KI im Fundraising ist kein Selbstzweck. Es kommt darauf an, die richtige Frage zu stellen. Dieser Artikel zeigt zwei konkrete Anwendungsfelder von Predictive Analytics und erklärt, warum sie sich grundlegend unterscheiden.
Predictive Analytics: Was steckt dahinter?
Predictive Analytics nutzt Machine-Learning-Algorithmen, um aus historischen Daten Muster zu erkennen und zukünftiges Verhalten vorherzusagen. Das klingt abstrakt, ist in der Praxis aber sehr konkret. Die entscheidende Frage ist: Was möchte ich vorhersagen?
Im Fundraising gibt es zwei Anwendungsfelder, die besonders relevant sind und häufig verwechselt oder vermischt werden:
- Wer wird auf das nächste postalische Mailing reagieren?
- Wer hat das Potenzial, in Zukunft deutlich mehr zu spenden?
Beide Fragen klingen ähnlich. Die Daten, die zur Beantwortung nötig sind, und die Konsequenzen für die Praxis sind jedoch grundlegend verschieden.
Anwendungsfeld 1: Vorhersage der Reaktion auf ein postalisches Mailing
Das Problem
Viele Organisationen setzen auf das Gießkannenprinzip: Alle Spender:innen ohne Widerspruch bekommen mehrmals im Jahr ein postalisches Mailing. Das kostet Porto, Druck und Nerven. Die klassische RFM-Segmentierung (Recency, Frequency, Monetary Value) hilft zwar bei der groben Priorisierung, aber sie prognostiziert nicht wirklich. Sie beschreibt die Vergangenheit.
Die konkrete Frage lautet: Wer wird mit welcher Wahrscheinlichkeit auf das nächste Mailing reagieren?
Was ich in der Praxis umgesetzt habe
In einem realen Projekt mit einer Non-Profit-Organisation, das ich auf dem Deutschen Fundraising Kongress 2025 als „KI-Realitätscheck“ vorgestellt habe, haben wir genau diese Frage mit Predictive Analytics beantwortet. Die Daten wurden per SQL aus der Fundraising-Datenbank extrahiert und aufbereitet. Die Modellierung erfolgte mit KNIME Analytics Platform, lokal und DSGVO-konform. Kein Cloud-Upload, keine externen Server.
Pro Spender:in entstanden rund 40 Variablen als Input für das Modell.
Relevante Features für die Mailing-Reaktion
Die entscheidenden Merkmale für diese Frage drehen sich um Reaktionsverhalten und Kanalnutzung:
- Tage seit der letzten Reaktion auf ein Mailing
- Anzahl der Reaktionen in den letzten Monaten
- Kanalaffinität: Reagiert die Person eher auf Post oder auf E-Mail?
- Reaktion auf den Newsletter (Öffnungen, Klicks)
- Teilnahme an Aktionen
- Spendenzeitpunkte und Saisonalität (z. B. Weihnachtsspender)
- Zeitabstand zwischen Mailing-Versand und Reaktion
Ergebnisse
Die Ergebnisse aus dem Praxisprojekt waren messbar:
- Die Versandmenge wurde durch gezielte Selektion fast halbiert
- Die Responsequote hat sich nach 30 Tagen nahezu verdreifacht
- Trotz reduzierter Versandmenge stiegen die Einnahmen im Vergleich zum Vorjahresmailing
Tool-Empfehlung
SQL für die Datenaufbereitung, KNIME für den ML-Workflow. KNIME ist kostenfrei unter knime.com verfügbar, läuft lokal und erfordert keine Programmierkenntnisse. Algorithmen wie Random Forest oder Gradient Boosting (XGBoost) liefern hier sehr gute Ergebnisse.
Anwendungsfeld 2: Identifikation potentieller Großspender
Das Problem
Die meisten Organisationen kennen ihre aktuellen Großspender:innen gut. Was sie nicht kennen: die Spender:innen im mittleren Segment, die das Potenzial für deutlich höhere Zuwendungen mitbringen, es aber noch nicht gezeigt haben.
Eine Spenderin, die seit fünf Jahren zuverlässig 50 Euro im Jahr gibt, erscheint im RFMR-Scoring unauffällig. Was das Modell nicht sieht: Sie besucht regelmäßig Ihre Website, liest jeden Projektbericht und lebt in einem Wohnumfeld mit hohem Kaufkraftindex. Das sind Signale, die auf Großspender-Potenzial hindeuten.
Die konkrete Frage lautet: Wer hat das Potenzial, in Zukunft deutlich mehr zu spenden?
Das Prinzip: Zwillingssuche
Das Modell lernt aus historischen Daten, welche Merkmale Spender:innen gezeigt haben, bevor sie zu Großspender:innen wurden. Diese Muster werden dann auf den gesamten Bestand angewandt. Jede Adresse erhält einen Score für ihr Großspender-Potenzial. Das Ergebnis ist eine priorisierte Liste von Personen, bei denen sich eine persönliche Ansprache lohnt.
Relevante Features für die Großspender-Identifikation
Die entscheidenden Merkmale für diese Frage sind grundlegend andere als bei der Mailing-Reaktion. Hier geht es um Potenzialindikatoren und Entwicklungstrends:
Aus der eigenen Datenbank (per SQL ableitbar):
- Entwicklung der Spendenhöhe über mehrere Jahre (steigt sie?)
- Maximale Einzelspende im gesamten Verlauf
- Herkunftskanal
- Verhältnis von Erst- zur aktuellen Spendenhöhe
- Engagement mit inhaltlich tiefgehenden Formaten (Projektberichte, Jahresberichte)
- Langfristige Bindung an die Organisation (Anzahl der Jahre als aktive:r Spender:in)
Konsequenz für die Praxis
Ein hohes Scoring in diesem Modell bedeutet nicht, dass die Person mehr spendet. Es bedeutet, dass sie das Potenzial dazu hat. Die Konsequenz ist eine persönliche, individuelle Ansprache durch den Fundraising-Verantwortlichen, nicht ein automatisiertes Mailing.
Das ist ein grundlegender Unterschied zum Anwendungsfall 1. Dort geht es um Versandoptimierung im großen Maßstab. Hier geht es um die gezielte Investition in eine persönliche Beziehung.
Tool-Empfehlung
Auch hier: SQL für die Datenaufbereitung und Feature-Ableitung, KNIME für die Modellierung. Wer externe Daten einbinden möchte, braucht einen DSGVO-konformen Anreicherungsanbieter. Der Algorithmus der Wahl ist hier Random Forest, weil er neben dem Score auch eine Feature Importance liefert und damit zeigt, welche Merkmale den größten Einfluss auf das Ergebnis haben.
Fazit
Predictive Analytics im Fundraising funktioniert. Aber es kommt auf die richtige Fragestellung an. Wer die Reaktion auf ein Mailing optimieren möchte, braucht andere Daten und eine andere Strategie als jemand, der verborgenes Großspender-Potenzial heben will.
Mein Rat: Starten Sie mit dem Anwendungsfall, der für Ihre Organisation den größten Hebel hat. Mit SQL und KNIME steht ein kostenfreier, DSGVO-konformer Tech-Stack zur Verfügung. Und das Wichtigste: Einfach anfangen. Die ersten Erkenntnisse kommen schneller, als die meisten erwarten.
Sie möchten wissen, welcher Ansatz für Ihre Organisation sinnvoll ist? Ich unterstütze Sie von der Datenaufbereitung bis zum fertigen Scoring-Modell.