Machine-Learning für die Selektion von Brief-Empfänger:innen
Intelligentere Mailings mit Machine Learning
Bewerten Sie Ihre Spender:innenliste, bevor Sie drucken. Wir trainieren ein Modell auf Basis Ihrer früheren Mailings und Spenden — so versenden Sie weniger, gezieltere Briefe und sparen Porto, Papier und CO₂, geleitet von einer klaren Rangfolge.
Ihr Nutzen auf einen Blick
Die Anzahl der Briefe optimieren
Schreiben Sie die Menschen an, bei denen es sich am ehesten lohnt — nicht standardmäßig alle. Das heißt weniger Porto, Papier und CO₂ — und mehr Überschuss für Ihre Arbeit.
Ansprache gezielt anpassen
Jede:r Empfänger:in bekommt eine klare Bewertung. Nutzen Sie die Rangfolge, um Prioritätsgruppen zu bilden, Briefe anzupassen und Spendenbitten dort zu variieren, wo es zählt.
Jede Empfehlung prüfen
Sie sehen, warum jemand höher oder niedriger steht, wo das Modell sicher ist und wo weiterhin Ihr Urteil entscheiden sollte.
Verstehen, welche Signale zählen
Sehen Sie, welche Muster in Ihren Daten für stärkere Erträge sorgen — Wissen, das über die einzelne Kampagne hinaus bleibt.
Warum lohnt sich das?
Fundraising-Briefe funktionieren weiterhin — aber sie an alle zu drucken und zu versenden ist teuer, finanziell und ökologisch. Ein Modell hilft, die Anzahl der Briefe für jede Kampagne zu optimieren, indem es potenzielle Empfänger:innen für genau dieses Mailing bewertet.
Diese Bewertung ist mehr als eine einfache Ja/Nein-Liste. Sie können Prioritätsgruppen bilden und die Rangfolge nutzen, um Botschaft, Format oder Spendenbitte anzupassen. Das Modell ersetzt nicht Ihr Fundraising-Urteil; es gibt Ihnen eine klarere Grundlage dafür.
Unser Ansatz
Wir verbinden uns mit Ihren Fundraising-Daten, werten frühere Mailings und Spenden aus und erstellen eine bewertete Empfänger:innenliste für die nächste Kampagne. Sie behalten die Kontrolle über Versandmenge, Segmentierung und Export. Nach dem Mailing fließen die Ergebnisse zurück, sodass Modell und Strategie mit der Zeit besser werden.
1
Daten anbinden — Spendenhistorie, frühere Mailings, Reaktionsdaten und die Felder, mit denen Sie ohnehin arbeiten.
2
Empfänger:innen bewerten — das Modell sortiert jede potenzielle Empfängerin und jeden potenziellen Empfänger für genau dieses Mailing.
3
Prüfen und segmentieren — Gründe ansehen, Versandmenge wählen und die Gruppen exportieren, die Sie unterschiedlich ansprechen wollen.
4
Versenden und lernen — Mailing durchführen, Ergebnisse einspielen und sehen, welche Signale am wichtigsten waren.
+6,3 %
mehr Überschuss bei der Briefkampagne einer Auftraggeberin. Das Modell wird laufend neu trainiert, sodass die Organisation zielgenauer und ertragreicher versendet.
Sehen Sie, was ein Modell bei Ihrer nächsten Kampagne sparen könnte
Wir prüfen mit Ihnen, ob Ihre Mailing-Daten bereit sind, was wir brauchen würden und wo sich voraussichtlich sparen lässt.
Mögliche Einwände
Datenschutz?
Für Mailing-Selektionen gehen Ihre Unterstützer:innen-Daten weder an ChatGPT noch an AWS oder andere Big-Tech-Clouds. Wir nutzen Open-Source-Tools auf verschlüsselten Rechnern in unserem eigenen Büro.
Blackbox?
Sie bekommen mehr als eine Namensliste. Wir zeigen, warum Menschen höher oder niedriger stehen, welche Felder die Bewertung anheben und wo das Modell unsicher ist — damit Ihr Team prüfen und daraus lernen kann.
Systeme, die wir bereits angebunden haben
Diese Fundraising- und Kommunikationssysteme haben wir bereits für NGO-Arbeit angebunden. Wenn Ihre Daten an anderer Stelle liegen, können wir in der Regel auch dafür einen gezielten Connector bauen. Importiert werden nur die Felder, die für die Analyse nötig sind — keine Namen, Adressen oder Bankdaten, sofern nicht ausdrücklich vereinbart.
Artikel im Fundraising-Magazin
Im September 2025 haben wir im Fundraising-Magazin unseren Ansatz dargestellt.
Unter anderem arbeiten wir mit
