2024–2025 Abgeschlossen ✓

Personalisierte Spendenvorschläge:
+13% Ertrag — durch den richtigen Betrag.

Ausgangshypothese
Wenn jede Person einen individuell berechneten Spendenbetrag sieht statt eines Einheitsbetrags, steigen Response und durchschnittliche Spendenhöhe gleichzeitig.
Die Zahlen (Balance-Variante)
+6,5%
Response-Uplift
+3,4%
Ø-Spende höher
+13,3%
Ertrag/Mail
1:1
Personalisiert
Wie es funktioniert
01
Daten sammeln — Spendenhistorie, Engagement Score, DLV pro Kontakt. Je mehr Datenhistorie, desto präziser das Modell.
02
Modell trainieren — KI lernt aus historischen Spendenhöhen und Response-Mustern welcher Betrag für welchen Profil-Typ funktioniert.
03
Betrag berechnen — Für jeden Kontakt individuell: nicht der Durchschnitt, sondern der optimal prognostizierte Betrag.
04
A/B-Test — KI-Betrag vs. statischer Einheitsbetrag. Response, Ø-Spende und Ertrag separat tracken.
Drei Kalibrierungs-Varianten
Response-Fokus
+15,5%
Response
-10,8% Ø-Spende +3,6% Ertrag
Balance ★
+13,3%
Ertrag/Mail
+6,5% Response +3,4% Ø-Spende
Ertrag-Fokus
+9,8%
Ertrag/Mail
-7,7% Response +17,9% Ø-Spende
Das ehrliche Gegenteil
Fehlschlag 2024
In einem Experiment: alle Modelle schlechter als statisch
Ein separates Experiment 2024 zeigte das genaue Gegenteil: alle vier getesteten KI-Modelle für personalisierte Spendenvorschläge schnitten schlechter ab als ein einfacher statischer Durchschnittsbetrag. Grund: zu wenig Datenhistorie und inkonsistente Zahlungswege-Mappings. Das vollständige Fehlschlag-Experiment ist separat dokumentiert: → Experiment: Alle Modelle schlechter als statisch
Was wir gelernt haben
01

Balance-Kalibrierung liefert die konsistentesten Ergebnisse

Weder zu hoch noch zu niedrig. Der Betrag der historischen Durchschnitt leicht anpasst zeigt am stabilsten positive Ergebnisse auf beiden Dimensionen.

02

Datenmenge entscheidet ob es funktioniert

Mit wenig Datenhistorie schlägt ein einfacher statischer Betrag die KI. Mit ausreichend Daten dreht sich das. Die Grenze liegt bei ca. 3+ Mailing-Wellen mit Tracking.

03

Tracking muss sauber sein bevor man anfängt

Inkonsistente Zahlungswege-Mappings haben in einem Experiment alle Modelle zerstört. Datenqualität vor Modell-Komplexität — immer.

04

Kleine Änderung, große Wirkung

+13,3% Ertrag durch Betrag-Personalisierung ist einer der größten Hebel bei gleichem Mailing-Aufwand. Das Aufwand/Nutzen-Verhältnis ist sehr gut.

Dieses Experiment hat uns weitergebracht. Welches Problem willst du als nächstes lösen?

Gespräch buchen → Alle Experimente