Predictive Analytics – aus Daten Prognosen machen und das Fundraising steigern!

vor 7 Stunden
7 Min. Lesezeit

Von Sabine Wagner

Sabine Wagner ist Strategieberaterin für Fundraising mit besonderem Schwerpunkt auf Online-Fundraising. Nach einer erfolgreichen Karriere in leitenden Funktionen bei Organisationen wie UNICEF Deutschland, dem Kindermissionswerk „Die Sternsinger“ und AZ fundraising services, sowie zuletzt als Chief Digital Officer und Mitglied der Geschäftsleitung der Qmart AG (Zürich), hat sie sich Anfang 2025 mit wagner-fundraising.com selbstständig gemacht.

Foto: privat

Wer im Fundraising selektiert, entscheidet über Wirtschaftlichkeit: Welche Adressen lohnen sich – und welche fressen Budget, ohne sich zu amortisieren?Zwischen diesen beiden Polen bewegt sich die tägliche Praxis in den NPOs.

Viele Organisationen lösen das bis heute mit einem bewährten Klassiker: RFMR. Das ist nachvollziehbar, schnell und „funktioniert irgendwie“. Nur leider beantwortet RFMR vor allem nur die eine Frage: Was ist in der Vergangenheit passiert? Doch in einer Zeit steigender Druck- und Portokosten, stagnierender Budgets und älter werdender Spenderbestände reicht der Blick in die Vergangenheit allein nicht mehr aus.

Predictive Analytics (Predictive AI) geht einen Schritt weiter: als innovatives Data-Mining-Instrument nutzt es alle vorhandenen Daten, um zukünftiges Verhalten belastbar vorherzusagen also die – Wiederspendewahrscheinlichkeit,wahrscheinliche Spendenhöhe und damit welche Adressen den besten ROI versprechen.

Und genau darum geht’s: aus Daten Prognosen machen – und aus Prognosen bessere Selektionen.

RFMR – bewährt, verständlich, aber rückwärtsgewandt

RFMR (Recency, Frequency, Monetary Value) ist im Kern eine lineare Segmentierungslogik. Das Modell bewertet Spender:innen danach:

Recency: Wie lange ist die letzte Spende her?
Frequency: Wie oft wurde gespendet?
Monetary: Wie hoch war das Spendenvolumen?

Das Verfahren hat klare Stärken. Es ist leicht erklärbar, technisch unkompliziert und schafft Transparenz in der Segmentierung. Gerade für kleinere Organisationen oder als Einstieg in strukturierte Selektion ist RFMR ein solides Werkzeug.

Doch die Schwäche liegt in seiner Logik: RFMR beschreibt die Vergangenheit. Es ordnet ein, es klassifiziert – aber es prognostiziert nicht.

Komplexe Zusammenhänge, etwa zwischen Spendenanlass, Kanal, Zeitpunkt und individueller Entwicklung über mehrere Jahre hinweg, bleiben unberücksichtigt. Verhalten ist jedoch selten linear. Menschen verändern sich. Lebenssituationen ändern sich. Spendenmuster verschieben sich.

RFMR beantwortet die Frage: Wer war bislang gut?Predictive Analytics beantwortet die Frage: Wer wird mit hoher Wahrscheinlichkeit wieder spenden – und in welcher Höhe?

Zusammenfassend und im Überblick gesagt:

Was RFMR gut kann:

Es ist einfach zu erklären (auch ohne Data-Team).
Es ist schnell umsetzbar (Excel/SQL reicht oft).
Es ist transparent und hat hohe Akzeptanz im Fachbereich.
Es eignet sich gut für erste Priorisierungen und kleinere Datenmengen.

Was RFMR nicht gut kann:

Es liefert keine echte Prognose (sondern ein „Rückspiegel-Score“).
Es ignoriert häufig komplexe Muster und Wechselwirkungen (z. B. Kanal + Anlass + Zeitverlauf).
Es arbeitet mit starren Segmentgrenzen („ab Score X ist gut“) – Verhalten ist aber dynamisch.
Personalisierung bleibt begrenzt.

