Fundraising-WissenPraxisbelegeMethodik

Fundraising-Wissen›Praxisbelege›Das ehrlichste Experiment: Alle Modelle schlechter als statisch.

Praxisbeleg

Das ehrlichste Experiment: Alle Modelle schlechter als statisch.

AusgangshypotheseKI-berechnete individuelle Spendenvorschläge schlagen eine statische Empfehlung (Durchschnitt der letzten Spenden). Oder?

Das Ergebnis

Alle 4 Modelle schlechter als statisch.
Nicht eins. Nicht zwei. Alle vier getesteten KI-Modelle für personalisierte Spendenvorschläge lagen unter dem einfachen statischen Betrag.

Was wir versucht haben

M1
Response-maximierend — Nur Response-Wahrscheinlichkeit als Signal. Ergebnis: schlechter als statisch.
M2
DLV-gewichtet — Response × prognostizierter Wert. Ergebnis: schlechter als statisch.
M3
Hybrid — Kombination mehrerer Signale (DLV, Engagement Score, Recency). Ergebnis: schlechter als statisch.
M4
Historischer Durchschnitt + Engagement-Adjustment — Das naheliegendste Modell. Ergebnis: schlechter als statisch.

Warum es nicht funktioniert hat

Fehler 01
Datenbasis zu dünn
Zu wenig historische Mailing-Wellen mit vollständigem Response-Tracking. Die Modelle hatten nicht genug echte Feedback-Loops um zu lernen welcher Betrag für welchen Profil-Typ funktioniert.
Fehler 02
Zahlungswege-Mapping inkonsistent
Die Daten enthielten uneinheitliche Kanal-Zuordnungen. Manche Spenden waren falsch dem falschen Kanal zugeordnet. Die Modelle lernten auf falschen Annahmen — und produzierten systematisch falsche Empfehlungen.

Was wir gelernt haben

01

Datenqualität vor Modell-Komplexität

Ein einfaches Modell auf sauberen Daten schlägt ein komplexes Modell auf schlechten Daten — jedes Mal. Das ist das wichtigste Learning aus diesem Experiment.

02

Manchmal ist die einfache Lösung die beste

Statischer Durchschnittsbetrag hat in diesem Fall alle KI-Modelle geschlagen. Das ist kein Argument gegen KI — es ist ein Argument für die richtige Vorbereitung.

03

Zuerst Daten aufräumen, dann Modelle trainieren

Das Zahlungswege-Mapping hätte vor dem Experiment geprüft werden müssen. Das ist jetzt Standard in jedem neuen Projekt: Daten-Audit vor Modell-Aufbau.

04

Fehlschläge sind genauso wertvoll wie Erfolge

Dieses Experiment hat uns mehr über Datenqualität gelehrt als alle erfolgreichen Projekte zusammen. Deshalb zeigen wir es — ohne Beschönigung.

Das Fazit

"Dieses Experiment hat uns mehr gelehrt als viele Erfolge.
Wir zeigen es trotzdem."

Wer nur Erfolge zeigt, zeigt nicht die Wahrheit. Die Wahrheit ist: KI funktioniert nicht immer. Manchmal braucht es bessere Daten. Manchmal ist die einfache Lösung die richtige. Das wissen wir jetzt — weil wir es getestet haben.

Häufige Fragen

Was war das Ergebnis?

Alle vier getesteten KI-Modelle für personalisierte Spendenvorschläge schnitten schlechter ab als ein einfacher statischer Betrag. Das war unser deutlichster Fehlschlag.

Warum hat es nicht funktioniert?

Zwei Hauptgründe: (1) Die Datenhistorie war zu kurz für verlässliche Modell-Prognosen. (2) Die Zahlungswege-Mappings in den Daten waren uneinheitlich — die Modelle verwechselten welche Spende über welchen Kanal gekommen war.

Was haben wir daraus gelernt?

Datenqualität ist wichtiger als Modell-Komplexität. Ein gutes Modell auf schlechten Daten schlägt ein einfaches Modell auf guten Daten nicht. Manchmal ist die einfache Lösung die beste.

Willst du das für deine Organisation prüfen?
Gespräch buchen

Alle Praxisbelege