Nicht jeder Lead ist gleich wertvoll. Lead Scoring hilft, die vielversprechendsten Kontakte zu identifizieren und Sales-Ressourcen optimal einzusetzen. Wie baut man ein effektives Scoring-Modell?
Was ist Lead Scoring?
Lead Scoring ist ein Punktesystem, das Leads basierend auf bestimmten Kriterien bewertet. Je höher der Score, desto wahrscheinlicher ist eine erfolgreiche Conversion.
Warum Lead Scoring?
Ohne Scoring: - Sales behandelt alle Leads gleich - Wertvolle Zeit mit unqualifizierten Leads - Heiße Leads werden nicht priorisiert - Lange Response-Zeiten
Mit Scoring: - Fokus auf High-Potential-Leads - Schnellere Follow-ups bei heißen Leads - Bessere Conversion Rates - Effizienterer Ressourceneinsatz
Scoring-Dimensionen
1. Fit Score (Firmographisch)
Passt das Unternehmen zum ICP?
| Kriterium | Beispiel-Scoring |
|---|---|
| Branche (primär ICP) | +30 |
| Branche (sekundär ICP) | +15 |
| Unternehmensgröße ideal | +25 |
| Unternehmensgröße akzeptabel | +10 |
| Region passt | +15 |
| Rechtsform passend | +5 |
| Technologie-Stack passt | +10 |
2. Engagement Score (Verhalten)
Wie interessiert ist der Lead?
| Aktivität | Scoring |
|---|---|
| Website-Besuch (eine Seite) | +2 |
| Website-Besuch (3+ Seiten) | +5 |
| Pricing-Seite besucht | +15 |
| Content heruntergeladen | +10 |
| Webinar angemeldet | +20 |
| Demo angefordert | +50 |
| E-Mail geöffnet | +2 |
| E-Mail Link geklickt | +5 |
| Sales E-Mail beantwortet | +25 |
3. Zeitbasierter Score (Recency)
Wie aktuell ist die Aktivität?
| Zeitraum | Multiplikator |
|---|---|
| Letzte 24h | 1,5x |
| Letzte 7 Tage | 1,0x |
| 7-30 Tage | 0,7x |
| 30-90 Tage | 0,4x |
| >90 Tage | 0,2x |
4. Intent Score (Kaufsignale)
Zeigt der Lead Kaufabsicht?
| Signal | Scoring |
|---|---|
| Finanzierungsrunde (Startup) | +40 |
| Führungswechsel relevant | +30 |
| Stellenausschreibung im Bereich | +20 |
| Expansion angekündigt | +25 |
| Wettbewerber-Research | +35 |
| Konkret Budget genannt | +50 |
Scoring-Modell aufbauen
Schritt 1: Analyse gewonnener Deals
Rückblickend analysieren: - Welche firmographischen Merkmale hatten gewonnene Kunden? - Welches Engagement-Verhalten vor Abschluss? - Welche Zeitspannen typisch?
Schritt 2: Analyse verlorener Deals
Gegenprüfung: - Was unterscheidet verlorene von gewonnenen? - Welche Merkmale korrelieren mit Ablehnung? - Gibt es Ausschlusskriterien?
Schritt 3: Gewichtung festlegen
Beispiel-Gewichtung:
| Dimension | Gewicht |
|---|---|
| Fit Score | 35% |
| Engagement Score | 35% |
| Intent Score | 20% |
| Recency | 10% |
Schritt 4: Schwellwerte definieren
| Score | Kategorie | Aktion |
|---|---|---|
| >100 | Hot Lead | Sofort anrufen |
| 70-100 | Warm Lead | Innerhalb 24h kontaktieren |
| 40-70 | Marketing Qualified | Nurturing |
| <40 | Cold | Automatisiertes Nurturing |
Schritt 5: Negative Scoring
Punkte abziehen für:
| Kriterium | Scoring |
|---|---|
| Disqualifier-Branche | -50 |
| Zu klein | -30 |
| Keine Aktivität 90+ Tage | -20 |
| E-Mail Bounce | -15 |
| Unsubscribe | -40 |
| Wettbewerber | -100 |
Praktisches Beispiel
Lead A: Software-Startup
Fit Score:
+ Branche IT: +30
+ 50-200 MA: +25
+ DACH: +15
= 70 Punkte × 35% = 24,5
Engagement Score:
+ 5 Website-Besuche: +15
+ Whitepaper geladen: +10
+ Demo angefordert: +50
= 75 Punkte × 35% = 26,25
Intent Score:
+ Series A vor 2 Monaten: +40
= 40 Punkte × 20% = 8
Recency (letzte 3 Tage):
Multiplikator: 1,0
────────────────────────
Gesamt-Score: 58,75 × 1,0 = 59
→ Warm Lead, innerhalb 24h kontaktieren
Lead B: Industrieunternehmen
Fit Score:
+ Branche Maschinenbau: +15 (sekundär)
+ 500+ MA: +20
+ DACH: +15
= 50 Punkte × 35% = 17,5
Engagement Score:
+ 1 Website-Besuch: +2
+ Newsletter angemeldet: +5
= 7 Punkte × 35% = 2,45
Intent Score:
- Keine Signale: 0
Recency (vor 45 Tagen):
Multiplikator: 0,4
────────────────────────
Gesamt-Score: 19,95 × 0,4 = 8
→ Cold, automatisiertes Nurturing
Firmographische Daten im Scoring
Welche Daten nutzen?
