Déterminer qui est susceptible de faire un don prochainement

Important

La solution Levée de fonds et engagement est en cours de retrait. Le support pour Levée de fonds et engagement prendra fin à 23h59, heure du Pacifique, le 31 décembre 2026. Pour plus d’informations, accédez à Nouveautés de Levée de fonds et engagement.

Le modèle d’IA Probabilité de faire un don vous aide à comprendre lesquels de vos contacts sont susceptibles de faire un don prochainement. Cette prévision aide les spécialistes du marketing et les collecteurs de fonds des organisations à but non lucratif à créer de nouveaux segments de donateurs pour adapter leur portée en fonction de cette probabilité, parfois appelée propension.

Effectuer l’apprentissage du modèle et générer des catégories

Avant d’utiliser le modèle d’IA, vous devez effectuer son apprentissage.

Note

Par défaut, seuls les administrateurs système ont accès aux flux d’apprentissage du modèle. Ils peuvent partager l’accès avec d’autres utilisateurs.

1. Dans le Portail Power Apps, accédez à Solutions.

2. Sélectionnez Tout, puis recherchez la solution Probabilité de faire un don - Flux.

3. Assurez-vous que tous les quatre flux au sein de la solution sont activés. Sélectionnez les points de suspension en regard de chaque flux, puis sélectionnez Activer.

4. Ouvrez le flux Probabilité de faire un don - Modèle d’apprentissage et de score. Le flux s’exécute avec la configuration par défaut. Pour modifier les paramètres avant d’exécuter le modèle, accédez à Ajuster les paramètres du modèle plus loin dans cet article.

5. Exécutez le flux. Dans le menu supérieur, sélectionnez Exécuter.

6. Pour vérifier le statut de votre flux d’apprentissage et de score, sélectionnez Historique des exécutions ou Détails.

Note

En fonction de votre volume de données, cela peut prendre jusqu’à 72 heures pour que le modèle soit prêt à s’exécuter.

Pour faciliter l’apprentissage et la notation des futurs modèles, ajoutez-vous ainsi que tout autre membre de l’équipe qui devrait avoir accès à la liste Propriétaires dans les détails du flux.

Une fois que vous avez ajouté des propriétaires, ceux-ci peuvent voir le flux dans la section des flux Partagés avec moi dans Power Apps :

Afficher les catégories de probabilité

Pour afficher les catégories de probabilité une fois l’apprentissage et la notation du modèle terminés, ouvrez Levée de fonds et engagement. Sélectionnez Développement, sélectionnez Prospection, puis sélectionnez Modèle de don.

Note

Si l’apprentissage du modèle n’est pas terminé ou si les catégories ne sont pas encore synchronisées, les contacts restent dans une catégorie Non analysé.

Interagir avec les catégories de probabilité

Après avoir généré des catégories de probabilité, vous pouvez les trier et les filtrer pour créer de nouveaux segments. Pour voir d’autres données, vous pouvez ajouter des colonnes à la vue.

Si vous utilisez Dynamics 365 Customer Insights, vous pouvez créer des segments dynamiques en filtrant les contacts que vous souhaitez attribuer et en sélectionnant Ajouter au segment Dynamics 365 Customer Insights. Pour en savoir plus sur les segments dynamiques, consultez la Documentation de Customer Insights.

Note

Tous les filtres disponibles dans Levée de fonds et Engagement ne sont pas transférés vers Customer Insights.

Vous pouvez exporter des catégories pour les utiliser dans des outils marketing tiers.

Comprendre les catégories de probabilité

Pour déterminer pourquoi un certain contact est affecté à une catégorie donnée, sur la page Probabilité de faire un don, sélectionnez une catégorie pour ouvrir le volet d’informations Probabilité de faire un don. Ce volet contient les attributs positifs et négatifs les plus significatifs qui contribuent à la classification.

Le modèle utilise un éventail de données pour attribuer une catégorie Probabilité de faire un don à vos contacts dans Levée de fonds et engagement.

Note

Le modèle d’IA n’attribue un score qu’aux contacts actifs.

