Lead Scoring: welche Leads der Vertrieb zuerst bearbeiten sollte

Der Vertrieb bekommt morgens eine Liste mit Leads und einen Punktwert daneben. Zwei Kontakte stehen auf 90 Punkten. Der eine ist ein Einkäufer aus dem Zielsegment, der gestern die Preisseite und das Vergleichsdokument geöffnet hat. Der andere hat in zwei Wochen vierzehn Blogartikel gelesen und sich für drei Webinare angemeldet, arbeitet aber in einer Branche, an die nie verkauft wird. Gleiche Punktzahl, gegensätzliche Aussicht auf einen Abschluss.

Die Diskussion, die dann folgt, kennt jedes Team mit MQL/SQL-Übergabe: Der Vertrieb bestreitet die Qualität der Leads, das Marketing verteidigt seine Punktelogik, und niemand kann belegen, woher die 90 Punkte eigentlich kommen und was sie mit einem tatsächlichen Abschluss zu tun haben. Das Bild wiederholt sich, sobald Signale aus CRM, Marketing-Automation und Web-Tracking nebeneinander liegen, ohne dass eine gemeinsame Bewertungslogik sie zusammenführt.

Das ist kein Tool-Problem. Es ist eine Frage der Bewertungslogik und der Datengrundlage darunter:

Welcher Lead wird zuerst angerufen, und woran machen wir das fest? Misst unser Score Kaufabsicht oder nur Betriebsamkeit? Haben wir je geprüft, ob hohe Scores wirklich häufiger zu Abschlüssen führen? Wer verantwortet den Score, wenn Marketing und Vertrieb ihn unterschiedlich lesen?

Lead Scoring trägt erst, wenn es Eignung und Verhalten getrennt führt und das Ergebnis gegen echte Abschlüsse überprüft. Eine Punktsumme ohne diese Rückkopplung bewertet vor allem Aktivität und sagt wenig über die Abschlusswahrscheinlichkeit.

Wie ein Score zustande kommt, hängt vom Reifegrad ab. Es gibt zwei Stufen, und der Übergang dazwischen ist eine Datenfrage und hängt an der verfügbaren Historie.

Regelbasiertes Scoring vergibt feste Punkte nach manuell gesetzten Regeln: +15 für eine passende Position, +20 für einen Besuch der Preisseite, Abzüge für disqualifizierende Merkmale. Die Logik ist transparent und für jeden im Team nachvollziehbar. Sie ist der richtige Start, wenn noch wenig Historie vorliegt, etwa bei einem neuen Produkt oder einem frühen Markteintritt. Ihre Schwäche: Die Gewichte sind geraten. Niemand weiß, ob +20 für die Preisseite der richtige Wert ist, solange er nicht gegen Abschlüsse gemessen wurde.

Prädiktives Scoring ersetzt geratene Gewichte durch ein Modell, das aus abgeschlossenen Fällen lernt, welche Merkmale tatsächlich mit Abschlüssen korrelieren. Zwei Modellfamilien sind verbreitet. Die logistische Regression dient oft als Basislinie, weil sie ihre Gewichte offenlegt: Das Team sieht, warum ein Lead einen hohen Wert bekommt. Gradient-Boosting-Verfahren liefern auf komplexen, unausgewogenen B2B-Daten meist die höhere Treffergenauigkeit, in Backtests bis über 98 Prozent ROC AUC, allerdings auf Kosten der direkten Erklärbarkeit.

Der Wechsel von regelbasiert zu prädiktiv lohnt sich erst spät. Als Faustwert nennt die Praxis sechs bis zwölf Monate saubere Historie mit mehreren hundert Leads und über hundert gewonnenen Abschlüssen, damit ein Modell echte Muster statt Rauschen lernt. Darunter bleibt das regelbasierte Modell die korrekte Wahl und ist kein fauler Kompromiss.