| Datenquelle | Scoring-Relevanz |
|---|---|
| Branchencode | Fit-Bewertung |
| Mitarbeiterzahl | Größen-Fit |
| Umsatz | Budget-Potenzial |
| Wachstum | Investitionsbereitschaft |
| Eigenkapitalquote | Finanzkraft |
| Gründungsjahr | Stabilität |
| Gesellschafterstruktur | Entscheidungskomplexität |
Diese Daten helfen auch bei der Vorbereitung von Kaltakquise und der Auswahl der richtigen B2B-Leadquellen.
Automatisierte Anreicherung
Firmendaten können automatisch hinzugefügt werden: - Bei Lead-Erfassung - Über API-Integration - Batch-Anreicherung
Beispiel-Workflow:
Neuer Lead (E-Mail)
↓
Firma identifizieren
↓
Firmendaten abrufen
↓
Fit Score berechnen
↓
CRM aktualisieren
↓
Score-basierte Zuweisung
Scoring optimieren
Regelmäßige Review
Quartalsweise prüfen: - Korreliert Score mit Conversion? - Werden High-Scorer wirklich Kunden? - Welche Kriterien haben keine Aussagekraft?
A/B-Testing
Unterschiedliche Scoring-Modelle testen: - Verschiedene Gewichtungen - Neue Kriterien - Score-Schwellwerte
Feedback-Loop
Sales-Feedback einbauen: - Warum wurden Leads abgelehnt? - Was hat bei Gewinn/Verlust den Ausschlag gegeben? - Welche Informationen fehlen?
Häufige Fehler
1. Zu viele Kriterien
Komplexität ≠ Genauigkeit. 10-15 Kriterien reichen meist.
2. Keine Negativpunkte
Ohne Abzüge können schlechte Leads durch viel Aktivität hohe Scores erreichen.
3. Statisches Modell
Einmal eingerichtet und nie angepasst. Märkte und ICP ändern sich.
4. Ignorieren des Zeitfaktors
Ein Lead, der vor 6 Monaten aktiv war, ist nicht mehr heiß.
5. Nur Engagement, kein Fit
Engagement ohne Fit ist verschwendete Zeit. Der beste Lead ist der, der passt UND interessiert ist.
Integration in Tools
CRM-Integration
| CRM | Scoring-Funktionen |
|---|---|
| Salesforce | Lead Scoring nativ + Einstein |
| HubSpot | Predictive Lead Scoring |
| Pipedrive | Basic Scoring |
| Microsoft Dynamics | Lead Scoring |
Marketing Automation
| Tool | Stärken |
|---|---|
| Marketo | Komplexe Modelle |
| Pardot | Salesforce-Integration |
| ActiveCampaign | SMB-freundlich |
| HubSpot | All-in-One |
Datenanreicherung
| Anbieter | Daten |
|---|---|
| Firmendatenbanken | Firmographische Daten |
| LinkedIn Sales Navigator | Personendaten |
| Intent Data Provider | Kaufsignale |
Fazit
Lead Scoring transformiert den B2B-Vertrieb von reaktiv zu proaktiv. Statt alle Leads gleich zu behandeln, ermöglicht ein gutes Scoring die Konzentration auf die vielversprechendsten Opportunities.
Erfolgsfaktoren: 1. Balance zwischen Fit und Engagement 2. Aktualität berücksichtigen (Recency) 3. Negative Signale einbeziehen 4. Regelmäßig optimieren 5. Firmographische Daten als Basis
Der perfekte Score existiert nicht – aber ein kontinuierlich verbessertes Modell führt zu signifikant besserer Conversion.
Leads mit Daten anreichern: Firmium liefert firmographische Daten zur automatischen Lead-Anreicherung und Scoring.