Machine-Learning für die Selektion von Brief-Empfänger:innen
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 daher Potenzial und treiben die Kosten nach oben. Gleichzeitig sind sie nicht flexibel, wenn eine Organisation sich z.B. strategisch entscheiden will, den ROI bei Fundraising-Briefen steigern zu wollen.
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. Grundlage sind Ihre 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 damit kontinuierlich dazu.
So funktioniert’s in drei Schritten
Daten einspeisen – Spendenhistorie, Postleitzahl, Mitgliedsstatus, Zahlungswege …
Modell trainieren – Wir entscheiden gemeinsam mit Ihnen welcher Modelltyp am besten passt und trainieren das Modell an Ihren Daten.
Empfänger:innen auswählen – Schwellenwert festlegen, Liste exportieren, Mailing verschicken.
Ergebnis aus der Praxis: 6,3 % Mehr Überschuss
Im Dialog mit einer unserer Auftraggeber:innen haben wir ein Machine-Learning-Modell für die Selektion von Brief-Empfänger:innen entwickelt. Inzwischen selektiert die OrganisationMailing-Empfänger:innen mithilfe dies von uns entwickelten Machine-Learning-Modells, das laufend mit aktuellen Daten neu trainiert wird. Die Evaluierungen zeigen, dass unser Modell gut vorhersagt, wer wie viel spendet, so dass die Organisationseitdem zielgenauer und ertragreicher versendet.
Das Beispiel zeigt auch: Bereits mit einigen zehntausend versandten Briefen und mehreren tausend Einzelspenden kann ein Modell den erwarteten Spendenertrag je Person vorhersagen.
Ihr Nutzen auf einen Blick
Porto sparen oder Ertrag steigern – Sie definieren den Mindestwert, der Brief muss sich lohnen.
Automatisch lernend – Nach jedem Mailing verfeinert sich das Modell von selbst.
Transparenz statt Blackbox – Modelltypen wie Entscheidungsbäume oder EBMs liefern nachvollziehbare Regeln & Visualisierungen.
Datenschutz first – Wir arbeiten ausschließlich mit Open‑Source‑Tools und selbstgeschriebener Software auf verschlüsselten Servern bei uns im Büro; Ihre Daten wandern nicht in die Cloud.
Klimanutzen – Weniger Druck bedeutet weniger Papier und CO₂.
Mögliche Einwände
… Datenschutz? – Wir nutzen 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:in ist Transparenz zentral. Deshalb setzen wir auf ein erklärbares Modell (Entscheidungsbaum), das die Auswahl der Empfänger:innen für alle nachvollziehbar macht. Komplexere Verfahren wie Zufallswälder oder Explainable Boosting Machines könnten ebenfalls erklärt werden, sind aber weniger intuitiv zu verstehen.
Unsere Auftraggeber:innen
Bisher arbeiten wir u.a. mit Wikimedia Deutschland und Digitalcourage an Machine-Learning-Ansätzen.
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: Man unterscheidet verschiedene Ebenen der Erklärbarkeit
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 Trees4Teuto’s Datenbank programmieren, um die Daten der vergangenen Mailings und der Daten 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 in diesem Fall 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.
Neugierig geworden?
Dann lassen Sie uns reden:
Telefon signal (& andere Messenger): +49 177 3068911