Fundraising Radio

Transcript

Begrüßung und Vorstellung Thomas Jahnke

Andreas Berg:
[0:12] Herzlich willkommen an alle draußen an den Empfangsgeräten. Hier ist das Fundrasingradio Folge 121. Mein Name ist Andreas Berg, und in der heutigen Folge wollen wir uns mit der Wissenspyramide beschäftigen und unser Gast heute ist Thomas Janke. Hallo Thomas.

Thomas Jahnke:
[0:30] Hallo Andreas, freut mich, dass ich dabei sein darf.

Andreas Berg:
[0:33] Hatte ich bei der Vorstellung quasi äh gerade schon äh die erste Herausforderung, weil normalerweise sage ich bei der Vorstellung immer.
Unser Gast heute ist Thomas Janke von und sage dann äh wo du arbeitest, aber das äh da war ich äh gerade nicht ganz sicher, was ich sagen soll.

Thomas Jahnke:
[0:52] Na ja, bis Ende des Jahres bin ich auf jeden Fall noch bei SOS-Kinderdorf beschäftigt äh momentan in meinem siebten Jahr,
nicht zu verwechseln mit den SOS-Kinderdörfern weltweit. Also das SOS-Kinderdorf EV. Ähm ich werde aber ähm die Organisation verlassen,
und ab dem ersten, genau genommen der erste Arbeitstag, ist der dritte Erste, werde ich beim WWF anfangen.

Andreas Berg:
[1:19] Ja, wunderbar, also du stehst zum neuen Jahr quasi äh vor einer neuen Herausforderung.

Thomas Jahnke:
[1:26] Ja genau, also so richtig zwischen den Jahren diesmal im wahrsten Sinne.

Andreas Berg:
[1:31] Ja spannend, äh herzlichen Glückwunsch, das das klingt ja gut und äh was wirst du da machen auch Analysebereich oder ähm.

Thomas Jahnke:
[1:41] Ja, es nennt sich äh CRM Specialist. Das heißt, ähm es geht erst mal viel auch da drum, wobei,
mittelfristig ähm schon auch der Bereich Analyse, Reporting da ein ganz wichtiges sein wird. Also wir werden sehen. Ich bin da auch wirklich gespannt wie's beim WWF aussieht,
und ich glaube, da erwarten mich interessante Themen.

Andreas Berg:
[2:08] Ja, wunderbar. Also da bin ich sicher. Ähm wir wir drücken die Daumen und wünschen alles Gute.
Bei SOS-Kinderdorf, da äh warst du aber quasi im Analyseteam. Ähm und ja, hast das glaube ich so ein bisschen mit aufgebaut dort oder ist das zu viel.

Thomas Jahnke:
[2:27] Genau. Also Analyseteam ist gut. Es war lange Zeit war das so ein Ein-Mann-Team.
Ich habe da im Jahr 2tausend0fünfzehn angefangen,
und ähm die Idee dahinter war, dass man den Bereich oder die Themen Zentralisiert und da eine Ansprechperson hat, eine eine zentrale Ansprechstelle.
Für den für den ganzen Bereich äh Analytiks, Reporting, Datenanalyse,
und so ist es dann immer größer geworden und zuletzt äh waren wir oder sind momentan ja noch ein Dreimann-Team, ich und zwei Kolleginnen,
Ich habe das jetzt so geleitet eigentlich mehr oder weniger und noch eine Spezialistin eingestellt für den Bereich Reporting und noch eine zweite Spezialistin eingestellt für den Bereich Detail Science Machine Learning.
So ist das Thema immer größer geworden und immer spannender auch.

Andreas Berg:
[3:28] Okay, wunderbar. Ja, das das ähm habe ich jetzt schon von ein paar Organisationen gehört, dass die die Data Analyseteams äh oder Datenanalyseteams so,
quasi erweitert und aufgebaut und und mehr und mehr spezialisiert werden,

Thema Wissenspyramide

[3:44] Wir haben uns ja als Thema heute vielleicht das das äh passt ja ganz gut, weil du hast es ja so ein bisschen aufgebaut. Jetzt hast du schon äh äh also ein paar Schritte genannt ähm,
ja so auch Stichworte sind äh oder sein können für unser eigentliches Thema heute, äh nämlich die Wissenspyramide.
Ähm und jetzt müssen wir vielleicht grade ein, zwei Stichworte sagen, was die Wissenspyramide ist. Ähm.
Ich mal so an und sage, dass die Wissenspyramide vier Stufen hat ähm und wir gehen die dann so ein bisschen durch.
Die erste Stufe ist Daten. Wenn man so will, die Grundlage von allem, wenn man über Analysen äh spricht.
Ähm die zweite Stufe ist äh die Stufe der Informationen. Also da geht's erst mal nur darum, was ist geschehen.
Die dritte Stufe ist Wissen, da geht's schon tiefer. Warum ist es geschehen? Und die vierte Stufe ist dann können. Die die Frage beantwortet, was werden wir tun.

Thomas Jahnke:
[4:52] Und ganz wichtig, wenn ich da schon einhaken darf, die oberen Stufen können ohne die unteren nicht existieren,
Also ganz wichtig ist eigentlich da von unten nach oben zu gehen,
da das Nacheinander abzuarbeiten sozusagen und erstmal die die Daten müssen passen im ersten Schritt,
Datenquellenanbindung, Datenqualität,
Wenn das alles in einem guten Zustand ist, kann ich äh darauf weiter aufbauen und das Thema Informationen angehen und hier ist ähm Report, Dashboards ähm Aktions äh Statistiken sind da zu nennen.
Dass es funktioniert, aber nur, wenn wenn die Daten auch wirklich sauber sind, wenn es sonst ähm kann man da eigentlich wenig mit anfangen,
Wenn man das erreicht hat, dann kann man da wieder noch weiter drauf aufbauen und mit dem Thema Machine Learning, Prognosen dann weiter nach oben gehen in der Pyramide sozusagen.

Andreas Berg:
[5:53] Gilt ja wieder dieses äh äh dieses uralte Zitat äh man soll nicht rennen bevor man gehen kann. Oder so ja okay wunderbar.

Thomas Jahnke:
[6:03] Wenn ihr auch gern immer so bass wird, was wird's um sich geworfen und das Thema Machine Learning und Data Science ist jetzt grad ganz ganz hip und jeder will da was machen.
Es ist aber wirklich wichtig, ähm den richtigen Mehrwert bekommt man, wenn man die die anderen Stufen vorher abgearbeitet hat und ein richtiges Reporting aufgesetzt hat.
Das ist eigentlich mehr wert ähm bevor man also bevor man wirklich mit Maschinen oder nix startet, sollte das einfach.

Andreas Berg:
[6:34] Da kommt man gleich nochmal drauf zurück, wenn wir vielleicht so an den Übergängen von den Stufen sind, weil äh so ein bisschen der Spoiler, wir wir werden sehen, so ein bisschen äh überschneiden äh tut sich das äh schon auch immer zwischen den Stufen.
Aber.
Eine Stufe, die die mir immer besonders am Herzen liegt, weil äh ist direkt die Erste, also die Stufe äh Daten.
Ganz einfach deswegen, du hast es grad schon gesagt, es ist die Grundlage, es ist eigentlich diese auch wieder sehr altes äh äh altes Zitat oder altes altes äh alter Merkspruch.
Es ist keine Figur der Sesamstraße sondern ist eine Abkürzung die steht für Garbage in Garbage out.
Frei übersetzt, Müll rein, Müll raus äh und und bedeutet letztendlich, wenn die.
Die Daten nicht in Ordnung sind, dann ist alles, was man mit äh diesen Daten macht. Ähm wird dann letztendlich auch nicht in Ordnung sein.
Also nicht nicht möglich eine äh wertvolle oder eine wirklich gute Analyse mit schlechten Daten zu machen. Das ist ähm.

