.png)
Wie entwickelt und implementiert man als kleines Unternehmen mit begrenzten Ressourcen erfolgreich ein KI-Modell? Genau darum geht es in dieser Geschichte: wie BetterNow den „Fundraiser Coach“ entwickelt und eingeführt hat – ein KI-Modell, das Menschen im Peer-to-Peer-Fundraising dabei unterstützt, das Beste aus ihrer Spendenaktion herauszuholen.
Auf den ersten Blick wirkt es fast wie eine ziemlich verrückte Idee: Als kleines Unternehmen ein KI-Modell entwickeln und implementieren – und gleichzeitig dafür sorgen, dass der laufende Betrieb stabil bleibt, inklusive der Abwicklung von Spenden in Millionenhöhe jeden Monat.
Zum Glück hat sich bei BetterNow noch nie jemand vor einer Herausforderung gedrückt. Im Gegenteil: Unser Aufsichtsratsvorsitzender Kim Tosti war schon lange überzeugt davon, dass BetterNow KI einsetzen sollte, um die Welt großzügiger zu machen. Und seine Meinung hat durchaus Gewicht – nicht zuletzt, weil er auch als Berater bei 2021.ai tätig ist und zuletzt Kurse im Bereich Machine Learning an der Technischen Universität Dänemark besucht hat.
Uns war klar, dass wir über viele Daten verfügen. Die Frage war nur, wo der Einsatz von Machine Learning wirklich sinnvoll wäre. Deshalb haben wir ein exploratives Gespräch mit einigen Data Scientists von 2021.ai geführt. Wir kamen mit ein paar eigenen Ideen – und relativ schnell kristallisierte sich ein klarer Ansatz heraus: KI zu nutzen, um individuelle Empfehlungen für Menschen zu erstellen, die Spenden sammeln, und ihnen so dabei zu helfen, mehr Spenden zu generieren. So entstand die Idee für den Fundraiser Coach.
2021.ai erklärte sich bereit, eine erste Analyse auf Basis eines von uns aufbereiteten Datensatzes durchzuführen. Die Ergebnisse dieser Analyse zeigten uns, dass hier ein durchaus erhebliches Potenzial lag. Wir konnten erkennen, dass bestimmte Variablen einen messbaren Einfluss auf den Erfolg einer Spendenaktion haben. Mit anderen Worten: Der Erfolg einer P2P-Spendenaktion war in unserem Modell nicht zufällig. Die Daten konnten einen Teil dieses Erfolgs erklären.
Wir haben das Projekt „Fundraiser Coach“ genannt, weil es wie ein Coach für jede einzelne Spendenaktion funktionieren sollte – mit Tipps und Empfehlungen auf Basis der individuellen Entwicklung und des jeweiligen Profils.
Dieses Projekt passte perfekt zu uns. Ein zentrales Versprechen unserer Lösung ist, dass Organisationen mit BetterNow erfolgreicher Fundraising betreiben, als wenn sie selbst etwas entwickeln oder eine andere Plattform nutzen. Unsere Mission ist es, die Welt großzügiger zu machen – und dieses Projekt passt genau zu diesem Anspruch.
Aber konnten wir das überhaupt umsetzen? Wir kamen zu dem Schluss, dass wir die internen Ressourcen hatten, um das Projekt zu realisieren – und vielleicht noch wichtiger: es auch wirklich zu verstehen. Matt, CTO von BetterNow, hatte bereits Erfahrung mit Machine-Learning-Algorithmen. Und ich selbst hatte durch mein Studium ausreichend Hintergrund in Ökonometrie, um mit Data Scientists zusammenzuarbeiten.
Was uns fehlte, war Unterstützung bei der Datenanalyse – und Data Scientists arbeiten bekanntlich nicht kostenlos.
Wir hatten zuvor schon einmal darüber nachgedacht, uns um eine Förderung bei Innovation Fund Denmark zu bewerben, hatten aber nie das richtige Projekt. Dieses hier passte jedoch perfekt. Auf Basis der ersten Analyseergebnisse und eines Projektplans stellten wir einen Antrag. Wir ergänzten ihn durch ein Video und konnten einige unserer Kunden gewinnen, die das Potenzial ebenfalls sahen. Am Ende war der Antrag überzeugend genug, um die volle Förderung zu erhalten.
Dieser Prozess hat uns übrigens auch eine ganz neue Wertschätzung für Menschen im Fördermittel-Fundraising gegeben.
Innovation Fund Denmark arbeitet schnell und hat einen sehr klaren Antragsprozess. Nur wenige Monate nach dem ersten Gespräch hatten wir ein Projekt, eine Finanzierung und einen Zeitplan.
Der erste Schritt der Datenanalyse bestand vor allem darin, den Datensatz aufzubereiten und zu verbessern. Dazu gehörte auch sicherzustellen, dass keine personenbezogenen Daten enthalten sind, sowie die Planung, wie das Modell später produktiv eingesetzt werden kann.
Ein weiterer Teil bestand darin, ältere Spendenaktionen manuell in verschiedene Kategorien einzuordnen – nicht jede Arbeit im Bereich Machine Learning ist spannend.
Anschließend wurden zahlreiche Tests auf dem finalen Datensatz durchgeführt und Ausreißer entfernt.
