Wo bringt dein nächster Euro am meisten? fly cockpit zeigt es dir.
fly cockpit verknüpft alle deine Kanäle auf einer Datenbasis. Du siehst sofort, wo der nächste Euro am meisten bringt, kurzfristig und über die ganze Zeit, die eine Spender:in bei dir bleibt (Lifetime Value). Auf derselben Basis arbeitet deine Crew aus digitalen Mitarbeitenden. Die erste ist Daisy, deine Data-Science-Analystin.
- Alle Kanäle verknüpft
- Jahresplan nach Ertrag
- Crew mit Daisy
fly cockpit: Termin, 15 Minuten, du bringst ein Ziel mit
Sieh Daisy bei der Arbeit
Ein Beispiel aus dem Produkt, gekürzt. Die Zahlen sind Beispielzahlen, kein echter Lauf.
Dein AI Agent für Fundraising-Daten, Audiences, Mailings, Reports und Spenderfragen. Wir arbeiten das gemeinsam durch.
Ich habe die Analyse gerechnet. Damit die Kanäle fair verglichen werden, bekommt jede Kohorte gleich viel Zeit: Wer erst kürzlich gespendet hat, hatte noch keine Chance auf eine zweite Spende.
Kohorte: Spender:innen, deren allererste Spende 24 bis 6 Monate zurückliegt. Beobachtungsfenster: exakt 6 Monate nach der ersten Spende, für alle gleich lang.
| Kanal | Neu akquiriert | Median erste Spende | Median Gesamtwert, 6 Mon. |
|---|---|---|---|
| direct mail | rund 11.600 | 28 € | 29,40 € |
| other | rund 8.100 | 45 € | 46,70 € |
| donation form | 14 | 55 € | 57,50 € |
Ist der Unterschied zufällig? Nein. Der Chi²-Test zur Wiederholungsrate und die Mann-Whitney-Tests zu Wert und Zeit liefern jeweils p < 0,0001. Weil Spendenbeträge stark schief verteilt sind, nutze ich verteilungsfreie Tests statt Mittelwerte.
Akquisitionskosten vereinheitlicht: Produktion, Porto, Media und Agentur habe ich je Kanal auf die tatsächlich gewonnenen Spender:innen umgelegt. Jahr 1 ist beobachtet (Kohorte mit erster Spende vor 24 bis 12 Monaten). Jahr 3 und 5 schreibe ich aus älteren Kohorten (erste Spende 2018 bis 2021) mit einer Überlebenskurve fort. „Netto“ heißt: kumulierter Spendenwert je Neuspender:in minus Akquisitionskosten.
| Kanal | Kosten je Neuspender:in | Netto nach 1 J. | Netto nach 3 J. | Netto nach 5 J. |
|---|---|---|---|---|
| direct mail | 38 € | −4 € | +23 € | +46 € |
| other | 52 € | +6 € | +52 € | +89 € |
Einordnung für die CAC-Frage: Direct Mail ist pro Kopf günstiger, zahlt sich aber erst nach rund 14 Monaten aus. „other“ kostet mehr, konvertiert aber häufiger und schneller zur Wiederholungsspende und ist nach rund 11 Monaten im Plus. Nach 5 Jahren bleiben je investiertem Euro rund 1,20 € (direct mail) gegenüber 1,70 € (other) übrig. Jahr 5 ist eine Hochrechnung mit einem Unsicherheitsband von etwa ±15 %. Wer nur auf die Kosten der Erstgewinnung schaut, würde Direct Mail bevorzugen und das Geld im längeren Zeitraum liegen lassen. Dafür braucht es genau diese einheitlichen Kosten je Kanal.
Soll ich das speichern?
Woran Datenauswertung im Fundraising oft hängt
Jede Frage wird ein Auftrag
Die Antwort kommt nach Wochen von der Datenabteilung oder der Agentur. Bis dahin ist die Auflage gedruckt.
Die Zahlen liegen in vielen Systemen
Datenbank, Mailing-Tool, Online-Zahlen: Niemand rechnet sie zusammen, weil es jedes Mal Handarbeit ist.
Ein Modell sieht überzeugend aus, rät aber nur
Mit zu wenigen Fällen liefert jedes Modell eine Liste, die gut aussieht und Geld kostet.
