Was ist ein KI-Selektionsmodell im Fundraising?
Beim klassischen Briefmailing entscheidet eine Fundraiserin: Wer bekommt das Weihnachtsmailing? Die Antwort ist meistens: alle, die in den letzten 24 Monaten gespendet haben. Das ist eine Regel — keine Selektion.
Ein KI-Selektionsmodell macht etwas anderes: Es analysiert das individuelle Verhalten jedes einzelnen Spenders — Spendenhistorie, Zahlungsweg, saisonale Muster, bisherige Response-Rates — und berechnet einen Score. Dieser Score sagt vorher, wie wahrscheinlich es ist, dass dieser Spender auf das nächste Mailing reagiert.
Das Ergebnis: Statt 80.000 Adressen anzuschreiben, selektieren Sie die 45.000 mit dem höchsten Score. Porto, Druck und Produktion sinken. Und weil Sie die richtigen Spender ansprechen, steigt die Response Rate.
"~15.000 Spender aus 2024, die 2025 nicht mehr gespendet haben — wie sollen wir die reaktivieren? Wir schreiben alle an, aber das kann nicht die Lösung sein." — Fundraising-Managerin, DACH-Hilfsorganisation
Wie unterscheidet sich klassische Selektion von KI-Selektion?
| Kriterium | Klassische Selektion | KI-Selektionsmodell |
|---|---|---|
| Entscheidungsbasis | Statische Regeln (z.B. "nicht gespendet in 24 Monaten") | Individueller Score pro Spender |
| Berücksichtigte Signale | 2–5 Felder (Betrag, Datum, Häufigkeit) | Dutzende Variablen gleichzeitig |
| Reaktivierung | Alle Inaktiven oder keine | Nur die mit positivem Reaktivierungs-Score |
| MROI-Optimierung | Nicht möglich | Kernfunktion des Modells |
| Anpassung an Mailing-Typ | Gleiche Regeln für Weihnachts- und Reaktivierungsmailing | Modell wird mailing-spezifisch trainiert |
| Aufwand für Fundraiser | Manuell, zeitintensiv | Nach Setup: Datenexport + Score abrufen |
Was bedeutet MROI und warum ist er die wichtigste Metrik?
MROI steht für Marginal Return on Investment — der Mehrertrag, den der nächste investierte Euro im Mailing erzeugt. Diese Kennzahl ist entscheidender als absolute Response Rate oder Gesamteinnahmen.
MROI-Logik erklärt
Stellen Sie sich vor: Die besten 30% Ihrer Spender bringen 80% aller Einnahmen. Die nächsten 30% bringen noch 15%. Die letzten 40% kosten mehr Porto als sie einbringen. MROI-Analyse zeigt Ihnen genau, wo diese Grenze liegt — und welche Dezile Sie im nächsten Mailing weglassen können.
Die Dezil-Analyse teilt Ihre Spender in 10 gleichgroße Gruppen (Dezile) nach Score. Dezil 1 = höchster Score, Dezil 10 = niedrigster. Ein gutes Selektionsmodell ermöglicht es Ihnen, ab einem bestimmten Dezil abzuschneiden und so den Gesamt-MROI zu maximieren.
"MROI auch auf Jahresplan-Ebene hochrechnen — nicht nur für einzelne Mailings. Langfristiger ROI auf 2-Jahres-Horizont: Lohnt sich diese Gruppe überhaupt?" — Fundraising-Analystin, österreichische Hilfsorganisation
Wie funktioniert KI-gestützte Reaktivierung inaktiver Spender?
Reaktivierung ist der Use Case, bei dem KI-Selektionsmodelle den größten Uplift zeigen. Der Grund: Die Spannbreite zwischen "werde reagieren" und "werde nie mehr spenden" ist bei inaktiven Spendern viel größer als bei aktiven.
Klassische Reaktivierungsregel: "nicht gespendet in 24 Monaten → Reaktivierungsmailing". Das Problem: In dieser Gruppe sind sowohl Spender, die nur einen schlechten Zeitpunkt hatten und sofort wieder spenden würden, als auch solche, die dauerhaft inaktiv sind. Beide bekommen das gleiche Mailing — das ist Budgetverschwendung.
Ein KI-Reaktivierungsmodell differenziert diese Gruppe nach:
- Länge der aktiven Spenderbeziehung vor der Inaktivität
- Durchschnittliche Spendenhöhe und Häufigkeit
- Zahlungsweg (SEPA-Lastschrift deutet auf höhere Wiederkehrwahrscheinlichkeit hin)
- Saisonales Muster (Weihnachtsspender vs. Ganzjahresspender)
- Response auf frühere Reaktivierungsversuche
Was ist Churn-Prediction und wofür nutze ich es?
Churn-Prediction ist die Kehrseite der Reaktivierung: statt Inaktive zu reaktivieren, werden bald-Inaktive identifiziert — Dauerspender, bei denen das Modell ein erhöhtes Absprungrisiko sieht.
Typische Churn-Signale, die KI-Modelle erkennen:
- Sinkende Spendenhöhe über mehrere Perioden
- Fehlende Response auf Upgrade-Kommunikation
- Rückgang des E-Mail-Öffnungsverhalten
- Veränderte Zahlungsweise (z.B. Wechsel von SEPA zu Überweisung)
"Churn-Faktor kombinieren — Leute, die bald abspringen, gezielt einschließen. Die wollen wir vorher noch erreichen." — Datenanalystin, gemeinnützige Organisation im DACH-Raum
Welche Daten brauche ich für ein Selektionsmodell?
Für ein funktionierendes KI-Selektionsmodell benötigen Sie einen sauberen CRM-Export mit mindestens:
- Spendenbetrag pro Transaktion
- Datum der Transaktion (Zuwendungsdatum)
- Spendertyp (Dauerspende vs. Einzelspende / VART-Felder)
- Zahlungsweg (ZW-Feld)
- Response-Flag: Hat der Spender auf frühere Mailings reagiert?
Die meisten Organisationen haben diese Daten in Microsoft Navision, ifunds, Sextant oder Salesforce. Die Herausforderung ist nicht das Fehlen der Daten, sondern deren Format und Konsistenz.
Wie starte ich mit KI-Selektion — ohne technisches Team?
Der häufigste Grund, warum NPOs keine KI-Selektion nutzen, ist nicht fehlendes Budget oder mangelnder Wille — es ist die Annahme, dass dafür Data Scientists und IT-Teams nötig sind.
FlyRaising ermöglicht NPOs den Einstieg in KI-Selektion über einen standardisierten Dateiupload: CRM-Export im CSV-Format, einmalige Konfiguration des Mailing-Typs, Score-Ausgabe als filterbare Liste für den Lettershop. Kein technisches Team erforderlich.
KI-Selektion für Ihr nächstes Mailing testen
FlyRaising zeigt Ihnen in einer kostenlosen Demo, wie KI-Scoring auf Basis Ihrer bestehenden Spenderdaten funktioniert.
Demo anfordern →