L'intelligenza artificiale svela i desideri nascosti

Un nuovo modello di machine learning chiamato Attributed Graph Contrastive Learning (AGCL) è stato sviluppato per aiutare le organizzazioni a comprendere meglio i donatori con profili "sottili", ovvero con poche informazioni demografiche o brevi storici di interazione. La ricerca è stata condotta da un team guidato da Jiyeon Hong, assistente professoressa di marketing alla George Mason University. L'AGCL affronta una sfida comune per i marketer: ottenere insight significativi da dati limitati rispettando allo stesso tempo la privacy. Il modello combina informazioni su interazioni donatore-progetto, connessioni tra donatori e similitudini tra progetti per creare una visione più completa degli interessi dei donatori, anche a partire da dati sparsi.

Il team ha testato l'AGCL utilizzando dati di DonorsChoose.org, una piattaforma dove gli insegnanti possono richiedere finanziamenti per progetti scolastici. Oltre il 70% dei donatori effettua una sola donazione, limitando le informazioni ottenibili con metodi tradizionali.

L'approccio basato su grafi dell'AGCL è in grado di collegare punti dati sparsi trasformandoli in insight azionabili. Nello studio, il modello ha raggiunto un tasso di successo del 34% nel raccomandare progetti che i donatori nel set di dati di test avrebbero probabilmente supportato, rispetto al 24% ottenuto con altri metodi.

Vantaggi dell'approccio AGCL

L'AGCL offre diversi vantaggi rispetto ai metodi tradizionali:

- Permette raccomandazioni più mirate anche a partire da dati minimi iniziali - Massimizza il valore di ogni punto dati senza richiedere tracciamento estensivo - Rispetta le preoccupazioni sulla privacy migliorando al contempo il coinvolgimento - Fornisce insight pratici facili da interpretare per marketer e organizzazioni no-profit

La professoressa Hong sottolinea come l'AGCL possa identificare gli "interessi latenti" dei donatori, fornendo insight più approfonditi sulle diverse aree che potrebbero attrarre anche chi ha un profilo sottile.

Applicazioni pratiche e potenziale futuro

L'output dell'AGCL può evidenziare "cluster di interessi" tra i donatori, aiutando le organizzazioni no-profit a comprendere le preferenze anche di chi ha effettuato una sola donazione. Questo permette di sviluppare strategie di coinvolgimento per potenziali donatori ricorrenti.

Hong sottolinea il potenziale dell'AGCL oltre l'ambito delle donazioni, in particolare per la segmentazione dei clienti nel marketing. Il modello potrebbe ridefinire l'approccio al marketing personalizzato, scoprendo connessioni più profonde e interessi condivisi anche in dati limitati.

Una caratteristica promettente dell'AGCL è la sua capacità di operare nel rispetto dei vincoli sulla privacy dei dati, offrendo alle organizzazioni un modo per ottenere insight significativi senza richiedere una raccolta dati estensiva.

Con l'evoluzione di questa tecnologia e la sua diffusione, l'AGCL potrebbe stabilire un nuovo standard per la costruzione di connessioni durature e significative tra le organizzazioni e il loro pubblico, rispettando al contempo i limiti della privacy.