Predictive Analytics vs. RFMR: Vorteile und Nachteile

Predictive ist für NPOs so attraktiv, weil das Modell echte Vorhersagen iefert (Wahrscheinlichkeiten, Höhe) und mehr Daten nutzt und kombiniert als RFMR: Transaktionen plus Demografie, Kanäle, Anreicherungen (z. B. Bildung), Spendenanlässe etc.

Predictive analytics erkennt nicht-lineare Muster: z. B. „spendet der Spender X kleine Beträge online im Dezember, aber zuverlässig“ oder „Spenderin X reagiert immer nach Versand der Spendenquittung“.

Es ist ein dynamischer: Modell und kann regelmäßig neu trainiert werden, da sich das Spendenverhalten ändert.

Das Modell liefert oft höhere Kampagnen-ROIs, weil Streuverluste sinken.

Die Kehrseite (die man ehrlich benennen muss):

Höherer Aufwand (Kosten, Zeit, Datenaufbereitung, Modellpflege).
Datenqualität und -volumen sind entscheidend: schlechte Daten → schlechte Prognosen.
Erklärbarkeit: Fachbereiche haben schnell „Black-Box“-Sorge (muss man aktiv adressieren).
Risiko bei unsachgemäßem Training oder fehlender laufender Kontrolle.

RFMR bleibt sinnvoll, wenn, die Datenmengen klein sind, eine schnelle, transparente Segmentierung gebraucht wird oder die Ressourcen für predictive analystics fehlen.

Predictive ist sinnvoll, wenn viele Adressen und lange Historien vorliegen (Adressen >= 200.000), die Effizienz im Mailinggeschäft deutlich sinkt und der Druck nach mehr Wirtschaftlichkeit steigt sowie wenn du reaktivieren willst und wirklich wissen musst: Wer lohnt sich?

RFMR ordnet ein mit Vergangenheitsperspektive. Predictive Analytics sagt voraus mit validen Prognosen.

Die Basis der Präzision: Datenanreicherung als Treibstoff für das Modell

Predictive Analytics – häufig auch als Predictive AI bezeichnet – nutzt statistische Modelle und Machine-Learning-Verfahren, um zukünftiges Verhalten vorherzusagen. Ein Predictive-Analytics-Modell ist nur so gut wie die Informationen, mit denen es gefüttert wird. Während klassische Methoden oft nur auf internen Transaktionsdaten basieren, entfaltet Predictive AI die volle Kraft durch eine gezielte Datenanreicherung. Neben der reinen Spendenhistorie (Erst- und Letztspende, Kanalnutzung, Zahlungsmethoden etc.) fließen statische Stammdaten wie Geschlecht und Alter, aber auch externe Merkmale – etwa zum Bildungsstand oder soziographische Informationen – in die Analyse ein. In der Praxis bedeutet das: Das Modell verknüpft die interne „Spender-Biografie“ mit externen Kontextfaktoren. Erst durch diese Kombination aus transaktionalen Daten (was wurde wann gespendet?) und angereicherten Attributen (wer ist die Person hinter der Spende?) entstehen Cluster mit extrem hoher Prognosegüte. Die Datenanreicherung ist somit kein optionales Extra, sondern das Fundament, auf dem das neuronale Netz lernt, komplexe Verhaltensmuster überhaupt erst zu identifizieren.

Es berechnet somit aus Vergangenheits- und Zusatzdaten Wahrscheinlichkeiten und Erwartungswerte für zukünftiges Spendenverhalten.Das Modell berechnet für jede einzelne Adresse eine Wiederspendewahrscheinlichkeit und kombiniert diese mit einer prognostizierten Spendenhöhe.

Der zentrale Hebel ist der Erwartungswert = Wiederspendenwahrscheinlichkeit x prognostizierte Spendenhöhe

Damit entsteht eine wirtschaftlich fundierte Entscheidungsgrundlage. Selektiert werden nicht mehr „gute“ oder „weniger gute“ Segmente, sondern die Adressen mit dem höchsten erwarteten Spendenbeitrag bei denen die zu erwartende Spende die Kosten/ Mailing mindestens amortisiert – idealerweise deutlich übersteigt. Der Kunde definiert dann den richtigen „Cut-off“.

