Lead-Scoring ist ein Modell, das Leads nach ihrer Kaufwahrscheinlichkeit einordnet — es verbindet firmografische Passung (wer sie sind) mit verhaltensbasierter Kaufabsicht (was sie tun). Ein funktionierendes Modell ermöglicht es Marketing, das oberste Dezil sofort an Sales weiterzuleiten, die mittlere Gruppe zu pflegen und die untere zu ignorieren. Ohne ein solches Modell verschwendet Sales 60 bis 80 Prozent der Nachfasszeit auf Leads, die nie abschließen werden.
Das Zwei-Achsen-Modell
Die meisten B2B-Teams bewerten anhand von zwei unabhängigen Achsen:
- Fit-Score (firmografisch). Branche, Mitarbeiterzahl, Umsatz, Geografie, Tech-Stack-Übereinstimmung mit Ihrem ICP. Bereich: 0 bis 100.
- Intent-Score (verhaltensbasiert). Aufgerufene Seiten, heruntergeladene Inhalte, geöffnete E-Mails, Webinar-Teilnahme, Demo-Anfragen, Rückkehrbesuche. Bereich: 0 bis 100.
Ein Lead mit hohem Fit und hoher Absicht ist ein heißer Inbound. Hoher Fit, niedrige Absicht ist ein Outbound-Ziel. Niedriger Fit, hohe Absicht ist ein Schaufensterkäufer — höflich deprioritisieren.
So entwerfen Sie das Modell
- Ziehen Sie 12 Monate Closed-Won und Closed-Lost. Das ist Ihr Trainingsset.
- Listen Sie Kandidaten-Signale auf. Firmografische Daten aus ZoomInfo oder Clearbit; verhaltensbasierte Daten aus Ihrer Marketing-Automation und Produktdaten.
- Führen Sie eine logistische Regression durch oder trainieren Sie bei sauberem Datensatz ein Modell. Es geht darum, Gewichtungen aus Daten zu lernen, nicht aus einem Workshop.
- Legen Sie Schwellenwerte fest. Das oberste Dezil wird MQL. Die nächsten 30 Prozent gehen in die Pflege. Die unteren 60 Prozent gehen in langfristige Kaltansprache oder werden unterdrückt.
- Monatlich überprüfen. Win Rates nach Score-Band zeigen Ihnen, ob das Modell kalibriert ist.
Ein einfaches, manuell abgestimmtes Modell schlägt im ersten Jahr oft ein komplexes ML-Modell, weil Sie 200 Wins haben, nicht 20.000.
Ziele und Benchmarks
Kalibrieren Sie den Score so, dass:
- Leads im obersten Dezil zu 30 bis 50 Prozent in Opportunities konvertieren
- Das MQL-Band zu 20 bis 35 Prozent in SQL konvertiert
- Der Lift zwischen oberstem und unterstem Dezil mindestens 5x beträgt
Wenn der Lift unter 3x liegt, lernt das Modell kaum etwas; bauen Sie es mit anderen Signalen neu auf.
Häufige Fehler
- Zu viele schwache Signalfelder hinzufügen. Jede Marketing-Formfrage reduziert die Conversion um 5 bis 10 Prozent. Scoren Sie auf Daten, die Sie anreichern können, nicht auf Daten, die Sie abfragen.
- Statische Schwellenwerte. Der ICP verändert sich jedes Jahr; die Schwellenwerte müssen es auch. Quartalsweise neu kalibrieren.
- Keine negativen Signale. Kostenlose E-Mail-Domain, Student als Titel, Konkurrenzunternehmen — das sollte Punkte abziehen, nicht ignoriert werden.
Verwandte Themen
- MQL vs SQL — was der Score bestimmt
- ICP — die Grundlage der Fit-Achse