Was ist ein 360-Grad-Spenderprofil? Und was bringt es dir konkret?
Im Alltag landen die Daten einer Person an vielen Orten: im Mailing-Tool, in der Datenbank, in der E-Mail-Plattform, im CRM, im Online-Zahlungssystem. Eine Person, die auf Briefe reagiert, aber nie Online spendet, sieht in jedem dieser Systeme anders aus.
Ein 360-Grad-Profil fasst diese Quellen zusammen. Du siehst alle Touchpoints auf einer Zeitlinie: wann jemand zuletzt gespendet hat, auf welchem Kanal, wie sie auf welche Inhalte reagiert hat, und ob die Verbindung zur Organisation stärker oder schwächer geworden ist.
Das ist keine technische Spielerei. Wenn du eine Telefundraising-Liste ziehst oder ein Mailing selektierst, entscheidest du auf Basis dieser zusammengesetzten Sicht, nicht auf Basis der neuesten Spende allein.
Was ist Predictive Scoring und wie unterscheidet es sich von klassischen RFM-Modellen?
RFM steht für Recency, Frequency, Monetary: Wann wurde zuletzt gespendet, wie oft, wie viel? Dieses Modell schaut in den Rückspiegel. Es sagt dir, wer in der Vergangenheit aktiv war, aber es sagt dir wenig darüber, wer es in Zukunft sein wird.
Predictive Scoring geht einen Schritt weiter. Es lernt aus Reaktionsmustern und berechnet für jede Person einen Wahrscheinlichkeitswert: Wie hoch ist die Chance, dass diese Person auf einen Brief reagiert? Wer ist reif für ein Upgrade? Wer zeigt erste Zeichen von Desinteresse?
In EXP 16 (FlyRaising) schlug das DLV-Modell (Donor Lifetime Value, also der vorausberechnete Wert einer Person) das klassische Response-Modell: +4 Prozent Spendeneinnahmen bei gleicher Reichweite. Und in EXP 05 brachte die Selektion nach DLV statt nach Response-Wahrscheinlichkeit +9,8 Prozent Ertrag pro Mail. Quelle: learn.flyraising.com/experiments, Abruf 2026-10-09.
Was bedeutet Next Best Action (NBA) im Fundraising?
Next Best Action (NBA) kombiniert den Score einer Person mit dem, was gerade an Aktionen verfügbar ist. Das Ergebnis ist eine Empfehlung: Welche Person bekommt was, wann und über welchen Kanal?
Typische Anwendungen im Fundraising:
- Telefundraising-Liste: Wer hat den höchsten Upgrade-Score und soll diese Woche angerufen werden?
- Mailing: Wer reagiert wahrscheinlich auf Brief, und wer kannst du aus der Auflage herausnehmen?
- Retention: Wer zeigt Abwanderungs-Signale und braucht jetzt eine Reaktivierungsmaßnahme?
- Upgrade: Wer war in den letzten sechs Monaten besonders aktiv und ist bereit für eine höhere Dauerspende?
NBA ist kein fertiger Button. Es ist das Prinzip, die richtige Aktion zur richtigen Zeit zur richtigen Person zu steuern, datenbasiert statt nach Bauchgefühl.
Wie funktioniert ein Engagement Score und wie nutzt du ihn für die Selektion?
Ein Engagement Score fasst mehrere Verhaltenssignale zu einem einzigen Wert zusammen. Typische Signale:
- Spendenhäufigkeit und Spendenhöhe in den letzten Monaten
- E-Mail-Öffnungen und Klicks
- Reaktionen auf WhatsApp oder andere Kanäle
- Zeit seit dem letzten Kontakt
Der Score ist dynamisch: Er ändert sich, wenn sich das Verhalten ändert. Das ist der Unterschied zu statischen Segmenten wie "Spender seit 2019".
Du kannst den Score nutzen, um deine Selektion zu schärfen. Statt einer starren Auflage selektierst du die Personen mit dem höchsten Engagement, priorisierst Reaktivierung für die mit sinkendem Score, und sparst Auflage bei denen, die gerade kaum reagieren.
In EXP 09 gelang es, die Mailing-Auflage um 29 Prozent zu senken, ohne Erlösverlust. Besser selegierte Auflage, nicht weniger Spenden. Quelle: learn.flyraising.com/experiments, Abruf 2026-10-09.
Kann KI vorhersagen, wer als Dauerspender:in kündigen wird?