Thomas Jahnke:
[7:52] Genau richtig. Das kann ich voll und ganz unterstützen und unterstreichen. Schon viele schlechte Daten in meinem Berufsleben gesehen.

Andreas Berg:
[8:00] Ja äh das äh das ist wahr äh und ähm.
Einige, wie soll man sagen, äh Fälle von Datenarchäologie auch, also wo man dann wirklich reingehen muss und gucken muss, was kann man denn hier jetzt retten.
Wenn man nicht beim Retten ist, ne, also äh wie ist das denn in der Praxis? Also jetzt zum Beispiel wie habt ihr das bei bei SOS-Kinderdorf gemacht? Wie kommt man denn, also so eine Datenqualität? Man stimmt ja nicht mit dem Finger oder,
irgendwie ein neues Datenbanksystem ein und äh dann passt das schon, sondern da gehören ja vielleicht auch auch Schritte zu. Also wie wie kann man das erreichen? Wie kann man das,
man das aufbauen.

Thomas Jahnke:
[8:43] Also ich würde da sogar noch bisschen ausholen, nämlich bevor ich bei SOS Kinderdorf angefangen habe, war ich äh jahrelang auch in der Privatwirtschaft tätig. Da in der Telekommunikationsbranche vor allem.

[8:57] Und äh das ähm ähnelt sich auch sehr. Die Schritte, die zu gehen sind, äh das ist jetzt nicht nichts äh in GO-spezifisches, sondern das sind auch Standardschritte natürlich in der Privatwirtschaft und die ich da alle mal durchgegangen bin.
Das war ein gutes ähm gute Vorlage, gutes Role-Model für auch SOS-Kinderdorf.
Man fängt eigentlich immer zuerst damit an sich mal anzuschauen, welche Systeme habe ich denn im Haus, welche Daten erfassen denn Systeme?
Meistens ist es ja ein CAM-System, es können aber auch noch andere Systeme vorhanden sein.
Und dann ist es so, hm baue nie was auf Produktivsystem.
Sondern der erste Schritt war eigentlich immer, dass man Daten exportiert in in eine Art Analysesystem, nenne ich's mal,
und da eigentlich dann was aufbaut. Die Gefahr ist, wenn ich auf dem Produktivsystem was mache.
Und äh dann irgendwelche Auswertungen ewig lang laufen, dass das ähm negativ das Produktivsystem beeinflusst,
Und ähm das mögen die ITler zum Beispiel gar nicht. Das ist also eben halt zu umgehen als.

Andreas Berg:
[10:18] Und die und die Anwender noch weniger. Also wenn jetzt der Spender.

Thomas Jahnke:
[10:21] Die Anwender noch weniger, genau, also.

Andreas Berg:
[10:24] Man man blockiert mit einer Selektion äh im Dezember äh für eine Stunde die Datenbank dann ähm kann man sich was anhören, ja. Verständlicherweise.

Thomas Jahnke:
[10:35] Das ist wirklich die erste Regel. Entwickel nix, nichts auf dem Produktivsystem. Das heißt, man braucht als erstes eine Datenbank.
Meistens eine relationale Datenbank heißt es, also weil es da auf dem Markt gibt, ähm Microsoft, der ist QA-Server, Original oder andere,
Und da versuche ich meine Daten reinzuspielen. Das ist so so der erste Schritt. Das mache ich dann einmalig.
Schaue mir die Daten auch an, analysiere dir, guck in welchem Format sind die vorhanden,
Der zweite Schritt ist, ich will das ja nicht manuell jedes Mal selbst einspielen müssen, sondern auch eine Automatisierung soll da geschaffen werden.
Täglich dann in diesen SQL-Server oder was was auch immer ist ähm in diese Datenbank, in diese SQL-Datenbank geschrieben wird,
ist so der der nächste Schritt.

[11:34] Hier ist es oftmals so, die Daten, die im CAM-System die haben meistens so eine eigene Form, die auch erstmal komplex auszuwerten sind,
gern wird er auch mit nichts sagenden Namen gearbeitet. Ähm hier ist so eine Transformation auch entscheidend, äh dass man dass man ähm,
Daten auch umwandelt, sprechen der Namen gibt. Das ist so der der nächste Schritt dann eigentlich, der darauf folgt.

Andreas Berg:
[12:07] Der Grund ist natürlich, dass das Fundraising-System oder CAM-System,
den kurzen Schlinker über den den Begriff, also CRM-System ist ist äh ja ein eine eine eine Software, die äh,
Beziehungen und Kommunikationen ausgerichtet ist. In der Szene sagt man meist Fundraising-System, weil Fundraising-System ist ein CRM, das meist noch eine Nebenbuchhaltungsfunktionalität hat.
Klammer zu. Da ist alles von den Daten natürlich so sortiert, wie es für diesen Zweck gebraucht wird. Heißt aber,
Im Umkehrschluss ist es eben nicht so sortiert und aufbereitet, wie man's für Analyse braucht und deswegen eben die die Analysedatenbank.

Thomas Jahnke:
[12:50] Genau richtig. Also es kommt auch oftmals vor, dass man dann äh äh zwei-, 3hundert Tabellen hat,
Das ist ja für die Analyse und für das Reporting dann wirklich nicht sehr geeignet, wenn man jedes Mal da schauen muss, okay welche Tabellen muss ich jetzt da verbinden von diesen 300 Tabellen, das ist zu aufwendig,
Das heißt, man versucht so einen so eine Verbindung schon auch vorher zu schaffen. Welche Daten sind die wichtigsten? Wie kann ich das anders darstellen?
Hier gibt es auch verschiedene Datenmodelle, in die man das dann speichert oder in die man transformiert.
Die einfach viel geeigneter sind für für die Analysen, die dann später kommen. Genau, das ist zum Beispiel ein äh Sternschema es da zu nennen.
Heißt hm es gibt äh sag bitte Bescheid, wenn's jetzt zu weit geht.

Andreas Berg:
[13:46] Nein, nein, nein, nein, nein.

Thomas Jahnke:
[13:47] Es gibt Fakten und Dimensionen.
Und ich habe zum Beispiel äh meine Zahlungen das ist so die die große Faktentabelle, da sind ja auch die die Kennzahlen, die mit denen ich später rechnen möchte,
wie viel Spenden kamen rein, was ist die Spendensumme? Und dann gibt's ganz viel Dimensionen drumherum, also von welcher Person kam diese Spende? Hm welches Produkt, welches Spendenprodukt,
Hatte die Person oder die von welchem Spendenprodukt kam die Zahlung rein? Das sind alles so Dimensionen, die dann die man draußen drum herum baut um die Zahlung, um die Faktentabelle,
Das nennt sich dann ein Sternschema, weil's aussieht wie so ein Stern und das ist zum Beispiel ein ganz beliebtes Analyse-Datenmodell.

Andreas Berg:
[14:38] Was zum Beispiel auch heißen kann, dass man äh bestimmte Sachen, die man häufig braucht, bestimmte Kennzahlen zum Beispiel, die sich,
aus den Zahlungen ergeben, nehmen wir das mal als Beispiel. Also man braucht ja dann vielleicht die Spendensumme häufiger. Man braucht äh den Zeitpunkt der letzten Spende. Man braucht vielleicht das Thema, auf das jemand äh gespendet hat in irgendeinem Zusammenhang häufig,
ähnliche Sachen dass man die in diesem Datenmodell schon quasi äh so bereit stellt, dass man einfach drauf zugreifen kann,
man nicht jedes Mal äh die Zahlung wieder komplett äh durchgehen muss, um herauszufinden, wie hoch die Spendensumme ist.