Les données prises en compte par le modèle comprennent :

Groupe	Attribut	Exigence	Type de données
Données démographiques	Genre	Facultatif	Chaîne
Données démographiques	Date de naissance (âge)	Facultatif	Date
Données démographiques	Relation du foyer	Facultatif	Chaîne
Préférences de contact	Mode de communication préféré	Facultatif	Chaîne
Préférences de contact	Ne pas téléphoner	Facultatif	Booléen
Préférences de contact	Ne pas envoyer d’e-mails	Facultatif	Booléen
Préférences de contact	Ne pas envoyer de courrier postal	Facultatif	Booléen
Fréquence de don	Nombre total de transactions	Obligatoire	Entier
Fréquence de don	Fréquence de don	Obligatoire	Flottant
Fréquence de don	Nombre de dons dans les trois derniers mois	Obligatoire	Entier
Fréquence de don	Nombre de dons dans les six derniers mois	Obligatoire	Entier
Fréquence de don	Nombre de dons dans les neuf derniers mois	Obligatoire	Entier
Fréquence de don	Nombre de dons dans les 12 derniers mois	Obligatoire	Entier
Montant du don	Montant total du don	Obligatoire	Flottant
Montant du don	Montant moyen du don	Obligatoire	Flottant
Montant du don	Montant moyen du don dans les trois derniers mois	Obligatoire	Flottant
Montant du don	Montant moyen du don dans les six derniers mois	Obligatoire	Flottant
Montant du don	Montant moyen du don dans les neuf derniers mois	Obligatoire	Flottant
Montant du don	Montant moyen du don dans les 12 derniers mois	Obligatoire	Flottant
Montant du don	Montant maximal d’une seule transaction	Obligatoire	Flottant
Montant du don	Montant minimal d’une seule transaction	Obligatoire	Flottant
Durée du don	Mois depuis le premier don	Obligatoire	Entier
Durée du don	Mois depuis le dernier don	Obligatoire	Entier
Fréquence de fréquentation de l’événement	Fréquence de fréquentation de l’événement	Facultatif	Flottant
Fréquence de fréquentation de l’événement	Nombre de participations aux événements dans les trois derniers mois	Facultatif	Entier
Fréquence de fréquentation de l’événement	Nombre de participations aux événements dans les six derniers mois	Facultatif	Entier
Fréquence de fréquentation de l’événement	Nombre de participations aux événements dans les neuf derniers mois	Facultatif	Entier
Fréquence de fréquentation de l’événement	Nombre de participations aux événements dans les 12 derniers mois	Facultatif	Entier
Durée de la participation à un événement	Mois depuis la première participation à un événement	Facultatif	Entier
Durée de la participation à un événement	Mois depuis la dernière participation à un événement	Facultatif	Entier
Tendance de l’historique des dons	Augmentation du montant sur deux ans	Facultatif	Entier
Tendance de l’historique des dons	Augmentation de la fréquence sur deux ans	Facultatif	Entier
Mode de paiement	Nombre de types de paiement	Facultatif	Entier
Durée de la relation	Mois dans la base de données	Facultatif	Entier

En fonction des variables d’entrée, le modèle attribue à votre contact l’une des nombreuses catégories de probabilité, allant de Peu probable à Très probable.

Les contacts qui n’ont pas encore de score attribué par le modèle sont classés comme Non analysé. Il est possible que ces contacts aient été créés après l’exécution initiale de l’apprentissage et de la notation, ou qu’ils aient été exclus dans les paramètres. Dans de rares cas, les contacts ne sont pas analysés lorsqu’il n’y a pas suffisamment de données pour attribuer un score ou une catégorie.

Ajuster les paramètres du modèle

Le modèle comporte plusieurs valeurs par défaut que vous pouvez personnaliser en fonction de vos objectifs. Vous pouvez essayer différents seuils de taille de don, différentes fenêtres de prédiction et différentes lignes de limite pour la catégorisation de la probabilité.

Pour ajuster les paramètres à partir des valeurs par défaut :

1. Dans le Portail Power Apps, accédez à Solutions.

2. Ouvrez la solution Probabilité de faire un don - Données de configuration .

   

3. Sélectionnez les paramètres et ajustez-les en fonction des instructions dans le tableau suivant.

   Paramètre d’entrée utilisateur​	Valeur acceptée​	Valeur par défaut	Description
   Inclure les contacts sans don	vrai/faux	faux	Spécifie si les contacts sans historique de dons sont inclus dans l’apprentissage et le score du modèle.
   Seuil de don​	Entier représentant la devise (par exemple, 100)	1	Le modèle prédit la probabilité de faire un don supérieur au montant de ce don​.
   Fenêtre de prédiction​	Entier représentant les mois (par exemple, 3)	3	Le modèle prédit la probabilité de faire un don dans cette période à venir​.
   Méthode de catégorisation	[Statique, Taille égale, Centile, Précision]	Statique	Spécifie la méthode utilisée pour définir les valeurs de seuil pour les catégories de score.
   Limites de seuil	Liste de trois valeurs dans la plage [0, 1]	[0,1, 0,6, 0,9]	Liste de trois valeurs qui spécifient les seuils pour la catégorisation des scores.

