Bedarfsanalyse für Hilfsorganisationen

Das echte Ausmaß des Problems

Bei humanitären Krisen ist Ressourcenallokation eine Frage von Versorgung oder Versorgungslücke. OCHA (United Nations Office for the Coordination of Humanitarian Affairs) hat nach großen Krisen dokumentiert, dass ein erheblicher Anteil der Hilfsgüter — teils 20 bis 40 Prozent — entweder die Bedürftigsten nicht erreicht oder in Gebieten landet, die weniger dringend sind. Das liegt fast nie an Böswilligkeit, sondern an unvollständigen Daten.

Für kleinere Hilfsorganisationen, die in Deutschland regional tätig sind, ist das Bedarfsanalyse-Problem genauso real, wenn auch anders gelagert: Welche Stadtteile haben heute Abend den höchsten Andrang? Welche Einrichtung ist überlastet? Wo fehlen Schlafplätze, Mahlzeiten, Beratungskapazitäten?

Das Datenproblem hat mehrere Ebenen:

• Dezentralität: Bedarfsdaten liegen bei verschiedenen Partnerorganisationen, in Behördendatenbanken, in Feldberichten der eigenen Mitarbeitenden. Kein Gesamtbild.
• Aktualität: Eine Bedarfserhebung von vor drei Monaten ist bei saisonalen Obdachlosigkeits-Mustern oder Flüchtlingsbewegungen oft wertlos.
• Vergleichbarkeit: Ein Feldbericht aus dem Flüchtlingsheim und ein Gemeinde-Sozialbericht sind im Format nicht kompatibel.

Rechtlicher Rahmen: Für Organisationen, die nach SGB VIII (Kinder- und Jugendhilfe) oder SGB XII (Sozialhilfe) tätig sind, gibt es spezifische Anforderungen an Bedarfsplanung und Berichterstattung gegenüber kommunalen Trägern. Systematische Bedarfsanalyse ist nicht nur gut gemeint — sie ist teils gesetzlich vorgesehen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Quellen: OCHA (2023), eigene Erfahrungswerte aus humanitärer Koordinationsarbeit.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5)
Die Analysezeit sinkt erheblich — von 2–3 Tagen auf 3–6 Stunden. Aber Bedarfsanalyse ist nicht täglich, sondern wöchentlich bis monatlich. Der Gesamteffekt auf die Wochenarbeitszeit ist spürbar, aber nicht dramatisch.

Kosteneinsparung — niedrig (2/5)
Kein direktes Cost-Saving: Bessere Bedarfsanalyse führt zu besserer Ressourcenzuteilung — das spart langfristig Ressourcenverschwendung, aber es ist schwer in Euro zu messen. Verglichen mit Förderantragssuche oder Übersetzungskosten (klare direkte Einsparungen) ist dieser Hebel schwächer.

Schnelle Umsetzung — sehr niedrig (1/5)
Der aufwendigste Einstieg im Branch: Datenquellen müssen identifiziert, zugänglich gemacht, harmonisiert und in einen Workflow integriert werden. Das dauert realistisch 4–8 Wochen, erfordert technisches Verständnis und oft externe Unterstützung. Nichts für Organisationen ohne IT-Kapazität oder Budget für Einrichtungsaufwand.

ROI-Sicherheit — mittel (3/5)
Der Nutzen — bessere Ressourcenallokation, weniger Versorgungslücken — ist real, aber schwer präzise zu messen. Wie viele Menschen wurden durch bessere Analyse besser versorgt? Das ist selten direkt quantifizierbar.

Skalierbarkeit — hoch (4/5)
Mehr Datenquellen, mehr Gebiete, mehr Partnerorganisationen — das System skaliert gut, weil KI zusätzliche Daten nicht proportional mehr Arbeit bedeuten. Mit wachsender Datenhistorie werden Prognosen zuverlässiger.

Richtwerte — stark abhängig von der technischen Infrastruktur und den verfügbaren Datenquellen.

Was das System konkret macht

Ebene 1 — Datenquellen-Aggregation: Für den deutschen Kontext: Sozialberichte der Kommunen, Statistiken der Bundesagentur für Arbeit, Daten des Statistischen Bundesamts, Partnerorganisations-Daten, eigene Erhebungen. Für internationale Einsätze: UNHCR-Datenbanken, ReliefWeb, ACLED-Konfliktdaten.

Ebene 2 — KI-gestützte Synthese: Die aggregierten Daten werden von einem LLM analysiert und in eine kohärente Bedarfseinschätzung überführt. Das Modell erkennt Inkonsistenzen (“Quelle A berichtet 500 betroffene Haushalte, Quelle B 1.200 — warum die Differenz?”), identifiziert Trends und schlägt Priorisierungen vor.

