Dynamische Zielgruppenauswahl – Über den Einsatz des Machine Learnings im Fundraising
Vor der Herausforderung, dass sich immer mehr Organisationen auf immer weniger Spender konzentrieren, wächst die Bedeutung einer individuell auf den Spender abgestimmten Kommunikation. Die Frage, welcher Spender auf welche Kampagne anspricht, lässt sich durch statische Zielgruppenmodelle aber nur schwer beantworten. Es braucht dynamischere und komplexere Modelle. Aus der kommerziellen Werbung ist längst bekannt, dass man für eine gezieltere Werbeansprache auf Methoden des Machine Learnings (kurz ‚ML‘) setzt. Auch im Fundraising lassen sich diese Methoden nutzen.
Die kommerzielle Werbung hat den entscheidenden Vorteil, dass das beworbene Produkt einen bestimmten Gebrauchswert für den Adressaten besitzt, aus dem sich zukünftiges Verhalten ableiten lässt. Sehr anschaulich ist dies am Beispiel von Produkten für Kinder. Ab dem Kauf der ersten Windel ließe sich hier theoretisch auch ohne statistische Modelle ableiten, welche Artikel dem Käufer über Jahre hinweg als Nächstes angeboten werden sollten. Aber natürlich liegen Kaufentscheidungen neben dem objektiven Sachwert noch komplexere Faktoren zugrunde, die sich nicht problemlos identifizieren lassen.
Genauso beruht auch das Spendenverhalten auf unterschiedlichsten Motivationen, die es zu analysieren gilt. Dabei ist es schwer möglich, die persönliche Motivation einer jeden Person zu bestimmen. Doch jede Motivation eines Spenders hinterlässt ein Muster in seinem Verhalten. Genau dieses Muster heißt es zu erkennen, um zukünftiges Verhalten daraus abzuleiten.
Die Methoden des ML, als Teilbereich der künstlichen Intelligenz (KI), dienen dem selbstständigen Entdecken und Lernen von Datenstrukturen und -mustern, die „mit bloßem Auge“ nicht zu erkennen sind. Statische Selektionsmodelle identifizieren Spender nach zuvor festgelegten Merkmalen, wie zum Beispiel bei der klassischen RFM-Selektion, die Spender nach festen Grenzen in ihrer Recency, Häufigkeit und Höhe ihres bisherigen Spendenverhaltens auswählt.
Im Gegensatz dazu werden im ML statt festen Auswahlregeln nur Merkmale zum Spender und seinem bisherigen Verhalten vorgegeben, aus denen sich ein künstliches System die relevanten Auswahlregeln selbst bestimmt. Bei Methoden des sogenannten „überwachten Lernens“ basiert die Suche der Auswahlregeln auf einem Beispielereignis der Vergangenheit, um daraus Vorhersagen auf ein zukünftiges Ereignis abzuleiten. Das künstliche System lernt aus Erfahrungswerten.
Für die Zielgruppenauswahl eines geplanten Spendenmailings bedeutet das zum Beispiel, dass ein Modell zu einem bereits durchgeführten Mailing aufgesetzt wird, das dem geplanten so ähnlich wie möglich ist (in seinen Bestandteilen, seinem Thema und Zeitpunkt, etc.). Es werden für alle Empfänger des damaligen Mailings so viele Informationen wie möglich generiert sowie auch ihre Reaktionen als monetärer Wert erfasst. Durch Einsatz einer passenden ML-Methode wird nun bestimmt, welche Merkmale welchen Einfluss auf die Reaktion hatten und entsprechende Regeln gebildet. Diese Regeln werden im nächsten Schritt auf den kompletten Spenderbestand angewendet, um für jeden Spender einen Vorhersagewert zu seiner Reaktion zu bilden.
Über diesen Vorhersagewert kann man nicht nur die passendsten und profitabelsten Spender für Aktionen auswählen, man erhält auch eine Vorhersage über die zu erwartenden Einnahmen bestimmter Zielgruppen.
Der wichtigste Unterschied zur klassischen statischen Zielgruppenselektion ist, dass man nicht davon ausgeht, die entscheidenden Merkmale eines passenden Spenders zu kennen. Stattdessen lässt man sie anhand vergangener Ereignisse und Verhaltensmustern bestimmen.
Die Modelle sollte man immer wieder neu lernen lassen, da sich Verhaltensmuster ändern oder verfestigen und für dieselbe Maßnahme zu einem anderen Zeitpunkt (zum Beispiel zu Weihnachten) ganz andere Faktoren entscheidend sein können.
Informationen über das Spendenverhalten sind in jeder Datenbank in Form von Buchungen erfasst. Um zu validen Vorhersagen zu kommen, benötigt es aber mehr. Damit ist nicht gemeint, einen „gläsernen Spender“ zu erschaffen, dessen Leben durchleuchtet und gespeichert wird. Grundlegend sind Informationen zu allen stattfindenden Interaktionen zwischen Organisation und Spender. Aktion und Reaktion müssen dabei unbedingt verknüpfbar sein. Je mehr Einzelheiten über die Aktion erfasst sind (z. B. Zeitpunkt, Kanal, Themenkategorie, etc.), desto genauer lassen sich Strukturen erkennen und Vorhersagen treffen.
Mit einer gut gepflegten Datenbasis lassen sich also auch im Fundraising Methoden des Machine Learnings einsetzen, um zu einer dynamischen Zielgruppenauswahl zu gelangen. Der Spender profitiert so von einer auf ihn abgestimmten Kommunikation und die Organisation kann Investitionen besser kalkulieren und durch zielgruppengerechte Aktionen ihre Spendeneinnahmen optimieren.
Lena Kroneis