Machine-Learning für die Selektion von Brief-Empfänger:innen
Intelligentere Mailings mit Machine Learning
Schreiben Sie nur die Menschen an, bei denen eine Spende wahrscheinlich ist — weniger Porto und CO₂, mehr Wirkung pro Brief. Wir entwerfen und trainieren ein Modell speziell für Ihre Organisation, das für jede Person in Ihrer Datenbank den erwarteten Spendenertrag prognostiziert.
Ihr Nutzen auf einen Blick
Porto sparen oder Ertrag steigern
Sie legen den Mindestwert fest; jeder Brief muss sich lohnen.
Automatisch lernend
Nach jedem Mailing verfeinert sich das Modell von selbst.
Transparenz statt Blackbox
Nachvollziehbare Regeln & Visualisierungen statt Rätselraten.
Datenschutz first
Open‑Source‑Tools auf verschlüsselten Servern in unserem Büro.
Datengetriebene Auswahl
Entscheidungen aus Ihren Daten, keine groben Heuristiken.
Klimanutzen
Weniger Druck bedeutet weniger Papier und CO₂.
Warum lohnt sich das?
Fundraising‑Briefe bleiben einer der wirksamsten Kanäle im Non‑Profit‑Sektor – gleichzeitig verursachen sie erhebliche Porto‑ und Druckkosten sowie CO₂‑Emissionen. Die Lösung: nur jene Menschen anschreiben, bei denen eine hohe Spendenwahrscheinlichkeit besteht. Viele Organisationen verlassen sich dafür noch auf simple Heuristiken wie „Wer fünf Mailings ignoriert hat …“. Solche Regeln sind zu grob und oft nicht gut belegt; sie verschwenden Potenzial, treiben die Kosten nach oben und sind unflexibel, wenn eine Organisation den ROI ihrer Fundraising-Briefe strategisch steigern will.
Unser Ansatz
Wir entwerfen und trainieren ein Machine‑Learning‑Modell speziell für Ihre Organisation, das für jede Person in Ihrer Datenbank den erwarteten Spendenertrag prognostiziert — auf Grundlage Ihrer bisherigen Fundraising‑Daten. Anschließend legen Sie einen Schwellenwert fest (z. B. das Doppelte der Druck‑ und Portokosten) und versenden Briefe nur noch an Empfänger:innen, die diesen Wert voraussichtlich übertreffen. Nach jedem Mailing wird das Modell an die neuen Daten angepasst und lernt weiter dazu.
1
Daten einspeisen — Spendenhistorie, Postleitzahl, Mitgliedsstatus, Zahlungswege …
2
Modell trainieren — wir entscheiden gemeinsam mit Ihnen, welcher Modelltyp am besten passt, und trainieren es an Ihren Daten.
3
Empfänger:innen auswählen — Schwellenwert festlegen, Liste exportieren, Mailing verschicken.
+6,3 %
mehr Überschuss bei der Briefkampagne einer Auftraggeberin. Das Modell wird laufend neu trainiert und sagt nun gut vorher, wer wie viel spendet — so versendet die Organisation zielgenauer und ertragreicher.
Bereits mit einigen zehntausend versandten Briefen und mehreren tausend Einzelspenden kann ein Modell den erwarteten Spendenertrag je Person vorhersagen.
Mögliche Einwände
Datenschutz?
Für unsere Mailing-Selektionen nutzen wir keine Sprachmodelle („LLM”) auf Konzern-Plattformen wie ChatGPT, sondern Open-Source-Tools, die wir lokal auf vollständig verschlüsselten Rechnern in unserem Büro ausführen.
Blackbox?
Für unsere Auftraggeber:innen ist Transparenz zentral. Deshalb setzen wir auf ein erklärbares Modell (Entscheidungsbaum), das die Auswahl für alle nachvollziehbar macht. Komplexere Verfahren lassen sich ebenfalls erklären, sind aber weniger intuitiv.
Hintergrund: Was ist Machine-Learning?
