Die meisten B2B-Teams haben kein Lead-Scoring-Problem. Sie haben ein Lead-Scoring-Modell-Problem. Alle sind sich einig, dass manche Leads wichtiger sind als andere, jemand öffnet das CRM, und dann erstarrt das ganze Team bei derselben Frage: Wie soll das Modell eigentlich aussehen? Punkte? Noten? Irgendein Machine-Learning-Verfahren, das der Anbieter letztes Quartal vorgeführt hat? Das Ergebnis ist meist gar kein Modell.
Dieser Beitrag klärt diese Entscheidung. Es gibt eigentlich nur drei Lead-Scoring-Modelle, die Sie kennen müssen, und die meisten Unternehmen sollten mit dem einfachsten beginnen. 68% der besonders erfolgreichen Marketer betrachten Lead Scoring als einen der wichtigsten Treiber ihres Umsatzerfolgs, das Potenzial ist also real - aber nur, wenn das Modell zu Ihren Daten und Ihrem Team passt. Wie Scoring in den größeren Funnel eingebettet ist, zeigt unser Leitfaden zum B2B Lead Management. Die Mechanik der Auswahl von Fit- und Verhaltenssignalen behandelt unsere Anleitung zum Lead-Scoring-Setup, auf der dieser Beitrag aufbaut.
Was ein Lead-Scoring-Modell wirklich ist
Ein Lead-Scoring-Modell ist das Regelwerk, das Ihr Wissen über einen Lead in eine einzige Entscheidung übersetzt: jetzt verfolgen, nurturen oder ignorieren. Es ist nicht die Software, und es ist nicht der Akt des Bewertens. Es ist die Logik - welche Signale zählen, wie viel jedes davon wert ist und wo die Schwelle liegt.
Jedes Modell beantwortet dieselben zwei Fragen. Sieht dieser Lead wie ein Kunde aus (Fit), und verhält er sich wie ein Käufer (Verhalten)? Die Modelle unterscheiden sich nur darin, wie sie diese beiden Antworten kombinieren und wie viel der Arbeit ein Mensch statt einer Maschine erledigt. Bringen Sie die Logik zuerst auf dem Papier in Ordnung. Das Tool, in dem Sie sie umsetzen, ist weit weniger wichtig, als die meisten Teams annehmen.
Die drei Lead-Scoring-Modelle zur Auswahl
Ignorieren Sie die Anbieter-Taxonomien. In der Praxis gibt es drei Modelle, und sie bilden eine Leiter. Die meisten B2B-Teams sollten auf der untersten Sprosse beginnen und erst aufsteigen, wenn die Daten es rechtfertigen.
1. Punktbasiert (manuelle Regeln). Sie vergeben Punkte für jedes Fit- und Verhaltenssignal, addieren sie und routen über eine Schwelle. Es ist transparent, schnell aufgebaut und für den Vertrieb leicht nachvollziehbar, weil sichtbar ist, warum ein Lead so bewertet wurde.
2. Gestufte Bewertung (A/B/C/D-Matrix). Sie bewerten Fit und Verhalten getrennt und ordnen jeden Lead in ein Raster ein. Ein A1 ist hoher Fit und hohes Verhalten. Ein D4 ist keines von beidem. So heben sich die beiden Dimensionen nicht gegenseitig auf, der häufigste Fehler eines Modells mit einer einzigen Punktzahl.
3. Prädiktiv (KI/ML). Ein Algorithmus lernt aus Ihrer Historie gewonnener und verlorener Abschlüsse und weist jedem Lead eine Conversion-Wahrscheinlichkeit zu. Es gibt keine manuelle Gewichtung. Das Verfahren braucht Volumen und saubere Ergebnisdaten, also genau das, was den meisten frühphasigen Teams noch fehlt.
Unternehmen mit KI-gestütztem Lead Scoring berichten von 40% höherer Qualifizierungsgenauigkeit gegenüber manuellen oder regelbasierten Systemen - ein echter Vorteil, den Sie aber erst nutzen, wenn die Datenhistorie zum Trainieren vorhanden ist.
So bauen Sie Ihr erstes Modell in fünf Schritten
Beginnen Sie punktbasiert. Aufsteigen können Sie später. Hier ist der Aufbau, in Reihenfolge.
Schritt 1: Listen Sie Ihre Fit-Signale. Nehmen Sie diese direkt aus Ihrem idealen Kundenprofil: Unternehmensgröße, Branche, Rolle, Region. Fünf Signale reichen für den Anfang.
Schritt 2: Listen Sie Ihre Verhaltenssignale. Aufrufe der Preisseite, Demo-Anfragen, wiederholte Besuche, Downloads mit hoher Kaufabsicht. Wählen Sie die fünf, die historisch einem echten Vertriebsgespräch vorausgehen.
