес-гипотезы и задачи, тестировал продукт в живой фандрайзинговой работе.
По словам авторов, главным заказчиком этого решения был не один конкретный фонд, а сектор НКО в целом, где давно назрела необходимость работать с донорской базой принципиально иначе.
По словам авторов, главным заказчиком этого решения был не один конкретный фонд, а сектор НКО в целом, где давно назрела необходимость работать с донорской базой принципиально иначе.
Решение реализовано в партнёрстве двух сторон:
- ООО «Редермио» (GIVR) — разработка, алгоритмы, техническая поддержка.
- Фонд «Дети-бабочки» — источник данных, формулирование задач, бета-тестирование.
Модуль донорской аналитики GIVR включает:
- ML-модели (машинное обучение) для прогнозирования оттока, вероятности пожертвований и рекомендованных сумм. Построены на библиотеках Python, обучены на датасетах (накопленных данных) платформы GIVR.
- LLM для «Автономного аналитика». Сейчас используется локальная версия Qwen, конкретная модель может меняться.
Исторические данные фонда: пожертвования, участие в адресных сборах, реакции на рассылки, статусы регулярных подписок, отказы и причины отписок. Также датасеты, собранные на базе платформы GIVR.
Фонд остаётся пилотной площадкой для следующих обновлений продукта. Команда потенциально готова продолжать тестирование новых версий модуля.
Полина Харламова. Email: pharlamova@deti-bela.ru
Чем этот кейс примечателен, чем выделяется среди других, отличается от других?
В России нет аналогичных решений для фандрайзинга в НКО. GIVR — первая платформа, которая разрабатывает прогнозную аналитику специально под задачи сбора пожертвований. При этом LLM, которая используется в сервисе, работает локально и не обращается к внешним ресурсам. Сервис GIVR прошёл проверку Министерства цифрового развития РФ и включён в Реестр отечественного программного обеспечения
Какие фишки, результаты ИИ изумляют в этом кейсе?
Два момента, которые удивили команду фонда больше всего.
Первый: аналитические отчёты по фандрайзингу теперь формируются в чате. Фандрайзер задаёт вопрос — например, как изменилась активность доноров в конкретном сегменте за квартал, — и «Аналитик» делает выборку и отвечает.
Второй: когда что-то идёт не так, «Аналитик» не просто сигнализирует об этом, но и объясняет, почему так произошло и что можно сделать. Это переводит работу фандрайзера из режима «тушить пожар» в режим «решать задачу».
Первый: аналитические отчёты по фандрайзингу теперь формируются в чате. Фандрайзер задаёт вопрос — например, как изменилась активность доноров в конкретном сегменте за квартал, — и «Аналитик» делает выборку и отвечает.
Второй: когда что-то идёт не так, «Аналитик» не просто сигнализирует об этом, но и объясняет, почему так произошло и что можно сделать. Это переводит работу фандрайзера из режима «тушить пожар» в режим «решать задачу».
Отзывы от команды
- В целом результатами довольны, но честно: довольны не всем одинаково. Главное, чем мы довольны. Изменилась сама логика работы фандрайзера. Команда перестала тратить время на ручной разбор базы и переключилась на автоматизированную коммуникацию с донором. Это качественный сдвиг, который сложно измерить одной метрикой, но он ощущается на уровне ежедневной работы отдела фандрайзинга.
Что бы авторы порекомендовали другим НКО, которые только присматриваются к ИИ или делают первые шаги?
- Советуем обращаться к профессионалам, таким как команда GIVR, и не тратить много времени и сил на изучение и создание всего с нуля. Технологии быстро идут вперед, и если для вас это не профильное направление, то может быть достаточно сложно за ними угнаться и получить необходимый экономический эффект.