Machine-Learning ist das Erstellen von statistischen Modellen, die aus historischen Daten lernen, um daraus Vorhersagen oder Entscheidungen für neue, bisher ungesehene Daten zu treffen. Anders als große Sprachmodelle (LLMs), die darauf ausgelegt sind, möglichst plausiblen Text zu generieren und dabei als Blackbox agieren, fokussieren sich klassische Machine-Learning-Verfahren auf strukturierte Merkmale (z. B. Alter, Spendenhistorie, Postleitzahl) und bleiben dadurch meist deutlich schlanker, ressourcenschonender und leichter kontrollierbar. Ein wesentlicher Vorteil liegt in der erklärbaren („explainable”) Natur vieler Verfahren:
- Intrinsische Erklärbarkeit: Modelle, die von Haus aus transparent sind, etwa Entscheidungsbäume – jede Abzweigung zeigt eine konkrete Wenn-Dann-Regel, die Anwender:innen direkt nachvollziehen können.
- Post-hoc-Erklärbarkeit: Komplexere Verfahren wie Random Forests oder Boosting-Algorithmen können durch Techniken wie SHAP-Werte oder LIME ebenfalls interpretiert werden, sind aber weniger intuitiv zu verstehen.
Für die Arbeit mit unserer Auftraggeber:in haben wir bewusst auf einen Entscheidungsbaum gesetzt: Die klaren Verzweigungen machen sichtbar, welche Merkmale (z. B. letzte Spendenhäufigkeit, Summe vergangener Beiträge, Zahlungsweg) zu welcher Auswahl führen, und erhöhen so die Transparenz gegenüber allen Beteiligten.
Wie funktioniert eine solche Selektion per Machine Learning? Im Gegensatz zu einfachen Heuristiken können die entstehenden Modelle komplexe Zusammenhänge zwischen Variablen identifizieren und so die Prognosegenauigkeit verbessern. Selbst sehr datensparsame Organisationen verfügen über genügend Basisinformationen, um ein Modell zu trainieren: Postleitzahl, vergangene Mailings, Datum und Höhe früherer Spenden (nach Zahlungsweg sortiert), Mitgliedsstatus, etc.
Fiktives Beispiel – Trees4Teuto
Die (fiktive) Waldschutz‑NGO Trees4Teuto möchte mit ihrem nächsten Briefmailing möglichst viel Einzelspendensumme erzielen und entscheidet sich für einen einfach verständlichen Entscheidungsbaum.
Wir würden dann eine Schnittstelle für Trees4Teutos Datenbank programmieren, um die Daten der vergangenen Mailings und der möglichen Adressat:innen in unser Softwarepaket zu importieren. Dabei extrahieren wir keine Namen, Adressen, Bankverbindungen etc. (Solche Schnittstellen bestehen derzeit für OpenMove und CiviCRM.)
Aus diesen Daten erstellen wir dann einen Entscheidungsbaum, der zum Beispiel folgende „Blätter” enthalten könnte:
| Blatt | Kriterium | Erwartungswert pro Brief |
|---|---|---|
| 1 | Gesamtspenden > 200 € & Mailings seit letzter Spende > 5 & letzte Zahlung via PayPal | 1,34 € |
| 2 | Gesamtspenden ≤ 200 € & Mailings seit letzter Spende > 5 & letzte Zahlung via PayPal | 0,60 € |
| 3 | Gesamtspenden > 200 € & Mailings seit letzter Spende ≤ 5 & letzte Zahlung via Überweisung | 5,67 € |
(Das ist ein vereinfachtes Beispiel, in der Realität gibt es eher zwei Dutzend Regeln als drei.)
Trees4Teuto legt einen Mindest‑Ertrag von 1,20 € pro Brief fest und wählt deshalb alle Personen aus den Blättern 1 und 3 für den Versand aus. Das reduziert Portokosten, spart Papier und steigert den Nettonutzen des Mailings erheblich.
Artikel im Fundraising-Magazin
Im September 2025 haben wir im Fundraising-Magazin unseren Ansatz dargestellt.
Unter anderem arbeiten wir mit
Neugierig geworden?
Lassen Sie uns reden. Telefon / Signal (& andere Messenger): +49 177 3068911