Das verändert die Perspektive im Fundraising grundlegend: Weg von pauschaler Priorisierung, hin zu präziser Prognose!

Wie das Modell „denkt“ – verständlich erklärt

Hinter Predictive Analytics stehen keine Zaubertricks, sondern mathematische Modelle. Predictive analytics arbeitet mit Deep-Learning-Methoden, insbesondere mit sogenannten CNN- und LSTM-Netzen, ergänzt durch Embedding-Verfahren.

Das klingt technisch – lässt sich aber gut erklären:

Ein CNN – ein Convolutional Neural Network – ist wie ein Detektiv mit einer sehr guten Lupe: Es scannt die Spendenhistorie und findet auffällige und feinste Muster in den Daten. Zum Beispiel, dass eine Person regelmäßig auf bestimmte Kampagnentypen reagiert oder auffällig häufig zum Jahresende spendet. CNN ist stark darin, Muster zu erkennen – auch wenn sie nicht offensichtlich sind.

Ein LSTM-Netz (Long Short-Term Memory) ist das Gedächtnis des Modells mit großem Zeitgefühl. Es analysiert die Reihenfolge der Ereignisse und arbeitet wie ein Chronist, der nicht nur weiß was passiert ist, sondern auch wann und in welcher Reihenfolge. Es erkennt, ob Spenden über die Jahre steigen oder sinken, ob auf eine längere Pause typischerweise eine kleinere Wiederspende folgt oder ob sich bestimmte Rhythmen wiederholen. LSTM ist gut darin, zeitliche Verläufe zu verstehen – und genau das ist im Fundraising Gold wert.

Embedding ist die große „Spenden-Landkarte“ im Kopf des Modells auf der alle Spendeninformationen sinnvoll angeordnet werden. Es werden alle Spenden „einsortiert“, damit Ähnliches nah beieinander liegt. Art der Spende, Kategorie, Kanal, Betragshöhe und Zeitpunkt werden so sortiert, dass Spendende mit ähnlichen Mustern nahe beieinanderliegen.

Das Modell lernt selbst, welche Spenden „zusammengehören“. Der Witz daran: Das Modell entscheidet selbst, was „ähnlich“ ist.Wenn viele Menschen im Dezember online kleine Beträge spenden, dann liegen diese Muster auf der Karte dicht beieinander. Es ist wie: „Ah, diese Spenden gehören zur gleichen Familie.“

Deep Learning kombiniert diese Ebenen und ist wie ein „mehrstöckiger Denker oder wie ein Gehirn mit mehreren Denk-Etagen. Es betrachtet Muster, zeitliche Entwicklungen und zusätzliche Merkmale gemeinsam und leitet daraus eine Prognose ab.

Vereinfacht gesagt: Das Modell schaut sich die gesamte Spendenhistorie an (CNN), versteht und erzählt deren Geschichte (LSTM) und sortiert zusammen was zusammengehört (Embedding) – und kann deshalb relativ zuverlässig einschätzen, was als Nächstes passieren könnte (Deep Learning  Prognose).

Der Weg zum Modell – strukturiert statt spontan

Predictive Analytics entsteht nicht über Nacht. Ein realistischer Projektzeitraum liegt bei fünf bis sechs Monaten.

Zunächst werden Datenschutz und Datenqualität geprüft. Danach folgt die Abstimmung der Datenstrukturen, die externe Anreicherung der Spenderdaten sowie eine umfassende Spenderstrukturanalyse. Anschließend werden Prognosemodelle für Spendenwahrscheinlichkeit und Spendenhöhe entwickelt und anhand historischer Mailings simuliert.

Erst wenn diese Simulation überzeugt, wird das Modell operativ eingesetzt. Die Erfolgskontrolle der erreichten Zahlen versus der prognostizierten Werte durch predictive erfolgt dann ca. 2-3 Monate nach Mailing-Start.

Predictive Analytics ist damit kein einmaliges Projekt, sondern ein lernendes System, das regelmäßig überprüft und angepasst werden muss.

Wichtig: Predictive ist nicht „einmal bauen und vergessen“, sondern die jährliche Modellpflege ist Teil des Deals.