Schritt 3: Vergeben Sie Gewichte. Geben Sie den Aktionen die meisten Punkte, die einem Kauf am nächsten sind. Eine Demo-Anfrage sollte einen einzelnen Blogbesuch deutlich überwiegen. Vergeben Sie Minuspunkte für klare Nicht-Käufer, etwa kostenlose E-Mail-Domains oder Standorte außerhalb Ihrer Zielregion.
Schritt 4: Setzen Sie die Schwelle. Schauen Sie auf sechs Monate gewonnener Abschlüsse zurück, bewerten Sie diese rückwirkend mit Ihrem neuen Modell und finden Sie den Punkt, an dem sich die Gewinner vom Rest abheben. Diese Grenze ist Ihre MQL-Linie.
Schritt 5: Testen Sie, bevor Sie vertrauen. Lassen Sie das Modell einige Wochen still im Hintergrund laufen. Vergleichen Sie, was es markiert, mit dem, was der Vertrieb tatsächlich bearbeiten wollte. Passen Sie die Gewichte an und schalten Sie dann das Routing ein. Nichts an diesen fünf Schritten erfordert KI. Ein klares Modell, an das der Vertrieb glaubt, schlägt ein ausgefeiltes, das er stillschweigend ignoriert.
Wann Sie von Regeln auf Prädiktiv umsteigen sollten
Prädiktives Scoring rechtfertigt seine Komplexität im großen Maßstab, nicht davor. Drei Bedingungen sollten erfüllt sein, bevor Sie den Schritt machen.
Volumen. Das Modell braucht Hunderte von Conversions zum Lernen, nicht Dutzende. Wenn Ihr Vertriebszyklus 20 Abschlüsse pro Jahr hervorbringt, hat ein Algorithmus fast nichts zum Trainieren und lernt am Ende nur Zufälle.
Saubere Daten. Prädiktive Modelle erben die Qualität Ihres CRM. Wenn Lead-Quellen, Ablehnungsgründe und Ergebnisse uneinheitlich erfasst sind, lernt der Algorithmus schlicht das Rauschen.
Ein bereits funktionierendes Regelmodell. Der schnellste Weg zu einem guten prädiktiven Modell ist ein ausgereiftes manuelles. Es sagt Ihnen bereits, welche Signale zählen, und das ist das perfekte Merkmalsset für einen Algorithmus.
Wenn diese Bedingungen erfüllt sind, ist der Nutzen messbar. Unternehmen mit Machine-Learning-basiertem Lead Scoring berichten von 75% höheren Conversion-Raten gegenüber traditionellen Scoring-Methoden. Der Fehler besteht darin, am ersten Tag nach dieser Zahl zu greifen, bevor die Daten sie stützen können.
Fazit
Es gibt nicht das eine beste Lead-Scoring-Modell, nur das richtige für Ihre aktuellen Daten. Beginnen Sie punktbasiert, wechseln Sie zur gestuften Bewertung, wenn Fit und Verhalten ständig kollidieren, und steigen Sie auf prädiktiv um, sobald Sie das Volumen und die saubere Historie dafür haben. Das Modell ist nie fertig - es ist ein System, das Sie jedes Quartal an echten Vertriebsergebnissen kalibrieren. Das vollständige Bild, wie Scoring Leads durch Ihren Funnel leitet, liefert unser kompletter Leitfaden zum B2B Lead Management.
Häufig gestellte Fragen
Mit welchem Lead-Scoring-Modell sollte ein kleines B2B-Team beginnen?
Beginnen Sie mit einem punktbasierten Modell. Es ist in etwa einem Tag im CRM eingerichtet, der Vertrieb sieht genau, warum ein Lead so bewertet wurde, und es funktioniert bei geringem Volumen. Prädiktive Modelle brauchen Monate sauberer Conversion-Daten, bevor sie ein gut gebautes manuelles Modell übertreffen, und ergeben daher für kleine oder frühphasige Teams selten Sinn.
Was ist der Unterschied zwischen punktbasiertem und gestuftem Lead Scoring?
Ein punktbasiertes Modell addiert alle Signale zu einer Zahl, wodurch ein stark engagierter Lead mit schlechtem Fit einen ruhigen Lead mit perfektem Fit überholen kann. Die gestufte Bewertung bewertet Fit und Verhalten auf getrennten Achsen und ordnet jeden Lead in ein Raster ein (zum Beispiel A1 bis D4), sodass sich die beiden Dimensionen nie gegenseitig aufheben. Gestuft ist die bessere Wahl, sobald dieser Konflikt Ihr Routing beeinträchtigt.
Brauche ich KI, um ein Lead-Scoring-Modell aufzubauen?
Nein. Die meisten B2B-Teams holen den Großteil des Nutzens aus einem einfachen punktbasierten oder gestuften Modell, das auf selbst gewählten Regeln beruht. KI und prädiktives Scoring steigern die Genauigkeit im großen Maßstab, aber erst, wenn genügend saubere historische Daten zum Trainieren vorliegen. Bauen Sie zuerst das regelbasierte Modell - es zeigt zugleich, welche Signale ein späteres prädiktives Modell gewichten sollte.