Thomas Jahnke:
[15:23] Genau. Was ich aber nicht gemacht hatte in der Vergangenheit war,
Kennzahlen schon zu aggregieren, sondern ich habe immer, also wenn wenn wir eine Million Zahlungen haben aus dem Fundraising-System nehmen können,
hatte ich auch eine Million Zahlung in dem Analysesystem. Ich habe das nicht schon,
nach Jahren, Monaten oder was auch immer hoch aggregiert, weil ich möchte ja schon auch flexibel sein als Analyst und vielleicht mal das eine mit dem anderen verbinden und mir verschiedene Zeitpunkte anschauen.
Also deswegen keine Aggregation, aber schon auch eine Erleichterung in der Darstellung und auch äh berechnete Felder,
man da schon mit aufnehmen hm ja das ist so.

Andreas Berg:
[16:08] Im Grunde,
da gibt's jetzt auch nicht äh irgendwie so ein Rundum-Sortlos-Paket. Wo man sagen kann, okay, hier haben wir ein Musterdatenmodell ähm wenn ihr euch jetzt ähm so eine Analysedatenbank aufbauen wollt, dann nehmt ihr das und alles ist gut.
Sondern das richtet sich ja auch ein bisschen danach, was man anschließend damit machen will. Und so wie du jetzt sagst, ich,
möchte möglichst die Freiheit haben, viel zu kombinieren und für die Analyse, die ich gerade mache, dann die Zeiträume auch so abzugrenzen, wie ich sie,
dann brauche oder vielleicht auch mal immer andere Zeiträume zu nehmen, auszuprobieren,
funktioniert in einer bestimmten Analyse ein Halbjahresbetrachtung oder eine Dreimonatsbetrachtung besser als die klassische Jahresbetrachtung.
Das ist ja so ein Grundansatz, den du dann hast, ne. Nachdem du das Datenmodell auch aufgebaut hast. Man kann natürlich auch sagen,
speziell für ein Reporting-Modell. Äh wo man stark in die Jahresbetrachtung reingeht, macht man das eben doch und sagt, okay, wir bereiten die Jahressummen vor,
Damit der Zugriff nachher auch schneller erfolgen kann. Das ist so ein bisschen die Fragen, die man sich dann da stellen muss, ne.

Thomas Jahnke:
[17:26] Mhm. Ja klar, mit allen Vor- und Nachteilen natürlich, die es dann gibt.

Andreas Berg:
[17:30] Genau, also äh allein über diesen Punkt könnten wir glaube ich locker zwei oder drei Podcast-Folgen machen, aber ich.

Thomas Jahnke:
[17:37] Ich denke auch.

Andreas Berg:
[17:38] Kann mir auch vorstellen, dass ähm,
nicht alle Zuhörer jetzt unbedingt da äh dran interessiert wären wir jetzt technisch zu tief reingehen. Aber wie kann denn an der Stelle auch Datenqualität gesichert werden? Also ähm du hast ja eben gesagt okay äh,
so ein so ein gewisses Schema, also die das extrahieren aus dem CRM, also die die Daten da rausholen.
Ähm transformieren auf das neue System. Äh das ist etwas, was man nicht jedes Mal ähm ja von Hand neu macht, sondern was quasi auch so hinterlegt ist, dass es dann automatisiert ablaufen kann.
Gibt's da dann auch schon Datenchecks oder machst du die Datenchecks zu einem späteren Zeitpunkt um festzustellen, wie die Datenqualität ist und,
das für die Analysen oder Report zunächst mal auch äh die du planst ähm nutzbar ist oder wie wie gehst du da vor.

Thomas Jahnke:
[18:37] Also man kann nie genug Datenchecks machen. Das musste ich einfach durchziehen. Das ist von Anfang an, wenn ich das erste Mal dann die Daten in das Analysesystem reinlade, dann schaue ich mir das wirklich umfassend an,
aber auch,
Wenn wir soweit sind und das eingestellt haben, dass Daten jeden Tag transformiert werden, jeden Tag geladen werden in diese Datenbank,
Sollte ich mir auch so schon mal jetzt schauen wir schon mal rüber in die in die nächste Ebene, aber noch nicht ganz. Dann sollte man sich auch so was wie einen Report da entwickeln der einfach jeden Tag einem zeigt,
Wie viel Daten wurden jetzt reingeladen in die Datenbank? Und wenn an dem einen Tag jetzt,
dreihundert Daten, dreihunderttausend Daten reingeladen wurden und am nächsten Tag dann äh nur noch fünfzigtausend Daten, äh dass man sofort sieht und auch hinterfragen kann, macht das denn Sinn? Habe ich hier ein Problem, funktioniert das alles noch.
Das ist so so ein ganz wichtig, immer so ein so ein Monitoring, so ein Beobachten ob sich da was verändert und ob das alles passt.
Neben dem äh Garbage Inn Garbage Out Prinzip, was der schon genannt hat, das ist äh das finde ich ein ganz wichtiges, also diese ständige,
Qualitätskontrolle der Daten. Das muss einfach gewährleistet sein.

Andreas Berg:
[20:00] Daten und auch der Übernahme, ne? Also.
Hat es Analyse äh oder die die Übernahme kann ja auch irgendwas an den Daten tatsächlich beschädigen, weil ähm oder nicht berücksichtigen.
Weil sich im CRM irgendwas geändert hat, was man nicht mitbekommen hat und meinetwegen neue Werte gibt.

Thomas Jahnke:
[20:20] Genau, die Daten können sich geändert haben.
Der Server funktioniert auf der einen Seite nicht mehr richtig oder was auch immer. Also es gibt so viele mögliche Fehlerquellen, die man einfach immer im Blick haben sollte.
Das jetzt auch nicht. Auch hier wieder wichtig, so wenig manuelle Arbeit wie möglich.
Es ist wirklich sinnvoll sich einmal so ein Report dann einzurichten der einem dann Informationen gibt hm auf dieser Ebene, wie viel Daten wurden geladen, wie sehen die Daten aus? Gibt's irgendwelche Besonderheiten.

Stufe Der Information

Andreas Berg:
[20:57] Das ist jetzt sagen wir so die die Grundlage ne also die die Stufe der Daten. Also wir hatten ja haben wir das zum Anfang gesagt. Also jede Stufe beantwortet äh äh eine spezifische Frage.
Oder mehrere spezifische Fragen. Äh die Stufe der Daten äh beantwortete die Frage, ist es geschehen.
Und ähm wenn wir jetzt mit Datenbanken arbeiten äh ist es ja gleichbedeutend mit der Frage, wurde es gemessen.
Das ist etwas, was man sich auch immer klar machen muss, was in der Datenbank nicht drin ist, ist aus Sicht der Analyse nicht geschehen.
Genau, also muss man auch auf seine Datenlücken achten. Dann gucken wir vielleicht mal in die nächste Stufe.
Das ist die Stufe der Information und bei Daten haben wir ja gesagt, die Frage ist es geschehen und bei Informationen ist jetzt die Frage, was ist geschehen?
Was wären denn für diese Stufe so ja ich sage mal typische Beispiele, also was was gehört auf diese Stufe.

Thomas Jahnke:
[22:00] Hier ist ganz oft ganz wichtig, ähm welches Handwerkszeug verwenden wir. Bei den Daten hatten wir gesagt, man braucht so was wie eine Datenbank, eine Analyse, Datenbank,
die ganzen Daten gespeichert werden, es geht um die Frage, ist das geschehen? Wurde es gemessen? Hm, das muss da hinterlegt sein. In der Stufe Informationen,
um die Frage zu beantworten, was ist geschehen? Brauchen wir auch wieder eine Art von Tool, ein Business Intelligence Tool wird hier oftmals genannt oder Reporting Tool.
Um einfach überprüfen zu können, was ist da passiert. Beispiel, das sind so die ersten Reports, die man eigentlich immer entwickelt, sind Aktions oder Kampagnen, Statistiken.

