Fundraising-Wissen›Dauerspende und Prognose›Einmalspender:innen zu Dauerspender:innen: Wer wechselt am wahrscheinlichsten?

Dauerspende und Prognose

Einmalspender:innen zu Dauerspender:innen: Wer wechselt am wahrscheinlichsten?

Von flyraising · Stand 16. Oktober 2026 · 4 Min. Lesezeit · So entstehen unsere Inhalte

• Das Modell lernt aus bisherigen Wechseln in deiner eigenen Datenbank
• Ein falsch gesetztes Ergebnisfenster verzerrt, wer als Wechsler zählt
• Trennschärfe (AUC) und Gegenprobe immer gemeinsam ausweisen
• Top-N nach Score ergibt die Audience für das nächste Mailing
• Einfache Verhaltensregel als Vergleichsmaßstab mitlaufen lassen

Welche Daten braucht das Modell?

Die Basis ist die Spendenhistorie: Datum, Betrag, Kanal und Projekt jeder Spende. Dazu kommen Verträge, die festhalten, wann jemand erstmals einen Dauerauftrag abgeschlossen hat. Dieser Zeitpunkt ist das Ereignis, das du vorhersagen willst. Personen ohne dieses Ereignis sind die Negativbeispiele – das Modell lernt den Unterschied zwischen diesen beiden Gruppen.

Alle Merkmale berechnest du zum Stichtag, also zu dem Zeitpunkt, an dem du die Prognose stellen willst. Merkmale, die erst nach dem Wechsel entstehen, dürfen nicht ins Modell – sie würden das Ergebnis vorwegnehmen, das du vorhersagen möchtest. Das klingt offensichtlich, passiert aber in der Praxis häufiger, als man denkt: Ein Feld, das erst beim Vertragsabschluss befüllt wird, liefert scheinbar sehr hohe Trennschärfe – und ist trotzdem wertlos, weil du es zum Prognose-Zeitpunkt gar nicht kennst.

Wie setze ich das Ergebnisfenster richtig?

Das Ergebnisfenster legt fest, bis wann ein Wechsel zählt. Endet es beim letzten Importdatum, können Personen, die danach gewechselt haben, fälschlich als Nicht-Wechsler gelten. Das verkleinert die Gruppe der Positiven und macht das Modell pessimistischer als es ist.

Setze das Fensterende auf das Datum des jüngsten bekannten Vertrags in deiner Datenbank. Prüfe dabei, ob alle Kanäle vollständig importiert sind – fehlen Online-Verträge aus einem bestimmten Zeitraum, fehlen genau dort Wechsler und das Modell unterschätzt seine eigene Trefferquote. Beide Fehler – zu kurzes Fenster und lückenhafter Import – ziehen in dieselbe Richtung: zu wenige Positive, zu pessimistisches Modell, zu kleiner Pool beim nächsten Mailing.

Woran erkenne ich, ob das Modell etwas taugt?

Zwei Prüfungen helfen. Erstens die Trennschärfe (AUC) auf Daten, die das Modell nie gesehen hat: Werte über 0,7 zeigen eine verwertbare Trennung. Zweitens eine einfache Gegenprobe – wie viele Einmalspender:innen eines früheren Jahres haben wirklich gewechselt, und wie viele davon hätte das Modell vorab in der Spitzengruppe gehabt?

Beide Zahlen gehören zusammen: die Größe des selektierten Pools und die Zahl der tatsächlichen Wechsler darin. Lass dir außerdem die wichtigsten Merkmale mit ihrer Trennschärfe als Tabelle ausgeben. Taucht ein Feld auf, das erst nach dem Wechsel befüllt wird, ist das ein klarer Hinweis auf einen Fehler im Feature-Engineering. Entscheidend für die Entscheidung ist dann, ob das Modell besser abschneidet als eine einfache Regel, zum Beispiel 'Spender:innen mit mindestens drei Spenden in zwölf Monaten'. Erst dieser Vergleich zeigt den echten Vorteil.

Wie baust du daraus eine Zielgruppe für das Mailing?

Aus den Scores bildest du eine Schwelle oder ein Top-N – etwa die besten 5.000 von 40.000 Einmalspender:innen – und speicherst sie als Audience für das nächste Mailing. Eine einfache Verhaltensregel kann daneben bestehen: Zum Beispiel alle Personen mit mehreren Spenden in kurzer Zeit, unabhängig vom Modell-Score.

Vergleiche beide Auswahlen im späteren Ergebnis: Welcher Anteil der selektierten Personen hat tatsächlich einen Dauerauftrag abgeschlossen, und wie unterscheidet sich das zwischen Modell-Audience und Regel-Audience? Die Antwort verbessert die nächste Selektion und zeigt dir, wann ein Modell den Aufwand lohnt und wann eine einfachere Regel ausreicht. Dokumentiere das Ergebnis, damit du beim nächsten Durchlauf etwas zum Vergleichen hast.

Typische Fehler

• Merkmale einbauen, die erst nach dem Wechsel entstehen (Datenleck im Feature-Engineering)
• Ergebnisfenster am letzten Import statt am jüngsten bekannten Vertragsabschluss enden lassen
• AUC alleine berichten, ohne zu zeigen, wie viele Wechsler in der Spitzengruppe landen
• Keine Vergleichsregel aufstellen und so den Modellvorteil ungeprüft annehmen
• Das Modell zu selten neu trainieren – neue Spender:innen und Vertragsdaten fehlen dann

Checkliste

• Spendenhistorie und Vertragsabschlüsse vollständig und lückenlos importieren
• Ergebnisfenster auf das Datum des jüngsten bekannten Vertrags setzen
• Alle Merkmale zum Stichtag berechnen, kein Datenleck prüfen
• Trainings- und Testdaten sauber trennen, AUC nur im Test messen
• Merkmalliste lesen und verdächtige Felder ausschließen
• Einfache Verhaltensregel als Vergleichsmaßstab definieren
• Trefferquote zusammen mit Poolgröße ausweisen

Häufige Fragen

Was bedeutet AUC?

Die Fläche unter der ROC-Kurve misst, wie gut das Modell Wechsler von Nicht-Wechslern trennt. 0,5 entspricht reinem Raten, 1,0 wäre perfekte Trennung. Ab 0,7 gilt das Ergebnis als verwertbar. Die Methode ist in der scikit-learn-Dokumentation als roc_auc_score beschrieben.

Wie viele Wechsler brauche ich für ein stabiles Modell?

Das hängt von der Methode ab. Bei sehr wenigen Wechslern wird die Prognose unsicher und eine einfache Verhaltensregel leistet oft mehr als ein trainiertes Modell.

Wie oft sollte ich neu rechnen?

Nach jedem größeren Spendenimport oder in festen Abständen – zum Beispiel quartalsweise – damit neue Spender:innen und Verträge ins Modell einfließen.

Weiterlesen

Daisy bereitet die Spendenhistorie als Trainingsgrundlage auf und zeigt Trefferquote und Merkmalsliste direkt in der Auswertung.