Was ist Selektion im Spendenmailing?
Du hast in deiner Datenbank vielleicht 50.000 Kontakte. Alle anzuschreiben kostet Porto, Druck und Produktion. Viele dieser 50.000 werden nicht reagieren. Selektion bedeutet, du schickst den Brief nur jenen, bei denen sich das rechnet.
Die einfachste Frage der Selektion: Wem schicke ich den Brief, damit der Ertrag pro verschicktem Brief am höchsten ist?
Das klingt simpel. In der Praxis ist es komplizierter, weil die Antwort davon abhängt, wie du "Ertrag" definierst und welche Daten du hast.
Wie funktioniert klassische Regel-Selektion?
Regel-Selektion arbeitet mit festen Schwellenwerten. Ein typisches Beispiel:
- Spende in den letzten 18 Monaten
- Mindestbetrag 10 Euro
- Kein aktives SEPA-Mandat (also keine Dauerspender:innen, die automatisch zahlen)
Alle Kontakte, die diese Regeln erfüllen, kommen in die Auflage. Alle anderen nicht.
Das ist nachvollziehbar und braucht kein Modell. Das Problem: Alle Kontakte knapp über dem Schwellenwert werden gleich behandelt, auch wenn ihre tatsächliche Spendenwahrscheinlichkeit sehr unterschiedlich ist. Jemand, der vor 17 Monaten einmal 11 Euro gespendet hat, bekommt denselben Brief wie jemand, der seit Jahren regelmäßig spendet.
Was ist RFM, und warum reicht es manchmal nicht?
RFM steht für Recency, Frequency, Monetary: Wann war die letzte Spende? Wie oft hat jemand gespendet? Wie viel hat jemand insgesamt gegeben?
RFM ist ein guter Schritt über reine Regel-Selektion hinaus, weil es mehr Informationen einbezieht. Du kannst Kontakte nach einem Score sortieren und nur die obere Hälfte anschreiben.
Die Schwäche: RFM schaut in die Vergangenheit. Es sagt, wer früher aktiv war. Es sagt nichts darüber, wer beim nächsten Mailing mit welchem Betrag reagieren wird. Und es sagt nichts darüber, welchen langfristigen Wert ein Kontakt für deine Organisation hat.
Wer nach RFM optimiert, schreibt oft dieselben sehr aktiven Spender:innen immer wieder an, auch dann, wenn der Grenzertrag des nächsten Briefes schon negativ ist.
Was ändert sich, wenn du nach DLV statt nach Response selektierst?
DLV steht für Donor Lifetime Value, also den vorhergesagten Gesamtbeitrag einer Person über die gesamte Beziehung. Wer nach Response selektiert, sucht, wer auf das aktuelle Mailing reagiert. Wer nach DLV selektiert, sucht, wer über die nächsten Jahre den höchsten Wert liefern wird.
FlyRaising hat diesen Unterschied in zwei Experimenten gemessen:
| Experiment | Vergleich | Ergebnis | Quelle (Abruf 2026-10-09) |
|---|---|---|---|
| EXP 05 | DLV-Selektion vs. Response-Selektion | +9,8 % Ertrag pro Mailing | learn.flyraising.com/experiments/ |
| EXP 09 | Auflage mit KI-Scoring | -29 % Mailing-Auflage ohne Erlösverlust | learn.flyraising.com/experiments/ |
| EXP 16 | DLV statt RFM | +4 % Spendeneinnahmen bei gleicher Reichweite | learn.flyraising.com/experiments/ |
Die Unterschiede klingen klein. Bei einer Organisation mit 10.000 Briefen pro Mailing und einem Jahresbudget von 100.000 Euro sind 4 bis 10 Prozent Effizienzgewinn trotzdem relevante Summen.
Wie sieht ein sinnvoller Testaufbau für eine neue Selektion aus?