[22:52] Also im im Fundraising gerne das gute alte Mailing. Ich schicke was raus, was war die Auflage hm wie ist die Reaktionsquote?
Wie viel Spenden werden darauf gebucht? Was ist die Durchschnittsspende?
Was ist der womöglich noch? Das sind so immer die die ersten Reports, die ich nicht nur im Fundraising, sondern auch in der Privatwirtschaft eingerichtet hatte.
Und dafür ist einfach es ist hilfreich ein gutes Tool zu haben, ja? Man kann das könnte theoretisch das auch mit Excel machen oder mit äh Software, die man dieses äh Open Source gibt.
Kostenfrei zu besorgen gibt, aber hier gibt es auch viele gute Tools jetzt auf dem Markt.

[23:42] Die man sich anschauen sollte und da kommen wir eigentlich auch zur nächsten Frage,
wie schaffe ich jetzt das richtige Tool, die richtige BI Software Business Intelligence Software für mich zu finden. Das ist dann womit man sich dann in dieser Stufe eigentlich als erstes beschäftigen sollte,
Und meistens wenn man sich dann für ein Reporting-Tool entschieden hat, dann dann bleibt es eigentlich auch äh viele Jahre dann in der NGO,
Das heißt, man sollte diesen Schritt wirklich äh bedacht vollziehen und sich da große Gedanken machen bei der Auswahl von von der BI-Software, die einfach für die Organisation am besten geeignet ist.

Andreas Berg:
[24:24] Nicht jeder wird schon mit einem VIT-Tool gearbeitet haben. Was sind denn so die die Grundfunktionalitäten oder was ähm unterscheidet das jetzt vielleicht auch von den Standardreports, die ich in meiner Software schon drin habe.

Bi-Tools und Analyse

Thomas Jahnke:
[24:39] Das fängt damit an, dass man sehr schnell und flexibel.
Verschiedene Daten verbinden kann und ähm also ein Fundraiser kommt zu einem und hat immer,
ja hat eine Idee dahinter, was er gerne sehen würde, welche Analyse, welches hm welchen Report er gerne ähm hätte. Und da hilft eigentlich eine gute VI Software,
So flexibel gestaltet, so flexibel und selbstverständlich und einfach zu bedienen, dass man das ähm relativ gut bewältigen kann und relativ schnell eigentlich einen Report generieren kann. Das ist so mal das Erste.
Von Reports. Dann ist aber auch ganz wichtig, diese Report möchte ich dann nicht,
runterladen oder bei mir auf dem Computer entwickeln und dann per E-Mail verschicken, sondern es sollte so was wie eine Plattform geben.
Dass der Anwender oder der Auftraggeber dann selbstständig auch seinen Report sich da anschauen kann,
und man nicht jetzt äh tagtäglich den ja ihnen zukommen lassen muss.
Dieser Report sollte außerdem Tages-, möglichst tagesaktuell sein. Das heißt, die Daten kommen eigentlich, werden die jeden Tag aktualisiert.

[26:08] Und dargestellt. Das sollte auch automatisch vonstatten gehen.
Zusätzliche Funktionalitäten würde ich jetzt mal nicht unter Grundfunktionalitäten zusammenfassen. Sind denn noch so was wie einstellen von automatischen Benachrichtigungen?
Dass man einstellt, dass ich jede Woche jetzt diesen Bericht auch per E-Mail geschickt bekommen haben möchte.
Oder irgendwelche Warnbenachrichtigungen, wenn irgendeine eine Schwelle erreicht wird, dass dann eine E-Mail rausgeht. So was gibt's noch. Will ich jetzt aber nicht unter die unter den Grundfunktionalitäten sehen, sondern sind eher zusätzliche Dinge, die interessant sind,
die schon auch gern angenommen werden von Benutzern. Aber am wichtigsten ist wirklich relativ äh gute Bedienung, leichte Entwicklung.
Und dann eine Bereitstellung mit der der Anwender dann auch zufrieden ist,
möglichst auch in in visueller Form, nicht nur nicht nur Tabellen, sondern da auch einen Schritt weitergehen.

Andreas Berg:
[27:15] Von äh von den Inhalten her kann das äh glaube ich sehr breit gefächert sein, also ähm angefangen von einer Aktionsstatistik. Gut, die man vielleicht im System,
also im System schon drin hat, aber,
bei der man jetzt vielleicht auch als Anwender selber, also wo man dann, sagen wir mal, dich als Spezialisten nicht mehr für braucht,
noch bestimmte Filterungen vornehmen kann, also eine Aktionsstatistik. Meinetwegen ähm nur für ein bestimmtes Bundesland angucken oder oder ähnliche Sachen,
Ähm so was ist ja auch typisch für BIs oder.

Thomas Jahnke:
[27:53] Das ist total typisch. Also die Filtermöglichkeit ist eine ganz wichtige,
Es ist eigentlich in in fast jedem Report ich kann mich jetzt an keinen Report erinnern, der keine Filtermöglichkeit hat, sei es nach Zeitraum oder nach Kampagne. Äh das ist äh das stimmt, das ist auf jeden Fall eine der Grundfunktionalitäten.
Das geht zum das kann man dann immer noch weiterspielen. Das geht dann schon in Richtung äh wieder ein Buzzword, Selbstservice, BI,
Das heißt, die Anwender noch mehr in die Lage versetzen, dass sie noch mehr selbst machen können,
Da gibt es auch so verschiedene Konzepte,
aber auch hier ist ein Schritt nach dem anderen. Also wirklich auch mit einfachen Reports anfangen, die eine Filtermöglichkeit haben und wenn das gut angenommen wird, dann könnte man sich überlegen, macht es für bestimmte,
User für bestimmte Power-User sind, dass die noch mehr können, dass man den zum Beispiel auch da Datenquellen bereitstellt und die sich selbst,
daraus entwickeln können. Das sind so Schritte, die die darauf folgen können. Aber nicht müssen.

Andreas Berg:
[29:05] Das Entscheidende, dass Herr das ähm das Know-How, das man hat, also nicht nur jetzt bei den Analysten, sondern auch bei den Fundraiserinnen und Fundrasern quasi immer mitwächst und man dann äh eben.
Irgendwann nach einem mehr oder weniger kurzen Zeitraum, das.
Vielen Faktoren ab, wie lang der ist. Äh einfach bereit ist, die nächste Stufe zu gehen und die dann auch quasi wie von selber äh erklimmt sozusagen.

Thomas Jahnke:
[29:35] Genau. Ich habe immer gesagt früher, es ist nicht damit getan, dass man einen Analysten einstellt in Organisationen,
Und dann läuft alles über diesen Analysten. Das funktioniert nicht. Der hat ja auch begrenzte Zeit äh und das ist mhm der Analyst, der soll eher,
ja hm andere Leute befähigen oder Kollegen und Kollegen will faken, dass sie sich selbst mit Daten beschäftigen und dass die sich selbst dann relevante Informationen aus dem System ziehen.
Ist ganz wichtig.

Andreas Berg:
[30:10] Ja, spannend und äh also äh.
Das heißt ja in in in Zukunft ähm löst sich diese diese Trennung quasi so ein bisschen auf, ne? Also es gibt dann nicht mehr ähm den Datenanalysten, den alle angucken, wenn sie irgendwie Fakten brauchen,
sondern ähm für die meisten Fakten wird man eben einfach selber losgehen und sagen, okay.
Hier sind meine Reporte, das ist jetzt die Frage, die ich gerade habe, ne? Äh was ist hier geschehen? Und jetzt besorge ich mir die Antwort.