Flugdaten: Deine Daten arbeiten für dich, ohne dass du ein Datenteam brauchst
Verknüpfen
Alle Kanäle und Quellen kommen auf einer Datenbasis zusammen (Data Lake).
Prüfen und anreichern
Jeder Import wird geprüft, bevor etwas genutzt wird. Die Analyse läuft über anonyme Spender:innen-IDs.
Modelle trainieren
Auf Wunsch trainiert Daisy ein Modell für dein Ziel und testet es an Daten, die sie vorher zur Seite gelegt hat.
Entscheiden
Du siehst, wo der nächste Euro am meisten bringt, mit Rechenweg und Grenzen. Die Entscheidung bleibt bei dir.
Deine Crew
Digitale Mitarbeitende, die auf deiner Datenbasis arbeiten. Du bleibst der Pilot und entscheidest.
Daisy, Data-Science-Analystin
Beantwortet Fragen direkt in deinen Daten, trainiert Modelle für ein Ziel und sagt dazu, was das Ergebnis nicht belegt. Eine zusätzliche Ressource für dein Team.
Weitere Crew-Mitglieder
Auf derselben Datenbasis kommen weitere digitale Mitarbeitende dazu.
Was im laufenden Betrieb drin ist
Von der Jahresplanung bis zum Report. Das sind die Bildschirme, mit denen du arbeitest.
Jahresplan: Dein Budget folgt dem erwarteten Ertrag
Du planst dein Fundraising-Budget nach dem vorhergesagten Ertrag und nicht nach den Zahlen vom Vorjahr. Daisy verteilt das Budget auf Mailings, Reaktivierung, Zweitspende und Online-Neuspender:innen und zeigt dir den Netto-Ertrag je Szenario.
Du vergleichst Pläne, bevor du dich festlegst. Die Auflagen kommen aus dem Plan, und du exportierst ihn für Finanzen und Geschäftsführung.
Die Übersicht: Was bringt welcher Plan?
Sieben Szenarien, eine Frage: Wie viele Briefe lohnen sich wirklich? Hier siehst du Gewinn, Spenderbindung und Haltekosten auf einen Blick.
Schritt 2 ist das Optimum: 24.600 Briefe erzielen den höchsten Gewinn (60.800 €) bei noch vertretbaren Haltekosten von 158 € je Spender:in.
| Szenario | Briefe | Gewinn | Verlorene Spender:innen | Ø Spenden je Verlorene | Kosten, sie zu halten, je Spender:in |
|---|---|---|---|---|---|
| KI-Vorhersage | 12.400 | 54.800 € | 680 | 22 € | 45 € |
| Schritt 1 | 18.800 | 58.100 € | 310 | 24 € | 89 € |
| Schritt 2 = Optimum | 24.600 | 60.800 € | 145 | 27 € | 158 € |
| Schritt 3 | 30.500 | 59.300 € | 72 | 31 € | 241 € |
| Schritt 4 | 35.200 | 57.100 € | 28 | 34 € | 378 € |
| Schritt 5 | 38.700 | 55.400 € | 9 | 37 € | 489 € |
| Real versendet | 41.000 | 54.100 € | – | – | – |
Beispielansicht mit frei gewählten Zahlen, kein echter Datensatz.
Selection: Die Auflage endet, wo ein Brief weniger einbringt, als er kostet
Selection sortiert jede Spender:in innerhalb eines Mailings nach erwartetem Wert. Das Modell lernt aus deiner eigenen Spendenhistorie, und jedes Ergebnis fließt ins nächste Ranking.
Mailings unter dem Break-even streichst du. Das Porto geht in Reaktivierung oder Zweitspende, wo der nächste Euro mehr bringt.
34 Mio. Spendenentscheidungen vorhergesagt und optimiert, 380+ Kampagnen im DACH-Raum.
Selections: Wähle Spender:innen aus.
Price Points: Starte einen Lauf für alle geeigneten Spender:innen.
Versandlisten: Schließe die Selection ab.
▼ Erweiterte Einstellungen Engagement-Modell aktiv
Optional. Mit Engagement-Daten läuft die Selection über das Engagement-Modell, das zusätzlich gewichtet, wie Spender:innen früher auf dieses Thema und dieses Incentive reagiert haben.
