+47% Response. +34% Einnahmen.
KI weiß wer wirklich zurückkommt.
Dokumentiertes Experiment mit echten NGO-Daten aus dem DACH-Raum. Kein Pilotprojekt — messbare Ergebnisse in echter Produktion.
KI-gestützte Reaktivierung schlägt klassische RFM-Selektion um +47% Response-Rate und +34% Einnahmen pro Brief. Das Modell analysiert über 50 Verhaltenssignale pro Kontakt und identifiziert jene Inaktiven, die tatsächlich zurückkommen — statt alle anzuschreiben und Geld zu verbrennen.
Das Experiment
EXP 03 · AbgeschlossenReaktivierung von Spendeninaktiven ist eines der teuersten Probleme im NGO-Fundraising. Die Standard-Lösung: alle Inaktiven (z.B. 12+ Monate ohne Spende) anschreiben, und hoffen, dass genug zurückkommen um die Mailingkosten zu decken.
In diesem Experiment haben wir die klassische RFM-Selektion (Recency, Frequency, Monetary) gegen ein KI-Modell getestet, das über 50 Verhaltenssignale kombiniert — darunter Spendenhistorie, digitales Engagement, saisonale Muster und Kampagnen-Reaktionsdaten.
Testaufbau (randomisierter A/B-Test):
| Dimension | Kontrollgruppe (RFM) | Testgruppe (KI) |
|---|---|---|
| Selektion | Klassisches RFM | KI-Reaktivierungsmodell |
| Response-Rate | Baseline | +47% vs. Kontrollgruppe |
| Einnahmen/Brief | Baseline | +34% vs. Kontrollgruppe |
| Mailing-Auflage | Alle Inaktiven | Nur KI-selektierte Rückkehrer |
| Datenpunkte/Kontakt | 3 (R, F, M) | 50+ |
Warum das KI-Modell gewinnt
Problem mit RFM
RFM sagt dir, wer zuletzt gespendet hat, wie oft und wie viel. Es sagt dir nicht, ob diese Person heute bereit ist zurückzukommen. Zwei Kontakte mit identischen RFM-Scores können völlig unterschiedliche Rückkehrwahrscheinlichkeiten haben — je nach Kündigungsgrund, digitalem Verhalten und externen Faktoren.
Was das KI-Modell anders macht
Das Modell lernt aus echten Reaktivierungen: Wer ist in der Vergangenheit zurückgekommen, und welche Signale haben das vorhergesagt? Es gewichtet über 50 Features dynamisch und aktualisiert Prognosen vor jeder Kampagne. Kontakte unter einem Schwellenwert werden nicht angeschrieben — das spart Mailingkosten und schützt die Beziehung.
Von ROAS 0,15 zu 3,53 — die lange Kurve
Reaktivierung ist nur ein Baustein. Das vollständige FlyRaising-System läuft seit November 2022 und dokumentiert den gesamten Weg der Online-Spenderakquise.
| Zeitraum | ROAS Online-Akquise | Was hat sich verändert |
|---|---|---|
| Monat 1 | 0,15 | Kalt gestartet, Algorithmen lernen |
| Jahr 1 | 0,82 | Audience-Optimierung, erste Lookalikes |
| Jahr 2 | 1,8 | KI-Audiences, A/B-Test-Daten kumulieren |
| Jahr 4 | ~3,53 | Vollautomatische Optimierung, 1.130 Datenpunkte |
Was das bedeutet: Für jeden Euro Werbebudget kommen (nach 4 Jahren) ~3,53 Euro in Form von Dauerspendeneinnahmen zurück. Im ersten Jahr ist der ROAS noch unter 1 — das ist normal und eingeplant.
Die 9 KI-Audiences dahinter
Reaktivierung ist eine von 9 datengetriebenen KI-Audiences die FlyRaising-Kund:innen standardmäßig erhalten:
- 01 Upgrade-Audience — Wer wird zur Dauerspendenden?
- 02 Digital-Only — spenden ohne Brief (~2.490 Kontakte)
- 03 Halo-Effect — Brief triggert Online-Spende (~6.400 Kontakte)
- 04 Print-Fatigue — Druckverschwendung stoppen (~58.000 Kontakte)
- 05 Digital Super-Donor Seed — Lookalike-Basis für Meta Ads
- 06 Briefwürdige Kontakte — DLV-Selektion statt Bauchgefühl
- 07 Reaktivierung — +47% Response, +34% Einnahmen/Brief
- 08 Zweitspende — optimales Zeitfenster individuell berechnet
- 09 Abwanderungs-Frühwarnung — 3–6 Monate Vorwarnzeit
Alle 9 Audiences basieren auf denselben 1.130 dokumentierten Datenpunkten aus realen NGO-Daten. → Alle 9 Audiences ansehen
Häufige Fragen
Wie viele Dauerspender kann man durch KI-Reaktivierung gewinnen?
Das hängt von deiner Inaktiv-Basis ab. Bei 10.000 inaktiven Kontakten und einer Basis-Response von 2% würde +47% bedeuten: ~940 statt ~680 Rückkehrer. Bei höheren Mailingkosten lohnt sich der Unterschied ab ca. 3.000 Inaktiven.
Funktioniert das auch für kleine NGOs (<10.000 Kontakte)?
Ab ca. 2.000 dokumentierten Spendern hat das Modell genug Daten zum Lernen. Kleinere NGOs nutzen stattdessen die Digital-Only und Upgrade-Audience — die benötigen keine eigene Reaktivierungshistorie.
Was ist der Unterschied zwischen RFM und KI-Selektion?
RFM (Recency, Frequency, Monetary) selektiert nach Vergangenheitsdaten. KI kombiniert 50+ Signale und prognostiziert Rückkehrwahrscheinlichkeit. Im A/B-Test: +47% Response bei gleicher Auflage.