Thomas Jahnke:
[30:44] Genau. Das wirklich nicht, dieses Bottleneck entsteht. Natürlich muss der Analyst auch dafür sorgen, dass es,
was ja das einheitlich das ähm das einheitlich gearbeitet wird, also nicht, dass der eine dann eine Zahl rauszieht,
und sagt, okay, die Kampagne äh hat eine Reaktionsquote von 5 Prozent und der andere sagt, nee, nee, also in meinem Report steht vier Prozent. Also es muss sichergestellt sein, dass die Zahlen zueinander passen,
Ähm dafür ist der der Analyst eigentlich zuständig,
aber wirklich viel mehr in Richtung datengetriebene Organisationen.
Äh Kolleginnen und Kollegen können sich selbst einfach mit Informationen versorgen. Das ist ganz ganz wichtig. Nur so funktioniert's.

Andreas Berg:
[31:32] Und natürlich auch unmittelbar notwendig jetzt, äh weil.
Man merkt so ein bisschen wir reden immer von sehr differenzierten Teams gerade weil ähm du ja jetzt auch.
Bei einer großen Organisation gearbeitet hast und zur nächsten großen Organisation gerade wechselst, aber natürlich bei kleineren Organisationen oder auch schon beim bei mittelgroßen ist es in der Regel ja nicht so ausdifferenziert. Ähm,
Gibt's ja in der Regel auch auch keinen Analysten, sondern da muss ja dieser Schritt der Nutzung der Reports auch von einem Fundraiser oder,
Manchmal ist es auch nur die Fundreise oder der Fundraiser ähm selber irgendwie organisiert und gegangen werden. Ähm aber,
Da denke ich kann man aber auch sagen, dass das gerade diese ähm BI-Tools äh die du grad angesprochen hast,
inzwischen so benutzerfreundlich sind, dass es tatsächlich geht.
Wenn äh man sich irgendwie bei der ähm Erstellung dieses Datenmodells, ne, also.

[32:40] Jetzt merkt man schon, wir gehen wieder zurück. Ne, also es ist dieses Erklimmen der Stufen in der Wissenspyramide ist auch nicht immer nur ein Vorwärts, sondern,
man kommt auf die unteren Stufen immer wieder zurück. Ähm.
Bei der Erstehung dieses Datenmodells man sich vielleicht irgendwie noch fachkundige Hilfe holt ähm aber wenn das geht äh braucht man nicht immer einen Analysten um da auch weiterzukommen oder bin ich da jetzt zu optimistisch.

Thomas Jahnke:
[33:09] Nee, du hast schon recht. Man braucht da nicht immer einen Analysten, sondern irgendwann ist man an so einem Punkt da kann man dann viel selbst machen, aber.
Die die Komplexität der der Report steigt auch immer muss man zusagen. Also das heißt äh man fängt wirklich an mit dem was wir vorhin schon gesagt hatten mit einfachen Aktionsstatistiken.
Und äh wenn man den kleinen Finger streckt, dann wird der gern so der ganze Arm dann gezogen. Äh man möchte dann mehr, man möchte einen komplexeren,
Und äh da ist wirklich dieser Schritt, meistens wieder zurück zum Datenmodell und oh, vielleicht muss ich hier noch mal was erweitern. Die Daten hatte ich noch gar nicht. In meiner Datenbank drin. Die sollten noch dazukommen. Hier sind viele Schritte wieder notwendig,
in denen man dann einen Analysten dann benötigt, der das dann einfach macht. Aber wenn man einfach, ja, wenn man so eine gewisse Stufe erreicht hat und damit zufrieden ist,
Dann kann ich damit selbst arbeiten und brauche jetzt nicht tagtäglich den Analysten dafür. Wer kann sich dann mit anderen Dingen beschäftigen.
Themen äh die dann in den höheren Stufen der Wissenspyramide dann kommen.

Andreas Berg:
[34:22] Die höheren Stufen. Das nächste wäre jetzt die Stufe Wissen und äh da ist ja eben das der tatsächlich.

Wissen und Machine Learning

[34:32] Überall grade irgendwie in in äh ja Artikeln, Vorträgen, äh.
Online-Seminaren bis hin zu äh Diskussionen in Facebook-Gruppen oder bei LinkedIn oder.
Wo auch immer in welchem Social Media auch immer äh unter Fundraisern äh äh immer wieder fällt. Also begegnen wir in letzter Zeit immer öfter. Ähm.
Und Wissen ist ja jetzt die Stufe, warum ist es geschehen? Das ist die Frage, die zu der Stufe gehört.
Und die zweite Frage, die auch dazu gehört ist, was wird als nächstes geschehen beziehungsweise was wird zukünftig geschehen? Bleiben aber bei der mehr grundlegenden Frage, warum ist es geschehen? Was sind denn da so so typische Beispiele?
Wenn man von der Information was ist geschehen zum Wissen warum ist es geschehen weitergeht? Also was sind denn so die die typischen Beispiele wo man vielleicht auch ganz automatisch auf diese Stufe kommt.

Thomas Jahnke:
[35:37] Ein Beispiel ist, bleiben wir wieder bei den Aktionsstatistiken,
eine Kampagne war sehr erfolgreich, die andere Kampagne waren nicht so erfolgreich. Das sagt mir ja dann erst mal die Stufe Information, was ist geschehen?
Das eine hat gut funktioniert, das andere nicht,
jetzt hier tiefer reingehen. Warum hat dann das eine Mailing oder die eine Kampagne gut funktioniert und die andere nicht? Wurden hier vielleicht auch verschiedene,
verschiedene Spender angeschrieben. Gibt's da Unterschiede? Das geht dann so in diesem in diese Wissensebene dann über.

[36:19] Gerne wird ja auch eine Sekumentierung verwendet, dass man sich anschaut, okay, gibt es,
es gibt ja nicht den einen Spender, sondern gibt es hier verschiedene Gruppen von Spendern, die auch unterschiedlich reagieren auf meine Kampagnen,
Das sind alles so Fragestellungen, die einfach dann einen Schritt nochmal weitergehen. Die aber wichtig sind. Ich will ja,
Ich will ja wissen, warum das so passiert ist. Warum war jetzt die eine Kampagne besser als die andere? Mir reicht es dann am Ende nicht. Einfach nur das hinzunehmen, sondern ich möchte da eher nachforschen und dem weitergehen und,
Kommt man eigentlich in in dieses Thema rein,
startet gern mit ähm einfachen Segmentierung RFM Segmentierung ist äh bekannt, denke ich, recentse, frequency, monetary.

Andreas Berg:
[37:07] Genau, also man nimmt diese drei drei äh Sachen, also Zeitpunkt der letzten Spende, Frequency Spendenhäufigkeit, Monetary in unserem Fall,
Durchschnittsspende oder Spendensumme, also die die Spendenhöhe. Äh und bildet da nach Kategorien. Das ist halt RF.

Thomas Jahnke:
[37:25] Das ist so ein so ein wichtige Themen, die die da entscheidend sind hm oder wichtige Aufgaben, die man mit zu tun hat.
Und ähm das kann man immer weiter professionalisieren,
Dann kommt man irgendwann zu dem großen äh Basswort Machine Learning,
und äh da schrecken auch viele erst mal zurück, aber wirklich das äh ist jetzt ein,
gar nicht so komplex, wie das am Anfang klingt. Vielleicht so zwei, drei Wörter dazu,
noch zwei, drei Sätze und was ist denn Machine Learning? Ich vergleiche gern das mit der klassischen Programmierung.
Den man einfach Daten hat und Daten und Regeln und dann was programmiert,
Also wenn wenn das eine passiert und das andere, dann soll das Dritte passieren. Und dann generiert man so Antworten daraus. Beim Machine-Learning ist es so,
Ich habe Daten und ich habe die die Antworten eigentlich schon und was er mir generiert sind die Regeln. Das hört sich jetzt etwas abstrakt an aber mal am.