Starteinstellungen
Der ROI-Fokus steuert, ob der Export eine Empfehlungsliste verwenden kann. Bei 100 % ROI-Fokus sind empfohlene Spender:innen diejenigen, deren prognostizierter Spendenwert pro Mailing (DMV) die Briefkosten deckt.
Optional. Ein Lauf ohne Namen wird nach seiner Startzeit aufgeführt.
Erwartete Ergebnisse
Ausgewählte Kontakte
Die Verteilung zeigt, welche Spender:innen-Segmente in dieser Selection enthalten sind.
| Segment | Kontakte | Anteil | Ø DMV |
|---|
Audiences: Segmente bauen und überall wiederverwenden
Du baust Segmente wie gefährdete Dauerspender:innen, Neuspender:innen der letzten 12 Monate oder Reaktivierungskandidat:innen. Dieselbe Audience nutzt du in Mailings, Kampagnen und Reports.
Starte mit fertigen Vorlagen.
Daisy prüft jede Vorlage gegen deine Spenderdaten und zeigt dir sofort, wie viele Personen passen. Du verwendest eine Vorlage mit einem Klick.
Großspender:innen
Spendenrhythmus unterbrochen
Upgrade-Kandidat:innen
Nur eine Spende
Reine Weihnachtsspender:innen
Dauerspende · Aktiv
Beispielansicht mit frei gewählten Zahlen, kein echter Datensatz.
Reports und Dashboards: Vorjahr, Kampagnen und ROI
Jahresvergleich, Kampagnen-Performance und ROI auf einen Blick. Für Finanzen und Geschäftsführung exportierst du die Zahlen als CSV.
Jährliche Spenderzahl nach Spendenkategorie (letzte 5 Jahre)
Daten vom 28.07.2026, 16:40
Berechnungshinweise
Beispieldaten. Eine Spender:in zählt einmal pro Jahr in der Kategorie ihrer Gesamtsumme.Spenden nach Kanal (aktuelles Jahr vs. Vorjahr)
Daten vom 28.07.2026, 16:40
Berechnungshinweise
Beispieldaten. Eine Spender:in zählt einmal pro Jahr in der Kategorie ihrer Gesamtsumme.Abwanderungsrisiko-Segmente im Zeitverlauf
Daten vom 28.07.2026, 16:40
Berechnungshinweise
Beispieldaten. Eine Spender:in zählt einmal pro Jahr in der Kategorie ihrer Gesamtsumme.Monatlich aktive Spender:innen (letzte 24 Monate)
Daten vom 28.07.2026, 16:40
Berechnungshinweise
Beispieldaten. Eine Spender:in zählt einmal pro Jahr in der Kategorie ihrer Gesamtsumme.Zweitspende-Quote nach Kanal (neu)
Daten vom 28.07.2026, 16:40
Berechnungshinweise
Beispieldaten. Eine Spender:in zählt einmal pro Jahr in der Kategorie ihrer Gesamtsumme.Beispielansicht mit frei gewählten Zahlen, kein echter Datensatz.
Daten rein: Drei Wege, einer passt zu deinem Stand
Manueller Import: Du lädst deinen Export hoch, die KI ordnet die Spalten dem Datenmodell zu, du prüfst und bestätigst. Open API: Dein CRM liefert die Daten laufend. Wir helfen bei der Integration: Bei einem ungewöhnlichen System, einem schrägen Export oder wenig IT-Zeit suchen wir mit dir eine Lösung. Bisher haben wir immer eine gefunden.
Jeder Import wird geprüft, bevor etwas genutzt wird. Die Analyse läuft über anonyme Spender:innen-IDs, personenbezogene Daten bleiben bei dir.
Importiere Daten, denen du vertrauen kannst.
Lade eine Datei hoch, ordne deine Spalten zu und sieh dir das Ergebnis in der Vorschau an. An deinen Daten ändert sich nichts, bevor die Zahlen stimmen und du zustimmst.
Welche Daten möchtest du importieren?
Wähl eine aus. Wir empfehlen, zuerst Spenden zu importieren. Die anderen kannst du danach hinzufügen.
Wie kommen die Daten zu uns?
Datei hierher ziehen oder
Spalten zuordnen
Vorschau
Prüfung
sftp.beispiel-npo.orgPfad/export/spenden_*.csvZeitplantäglich um 02:00 UhrLetzte Nächte
| Mo, 02:00 | ✓ erfolgreich | 412 Zeilen |
| So, 02:00 | ✓ erfolgreich | 388 Zeilen |
| Sa, 02:00 | ✓ erfolgreich | 1.027 Zeilen |
Neue Spenden landen sofort in deinen Daten, ohne Datei und ohne Wartezeit.