Ebene 3 — Bedarfsprognosen: Auf Basis historischer Muster kann KI vorausschauende Bedarfseinschätzungen liefern: Wenn im Winter die Temperaturen unter -5°C fallen, steigt der Bedarf an Notunterkünften erfahrungsgemäß um 30–40 Prozent (Schätzwert aus Praxisberichten). Wenn in einer Region eine Unterkunft schließt, verschiebt sich der Bedarf in Nachbarbezirke.

Konkrete Werkzeuge — was wann passt

Claude — 18 Euro/Monat
Für die Analyse langer, komplexer Dokumente aus verschiedenen Quellen. Claude kann mehrere Berichte, Statistiken und Feldberichte gleichzeitig verarbeiten und eine synthetisierte Einschätzung erstellen.

Perplexity — 0–20 Euro/Monat
Für aktuelle Datenrecherche: Durchsucht das Web in Echtzeit und gibt Quellenangaben. Besonders wichtig für aktuelle Ereignisse, die die Bedarfslage beeinflussen.

ChatGPT — 20 Euro/Monat
Für die Erstellung strukturierter Bedarfsberichte auf Basis der analysierten Daten. Rohdaten-Synthese eingeben, formatierten Bericht für interne Entscheidungsprozesse ausgeben lassen.

Make.com — 9 Euro/Monat
Für automatisierte Datenaggregation: Feldmitarbeitende tragen Daten über ein Formular ein → automatisch in Analyse-Datenbank → wöchentliches Aggregat für KI-Analyse bereit.

Microsoft 365 Copilot — 30 Euro/Nutzer/Monat
Für Organisationen in der Microsoft-Welt: Excel-Daten direkt in Power BI visualisieren, Word-Berichte mit Copilot generieren.

Kostenlos starten: Claude Free + Perplexity Free — reicht für manuelle Pilot-Analysen ohne automatisierte Datenaggregation.

Datenschutz und Datenhaltung

Bedarfsanalyse für Hilfsorganisationen berührt oft besonders schutzbedürftige Daten nach Art. 9 DSGVO:

• Aggregatdaten vs. Personenbezug: Anzahl betroffener Haushalte, geografische Verteilung, Bedarfskategorien — das sind keine personenbezogenen Daten und können in Cloud-Diensten verarbeitet werden. Einzelfall-Daten von Hilfsempfängern mit Namen, Adressen oder Statusangaben hingegen nicht.
• Besonders schutzbedürftige Kategorien: Gesundheitsdaten, Migrationsstatus, religiöse Überzeugungen von Hilfsempfängern sind nach Art. 9 DSGVO besonders geschützt. Diese Kategorien niemals in externe KI-Dienste ohne AVV und starke Rechtsgrundlage.
• Internationale Einsätze: Für humanitäre Krisen außerhalb Europas gelten die DSGVO-Grundsätze bei EU-Organisationen weiterhin. OCHA und UNHCR haben eigene Datenschutzrichtlinien, die zusätzlich einzuhalten sind.
• On-Premise-Alternativen: Für hochsensible Feldberichte mit Personenbezug gibt es lokale LLM-Optionen (Ollama mit Llama-Modellen), die ohne Cloud-Übertragung funktionieren. Technisch anspruchsvoller, aber möglich.

Praktische Empfehlung: Klare Trennung: aggregierte Daten in Cloud-KI, personenbezogene Daten nur in eigenen Systemen. Diese Trennung muss dokumentiert und als Prozess verankert sein.

Was es kostet — realistisch gerechnet

Einstieg (manuelle KI-Analyse ohne Automatisierung):

• Claude Pro: 18 Euro/Monat
• Perplexity Pro: 20 Euro/Monat
• Zeitersparnis bei der Bedarfsanalyse: ca. 50–60% (Schätzwert aus Praxisberichten) — statt 3 Tagen Recherchearbeit ein halber bis ein Tag

Systematisierter Ansatz mit Datenaggregation:

• Obige Tools + Make.com: 9 Euro/Monat
• Einrichtungsaufwand: 20–40 Stunden einmalig (oder externer Dienstleister: 2.000–5.000 Euro)

ROI-Beispiel:
Hilfsorganisation mit 3 Vollzeit-Mitarbeitenden, die wöchentlich 6 Stunden für Bedarfsanalyse und Ressourcenplanung aufwenden. Mit KI-gestützter Analyse: 2 Stunden/Woche. Ersparnis: 4 Stunden × 3 Personen = 12 Stunden/Woche. Bei 25 Euro/Stunde: 1.200 Euro/Monat gesparte Personalkosten — bei 47 Euro/Monat Toolkosten.

Drei typische Einstiegsfehler

Fehler 1 — Technische Komplexität unterschätzen
Wer denkt, “kurz Make.com einrichten und dann läuft es”, unterschätzt den Aufwand der Datenquellen-Integration erheblich. Verschiedene Systeme, verschiedene Formate, manchmal keine APIs — das ist echte technische Arbeit. Lieber 40 Stunden Einrichtungsaufwand einplanen und dann entspannt haben, als frustriert aufgeben.