[38:35] Konkreter wäre es hm wir haben ein Mailing rausgeschickt, ein postalisches Mailing,
Und wir haben ja Reagierer. Also wir haben äh hunderttausend Personen angeschrieben, zehntausend haben äh reagiert. Das wäre doch schon mal eine gute Quote. Und,
diese Informationen, wer wurde angeschrieben und wer hat reagiert? Das gebe ich dann in mein Modell und das Modell versucht dann Regeln oder auch Muster zu erkennen. Wie sieht denn jetzt der typische Reagierer aus?
Kann ich natürlich auch einzeln durchgehen und mir anschauen, okay äh was für Mariannen habe ich, zum Beispiel das Alter A die Älteren reagieren besser als die Jüngeren.

[39:18] Das nimmt aber dann irgendwann so komplexe Formen an und ich möchte, ich habe vielleicht auch 100 Variablen, die dann auch in Abhängigkeiten zueinander stehen,
da hilft mir dieses Maschinen-Learning-Modell,
das ist auch wie so ein so ein Mustersuche oder gern äh nennt man das auch so eine so eine Zwillingssuche. Ich suche den den Reagierer-Zwilling in meinem breiten Pool von Adressdaten.
Das ist die Aufgabe von Machine Learning oftmals in dem Bereich. Das war jetzt das Thema Supervice-Learning.

Andreas Berg:
[39:53] Genau, Oliver, überwachtes Lernen äh was bedeutet, dass man äh ein Ziel vorgibt.

[40:03] Ähm und jetzt fragen die Zuhörer sich natürlich, gibt es auch Analyseformen, bei denen man kein Ziel vorgibt. Ja, äh kommen wir aber gleich ähm gleich quasi erst auf.
Das heißt, ich habe im Grunde eine äh eine Software, die extrem gut darin ist Muster zu erkennen äh und die viel mehr Kombinationen,
überprüfen kann als ich das irgendwie manuell könnte.

Thomas Jahnke:
[40:33] Korrekt, genau.

Andreas Berg:
[40:34] Genau und das ist eigentlich das, was wir dann mit mession Learning bezeichnen. Mehr ist es im Grunde auch nicht. Also muss.
Keine Scheu vorhaben, ne weil klingt ja immer so,
ich äh sage auch gerne tatsächlich, dass ich äh und das stimmt auch. Also ich äh bin ja jetzt seit ähm 5226 Jahren Fandra.
Und hab vorher schon während des Studiums noch für so ein Wirtschaftsforschungsinstitut gearbeitet. Äh mache also seit ähm,
Etwa 30 Jahren ähm aber erst seit 15 Jahren etwa heißt es auch so.
Also ähm äh früher äh haben wir ja, es sind halt so Entscheidungsbaumverfahren, die,
die viele Organisationen auch schon seit sehr langer Zeit einsetzen. Also weswegen ich das erzähle ist jetzt, ich will so ein bisschen dieses was aus dem Buzzword rausnehmen äh,
die Leute denken ja was Neues, was Kompliziertes oder so,
Ja, also die Mathematik dahinter ist extrem kompliziert. Ähm an die Anwendung kann man sich auch so quasi langsam rantasten, wenn man.

[41:50] Ein gutes Grundwissen äh äh schon ein bisschen erworben hat äh über die Daten, äh die man hat, weil,
überwachtes Lernen heißt eben auch ähm nicht nur die Zielrichtung wobei das gilt generell eigentlich fürs mashing learning ähm.
Sondern ich muss auch tatsächlich wissen, mit welchen Daten ich denn füttere, ne? Das ist.

Thomas Jahnke:
[42:13] Genau. Also die Mathematik, die dahinter steckt.
Ähm das wurde in den sechziger, siebziger Jahren wurden da viele Methoden entwickelt. Also ist schon relativ alt.
Thema kam aber jetzt 2tausend, 2tausendzehn kam es nun mal so ganz groß raus oder jetzt ja auch in den letzten Jahren,
vor allem deswegen, weil wir immer mehr Daten haben. Also je mehr Daten, desto mehr Möglichkeiten natürlich in dem Bereich,
desto mehr können die die Methoden eigentlich ihre Vorteile da ausspielen.
So kam das Thema jetzt in den letzten Jahren nochmal ganz groß und wird auch so weitergehen. Also wir haben ja immer mehr Daten, die uns zur Verfügung stehen.
Äh die es dann gilt zu handeln und hier sehen wir wieder bei diesem Schritt Wissen, auch da müssen wir wieder auf die Ebene Daten immer wieder zurück und gucken, was wir da haben, ob das alles so sinnvoll ist die Daten korrekt sind,
ob das richtig zusammengesetzt wurde. Auch hier immer ganz wichtig, diese Schritte wieder zurückzugehen auf unsere Wissenspyramide.

Andreas Berg:
[43:18] Mhm. Was sind denn so in in in der Praxis ähm also ja,

Konkrete Daten in der Praxis

[43:26] Sagen Daten, wir haben immer mehr Daten, aber äh was ist es in der Praxis konkret? Also was für Daten fließen denn meistens in in diese Mashing Learning-Projekte bei dir ein?

Thomas Jahnke:
[43:38] Mhm. Mhm. Wenn man damit mit externen Dienstleistern spricht.

[43:45] Ähm versuchen natürlich auch gern da,
ihre Daten anzupreisen, die wir jetzt da haben, irgendwelche Typologien, zum Beispiel von von Personen oder sonst noch, was es da draußen gibt,
Ich sage immer, viel wichtiger ist eigentlich, was ihr in eurer in eurem Fundraising-System habt,
an Informationen und das sind ja Verhaltensdaten von Menschen,
meistens nur monetärer Art. Das heißt, ich sehe, wann hat eine Person zuletzt gespendet? In welcher Höhe? Man hat sie ja vorgespendet.
Das da da das sind so meine meine Hauptdaten und bei vielen, vielen Modellen sind das immer noch die wichtigsten Informationen, die man hat,
das Spendenverhalten an sich. Und erst dann später kommt noch, okay, kann ich hier noch eine Alterschätzung machen,
oder irgendwelche weiteren Informationen, wo der wo die Person wohnt. Ähm es ist eher Ballungsgebiet oder Sonstiges.
Das kann man kann man dann schon noch dazu nehmen, wenn das möglich ist, aber solche Informationen sind meistens viel, viel schlechter,
als äh das das Spenden beziehungsweise Zahlungsverhalten, das ist immer die Grundlage.

Andreas Berg:
[45:08] Da kann man, wenn wir jetzt sagen, wir haben immer mehr Daten, ne, also.
Klar ich mein grundsätzlich entsteht das einfach im Laufe der Zeit oder weil wenn's erfolgreich ist man auch mehr Spender hat ähm auf der anderen Seite sammelt oder verfeinert man das eben auch,
ähm weil man natürlich nicht nur die Höhe weiß und das Datum und vielleicht aufgrund welcher Aktion, also er wurde auf den Newsletter gespendet, da auf Mailing äh hier auf,
Anzeige, sondern weil ich mir zusätzlich auch das Thema noch gemerkt habe.

