Fundraising-WissenPraxisbelegeMethodik

Fundraising-Wissen›Praxisbelege›Personalisierte Spendenvorschläge: +13% Ertrag — durch den richtigen Betrag.

Praxisbeleg

Personalisierte Spendenvorschläge: +13% Ertrag — durch den richtigen Betrag.

AusgangshypotheseWenn jede Person einen individuell berechneten Spendenbetrag sieht statt eines Einheitsbetrags, steigen Response und durchschnittliche Spendenhöhe gleichzeitig.

Die Zahlen (Balance-Variante)

+6,5%
Response-Uplift
+3,4%
Ø-Spende höher
+13,3%
Ertrag/Mail
1:1
Personalisiert

Wie es funktioniert

01
Daten sammeln — Spendenhistorie, Engagement Score, DLV pro Kontakt. Je mehr Datenhistorie, desto präziser das Modell.
02
Modell trainieren — KI lernt aus historischen Spendenhöhen und Response-Mustern welcher Betrag für welchen Profil-Typ funktioniert.
03
Betrag berechnen — Für jeden Kontakt individuell: nicht der Durchschnitt, sondern der optimal prognostizierte Betrag.
04
A/B-Test — KI-Betrag vs. statischer Einheitsbetrag. Response, Ø-Spende und Ertrag separat tracken.

Drei Kalibrierungs-Varianten

Response-Fokus
+15,5%
Response
-10,8% Ø-Spende +3,6% Ertrag
Balance ★
+13,3%
Ertrag/Mail
+6,5% Response +3,4% Ø-Spende
Ertrag-Fokus
+9,8%
Ertrag/Mail
-7,7% Response +17,9% Ø-Spende

Das ehrliche Gegenteil

Fehlschlag 2024
In einem Experiment: alle Modelle schlechter als statisch
Ein separates Experiment 2024 zeigte das genaue Gegenteil: alle vier getesteten KI-Modelle für personalisierte Spendenvorschläge schnitten schlechter ab als ein einfacher statischer Durchschnittsbetrag. Grund: zu wenig Datenhistorie und inkonsistente Zahlungswege-Mappings. Das vollständige Fehlschlag-Experiment ist separat dokumentiert: → Experiment: Alle Modelle schlechter als statisch

Was wir gelernt haben

01

Balance-Kalibrierung liefert die konsistentesten Ergebnisse

Weder zu hoch noch zu niedrig. Der Betrag der historischen Durchschnitt leicht anpasst zeigt am stabilsten positive Ergebnisse auf beiden Dimensionen.

02

Datenmenge entscheidet ob es funktioniert

Mit wenig Datenhistorie schlägt ein einfacher statischer Betrag die KI. Mit ausreichend Daten dreht sich das. Die Grenze liegt bei ca. 3+ Mailing-Wellen mit Tracking.

03

Tracking muss sauber sein bevor man anfängt

Inkonsistente Zahlungswege-Mappings haben in einem Experiment alle Modelle zerstört. Datenqualität vor Modell-Komplexität — immer.

04

Kleine Änderung, große Wirkung

+13,3% Ertrag durch Betrag-Personalisierung ist einer der größten Hebel bei gleichem Mailing-Aufwand. Das Aufwand/Nutzen-Verhältnis ist sehr gut.

Häufige Fragen

Wie wird der Spendenvorschlag berechnet?

Basierend auf historischem Spendenverhalten: letzte Spendehöhe, Durchschnittsspende der letzten 24 Monate, Engagement Score und DLV. Das Modell optimiert den Betrag für höchste Abschlusswahrscheinlichkeit bei akzeptabler Höhe.

Was passiert wenn der Betrag zu hoch ist?

Response-Rate sinkt. Das ist das Risiko der Ertrag-fokussierten Variante. Deshalb gibt es verschiedene Kalibrierungsoptionen je nach Ziel.

Hat der personalisierte Betrag immer funktioniert?

Nein. In einem Experiment 2024 haben alle getesteten KI-Modelle schlechter abgeschnitten als der statische Betrag. Grund: zu wenig Datenhistorie. Das ehrliche Fehlschlag-Experiment ist ebenfalls dokumentiert.

Willst du das für deine Organisation prüfen?
Gespräch buchen

Alle Praxisbelege