Das Standard-Problem
Viele Organisationen schreiben bei Reaktivierungsmailings alle inaktiven Kontakte an — unabhängig davon ob die Person jemals zurückkommt. Ergebnis: hohe Kosten, niedrige Response, frustrierte Teams.
Die Annahme dahinter: "Mehr anschreiben = mehr Rückkehrer." Die Daten sagen etwas anderes.
Der Ansatz
Drei Segmente statt eine Masse:
1
Reaktivierbar · hoher DLV — Brief lohnt sich. Diese Gruppe bekommt das klassische Reaktivierungsmailing. Priorisiert.
2
Reaktivierbar · niedriger DLV — Brief zu teuer. Stattdessen: kostengünstige digitale E-Mail-Sequenz. Gleiche Chance, anderer Kanal.
3
Nicht reaktivierbar — Supprimieren. Keine Ausgaben für Kontakte die statistisch nicht zurückkommen.
A/B-Test-Setup: Gruppe 1 = KI-Selektion. Gruppe 2 = bisherige Methode. Gruppe 3 = Schnittmenge (beide). Alle drei parallel versenden, Response separat tracken.
Ehrliche Grenzen
Einschränkung
Das Modell ist nur so gut wie die Spendenhistorie
Wenig Daten = weniger Präzision. Ab etwa 3 historischen Mailing-Wellen mit auswertbaren Response-Daten liefert das Modell aussagekräftige Ergebnisse. Ohne diese Basis arbeitet es mit breiteren Konfidenzintervallen.
Einschränkung
Einige Organisationen überschreiben die Empfehlung
In der Praxis fügen ~80% der Organisationen manuell "vertraute Segmente" hinzu. Diese zeigen in Vergleichsanalysen konsistent ROI < 1. Der Kontrollverlust fühlt sich falsch an — aber die Daten zeigen: die KI hatte recht.