[45:46] Oder ähm auch gemerkt habe, wie war denn die Ansprache? Also war das eine.
Sehr emotionale Ansprache war sie immer noch emotional, aber schon etwas sachlicher.
Rein sachliche Ansprache gut selten aber,
Solche Daten kann man natürlich auch bewusst sagen, die sammeln wir jetzt noch zusätzlich beziehungsweise da ist es wieder so eigentlich weiß ich das ja.
Aber es ist nicht in der Datenbank, also es ist nicht geschehen, ne? Also wir kommen wieder zurück äh auf auf die Datensachen.
Aber sowas kann man im Zweifel ja auch in in der Datenbank noch abspeichern. Wenn das CRM oder die Fundraising Software das nicht hergibt, sind das Sachen, die man vielleicht auch im in der Analyse, Datenbank.
Als Datenquelle dann sammeln kann, ähm um das zu erweitern und das Verhalten eben noch genauer mit zu.

Thomas Jahnke:
[46:47] Genau. Und das wäre auch der Appell, bevor man da rausgeht und sich externe Daten anreichern lässt,
wirklich zu überlegen, wie kann ich äh interne Daten, was du jetzt angesprochen hast, gibt's da Unterschiede?
In der Emotionalität zum Beispiel auch das Einmählig im Vergleich zum anderen und genau das sollte ich dann irgendwo auch hinterlegen,
die einen Person, die Einspender haben das emotionalere Mailing bekommen, die anderen eher das das sachlichere, faktenorientierte.
Damit kann man wieder viel besser arbeiten und viele Analysen machen und viele Erkenntnisse daraus gewinnen. Das ist ganz wichtig, ja.

Andreas Berg:
[47:31] Wir haben mit so was auch jetzt äh äh mal getestet äh bis hin, dass wir.
Erfasst haben wer den Aufruf denn quasi unterzeichnet hat also wer wer spricht dort also.
Ich erklär's jetzt mal an einem Beispiel von einem Mailing. Könnt ihr euch aber genauso gut beim Newsletter machen, ne,
ähm ist das jetzt der Präsident, also der äh oberste Chef oder die Präsidentin der Organisation. Ähm.
Ist es die Fundraising-Leiterin. Es ist ein Fundraising-Referentin. Ähm oder sogar jemand ähm aus der Projektabteilung oder aus einem Projekt.
So Informationen haben wir auch schon mal in in Projekten quasi miterfasst und in.
Nicht immer, aber auch in in äh bei einigen Organisationen rausgefunden, dass es ähm.
Gruppen gibt, ähm die darauf unterschiedlich reagieren,
Die also zum Beispiel äh konkret habe ich jetzt ein Beispiel im Kopf, da gab's eine eine Gruppe, die die Organisation so selber gar nicht auf dem Schirm hatte, ähm die aber viel stärker darauf reagierten,
wenn das nicht von einem ähm von dem Pfandraser kam oder von irgendwo von der Kommunikation, äh sondern direkt aus der Projektabteilung,
als als Absenderunterzeichner.

Thomas Jahnke:
[49:00] Jetzt könnten wir über die Zukunft des Fundtrainings philosophieren. Aber ich denke, dahin geht's eigentlich immer weiter in diese Richtung. Der,
Personen da draußen sind einfach da dran gewöhnt spezifische auf sie zugeschnittene Angebote zu erhalten,
so individuell wie möglich und wenn wir da einfach äh ein Mailing für alle,
raushauen. Das ist dann, das ist einfach zu wenig, denke ich. Also es wird äh viel mehr individueller verlangt.
Und äh dafür sind einfach äh solche Modelle auch hilfreich.

Clustering

Andreas Berg:
[49:35] Ja und vielleicht kommen wir da ähm äh auch noch zu zu was anderem, was wir eben schon mal angesprochen hatten. Also wir haben eben gesagt, der,
überwachtes Lernen, äh also Kennzeichen von überwachten Lernen, es es gibt ein konkretes Ziel. Ne, also zum Beispiel optimiere ich die Response eines Mailings. Ne, also und sage dem,
äh System. Das ist jetzt dein Ziel und dann mache jetzt mal deine Magie sozusagen, ne.
Haben wir eben schon angesprochen, es gibt eben unüberwachtes Lernen auch, beziehungsweise ähm es muss nicht sein, dass man ein konkretes Ziel hat dafür, ne? Kannst du da Beispiele nennen.

Thomas Jahnke:
[50:18] Mhm. Dann sind wir im Bereich äh Segmentierung oder Clustering unterwegs.
Das heißt, es gibt verschiedene Methoden, die einfach erkennen, ich gebe jetzt Datensätze rein,
habe verschiedene Arten von Spender und gibt es dann Spender, die sich ähneln und gibt es dann Spender, die dann von diesen,
ja, die dann weiter weg sind, die sich also im Vergleich zu diesen dann weniger ähneln.
Und äh so kann man dann, man nennt es auch Cluster bilden, Segmente bilden,
die ganz einfach ohne Ziel habe ich die entwickelt. Es wurde nicht vorher gesagt. Wie hast du jetzt auf irgendwas reagiert, sondern nur durch,
durch diese, das ist auch so eine Art Mustererkennung, aber so eine Distanz-Mustererkennung wurden dann Segmente gebildet,
Das ist auch ganz interessant für Analysen und sich anzuschauen, okay wie sieht denn eigentlich, wie sehen meine Spende aus,
ah ich hab noch und so was hab ich noch gar nicht gedacht dass man die so zusammensetzen könnte in diese Gruppen einsortieren könnte. Hm vielleicht kann man da was mit machen,
und vielleicht macht es Sinn diese eine Gruppe auch hier anders anzugehen als die andere Gruppe.

[51:40] Wobei in der Praxis muss ich dazu sagen hm war dieses was wir jetzt zuerst hatten, das ähm Supervice Learning, also das überwachte Lernen.

[51:53] Das führt eigentlich zum konkreteren Ergebnissen. Dieses Zweite, dieses unüberwachte Lernen,
dass ähm macht man auf jeden Fall mal, schaut sich an, man kann aber auch, es könnte sein, dass dann rauskommt, dass die Segmente mit den Daten, die ich zur Verfügung habe, eigentlich da nicht groß sich unterscheiden,
dass man da das eigentlich dann wieder beendet und nicht weiter fortführt.

Andreas Berg:
[52:20] Ist mir auch oft begegnet, das ist äh Empfinden dann viele Fundraiserinnen und Fundreiser äh als frustrierend,
oder als unbefriedigend, sagen wir mal so. Ähm das eigentlich bei diesem Clustern, also bei diesen Gruppenbildungen nach Ähnlichkeit, wenn man so will.
Zu einem guten Stück eine eine Bestätigung der bisherigen Segmentierung. Finden viele unbefriedigend, ne, weil man ja eigentlich jetzt was Neues äh tolles und neue Impulse haben wollte.
Auf der anderen Seite ist es natürlich auch ein Zeichen dafür, dass die bisherige Segmentierung vielleicht gar nicht so schlecht war. Oder,
Und da kommt immer wieder der Rücksprung quasi zur untersten oder zur ersten Stufe, ne? Oder dass man die Daten noch nicht dafür hat, um ähm die Muster zu erkennen.

Thomas Jahnke:
[53:10] Genau. Ich glaube viele wünschen sich auch so einen Weiterentwicklung von diesen RFM Modell,
Das ist ja das geht nur auf die auf das Zahlungsverhalten. Viele wünschen sich so eine Weiterentwicklung im Mehr in Richtung bedürfnisorientiertheit.
Orientierung, was ist denn dem Spender wirklich wichtig? Wie kann ich die unterscheiden? Dann müssen aber auch Daten da zur Verfügung stehen, die die dann äh das ermöglichen, dass wir wirklich da Gruppen bilden können.
Also wirkt der der Rückschritt und der,
auf diese Ebene Daten wieder zurückzugehen, ist da eine ganz wichtige, sich das nochmal zu überlegen, wie kann man da das optimieren, dass man wieder bei Wissen mehr Informationen zur Verfügung hat.