📎 tombola_2026.xlsx
Eigenen MCP-Server anschließen
Du verbindest das Werkzeug selbst, und Daisy kann danach damit arbeiten.
Letzte Importe Anzeigen
| Datum | Daten | Weg | Zeilen | Status |
|---|
Beispielansicht mit frei gewählten Zahlen, kein echter Import.
Explorer: Schau selbst in deine Daten
Du siehst, was importiert wurde und wie es geprüft wurde, bevor du dich auf eine Zahl verlässt.
Daten-Explorer
Durchsuche Kontakte, Spenden und Verträge. Filtere und exportiere die Datensätze, die du brauchst.
| Spender:innen-ID ↕ | Land ↕ | Sprache ↕ | Geschlecht ↕ | Audience ↕ | Geburtsjahr ↕ | Ort ↕ | Patenschaft seit | Lieblingsthema | Newsletter |
|---|
Beispielansicht mit frei gewählten Zahlen, kein echter Datensatz.
Wie lernt dein Modell dazu?
Daisy testet Ideen in Schleifen und behält nur, was die Vorhersage verbessert.
Dein Modell lernt in Schleifen dazu.
Jede Runde fügt dem bisher besten Modell eine Idee hinzu. Daisy misst sie an zurückgehaltenen Kontakten, die das Modell noch nie gesehen hat. Ist die AUC besser, bleibt die Idee. Ist sie schlechter, fliegt sie raus.
AUC misst, wie gut das Modell Spender:innen richtig einordnet (0,5 = Zufall, 1,0 = perfekt).
| # | Experiment | AUC | Änderung | Status |
|---|
Ergebnis nach 10 Runden
Dein Aufwand
Ziel benennen und das Ergebnis freigeben. Das Ausprobieren übernimmt Daisy.
Was das Modell jetzt weiß
Die drei Merkmale, die geholfen haben, sagen alle dasselbe auf unterschiedliche Weise: Die Verteilung der Spendenhistorie zählt mehr als die Rohdaten. Die Log-Transformation glättet Ausreißer. Die Spendenrate pro Tag gleicht unterschiedlich lange Pausen aus. Die Wurzel aus der Anzahl Spenden dämpft den Einfluss von Vielspender:innen. Eine reaktivierte Person ist keine aktive Spenderin, deshalb hilft die rohe Häufigkeit weniger als ihre Form.
Zwei eingefrorene Audiences
| Audience | AUC | Gespeichert |
|---|---|---|
| Reaktivierung · Top 25.000 nach Modell-Score | 0,688 | ✓ Ursprüngliches Modell |
| Reaktivierung · Top 25.000 nach Modell-Score v2 | 0,712 | ✓ Nach dem Loop |
Eingefroren heißt: Die Auswahl bleibt, wie sie war. So kannst du später vergleichen, welche Fassung besser war.
Beispielansicht mit frei gewählten Zahlen, kein echtes Modell. Echte Werte hängen von deinen Daten ab.
Gib ihr ein Ziel
Wähl ein Ziel, Daisy trainiert und prüft ein Modell. Beispielrechnung mit frei gewählten Zahlen.
Was du bekommst: Antworten, die du prüfen kannst
- Wie entwickeln sich neu gewonnene Spender:innen je Kanal, und was sind sie nach 1, 3 und 5 Jahren wert?
- Wie groß sollen unsere Hausmailings 2027 sein? Wo lohnt sich die Auflage nicht mehr?
- Welche Einzelspender:innen werden am ehesten Dauerspender:innen, und über welchen Kanal erreiche ich sie am besten?
Das sind Beispielfragen aus dem Produkt. Daisy zeigt dir jeden Schritt und prüft Modelle an zurückgelegten Daten, bevor sie dir eine Liste gibt. Eine Faustregel dient dabei als Vergleich.
Ein Beispiel für ein ehrliches Nein: Bei 9 Erbschaften in 6 Jahren würde ein Modell nur raten. Daisy liefert dann keine Liste und schlägt vor, in den nächsten Mailings das Interesse an Nachlässen abzufragen und in 12 Monaten neu zu trainieren. Das ist ein Beispiel mit erfundenen Zahlen, kein echter Lauf.
