Nettoertrag steigern mit Hilfe von KI‑Selektionen

Mit KI-gestützten Selektionen analysieren wir eure Daten, um aus der Vergangenheit gute Spendenprognosen für die Zukunft zu erstellen und die besten Zielgruppen für eure Kampagnen zu identifizieren.

Ja, die KI weiss genau, welche Art von Mitgliedschaft vorliegt und berücksichtigt diese Unterscheidung bei der Auswahl der Spender:innen.

Der Output besteht aus einer Liste von Spender:innen, die mit der höchsten Wahrscheinlichkeit auf eine Ansprache reagieren. Diese Daten können einfach in dein bestehendes CRM importiert werden.

Für eine valide Scoring-Analyse empfehlen wir eine aktuelle Selektion von 40.000 – 50.000 Adressen.

Sobald ihr eure Daten bereitgestellt habt, können wir mit der Analyse beginnen. Der gesamte Prozess vom Startprojekt bis zum Output dauert in der Regel nur wenige Wochen.

Ja, unsere KI ist lernfähig. Sie kann die tatsächlichen Reaktionen auf Mailings analysieren und daraus Muster erkennen und die Modelle laufend verbessern.

Wichtig: Die KI startet nicht bei null, sondern greift auf Bestandsdaten zurück. Das heisst: Auch bei einer ersten Selektion nutzt sie vorhandene historische Daten. Mit jeder Kampagne wird sie durch Feedback aus echten Ergebnissen besser.

Ja, aber nicht im Sinne eines statischen Scores. Die KI berechnet bei jeder neuen Selektion den Score neu auf Grund der Merkmale des Mailings (Zeitpunkt, Thema, Emotionalität, Gestaltung, Beilage usw.). Frühere Kampagnenergebnisse fließen dabei in die Optimierung der Modelle ein – aber der Score ist immer dynamisch.

Unsere KI basiert auf analytischen Modellen und nutzt keine generativen Algorithmen. Sie lernt aus den Daten und erstellt Prognosen, die dann mit den tatsächlichen Ergebnissen verglichen werden, um stetig präziser zu werden.

Das RFM-Modell (Recency, Frequency, Monetary) basiert auf drei festen Kriterien: Wann wurde zuletzt gespendet, wie häufig wurde gespendet und in welcher Höhe.

Dieses Modell ist zwar bewährt, bleibt aber regelbasiert und kann keine komplexen Zusammenhänge abbilden.

Unsere KI hingegen bezieht zusätzliche Einflussfaktoren ein: Thema und Emotionalität des Mailings, Merkmale der Spender:innen wie Alter, Lebensphase oder Interessen und historische Reaktionen auf bestimmte Kampagnen.

Grosse Plattformen wie Salesforce entwickeln Lösungen für möglichst viele Branchen – breit, aber weniger tief. Unsere Lösung ist gezielt für gemeinnützige Organisationen entwickelt:

• mit konkretem Fokus auf Use Cases wie Mailing-Selektionen
• trainiert auf anonymisierten Fundraising-Daten aus dem NPO-Umfeld
• mit fundiertem Domänenwissen durch unsere jahrzehntelange Erfahrung in der Branche

Datenschutz ist zentral. Wir halten uns streng an die DSGVO sowie an die Regelungen in der Schweiz. Die Daten werden pseudonymisiert verarbeitet – also ohne Name, Adresse oder andere identifizierende Merkmale. Die KI sieht nur strukturierte Datenpunkte (z. B. Spendenhistorie, Altersspanne, Reaktionen auf Mailings).

Das Ergebnis ist ein Score für die Wahrscheinlichkeit einer Spende (und ggf. die erwartete Höhe). Auf Basis dieses Scores könnt ihr entscheiden, ab wann angeschrieben wird. Dieses Vorgehen ist vergleichbar mit Scoring-Modellen im Bankenbereich.

Ja. Es gibt mehrere Möglichkeiten: ihr könnt Blacklist- oder Whitelist-Regeln hinterlegen, der Schwellenwert, ab dem angeschrieben wird, könnt ihr individuell einstellen. Zudem kann man z. B. bestimmte Zielgruppen unabhängig vom Score immer ein- oder ausschließen.

Nein. Eure Daten bleiben ausschliesslich bei euch. Das KI-Modell ist mandantensicher, d. h. es wird keine Adresse oder Information zwischen Organisationen geteilt. Außerdem hängt der Score stark vom Mailing-Thema ab: derselbe Spendende kann bei einer Umweltkampagne ganz anders reagieren als bei einer Katastrophenhilfeaktion.

Ihr startet wie gewohnt mit der Selektion im SEXTANT oder Kaleido. Optional gebt Ihr bestimmte Regeln oder Einschränkungen mit (z. B. Themen, Ausschlüsse). Die KI liefert eine Exportdatei mit Scores für jeden Datensatz. Ihr entscheidet: Wer wird angeschrieben – abhängig vom Score und eurer Zielsetzung.