Andreas Berg:
[53:57] Haben wir bei der Stufe Wissen ähm noch die da waren ja zwei Fragen, also warum ist es geschehen? Äh und die zweite Frage war, was wird zukünftig geschehen? Oder als nächstes? Ähm.

Thomas Jahnke:
[54:13] Das ist natürlich auch wieder fließend würde ich's nennen. Das heißt, beim Machine-Learning hatten wir ja gesagt, wir schauen uns Muster an aus der Vergangenheit.
Schließen dann auf das Verhalten in der Zukunft. Also wer hat in auf Mailings reagiert, was für.
Für Typen und dann gehe ich davon aus, dass dies auch Zukunft zukünftig reagieren werden. Also das heißt, ich schaue hier schon mal in die Zukunft etwas rein.
Das zweite Thema wäre noch ja so Zeitreihenanalysen, Prognosen.
Dass mir anhand von anderen Algorithmen, anderen Methoden,
man die ja die Zeitreihe ausm zerlegen kann in verschiedene Bereiche, in verschiedene Faktoren und dann äh so Versuche die die Zukunft eigentlich vorherzusagen.
Wenn ich mir anschaue, wie war jetzt ein wie viele Spenden kamen in den letzten Jahren rein in bestimmten Bereichen, zum Beispiel Patenschaften.

[55:24] Dann zerlege ich diese diese Zeitreihe und kann so grob abschätzen, wie viel in den nächsten Jahren noch reinkommen wird, wenn ich an dem,
grundlegenden,
oder einer meiner grundlegenden Vorgehensweise nichts ändere. Das ist auch so ein Blick in die Zukunft, diese Zeitreinanalyse.

Können als Steigerung des Wissens

Andreas Berg:
[55:46] Haben wir ja noch die vierte Stufe. Also wir sind ja schon äh im Grunde äh so in der Erkenntnis schon sehr weit gekommen. Also wir können sagen, warum etwas geschehen ist. Wir können auch äh Prognosen machen,
und jetzt kommt noch eine Stufe oben drauf und die heißt dann auch noch können. So können als Steigerung von Wissen, das klingt an sich schon äh irgendwie interessant,
ähm und die Frage dazu ist, was werden wir tun? Was was gehört denn zu dieser Stufe.

Thomas Jahnke:
[56:18] Ja das das sieht man schon an an den Begriffen können im Vergleich zu wissen also hier geht es um die um die Ausführung.
Jemand mit Machine Learning beschäftigt und mal für ein Mailing das gerechnet hat meistens sehr manuell auch. Das ist ganz gut.
Aber einen Schritt weiter wäre ja so eine systematische Empfehlungsberechnung sage ich mal die mir einfach,
im Hintergrund jeden Tag läuft und sagt, oh hier äh diese Person,
da hat sich was geändert. Ähm da ist jetzt die die Wahrscheinlichkeit, dass dass diese Person auf ein Mailing reagiert, ist jetzt sehr stark gestiegen oder wie auch immer. Oder diese Person sollte ich jetzt für ein Upgrade Calling nehmen.

[57:07] Also einfach dieses dieses Operationalisieren noch, dieses Systematisieren kommt da noch dazu. Und hier ist dann wieder viel IT im Hintergrund gefragt, dass es eigentlich funktioniert.
Das ist semi-automatisch ausgeführt wird. Ist wirklich noch mal,
Steigerung der Komplexität um das Vielfache, muss man dazu sagen. Ähm für eine Aktion mal eine Prognose zu rechnen, das geht schnell und relativ einfach.
Aber so ein System aufzubauen, dass mir einfach.
Wann sollte welche Person über welchen Kanal angegangen werden.
Das ist einfach noch mal viel komplexer und das beinhaltet diese Stufe.

Andreas Berg:
[57:57] So ein Gedanke, als als du eben grad die die Beispiele aufgezählt hast, der mir noch kam. Ähm äh das müsste natürlich auch im Bereich Großspender äh quasi möglich sein, also dass man.
Mit hingeht und sagt OK haben wir denn Prospects also haben wir.
Leute, die von ihrem Verhalten her oder von den ganzen Daten, die wir haben, her ähm das Potential haben Großspenderinnen zu werden.
Dies aber noch nicht sind.
Ähm und dass man da dann systematisch äh äh eine Liste erzeugt, die den Großspender von ähm zur Verfügung steht.
Um dann die Leute eben anzurufen oder zu Veranstaltungen einzuladen oder.
Strategisch mit denen zu arbeiten. Ähm habt ihr sowas auch gemacht äh bei bei SOS oder ist es jetzt irgendwie.
Bin ich da jetzt ähm zu sehr bei Wünsch Dir was.

Thomas Jahnke:
[59:01] Sag mal, das ist die Stufe.
Da möchte man hinkommen, damit beschäftigt man sich, aber man ist eher noch eine Stufe drunter und ich glaube, so geht das,
vielen Großen, die sich schon mal mit Machine Learning beschäftigt haben.
Äh dass jetzt der große Schritt ist in in das Next Komplexere aber äh noch etwas davon entfernt sind.

Andreas Berg:
[59:26] Hm, okay, also bedauerlicherweise äh ist ist die Antwort äh ja, es es würde gehen, aber.
Gehört schon zu den Sachen, die man erst macht, wenn man fast alles andere erfolgreich gemeistert.

Thomas Jahnke:
[59:42] Genau. Damit es macht keinen Sinn damit zu beginnen, sondern wirklich äh auch hier kann ich nur wieder wiederholen,
Wissenspyramide von unten nach oben durchzugehen, die Daten müssen passen, dann das Thema Reporting BI, dann als nächstes angehen,
erste Machine Learning Modelle zu schaffen in der nächsten Stufe und erst dann kommt eigentlich diese systematische systematische Ansatz. Der kommt dann ganz am Schluss.

Andreas Berg:
[1:00:12] Wunderbar. Ja das klang ja schon fast nach einem perfekten Schlusswort, dann.

Abschluss

Thomas Jahnke:
[1:00:18] Schon, gell.

Andreas Berg:
[1:00:20] Man könnte da jetzt noch äh äh noch noch ewig weiter äh sprechen, aber.
Ich denke einen einen schönen Überblick äh haben wir bekommen über diese vier Stufen und ja.
Klare Favoriten bei den beiden meist getätigten Aussagen heute äh waren,
Kümmert euch um eure Daten, weil ohne qualitativ gute Daten und ohne ausreichend viele Daten,
nicht funktionieren und ähm geht die Pyramide eben von unten nach oben durch und versucht nicht ähm zuerst die komplizierten Sachen zu machen.
Vielen Dank Thomas.
Hat mich sehr gefreut nochmal auch ähm viel Erfolg bei der neuen Aufgabe und vielleicht machen wir in Zukunft äh da auch nochmal eine Folge und.
Und schauen, welche Herausforderungen du bei dieser neuen Aufgabe beim WWF ähm hoffentlich erfolgreich.

Thomas Jahnke:
[1:01:20] Sehr gerne. Falls Interesse besteht und die Zuhörer und Zuhörerin jetzt nicht völlig überfahren wurden durch unsere Datenthemen und das ist jetzt etwas zu viel war, können wir auch gerne nochmal was Ähnliches machen.

Andreas Berg:
[1:01:36] Wunderbar. Gut. Dann bedanke ich mich ähm nicht nur bei Thomas, sondern natürlich auch bei allen, die zugehört haben und bis zur nächsten Folge. Auf Wiederhören.