Daisy arbeitet mit anonymen Spender:innen-IDs. Personenbezogene Daten bleiben bei dir im Haus.
Das sagen Fundraiser:innen, die damit arbeiten
„Ich habe mich die Tage etwas mit Daisy gespielt und ich bin begeistert. […] Es fühlt sich jetzt so an, als würde die KI meine Bedürfnisse und Daten korrekt verstehen.“
„Wir beschäftigen uns jetzt ziemlich intensiv mit flyraising, und es macht schon Spaß, mit Daisy zu chatten und sich die Prognosen und Auswertungen anzuschauen.
Das ist wirklich super, dass viele Punkte so schnell umgesetzt werden.“
Zitate aus Nachrichten von Kund:innen, anonymisiert und leicht gekürzt.
Häufige Fragen
Was ist fly cockpit?
fly cockpit ist unsere Plattform für Fundraising-Daten im laufenden Betrieb. Deine Kanäle liegen auf einer Datenbasis, du planst nach erwartetem Ertrag, und Daisy beantwortet Fragen direkt in deinen Daten.
Was ist ein KI-Agent?
Ein Agent beantwortet nicht nur eine Frage. Er plant Schritte, rechnet selbst und führt sie aus. Daisy startet dafür bei Bedarf einen eigenen Server und trainiert ein Modell für dein Ziel.
Was ist ein Data Lake?
Eine gemeinsame Datenbasis, in der alle deine Quellen zusammenlaufen: Spenden, Audiences, Mailings und Reports.
Muss meine IT etwas freigeben?
Nein. Daisy arbeitet mit anonymen Spender:innen-IDs. Personenbezogene Daten bleiben bei dir im Haus.
Kann die KI Spenden garantieren?
Nein. Daisy zeigt dir Wahrscheinlichkeiten und Einschränkungen. Ob ein Brief oder Anruf wirklich etwas auslöst, zeigt erst ein kleiner Test mit Kontrollgruppe.
Wie fange ich an?
Mit dem Rückenwind-Check: 2 Exporte, 15 Minuten, Ergebnis in 3 Tagen. Danach entscheidest du, ob es weitergeht.
Darf ich meine Daten überhaupt weitergeben?
Für den Rückenwind-Check brauchst du keine Adressen, keine E-Mail-Adressen und keine Namen. Wir arbeiten mit anonymen Spender:innen-IDs. Sollen im laufenden Betrieb doch personenbezogene Daten fließen, regelt das ein Auftragsverarbeitungsvertrag (AVV).
Bleiben Audiences aktuell, oder veralten sie?
Audiences mit Zeitbedingungen rechnen sich immer von heute aus neu. Legst du „keine Spende in den letzten 12 Monaten“ fest, stehen in zwei Monaten nur noch Personen darin, auf die das dann zutrifft. Wer inzwischen gespendet hat, fällt automatisch heraus. Daneben gibt es feste Listen, bei denen immer dieselben Personen drin bleiben.
Wie geht flyraising mit Kommunikationsstopps und Sperrlisten um?
Deine Sperren aus dem CRM kommen als eigene Felder rein, zum Beispiel kein Mailing im Januar oder höchstens ein Mailing pro Monat. Fällt das Versanddatum in eine Sperre, nimmt die Selektion diese Personen automatisch heraus.
Sehe ich im Export, warum jemand in der Selektion ist?
Ja. Der Export zeigt pro Person, welche Audience sie hereingeholt hat, dazu Rang, erwartete Spendenwahrscheinlichkeit und personalisierte Spendenvorschläge. So ordnest du Versandgruppen und Mailing-Versionen für den Lettershop zu.
Versteht Daisy unsere eigenen Begriffe?
Du kannst Definitionen hinterlegen, zum Beispiel was bei euch Reaktivierung heißt. Daisy arbeitet dann mit euren Begriffen und beantwortet Fragen zu euren eigenen Segmenten.
Welches Ziel soll deine Crew angehen?
Such dir einen Termin aus. Bring ein Ziel mit, 15 Minuten reichen.
Deinen Jahresplan mit eigenen Zahlen sehen →fly cockpit: Termin, 15 Minuten, du bringst ein Ziel mit