Reaktivierungsmailing: +47% Response — weil KI weiß wer wirklich zurückkommt.

Q: Wie funktioniert die Drei-Gruppen-Segmentierung?

Gruppe 1: reaktivierbar mit hohem DLV (Brief lohnt sich). Gruppe 2: reaktivierbar mit niedrigem DLV (digitale Sequenz günstiger). Gruppe 3: nicht reaktivierbar (supprimieren).

Q: Was bedeutet 30-50% Auflage einsparen?

Durch die KI-Selektion werden nur die Kontakte angeschrieben die tatsächlich reaktivierbar sind. Die eingesparten Briefe lagen schon immer unterhalb des Break-even-Punkts.

Q: Welche Daten braucht das Modell?

Minimum: Spendentransaktionen (Datum, Betrag, Zahlungstyp). Optimal: zusätzlich Engagement-Daten (Mailing-Versände, Öffnungen). Mit reinen Transaktionsdaten funktioniert es bereits.

2024–2025 · mehrere DACH-Läufe · Abgeschlossen ✓ · Von flyraising · Methodik

AusgangshypotheseNicht alle inaktiven Kontakte sind gleich reaktivierbar. KI kann die Gruppe in drei Segmente trennen — und damit Response und Einnahmen gleichzeitig steigern.

Das Standard-Problem

Viele Organisationen schreiben bei Reaktivierungsmailings alle inaktiven Kontakte an — unabhängig davon ob die Person jemals zurückkommt. Ergebnis: hohe Kosten, niedrige Response, frustrierte Teams.

Die Annahme dahinter: "Mehr anschreiben = mehr Rückkehrer." Die Daten sagen etwas anderes.

Die Zahlen

+47%

Response (vs. Kontrolle)

+34%

Einnahmen/Brief

30–50%

Auflage eingespart

Gruppen im A/B-Test

Der Ansatz

Drei Segmente statt eine Masse:

Reaktivierbar · hoher DLV — Brief lohnt sich. Diese Gruppe bekommt das klassische Reaktivierungsmailing. Priorisiert.

Reaktivierbar · niedriger DLV — Brief zu teuer. Stattdessen: kostengünstige digitale E-Mail-Sequenz. Gleiche Chance, anderer Kanal.

Nicht reaktivierbar — Supprimieren. Keine Ausgaben für Kontakte die statistisch nicht zurückkommen.

A/B-Test-Setup: Gruppe 1 = KI-Selektion. Gruppe 2 = bisherige Methode. Gruppe 3 = Schnittmenge (beide). Alle drei parallel versenden, Response separat tracken.

Ehrliche Grenzen

Einschränkung

Das Modell ist nur so gut wie die Spendenhistorie

Wenig Daten = weniger Präzision. Ab etwa 3 historischen Mailing-Wellen mit auswertbaren Response-Daten liefert das Modell aussagekräftige Ergebnisse. Ohne diese Basis arbeitet es mit breiteren Konfidenzintervallen.

Einschränkung

Einige Organisationen überschreiben die Empfehlung

In der Praxis fügen ~80% der Organisationen manuell "vertraute Segmente" hinzu. Diese zeigen in Vergleichsanalysen konsistent ROI < 1. Der Kontrollverlust fühlt sich falsch an — aber die Daten zeigen: die KI hatte recht.

Häufige Fragen

Wie funktioniert die Drei-Gruppen-Segmentierung?

Gruppe 1: reaktivierbar mit hohem DLV (Brief lohnt sich). Gruppe 2: reaktivierbar mit niedrigem DLV (digitale Sequenz günstiger). Gruppe 3: nicht reaktivierbar (supprimieren).

Was bedeutet 30-50% Auflage einsparen?

Durch die KI-Selektion werden nur die Kontakte angeschrieben die tatsächlich reaktivierbar sind. Die eingesparten Briefe lagen schon immer unterhalb des Break-even-Punkts.

Welche Daten braucht das Modell?

Minimum: Spendentransaktionen (Datum, Betrag, Zahlungstyp). Optimal: zusätzlich Engagement-Daten (Mailing-Versände, Öffnungen). Mit reinen Transaktionsdaten funktioniert es bereits.

Willst du das für deine Organisation prüfen?
Gespräch buchen

Alle Praxisbelege