Fehler 2 — KI-Prognosen als Fakten behandeln
KI-Bedarfsprognosen sind wahrscheinlichkeitsbasiert, nicht deterministisch. Wenn das System sagt “nächste Woche steigt der Bedarf in Bezirk X um 20 Prozent”, ist das eine Einschätzung auf Basis von Mustern — keine Garantie. Menschliche Expertise und Felderfahrung müssen KI-Prognosen immer begleiten.

Fehler 3 — Nur öffentliche Daten verwenden, interne Feldberichte ignorieren
Die wertvollsten Bedarfsdaten sitzen oft in den Köpfen der eigenen Mitarbeitenden und in internen Feldberichten. Wer nur öffentliche Statistiken analysiert, bekommt ein veraltetes, grobkörniges Bild. Einfache Strukturen für regelmäßige Felddaten-Eingabe (5 Minuten pro Woche pro Mitarbeitenden) erhöhen die Analysequalität dramatisch.

Was mit der Einführung wirklich passiert — und was nicht

Was passiert: Das erste systematische Daten-Inventar zeigt, wie fragmentiert die bisherige Informationsbasis ist. Das ist überraschend und motivierend zugleich: Es gibt mehr Daten als gedacht — aber sie liegen an zu vielen verschiedenen Orten.

Was auch passiert: Die Einrichtung dauert länger als geplant. Wenn Datenquellen schlechter zugänglich sind als erwartet (nur auf Anfrage, veraltetes Format, fehlende API), wird aus 2 Wochen Setup schnell 6 Wochen.

Was nicht passiert: Eine vollautomatische Bedarfsanalyse, die sich selbst aktualisiert, ohne menschliche Eingabe und Pflege. Das System liefert bessere Entscheidungsgrundlagen — aber es trifft keine Entscheidungen.

Typischer Widerstand: “KI kann den lokalen Kontext nicht verstehen.” Richtig — aber KI kann überregionale Trends, historische Muster und Daten aus vielen Quellen so zusammenführen, dass Feldmitarbeitende bessere Entscheidungen treffen können. Das ist Unterstützung, nicht Ersatz.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Bedarfsdaten sind zu sensibel für Cloud-KI.”
Für anonymisierte Aggregatdaten ist Cloud-KI datenschutzrechtlich unproblematisch. Für personenbezogene Daten gibt es On-Premise-Lösungen. Die Trennung zwischen personenbezogenen und aggregierten Daten ist der erste Schritt.

„Wir haben keine IT-Kapazitäten.”
Der einfachste Einstieg braucht keine IT: Daten in ein Google Doc kopieren, Claude analysieren lassen. Das zeigt sofort den Mehrwert ohne technisches Setup. Automatisierung kommt erst, wenn der Prozess sich bewährt hat.

„KI kann den lokalen Kontext nicht verstehen.”
KI versteht keinen Kontext automatisch — sie analysiert die Daten, die du ihr gibst, und kombiniert sie mit Vorwissen. Den lokalen Kontext als Input mitgeben: Feldberichte, Partnerorganisations-Rückmeldungen, lokale Medienberichte.

Woran du merkst, dass das zu dir passt

• Du koordinierst Ressourcen an mehreren Standorten und hast selten ein gutes Gesamtbild
• Bedarfsdaten liegen verteilt bei verschiedenen Partnerorganisationen und Behörden
• Du musst Fördergeber regelmäßig erklären, wie du Ressourcen zugeteilt hast
• Saisonale Bedarfsschwankungen (Winter, Sommer, Schuljahresbeginn) überraschen dich immer wieder

Wer noch nicht anfangen sollte:
Wenn deine Organisation keine strukturierten internen Daten hat und keine Kapazität für einen 20–40-stündigen Einrichtungsaufwand — zuerst Datenbasis schaffen, dann Analyse-KI. Dieser Use Case setzt die höchste technische und prozessuale Reife voraus.

Das kannst du heute noch tun

Mach einen Probe-Durchlauf: Sammle alle Datenquellen, die du für die letzte Bedarfsanalyse genutzt hast, und füge sie (anonymisiert und aggregiert) in Claude ein. Frag: “Was sind die drei wichtigsten Muster in diesen Daten, die meine Ressourcenplanung beeinflussen sollten?”

Quellen & Methodik

• OCHA (2023): Humanitarian Data Exchange — Methodenhandbuch für Bedarfsanalysen in Krisenregionen. reliefweb.int
• UNHCR (2023): Datenschutz in der humanitären Hilfe. unhcr.org
• Statistisches Bundesamt (2023): Daten zur Wohnungslosigkeit in Deutschland. destatis.de
• SGB VIII und SGB XII: Gesetzliche Grundlagen für Bedarfsplanung in der sozialen Arbeit — § 80 SGB VIII (Jugendhilfeplanung).
• Erfahrungswerte: Aus Gesprächen mit Koordinatoren in Wohlfahrtsverbänden und Hilfsorganisationen — keine repräsentative Studie.