Sofortantwort
Lead Scoring einfach erklärt
Punktebasierte Bewertung von Leads für Sales-Priorisierung.
- Kurz gesagt
- Kombiniert demografische Daten (Firmengröße, Branche) mit Verhalten (Downloads, Seitenbesuche)
- Typischer Einsatz
- Sales-Priorisierung, Marketing-Automation, Lead-Qualifizierung
- Wichtig zu wissen
- Predictive Lead Scoring wird in datenreifen Teams häufiger eingesetzt
Lead Scoring im Überblick
Lead Scoring bewertet Leads mit Punkten oder Wahrscheinlichkeiten, um abzuschätzen, wie gut sie zum Angebot passen und wie wahrscheinlich eine Conversion ist. Statt alle Leads gleich zu behandeln, kann Sales priorisieren.
Zwei Scoring-Dimensionen:
| Dimension | Fragt | Beispiele |
|---|---|---|
| Demografisch/Firmografisch | Passt der Lead zu uns? | Firmengröße, Branche, Position, Budget |
| Verhaltensbezogen | Ist der Lead interessiert? | Website-Besuche, Downloads, E-Mail-Öffnungen |
Beispiel-Scoring:
Demografisch:
+ Punkte für passenden Firmengrößenbereich
+ Punkte für relevante Branche
+ Punkte für passende Rolle
- Punkte für fehlenden ICP-Fit
Verhalten:
+ Punkte für hohe Kaufintention
+ Punkte für Content-Engagement
+ Punkte für wiederholte Interaktion
- Punkte für lange Inaktivität
Schwellenwerte:
Niedriger Score: Nurturing
Mittlerer Score: MQL prüfen
Hoher Score: Sales-Übergabe prüfenWarum ist das wichtig?
Ohne Lead Scoring behandelt Sales alle Leads gleich – oder geht nach Bauchgefühl. Mit Scoring fokussiert sich das Team auf Leads, die nach Daten und Kriterien eine höhere Conversion-Wahrscheinlichkeit haben.
Technisch betrachtet
Scoring-Modelle
1. Explizites Scoring (Demografisch):
- Basiert auf Informationen, die der Lead angibt
- Formular-Felder: Firma, Position, Mitarbeiterzahl
- Enrichment-Daten: Clearbit, ZoomInfo
2. Implizites Scoring (Verhalten):
- Basiert auf beobachtetem Verhalten
- Website-Tracking, E-Mail-Engagement
- Content-Downloads, Event-Teilnahmen
3. Predictive Scoring (KI):
- Machine Learning analysiert historische Conversions
- Kann Muster automatisch finden
- Kann sich mit neuen Daten aktualisieren
Scoring-Kriterien definieren
Schritt 1: ICP analysieren
- Wer sind deine besten Kunden?
- Welche Gemeinsamkeiten haben sie?
- Welche Verhaltensweisen zeigten sie vor dem Kauf?
Schritt 2: Punktwerte zuweisen
| Aktion/Attribut | Punkte | Begründung |
|---|---|---|
| Pricing-Seite | hoher positiver Wert | mögliches Kaufsignal |
| Demo angefragt | sehr hoher positiver Wert | direkter Intent |
| Blog gelesen | kleiner positiver Wert | frühes Interesse |
| Whitepaper | mittlerer positiver Wert | tieferes Engagement |
| Unsubscribe | negativer Wert | geringeres Interesse |
| fehlender Fit | negativer Wert | niedrigerer ICP-Fit |
Schritt 3: Decay einbauen
- Punkte über Zeit abschwächen
- Decay nach Aktivitäts- und Kaufzyklus definieren
- Verhindert veraltete hohe Scores ohne aktuelle Signale
MQL/SQL-Übergabe
Marketing Qualified Lead (MQL):
- Erreicht definierten Score-Schwellenwert
- Passt zum ICP (demografisch)
- Zeigt Engagement (Verhalten)
- Bereit für intensiveres Nurturing
Sales Qualified Lead (SQL):
- Höherer oder qualifizierter Score nach definierten Kriterien
- Zeigt Kaufabsicht (Pricing, Demo)
- Sales-Team übernimmt
- Direkter Kontakt sinnvoll
SLA zwischen Marketing und Sales:
- Marketing und Sales definieren erwartete Lead-Qualität und Volumen
- Sales-Reaktionszeit wird als Zielwert vereinbart
- Feedback-Loop: Sales bewertet Lead-Qualität
Predictive Lead Scoring
Wie es funktioniert:
- Historische Daten sammeln (Leads → Kunden)
- Features extrahieren (alle verfügbaren Datenpunkte)
- ML-Modell trainieren (welche Features korrelieren mit Conversion?)