Das ist das Ziel der Abwanderungs-Frühwarnung. Die Idee: Muster, die auf eine bevorstehende Kündigung hindeuten, sind im Verhalten oft schon Monate vorher sichtbar, lange bevor jemand explizit kündigt.
FlyRaising testet das in EXP 18 (läuft). Die Hypothese: 3 bis 6 Monate Vorwarnzeit vor der Abwanderung. Das Experiment läuft noch; Zwischenstand und Ergebnisse auf learn.flyraising.com/experiments.
Was du mit dieser Vorwarnzeit machst, bleibt deine Entscheidung: Ein persönliches Dankeschön, ein Anruf, eine gezielte Kampagne? Das Modell gibt dir den Hinweis, die Aktion liegt bei dir.
Die 9 KI-Audiences: Welche gibt es und wozu dienen sie?
Aus den dokumentierten FlyRaising-Experimenten sind neun fertige KI-Audiences entstanden. Jede Audience identifiziert eine bestimmte Gruppe nach Verhalten und Potenzial.
| KI-Audience | Was sie beschreibt | Typischer Einsatz |
|---|---|---|
| Upgrade | Personen mit hoher Spendenbindung und Potenzial zur Dauerspende-Erhöhung | Telefundraising-Liste, Mailing |
| Digital-Only | Personen, die ausschliesslich online reagieren, nicht auf Brief | Brief-Auflage reduzieren, Online-Strecke aktivieren |
| Halo-Effect | Personen, die auf Brief-Kampagnen reagieren und danach online spenden | Kanalübergreifende Attribution, Auflage halten |
| Print-Fatigue | Personen, die nicht mehr auf Brief reagieren | Mailing-Auflage senken, Kanal wechseln |
| Digital Super-Donor Seed | Personen mit Potenzial als Online-Grosspender:innen | Gezielte digitale Strecke, höherer Spendenbetrag |
| Brief-würdige Kontakte | Personen, die wahrscheinlich auf Brief reagieren werden | Selektion für Mailing-Kampagnen |
| Reaktivierung | Ehemalige Spender:innen mit Rückkehr-Potenzial | Reaktivierungs-Mailing, gezielter Anruf |
| Zweitspende | Neuspender:innen, die wahrscheinlich eine zweite Spende leisten | Zweitspende-Strecke nach Neuspender:in-Akquise |
| Abwanderungs-Frühwarnung | Dauerspender:innen mit Abwanderungs-Signalen | Retention-Aktionen, bevor jemand kündigt |
Quelle: learn.flyraising.com/experiments, Abruf 2026-10-09.
In welchen Schritten kommt man von Rohdaten zu einem nutzbaren Predictive Score?
- Daten zusammenführen: Alle relevanten Quellen an einem Ort: Spendentransaktionen, Kampagnenreaktionen, Kanal-Daten, CRM-Einträge.
- Datenpunkte bereinigen: Duplikate entfernen, fehlende Werte bearbeiten, einheitliche Formate herstellen. Schmutzige Daten produzieren schlechte Scores.
- Historische Muster analysieren: Welche Verhaltensmerkmale hatten Personen, die später abgewandert sind? Welche hatten Upgrade-Potenzial? Das Modell lernt aus diesen Mustern.
- Modell trainieren und validieren: Das Modell wird auf einem Teil der historischen Daten trainiert und auf einem anderen Teil getestet. Schlägt es besser als ein einfaches Vergleichsmodell?
- Score auf aktuelle Datenbank anwenden: Jede Person in der Datenbank bekommt einen Score. Die Liste lässt sich jetzt nach Score sortieren und selektieren.
- Ergebnis messen: Wie hat die Score-basierte Selektion im Vergleich zur alten Methode abgeschnitten? Response, Ertrag, Auflage. Ohne Messung kein Lernen.
Wo die Grenzen liegen
Predictive Analytics im Fundraising funktioniert, wenn die Rahmenbedingungen stimmen. Wenn sie nicht stimmen, produziert das Modell Zahlen, die gut aussehen, aber wenig bedeuten.
- Datenmenge: Für verlässliche Scores braucht ein Modell ausreichend historische Daten. Kleine Organisationen mit wenigen Transaktionen haben es schwerer. Zu wenig Daten bedeutet, dass das Modell überanpasst und bei neuen Personen versagt.
- Datenqualität: Falsch erfasste Spenden, fehlende Kanal-Daten, Duplikate in der Datenbank verzerren die Scores direkt. Garbage in, garbage out gilt hier besonders.