Der klassische Weg ist der Kontrollgruppen-Test. Du teilst deine geplante Auflage in zwei Gruppen auf:
- Kontrollgruppe: Deine bisherige Selektion, unverändert. Diese Gruppe zeigt dir, was ohne Änderung passiert.
- Testgruppe: Die neue Selektion, zum Beispiel basierend auf DLV-Score. Gleicher Brieftext, gleiches Versanddatum.
- Auswertung: Du vergleichst Responserate, Ertrag pro Brief und Netto-Ertrag. Mindestgröße pro Gruppe: etwa 500 bis 1.000 Kontakte, damit Zufallsschwankungen das Ergebnis nicht dominieren.
- Wiederholung: Ein Test reicht selten. Erst nach zwei bis drei Mailings mit ähnlichem Ergebnis ist ein Effekt belastbar.
Für eine tiefere Auseinandersetzung mit Scoring und 360-Grad-Profilen findest du hier mehr: Spender-Vorhersage und Next Best Action.
Was musst du nach dem Mailing messen?
Drei Kennzahlen, die zusammen ein vollständiges Bild geben:
- Responserate: Wie viele der angeschriebenen Kontakte haben gespendet? (Anzahl Reaktionen geteilt durch Auflage)
- Ertrag pro Brief: Gesamteinnahmen geteilt durch die Auflage. Diese Zahl zeigt, ob die Selektion besser oder schlechter als die Vergleichsgruppe abgeschnitten hat, auch wenn die Responserate gleich ist.
- Netto-Ertrag: Einnahmen minus Porto, Druck und Produktionskosten. Das ist die Zahl, die zählt.
Wer nur die Responserate schaut, übersieht, dass ein höherer Anteil Reagierender bei kleinerem Durchschnittsbetrag schlechter sein kann als eine niedrigere Rate mit höherem Durchschnittsbetrag.
Langfristig lohnt es sich, auch den DLV der Reagierenden zu verfolgen. Reagierende aus einer DLV-optimierten Selektion geben in den folgenden Monaten oft mehr als Reagierende aus einer reinen Responserate-Selektion. Dazu findest du Details unter Lifetime Value nach Akquisekanal.
Wo liegen die Grenzen der KI-Selektion?
- Datenbasis: Ein Selektionsmodell lernt aus historischen Daten. Wenn Kampagnenhistorie fehlt, Response-Daten unvollständig sind oder Kontakte nicht eindeutig identifizierbar sind, lernt das Modell auf falschen Grundlagen. Schlechte Daten produzieren schlechte Scores.
- Übertragbarkeit: Ein Modell, das für eine Organisation gut funktioniert, passt nicht ohne Weiteres auf eine andere. Spenderstruktur, Thema, Mailing-Häufigkeit und historische Responserate unterscheiden sich stark.
- Keine Ergebnisgarantie: Die hier genannten Experiment-Ergebnisse zeigen, was in konkreten Situationen gemessen wurde. Sie sagen nichts darüber, was in deinem nächsten Mailing passiert.
- Reaktivierung braucht eigene Modelle: Ein Selektionsmodell für aktive Spender:innen funktioniert anders als ein Reaktivierungsmodell für inaktive Kontakte. Die Signale, die auf Reaktivierungspotenzial hindeuten, sind andere.
- Kleine Organisationen: Für Organisationen mit weniger als einigen Tausend Spenden pro Jahr ist die Datenbasis für ein eigenes Modell oft zu dünn. Hier kann Backtest-Auswertung helfen, also die Prüfung, ob ein Modell auf historischen Daten überhaupt belastbare Ergebnisse liefert.
- FlyRaising Experimente EXP 05, EXP 09, EXP 16: learn.flyraising.com/experiments/, Abruf 2026-10-09 (freigegeben durch FlyRaising laut approved_content_DRAFT.md Stand 2026-10-09).
- FlyRaising NGO AI Visibility Report: geo.flyraising.com, Stand 2026-10-08.
Willst du wissen, wie viel Auflage du einsparen könntest?
flyraising.com