Méthodes de catégorisation

Quatre méthodes de catégorisation sont actuellement prises en charge pour créer les catégories de probabilité :

• Peu probable

• Assez probable

• Très probable

• Le plus probable

• Statique : cette méthode utilise des valeurs de seuil fixes. Vous pouvez personnaliser les valeurs statiques via le paramètre de limites de seuil. C’est un bon point de départ si vous n’avez pas d’exigences ou de connaissances spécifiques sur la répartition du score ou les performances du modèle.

• Égal : cette méthode divise équitablement la plage de scores de 0 à 1 en quatre catégories.

  Catégorie	Score de prédiction
  Peu probable	[0, 0,25]
  Assez probable	[0,25, 0,5]
  Très probable	[0,5, 0,75]
  Le plus probable	[0,75, 1,0]

  Cette méthode garantit une largeur égale de plage de scores pour chaque catégorie. Cependant, cela pourrait entraîner un nombre déséquilibré d’individus dans chaque catégorie si les scores ne sont pas uniformément répartis. Elle est appropriée si vous pensez que les scores sont uniformément répartis.

• Centile : cette méthode définit les seuils à des centiles spécifiques de la répartition du score. Elle garantit qu’un certain pourcentage d’individus entre dans chaque catégorie. Vous pouvez personnaliser les valeurs de centile via le paramètre de limites. Pour cette méthode, réfléchissez à la manière dont vous souhaitez répartir les individus dans différentes catégories. Par exemple, si vous souhaitez que la catégorie Le plus probable inclut les 10 % d’individus les plus importants, définissez la troisième valeur des limites sur 90. De même, si vous souhaitez que la catégorie Très probable inclut les 20 % d’individus suivants, définissez la deuxième valeur des limites sur 70.

• Précision : cette méthode définit les seuils en fonction de niveaux de précision spécifiques des performances du modèle. Vous pouvez personnaliser les valeurs de précision via le paramètre de limites. Pour cette méthode, réfléchissez au compromis entre la précision et la taille de chaque catégorie. Une précision plus élevée signifie une prédiction plus fiable, mais elle s’accompagne généralement d’une taille de catégorie plus petite. Par exemple, si vous souhaitez que la catégorie Le plus probable ait au moins 90 % de précision, définissez la troisième valeur des limites sur 0,9.

Il est crucial de choisir les bonnes valeurs de seuil, car elles influencent directement sur la catégorisation des individus.

Évaluer la qualité du modèle

De nombreux facteurs influencent la qualité du modèle. Il s’agit notamment du volume des données, de la qualité des données (telles que l’exhaustivité et l’intégrité) et du déséquilibre de classe (par exemple, une répartition asymétrique des contacts avec et sans historique de dons). Les paramètres affectent également les performances du modèle. Par exemple, un seuil de don plus bas et une fenêtre de prédiction plus longue génèrent de meilleures performances qu’un seuil de don plus élevé et une fenêtre de prédiction plus courte.

Résoudre les problèmes du modèle d’IA

Cette section contient des informations sur la résolution des problèmes d’utilisation du modèle d’IA Probabilité de faire un don.

Pourquoi toutes les catégories de probabilité « ne sont pas analysées » une fois le modèle exécuté avec succès ?

L’accès aux catégories de probabilité pour chaque contact est limité aux rôles de sécurité suivants :

• Utilisateur de l’application Azure
• Administrateur des finances
• Administrateur de la Collecte de fonds
• Collecte de fonds
• Administrateur du traitement des dons
• Traitement des dons
• Administrateur du système

Les utilisateurs auxquels aucun de ces rôles n’est attribué voient la même catégorie pour tous les contacts.

Pourquoi le flux d’apprentissage et de score échoue-t-il lorsque j’essaie d’effectuer l’apprentissage du modèle ?

Une erreur peut se produire lorsque le modèle n’est pas encore prêt à s’exécuter sur vos données. Assurez-vous de prévoir 72 heures pour l’apprentissage, puis contactez le support si le problème persiste.