KI im Fundraising: Jede Frage an deine Daten ist nur eine Antwort entfernt.
Daisy ist unser KI-Agent für Fundraising-Daten. Sie verbindet alle deine Quellen in einem Data Lake (eine gemeinsame Datenbasis) und beantwortet Fragen zu Spenden, Audiences, Mailings und Reports direkt in deinen Daten. Ohne Excel-Reports. Auf Zuruf trainiert sie auch Modelle für ein Ziel.
- Alle Quellen verbunden
- Fragen statt Reports
- Modelle auf Zuruf
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 Erstspende, für alle gleich lang.
| Kanal | Neu akquiriert | Median Erstspende | 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 Erstspende vor 24 bis 12 Monaten). Jahr 3 und 5 schreibe ich aus älteren Kohorten (Erstspende 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.
So arbeitet Daisy
Quellen verbinden
Alle deine Datenquellen laufen in einem Data Lake zusammen.
Fragen stellen
Du fragst in deinen Worten. Daisy rechnet in deinen Daten und zeigt Schritte und Ergebnis.
Ziel geben
Bei Bedarf startet Daisy einen eigenen Server, trainiert ein Modell für dein Ziel und prüft es an Daten, die sie vorher zurückgelegt hat.
Ehrlich einordnen
Daisy sagt dazu, was das Ergebnis nicht beweist, und lehnt ab, wenn die Daten nicht reichen.
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.
Häufige Fragen
Was bedeutet KI im Fundraising?
KI wertet deine Spenderdaten aus und beantwortet Fragen, für die du sonst Reports oder Wochen auf die Datenabteilung brauchst. Typische Aufgaben sind Auflagen planen, Dauerspender:innen finden und Kanäle vergleichen.
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.
Welches Ziel soll Daisy für dich angehen?
Such dir einen Termin aus. Bring ein Ziel mit, 15 Minuten reichen.
Dein Ziel mit Daisy besprechen →