Die Entwicklung des Modells war ein iterativer Prozess. Wir haben kontinuierlich neue Ansätze getestet, mit Variablen gearbeitet und einzelne Effekte analysiert. So haben wir zum Beispiel auch fortgeschrittene Bildanalysen von Profilbildern durchgeführt. Die Ergebnisse waren interessant, wurden aber nicht in das finale Modell übernommen, da die Bildverarbeitung sehr ressourcenintensiv ist – sowohl in Bezug auf Serverleistung als auch Energie. Zudem zeigte sich, dass der Einfluss von Profilbildern auf den Erfolg eher begrenzt ist.
Aus meiner Sicht ist die Datenanalyse der spannendste Teil des gesamten Prozesses. Wir haben unglaublich viele Erkenntnisse darüber gewonnen, wie Menschen unsere Plattform nutzen – sowohl diejenigen, die Spenden sammeln, als auch die Unterstützer.
Wir konnten herausfinden, was besonders gut funktioniert, Muster erkennen, die uns sonst verborgen geblieben wären, und unsere Nutzer deutlich besser verstehen. Nur ein Teil dieser Erkenntnisse ist in das finale Modell eingeflossen – aber der Lernprozess selbst war mindestens genauso wertvoll.
Das ist eine wichtige Erkenntnis für alle, die mit solchen Projekten arbeiten: Ein großer Teil des Mehrwerts entsteht bereits im Prozess selbst.
Die Umsetzung des Modells erforderte viel Vorbereitung und Recherche, da wir mehrere Zielkonflikte berücksichtigen mussten.
Unsere Umsetzung priorisiert Datenschutz, Sicherheit und geringen Energieverbrauch über Geschwindigkeit und einfache Wartung. Das bedeutet: Das Modell arbeitet nicht in Echtzeit und ist etwas aufwendiger zu trainieren. Dafür nutzt es keine personenbezogenen Daten (außer im Rahmen des Trainings) und bleibt ressourcenschonend – was gleichzeitig unsere Hosting-Kosten reduziert.
Da das Modell nicht in Echtzeit arbeitet, konnten wir keine Oberfläche nutzen, bei der sich Empfehlungen während der Nutzung laufend aktualisieren. Stattdessen berechnen wir Empfehlungen in bestimmten Abständen und stellen sie den Nutzern anschließend zur Verfügung.
Dafür nutzen wir zwei zentrale Kontaktpunkte:
1. Bereich „Fundraiser Tools“
Für jede Spendenaktion haben wir einen neuen Bereich eingeführt: „Fundraiser Tools“. Hier zeigen wir die Empfehlungen an, die laut Modell den größten Einfluss auf den Erfolg haben.
Zusätzlich haben wir Funktionen integriert, mit denen sich Unterstützer bedanken lassen, Inhalte teilen lassen und Materialien der Organisation heruntergeladen werden können. So schaffen wir mehrere Anreize, diesen Bereich zu besuchen – und damit auch die Empfehlungen zu sehen.
2. E-Mail-Kommunikation
Zusätzlich versenden wir die Empfehlungen per E-Mail, sobald sie neu berechnet wurden. Das ist besonders wichtig, um auch diejenigen zu erreichen, die sich selten einloggen.
Wir haben das Modell mehrere Monate lang im Hintergrund laufen lassen, ohne die Benutzeroberfläche freizuschalten. In dieser Phase haben wir intensiv getestet und geprüft, ob die Empfehlungen konsistent und sinnvoll sind.
Dabei haben wir einige ungewöhnliche Ergebnisse entdeckt und entsprechende Anpassungen vorgenommen, um sicherzustellen, dass Nutzer keine unverständlichen oder unlogischen Empfehlungen erhalten.
Parallel dazu haben wir sichergestellt, dass das Modell unseren Anforderungen an Datenethik und Datenschutz entspricht (Link zur Data-Ethics-Richtlinie).
Der Launch selbst verlief bewusst zurückhaltend – und genau das war auch das Ziel. Zunächst wurden die Empfehlungen nur im Dashboard angezeigt. Erst später haben wir zusätzlich E-Mail-Benachrichtigungen eingeführt, die stärker in den Alltag der Nutzer eingreifen.
Das Ergebnis entsprach genau unseren Erwartungen.
Jetzt geht es darum, die Ergebnisse zu beobachten. Wir werden analysieren, ob sich der Erfolg von Spendenaktionen nach der Einführung des Modells im Vergleich zu vorher verändert hat.
Dafür benötigen wir eine ausreichend große Datenbasis, weshalb wir voraussichtlich noch einige Monate warten, bevor wir konkrete Ergebnisse veröffentlichen.
Update: Die ersten Ergebnisse liegen bereits vor – wir sehen einen Anstieg von 40 % bei der durchschnittlich gesammelten Spendensumme pro Spendenaktion.
Das erste Re-Training des Modells wird besonders spannend. Dabei fließen viele neue Daten ein – zum Beispiel, wie Nutzer auf Empfehlungen reagieren, welche Maßnahmen sie danach ergreifen, wo sie die Empfehlungen sehen und wie sich das auf den Erfolg ihrer Spendenaktion auswirkt.
Diese Erkenntnisse werden entscheidend dafür sein, das Modell weiter zu verbessern.
%20(1).PNG)