Lead Scoring

Lead Scoring ist ein Verfahren, das jeden Vertriebs-Kontakt (Lead) nach seiner Kaufwahrscheinlichkeit bewertet und daraus eine Reihenfolge für den Vertrieb erzeugt. Die Bewertung kombiniert Fit-Merkmale (wer ein Lead ist: Branche, Firmengröße, Position) mit Engagement-Signalen (was ein Lead tut: Website-Besuch, Download, Demo-Anfrage).

Was ist Lead Scoring?

Lead Scoring ordnet eingehende Kontakte nach ihrer Kaufwahrscheinlichkeit, damit der Vertrieb weiß, wen er zuerst anruft. Aus einer ungeordneten Menge an Leads entsteht eine Reihenfolge, an der sich die knappe Vertriebskapazität ausrichtet. Der Score liegt entweder als Punktzahl (etwa 0 bis 100) oder als Wahrscheinlichkeit (0 bis 100 Prozent) vor und wird pro Lead im Kundendaten-System (Customer Relationship Management, kurz CRM) oder im Marketing-Automation-Tool (Software, die E-Mails, Formulare und Web-Verhalten zusammenführt) geführt. Der Begriff existiert, weil eine gleichverteilte Bearbeitung aller eingehenden Leads wirtschaftlich selten trägt: Vertriebszeit ist teuer, die Kaufwahrscheinlichkeit zwischen Leads variiert stark, und ohne explizite Priorisierung setzt sich eine implizite durch (Reihenfolge des Eingangs, persönliche Präferenz des Vertriebs, Sichtbarkeit im Tool).

Zwei Signalklassen bilden die Datenbasis. Firmografische Merkmale beschreiben, wer ein Lead ist: Branche, Unternehmensgröße, Region, Position der Ansprechperson, Übereinstimmung mit dem Idealkundenprofil (ICP). Verhaltensbasierte Signale beschreiben, was ein Lead tut: Besuche der Preis- oder Vergleichsseite, Whitepaper-Download, Demo-Anfrage, Trial-Nutzung, Klick- und Öffnungsraten in E-Mail-Strecken, Teilnahme an Webinaren. Etablierte Modelle führen die beiden Klassen als getrennte Achsen und kombinieren sie erst am Ende zu einer Entscheidungsregel (Fit-Engagement-Matrix), damit ein aktiver Lead ohne Fit nicht dieselbe Punktzahl erreicht wie ein passender Lead mit klarem Kaufsignal.

Methodisch gibt es zwei Umsetzungsarten. Regelbasiertes Lead Scoring vergibt feste Punktwerte je Eigenschaft oder Ereignis (etwa +20 für passende Branche, +15 für Demo-Anfrage, −10 für privates E-Mail-Postfach). Es ist nachvollziehbar, ohne Trainingsdaten umsetzbar und der übliche Einstieg. Predictive Lead Scoring nutzt ein überwachtes Machine-Learning-Modell (Logistic Regression, Gradient Boosting, Random Forest), das auf historischen Deals als Label trainiert wird (abgeschlossene und nicht abgeschlossene Opportunities aus dem CRM). Voraussetzung sind eine ausreichende Zahl abgeschlossener Fälle, ein sauberes Deal-Label und ein Feature-Set, das über Marketing-Automation-Punkte hinausgeht (First-Touch-Kanal, Zeit bis zur zweiten Interaktion, konsumierte Content-Typen, Firmografie aus externen Anreicherungsdiensten).

Der Score entfaltet Wirkung erst im Prozess. Ein Schwellenwert definiert den Übergang von Marketing Qualified Lead (MQL) zu Sales Qualified Lead (SQL); über dem Schwellenwert übernimmt der Vertrieb, darunter läuft weiteres Nurturing. Ohne diese prozessuale Verankerung bleibt Lead Scoring eine Zahl im Tool.

Abgrenzung: Propensity Modeling, Customer Segmentation, Churn Prediction, MQL/SQL

Lead Scoring wird häufig mit verwandten Verfahren und Prozess-Konstrukten vermischt. Die Abgrenzung verläuft entlang mehrerer Achsen: Zielgröße, Grundmenge, Analyse-Objekt und Ebene (Modell vs. Prozess).

Am häufigsten überschneidet sich Lead Scoring mit dem MQL/SQL-Prozess und mit Customer Segmentation. Die MQL/SQL-Übergabe braucht eine Schwellenwert-Entscheidung auf dem Score, die Governance (wer legt den Schwellenwert fest, wer misst die Conversion), aber keine eigene Zahl. Customer Segmentation greift, wenn der Bestand in unterschiedliche Kundengruppen zerlegt und pro Gruppe differenziert angesprochen wird. Beides ist orthogonal zum Lead-Score: Ein Lead kann gleichzeitig einen hohen Score haben und nach Abschluss in ein bestimmtes Kundensegment fallen.

Beispiel: Zweiachsiges Lead Scoring in B2B-SaaS

Ein B2B-SaaS-Anbieter mit rund 6.000 Leads pro Quartal führt einen zweiachsigen Score im CRM. Der Fit-Score speist sich aus fünf firmografischen Merkmalen (Branche, Firmengröße nach Mitarbeiterzahl, Region, Position der Ansprechperson, Technologie-Stack aus einer externen Anreicherung) und ergibt eine Punktzahl zwischen 0 und 50. Der Engagement-Score aggregiert Verhaltenssignale aus Marketing-Automation und Produkt-Telemetrie über ein rollierendes 60-Tage-Fenster (Website-Besuche, Whitepaper-Downloads, Demo-Anfrage, Trial-Nutzung, E-Mail-Klicks) und ergibt ebenfalls 0 bis 50.

Die Entscheidungsregel liegt in einer Fit-Engagement-Matrix: Fit hoch (>30) und Engagement hoch (>30) werden als SQL an den Vertrieb übergeben und im CRM auf eine tägliche Bearbeitungsliste priorisiert nach dem Produkt der beiden Scores gesetzt. Fit hoch und Engagement niedrig bleibt im Nurturing des Marketings mit gezielten Inhalten. Fit niedrig und Engagement hoch wird disqualifiziert oder in eine Beobachtungsliste verschoben. Fit niedrig und Engagement niedrig verbleibt in der allgemeinen Newsletter-Strecke.

Nach 18 Monaten Betrieb liegen genügend abgeschlossene Deals (rund 900 Won und 1.400 Lost) vor, um ein Predictive-Modell zu trainieren. Ein Gradient-Boosting-Modell nutzt die bisherigen Score-Merkmale plus Zeit- und Sequenz-Features (Tage bis zur zweiten Interaktion, First-Touch-Kanal, Content-Typ-Sequenz) und ersetzt die manuellen Punktregeln durch eine kalibrierte Abschluss-Wahrscheinlichkeit. Die Fit-Engagement-Matrix bleibt als Übergabelogik erhalten; nur die Zahlen darin stammen jetzt aus dem Modell. Vergleichbare Architekturen finden sich in erklärungsbedürftigen B2B-Geschäften mit längerer Sales-Cycle-Dauer, im Solution-Sales technischer Softwarehäuser und im mittelständischen Industriegütervertrieb.