Lead Scoring: Leads priorisieren mit Punktesystem

ERKLÄRUNG

Einfach erklärt

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 prüfen

Warum 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.

Technischer Deep Dive

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?)

ANALOGIE

Lead Scoring ist wie ein Türsteher, der Gäste nach ihrer Kaufbereitschaft sortiert: VIPs (hoher Score) kommen sofort rein, Interessierte (mittlerer Score) auf die Warteliste, Schaulustige (niedriger Score) werden freundlich vertröstet.

WICHTIGSTE PUNKTE

Kombiniert demografische Daten (Firmengröße, Branche) mit Verhalten (Downloads, Seitenbesuche)

Ermöglicht Sales-Fokus auf Leads mit höherer erwarteter Abschlusswahrscheinlichkeit

Predictive Lead Scoring wird in datenreifen Teams häufiger eingesetzt

ANWENDUNGSFÄLLE

Sales-Priorisierung

Sales-Team fokussiert sich auf Leads mit höherem Score statt auf alle gleichzeitig

Marketing-Automation

Automatische Workflows basierend auf Score: Nurturing, Qualifizierung oder Sales-Übergabe

Lead-Qualifizierung

Objektive Kriterien für MQL/SQL-Übergabe statt Bauchgefühl

Ressourcen-Allokation

Marketing-Budget auf Kanäle konzentrieren, die hochwertige Leads liefern

HÄUFIGE FRAGEN

Was ist der Unterschied zwischen MQL und SQL?

MQL beschreibt meist einen Lead mit ausreichendem Interesse für Marketing- oder Nurturing-Schritte. SQL beschreibt einen Lead, der nach definierten Kriterien für Sales geeignet ist. Lead Scoring kann diese Übergänge unterstützen.

Wie setzt man Lead Scoring auf?

1. Ideales Kundenprofil definieren. 2. Scoring-Kriterien festlegen. 3. Punkte oder Modellfeatures definieren. 4. Schwellenwerte testen. 5. Mit Sales-Feedback und Conversion-Daten regelmäßig optimieren.

Kann Lead Scoring auch negative Punkte vergeben?

Ja. Negative Scoring kann bei Abmeldung, Bounce, unpassender Branche oder fehlendem Fit helfen. Es reduziert das Risiko, dass unpassende Leads hohe Scores erreichen.

Wie hilft KI beim Lead Scoring?

Predictive Lead Scoring analysiert historische Daten, um Muster zu erkennen, die mit Conversions korrelieren. Es kann nicht offensichtliche Signale finden, muss aber regelmäßig validiert und gegen Bias geprüft werden.

TOOLS & RESSOURCEN

HubSpot

Integriertes Lead Scoring mit Predictive-Funktionen

Salesforce

Lead-Scoring-Funktionen mit KI-basierter Priorisierung

Marketo

Fortgeschrittenes Lead Scoring für Enterprise

ActiveCampaign

Lead Scoring für KMU mit Automation

VERWANDTE BEGRIFFE

Marketing Digital

Customer Lifetime Value (CLV)

Der prognostizierte Gesamtwert, den ein Kunde über die gesamte Geschäftsbeziehung für ein Unternehmen generiert – eine zentrale Metrik für nachhaltige Geschäftsmodelle.

Marketing Digital

Conversion Rate

Der Prozentsatz der Nutzer, die eine gewünschte Aktion ausführen – vom Klick über die Anmeldung bis zum Kauf. Zentrale Metrik für die Bewertung von Marketing-Kampagnen und UX-Optimierung.

Marketing Praxis

Marketing Automation

Software-gestützte Automatisierung von Marketing-Prozessen – von E-Mail-Kampagnen über Lead Nurturing bis zu Social-Media-Planung, zunehmend ergänzt durch KI für Personalisierung und Optimierung.

Marketing Daten

Predictive Analytics

Der Einsatz von statistischen Modellen und Machine Learning, um aus historischen Daten Vorhersagen über zukünftige Ereignisse zu treffen – von Kundenabwanderung über Nachfrageprognosen bis zu Umsatzvorhersagen.

Marketing Digital

CRM (Customer Relationship Management)

Software und Strategie zur Verwaltung aller Kundeninteraktionen und -daten – die zentrale Plattform für Sales, Marketing und Service.