- Score für neue Leads berechnen
- Kontinuierlich mit neuen Daten verbessern
Typische Features:
- Firmografische Daten
- Technografische Daten (welche Tools nutzen sie?)
- Engagement-Historie
- Website-Verhalten (Seiten, Zeit, Frequenz)
- E-Mail-Interaktionen
- Social-Media-Signale
Vorteile gegenüber regelbasiertem Scoring:
- Kann nicht offensichtliche Muster finden
- Kann mit neuen Daten aktualisiert werden
- Reduziert manuelle Regelpflege teilweise
- Kann bei ausreichender Datenqualität genauer sein
Scoring optimieren
Regelmäßige Reviews:
- Regelmäßig: Score-Verteilung analysieren
- Periodisch: Conversion-Raten nach Score-Bucket prüfen
- Bei Markt- oder ICP-Änderungen: Kriterien überarbeiten
Metriken:
- MQL-to-SQL Conversion Rate
- SQL-to-Customer Conversion Rate
- Time-to-Conversion nach Score
- Score-Accuracy (wie gut prognostiziert der Score?)
Schritt für Schritt
Wie Lead Scoring zu fairer Priorisierung wird
Gemeinsames Ziel definieren
Marketing und Vertrieb legen gemeinsam fest, was einen passenden Kontakt ausmacht und welcher nächste Schritt sinnvoll ist. Die Punktzahl soll eine Arbeitsentscheidung unterstützen, nicht eine Person endgültig bewerten.
Relevante Signale auswählen
Nutze nur Daten, die einen nachvollziehbaren Bezug zum Angebot und zum Einverständnis der Person haben. Verhaltenssignale, Kontext und explizite Angaben brauchen klare Regeln und regelmäßige Prüfung.
Schwellen als Hypothese testen
Vergleiche, welche Punktestände tatsächlich zu hilfreichen Gesprächen oder Abschlüssen führen. Passe Modell und Übergaben an, wenn gute Kontakte systematisch übersehen oder zu früh angesprochen werden.
Feedback und Datenschutz einbauen
Dokumentiere Kriterien, Verantwortlichkeiten und Korrekturmöglichkeiten. Rückmeldungen aus Vertrieb und Marketing helfen, das Modell aktuell zu halten und ungeeignete Muster früh zu erkennen.
Konkretes Beispiel
Priorisierung unterstützt statt ersetzt
Ein Team erhält viele Anfragen zu einem komplexen B2B-Angebot. Der Vertrieb möchte zuerst Kontakte ansprechen, die ein konkretes Projekt und einen passenden Anwendungsfall erkennen lassen.
Signale sammeln
Das Team verbindet freiwillige Formularangaben, Interesse an passenden Inhalten und Rückmeldungen aus früheren Gesprächen. Eine hohe Punktzahl löst zunächst nur eine Prüfung durch eine zuständige Person aus.
Sinnvolle Übergabe
Kontakte mit einem klaren Bedarf erhalten schneller hilfreiche Informationen oder ein Gesprächsangebot. Kontakte in einer frühen Lernphase bekommen passende Inhalte, statt vorschnell mit einer Verkaufsansprache konfrontiert zu werden.
Einordnung
Vorteile und Grenzen
Das spricht dafür
- Hilft Teams, begrenzte Vertriebszeit auf passende nächste Schritte zu konzentrieren.
- Macht Kriterien für Übergaben zwischen Marketing und Vertrieb gemeinsam besprechbar.
- Ermöglicht eine systematische Prüfung von Qualität statt reiner Kontaktmenge.
Das solltest du beachten
- Schwache oder verzerrte Daten können passende Kontakte ungerecht übersehen lassen.
- Punktwerte ersetzen weder Einwilligung noch eine verantwortliche menschliche Entscheidung.
- Ein starres Modell veraltet, wenn Angebot, Zielgruppe oder Markt sich verändern.
Vertiefung · für FortgeschritteneVon Interesse zur passenden Ansprache
Priorisierung
- User Journey
- Alle Schritte eines Nutzers von der ersten Berührung bis zur langfristigen Bindung.
- Marketing Automation
- Automatisierung von Marketing-Kampagnen und Workflows mit KI-Unterstützung.
- CRM
- System zur Verwaltung von Kundenbeziehungen und -daten.
- Conversion Rate
- Anteil der Nutzer, die eine gewünschte Aktion ausführen.
- Datenschutz und DSGVO
- Der Schutz personenbezogener Daten im Kontext der DSGVO bei KI.