Ольга Матушевич, преподаватель курса «Нейросети для бизнеса» и бывший ментор Мастерской Яндекс Практикума, поделилась кейсом по применению RFM-анализа для некоммерческой задачи. Мастерская — это учебное агентство внутри Яндекс Практикума, где студенты и выпускники под руководством экспертов решают реальные задачи бизнеса и НКО, получая портфолио, а заказчики — бесплатные рабочие прототипы. Заказчиком выступил DonorSearch, крупнейшее сообщество доноров крови в Рунете, которое занимается мотивацией граждан к регулярным донациям, агрегирует данные о потребностях центров крови и борется со старением донорской базы. Перед командой стояла задача разбить донорскую базу на сегменты для эффективной адресной коммуникации, чтобы понять, кто является активным донором, кто выпал из процесса, а кто только начинает свой путь. DonorSearch уже много лет сотрудничает с Мастерской, ранее получив инструмент для автоматической верификации справок о сдаче крови, и этот новый проект стал логичным продолжением совместной работы по анализу данных о донорах и донациях.

Изначально студенты попробовали использовать машинное обучение для кластеризации доноров, но результаты оказались сложно интерпретируемыми. Например, модель показала, что заполнение полей о себе (пол, группа крови, регион) имеет решающее значение для совершения донаций после регистрации, но было непонятно, является ли эта связь прямой или обратной. Возможно, те, кто уже решил сдавать кровь, готовы заполнять больше данных, а не наоборот. Принуждение к заполнению полей могло бы отпугнуть пользователей, но у НКО не было ресурсов для проверки этой гипотезы. Кластеризация дала студентам опыт и инсайты, но заказчик не начал использовать её регулярно, что подтолкнуло команду к поиску более простого и прозрачного подхода. Этот опыт показал, что даже современные ML-методы не всегда подходят для задач, где важна интерпретируемость и доверие к результатам.

В качестве альтернативы студенты предложили RFM-анализ — классический маркетинговый метод сегментации клиентов по трём параметрам: Recency (давность последнего действия), Frequency (частота действий за период) и Monetary (денежные затраты). В коммерции он делит клиентов на 27 комбинаций, объединяемых в сегменты вроде «чемпионы» или «спящие». Однако для донорства категория «деньги» не применима, поэтому команда переосмыслила параметры: Recency — давность последней донации, Frequency — количество донаций за последние два года, а Monetary — общее количество донаций за всё время. Такая замена позволила сохранить логику метода, адаптировав её под некоммерческую задачу, где ценность измеряется не в деньгах, а в спасённых жизнях. В отличие от традиционного подхода, где Monetary обычно отражает сумму покупок, здесь он стал показателем общего вклада донора в сообщество.

После ранжирования доноров по каждому из трёх параметров с выделением трёх рангов (высокий, средний, низкий) команда получила 27 комбинаций, которые затем объединила в семь классов. Среди них: «активные доноры» (недавно и часто сдающие кровь), «новички» (недавно, но редко), «выпавшие» (давно не сдающие, с низкой частотой) и «потенциальные лидеры» (высокая давность, но большой общий объём донаций). Каждый класс получил рекомендации по коммуникации: например, «выпавшим» нужно отправлять напоминания и мотивационные сообщения, а «активным» — благодарности и приглашения на мероприятия. Этот подход оказался понятным для заказчика, так как не требовал сложной интерпретации чёрных ящиков машинного обучения, и позволил сразу перейти к практическим действиям по удержанию и привлечению доноров.

Для российского рынка некоммерческих организаций этот кейс демонстрирует, как классические бизнес-инструменты можно адаптировать под социальные задачи. DonorSearch, как крупнейшее сообщество доноров в Рунете, уже много лет сотрудничает с Мастерской, ранее получив инструмент для автоматической верификации справок о сдаче крови. Новый подход к сегментации позволяет НКО эффективнее использовать ограниченные ресурсы, фокусируясь на тех группах, которые наиболее нуждаются во внимании. В отличие от сложных ML-моделей, RFM-анализ даёт прозрачные и проверяемые результаты, что особенно важно для организаций, где каждое решение должно быть обосновано и легко объяснимо. Кроме того, этот метод может быть легко воспроизведён другими НКО без привлечения дорогостоящих специалистов по данным. В условиях, когда многие российские некоммерческие организации сталкиваются с нехваткой бюджета и экспертизы в области анализа данных, подобные простые и эффективные инструменты становятся критически важными для повышения качества работы с аудиторией. DonorSearch, как лидер в своей сфере, задаёт тренд на внедрение data-driven подходов в благотворительности, что может стимулировать и другие НКО к более активному использованию аналитики.

Перспективы использования RFM-анализа в некоммерческом секторе выглядят многообещающими, особенно для организаций, работающих с регулярными действиями пользователей — от донорства до волонтёрства. Однако остаются открытые вопросы: как часто нужно пересчитывать сегменты, чтобы учитывать изменения в поведении доноров, и насколько точны прогнозы для новых пользователей без истории донаций. Команда Мастерской планирует продолжить развитие метода, возможно, добавив дополнительные параметры, такие как географическая близость к центрам крови или тип донации. В целом, этот кейс показывает, что даже в эпоху машинного обучения простые и интерпретируемые методы могут быть более эффективными для конкретных задач, особенно когда цель — не прибыль, а спасение жизней. Остаётся надеяться, что подобные практики будут масштабированы и помогут другим НКО выстраивать более персонализированную и эффективную работу со своими аудиториями. Важно отметить, что успех этого проекта подчёркивает необходимость развития образовательных инициатив, таких как Мастерская Яндекс Практикума, которые готовят специалистов, способных решать реальные социальные задачи, и одновременно дают некоммерческому сектору доступ к современным технологиям и методологиям, что особенно актуально в условиях цифровой трансформации российского общества.