- Attribution bei Online-Kanälen: Wenn jemand auf einen Brief reagiert und danach online spendet, wo liegt die Ursache? Meta und andere Plattformen melden Conversions nach eigener Logik, die nicht immer mit der Realität übereinstimmt. Attribution bleibt ein ungelöstes Problem, auch mit KI.
- Modell-Drift: Ein Modell, das vor zwei Jahren trainiert wurde, kennt das Verhalten der letzten zwei Jahre nicht. Spenderverhalten ändert sich. Modelle brauchen regelmässige Überprüfung.
- Kein Ersatz für Gespräche: Scoring sagt dir, wen du als Nächstes ansprechen sollst. Warum jemand nicht mehr spendet, erfährst du durch ein Gespräch, nicht durch ein Modell.
Häufige Fragen
Was ist ein 360-Grad-Spenderprofil?
Ein 360-Grad-Spenderprofil fasst alle Interaktionen einer Person zusammen: Mailings, Online-Spenden, E-Mail-Öffnungen, WhatsApp-Reaktionen, Telefonate und weitere Touchpoints. Das Ergebnis ist ein einheitliches Bild, das du für Selektion, Priorisierung und Kommunikation nutzen kannst, statt jede Datenquelle separat zu pflegen.
Was bedeutet Predictive Scoring im Fundraising?
Predictive Scoring berechnet für jeden Kontakt einen Wahrscheinlichkeitswert: Wie hoch ist die Chance, dass diese Person in den nächsten 90 Tagen abwandert? Oder: Wer ist reif für ein Upgrade? Das Modell lernt aus historischen Reaktionen und gewichtet Signale, die statische RFM-Regeln nicht erfassen.
Was ist Next Best Action (NBA) und wofür nutze ich es?
Next Best Action kombiniert den Score einer Person mit verfügbaren Kanälen und Inhalten und empfiehlt: Ruf diese Person jetzt an, schick ihr einen Brief, oder lass sie diese Kampagne aussetzen. Im Fundraising nutzt du es für Telefundraising-Listen, Mailing-Upgrade-Zielgruppen oder Abwanderungsschutz-Aktionen.
Kann KI vorhersagen, welche Dauerspender:innen als Nächstes kündigen?
Das ist das Ziel von EXP 18 (Abwanderungs-Frühwarnung, läuft). Die Hypothese: 3 bis 6 Monate Vorwarnzeit vor der Abwanderung. Das Experiment läuft noch; Ergebnisse auf learn.flyraising.com/experiments/. Ein Frühwarnsystem gibt dir Zeit zum Handeln, es ersetzt aber nicht die Entscheidung, was du mit dem Hinweis machst.
Wie funktioniert ein Engagement Score für die Selektion?
Ein Engagement Score fasst mehrere Verhaltenssignale zu einem einzigen Wert zusammen: Spendenhäufigkeit, E-Mail-Öffnungen, Reaktionen auf verschiedene Kanäle, Zeit seit dem letzten Kontakt. Du kannst den Score nutzen, um Kontakte nach Priorität zu sortieren und schwache Signale frühzeitig zu erkennen.
Kann ich eine Telefundraising-Liste mit KI selektieren?
Ja. Statt alle Dauerspender:innen anzurufen, priorisierst du die Personen, bei denen die Wahrscheinlichkeit für ein Upgrade oder eine Reaktivierung am höchsten ist. Die Auflage sinkt, der ROI pro Anruf steigt. In EXP 09 gelang es, die Mailing-Auflage um 29 Prozent zu senken, ohne Erlösverlust, durch bessere Selektion (Quelle: learn.flyraising.com/experiments).
Wo liegen die Grenzen von Predictive Analytics im Fundraising?
Predictive Scoring funktioniert nur so gut wie die Datenbasis darunter. Kleine Datenbanken produzieren unsichere Modelle. Fehlende oder falsch erfasste Daten verzerren die Scores. Und Scoring ersetzt kein Gespräch: Ein Modell sagt dir, wen du als Nächstes anrufen solltest, aber was du sagst, bleibt deine Aufgabe.
Willst du wissen, wie viel Potenzial bei euch drin ist?
Zu FlyRaising →Quellen
- learn.flyraising.com/experiments, Abruf 2026-10-09 (EXP 05, 09, 16, 18 und 9 fertige KI-Audiences)
- geo.flyraising.com, Abruf 2026-10-08 (NGO AI Visibility Benchmark)
Zuletzt aktualisiert: 19. November 2026