Lead Scoring beantwortet eine eng umrissene Frage: Welchen einzelnen Lead bearbeitet der Vertrieb als Nächstes? Über den Bestandskunden danach, über sein Risiko und über die passende nächste Maßnahme sagt der Score nichts. Diese Lücken füllen Geschwister-Methoden im selben Hub:

• Wie sich der Kundenbestand in Gruppen mit ähnlichem Verhalten oder Wert einteilen lässt, zeigen wir in der Kundensegmentierung. Sie gruppiert bestehende Kunden für Kampagnen und Steuerung, während Lead Scoring einzelne Leads für eine Aktion priorisiert.
• Wie sich abwanderungsgefährdete Bestandskunden früh erkennen lassen, erklären wir in der Churn-Prediction. Sie nutzt dieselbe Propensity-Mechanik wie prädiktives Scoring, zielt aber auf das Risiko eines bestehenden Kunden statt auf den Abschluss eines Leads.
• Wie ein Score zu einer konkreten Maßnahme wird, führen wir in der Next Best Action aus. Dort dient der Lead-Score als eines von mehreren Eingangssignalen und steht am Anfang der Maßnahmen-Logik statt an ihrem Ende.

Die methodische Grundgröße hinter all dem ist die Abschluss- oder Reaktionswahrscheinlichkeit, die wir im Propensity Score definieren. Lead Scoring ist eine ihrer Anwendungen auf der Akquise-Seite. Soll die Priorisierung zusätzlich am erwarteten Wert ausgerichtet werden, lässt sich der Score mit dem Customer Lifetime Value kombinieren.

In der Reihenfolge gedacht: Lead Scoring liefert die Vertriebspriorität für neue Kontakte, Segmentierung ordnet den Bestand, Churn-Prediction sichert ihn, Next Best Action verbindet beides zu Maßnahmen.

Lead Scoring schafft schnell Klarheit darüber, welche Leads zuerst Aufmerksamkeit verdienen. Für eine belastbare und dauerhaft korrekte Priorisierung reicht diese Sicht allein jedoch nicht aus. Vier Grenzen sind vor dem Einsatz zu kennen.

Aktivität ist nicht Absicht. Viele Signale korrelieren schwächer mit Abschlüssen, als die vergebenen Punkte suggerieren. Ein häufig genanntes Beispiel sind E-Mail-Klicks, die durch Sicherheits-Bots verfälscht werden und kaum noch Aussagekraft tragen. Wer solche Signale ungeprüft hoch gewichtet, füllt die Übergabe mit betriebsamen, aber uninteressierten Kontakten.

Kaltstart bei neuen Leads. Ein frischer Lead hat noch kaum Verhalten gezeigt und kaum Historie. Prädiktive Modelle haben hier wenig, woraus sie schließen können. In dieser Phase trägt die firmografische Eignung den Score stärker, und ein regelbasierter Anteil bleibt sinnvoll.

Daten-Bias. Ein Modell lernt aus vergangenem Verhalten. Wenn der Vertrieb bisher überwiegend in einer Branche abgeschlossen hat, lernt das Modell, andere Branchen abzuwerten, und verstärkt das bestehende Muster. Aus einer historischen Verzerrung wird eine sich selbst bestätigende Vorhersage. Die Ursache liegt in den Trainingsdaten und muss bei der Validierung sichtbar gemacht werden.

Automatisierte Bewertung und DSGVO. Im B2B ist Lead Scoring rechtlich Profiling. Artikel 22 DSGVO gibt Betroffenen das Recht, nicht ausschließlich einer automatisierten Entscheidung mit erheblicher Wirkung unterworfen zu werden. Praktisch bedeutet das drei Dinge: eine dokumentierte Rechtsgrundlage, nachvollziehbare Logik statt Blackbox und eine menschliche Prüfung, bevor aus einem Score eine Handlung wird. Wenn der Vertrieb den Kontext eines Scores prüft, bevor er handelt, ist das zugleich guter Stil und ein Teil der rechtlichen Absicherung.

Trotz dieser Grenzen trägt Lead Scoring den Kern, für den es gedacht ist: eine begründete Reihenfolge statt einer geratenen. Der Pfad zur Erweiterung führt über die Validierung. Ein Modell sollte vor dem Einsatz gegen die letzten Monate Historie getestet und gegen das bestehende Regelwerk verglichen werden (Champion/Challenger), und diese Prüfung gehört wiederholt, sobald sich Sortiment, Markt oder Funnel verändern.

Sobald Vertriebsentscheidungen am Score hängen, sollte er regelmäßig, reproduzierbar und überwacht im Data Warehouse berechnet werden, nicht in einer manuell gepflegten Punktetabelle im Marketing-Tool.