Fakten, die man im Fundraising spürt

Durch den Einsatz von predictive analytics sind beispielsweise beim Einsatz in der Reaktivierung inaktiver Spender:innen und dem Ziel mit predictive analytics jene Adressen zu identifizieren, bei denen die höchste Wahrscheinlichkeit einer erfolgreichen Wiederspende besteht, erfahrungsgemäß folgende Benchmarkwerte zu erreichen:

Plus 20-25 % mehr Einnahmen im Vergleich zu den Vorjahren
ROIs, die deutlich über denen von Neuspendergewinnungmailings liegen

Und besonders wichtig für die Glaubwürdigkeit von Predictive:In allen mir bekannten Erfolgskontrollen zeigt sich, dass der Spendeneingang stark mit der Prognose korreliert, das Scoring also signifikante Werte liefern kann.

Predictive Analytics funktioniert nicht nur theoretisch – sondern praktisch messbar.

Effizienzhebel durch datenbasierte Entscheidungen

Ein besonders aufschlussreicher Nebeneffekt von Predictive Analytics ist die Fähigkeit, bestehende Annahmen über die Rentabilität bestimmter Zielgruppen objektiv zu prüfen. Ein markantes Beispiel aus der Praxis ist die Bewertung der ältesten Spendergenerationen. Durch die präzise Analyse der Lebenszyklen wurde sichtbar, dass Spender:innen, die vor 1935 geboren wurden, in der Reaktivierung nicht mehr rentabel sind. Während man früher auch diese Segmente weiter bespielt hätte, liefert Predictive Analytics hier das notwendige Korrektiv. Diese Erkenntnisse schärfen die Effektivität des Fundraisings massiv: Wir verzichten ganz bewusst auf unrentable Kontakte, um die freiwerdenden Mittel dort einzusetzen, wo sie echtes Wachstum und eine höhere Wirkung erzielen.

Dennoch ist dies ein oft sehr emotionaler Punkt: Soll man diese älteren Spender:innen wirklich ausschließen?

Solche Entscheidungen sind emotional nicht leicht – wirtschaftlich jedoch notwendig. Predictive Analytics liefert hierfür eine objektive Grundlage. Damit Budget dort wirkt, wo es Spenden wirklich ermöglicht.

Wer hier sicher gehen will keinen Spendenden auszulassen, kann gerne einmal im Jahr die eigentlich unrentablen Adressen dennoch anschreiben (Weihnachtsmailing z.B.), aber eben nicht mehr so oft.

Fazit: Von der Vergangenheit in die Zukunft – predictive ai macht das Fundraising zukunftssicher

Im Fundraising wird uns ein erhöhter wirtschaftlicher Druck nicht erspart bleiben: Steigende Kosten, verändertes Spendenverhalten und ein alternder Spenderstamm verlangen präzisere Steuerung.

Predictive Analytics ermöglicht genau das: aus Daten Prognosen abzuleiten, Wiederspendewahrscheinlichkeiten und Erwartungswerte zu berechnen und somit Selektionen wirtschaftlich zu optimieren.

Die zentrale Frage lautet daher nicht mehr, ob Daten genutzt werden sollten – sondern wie intelligent.

RFMR oder Predictive – eine Entweder-oder-Frage?Nicht zwingend. RFMR bleibt ein wertvolles Instrument für schnelle Segmentierung und als transparente Basisstruktur.

Predictive Analytics entfaltet seinen vollen Mehrwert dort, wo größere Datenbestände, relevante Mailingkosten und ein klarer Effizienzanspruch vorhanden sind.

Wer wissen will, wer gestern gespendet hat, bleibt bei RFMR.Wer wissen möchte, wer morgen mit hoher Wahrscheinlichkeit wieder spendet, kommt an modernen Scoringmodellen wie Predictive Analytics kaum vorbei.

Bei inhaltlichen Fragen zu Digitalisierung im Nonprofit-Sektor erreichen Sie Sabine Wagner unter sabine@wagner-fundraising.com.

Sabine Wagner

Strategieberaterin für Fundraising und Online-Fundraising