Zum Inhalt springen

Blog

Marketing & Growth

KI-Lead-Scoring in Ihrem CRM: Beginnen Sie mit den Regeln, denen Sie bereits vertrauen

Führen Sie KI-Lead-Scoring ein, indem Sie die Regeln aufschreiben, denen der Vertrieb bereits vertraut, die CRM-Daten bereinigen und den KI-Score gegen diese Regeln testen, bevor Vertriebsmitarbeiter ihn nutzen.

7 Min. Lesezeit
Gedithertes Bild eines zersplitterten Marmorgesichts, das auf das Tablett eines Juweliers hinabblickt, auf dem Edelsteine nach Größe sortiert sind, der größte Stein glüht bernsteinfarben unter einer Messinglampe.
Facebook-Logo
X-Logo
LinkedIn-Logo
Reddit-Logo
Telegram-Logo

Ein B2B-Unternehmen sollte KI-Lead-Scoring einführen, indem es zuerst die Regeln aufschreibt, denen sein Vertriebsteam bereits vertraut, die CRM-Felder bereinigt, von denen diese Regeln abhängen, und dann den KI-Score einige Wochen neben dem regelbasierten Score laufen lässt. Lassen Sie Vertriebsmitarbeiter erst dann auf den KI-Score reagieren, wenn er mit abgeschlossenen Deals mindestens so gut übereinstimmt wie die Regeln.

Stellen Sie sich ein Softwareunternehmen vor, das an Logistikfirmen verkauft. Seine Vertriebsleiterin erkennt einen guten Lead, wenn sie ihn sieht: ein Unternehmen mit mehr als nur ein paar Lkw, eine Position mit „Operations“ im Titel und eine Demo-Anfrage statt eines E-Book-Downloads. Nichts davon ist aufgeschrieben. Das Marketing schaltet im CRM einen KI-Score ein, und binnen einer Woche rufen Vertriebsmitarbeiter Studierende an, die drei Whitepaper heruntergeladen haben, während ein Fuhrparkleiter, der nach Preisen gefragt hat, am Ende der Liste sitzt. Das Team hört auf, auf den Score zu sehen, und gewinnt sein Vertrauen nie zurück.

Was ist KI-Lead-Scoring?

KI-Lead-Scoring ist ein Score in Ihrem CRM, den ein Machine-Learning-Modell berechnet, indem es jeden neuen Lead mit den Leads vergleicht, die in der Vergangenheit konvertiert oder nicht konvertiert sind. Ein regelbasierter Score dagegen addiert und subtrahiert Punkte für Kriterien, die ein Mensch gewählt hat.

Beide Arten beantworten dieselbe Frage: Welche Leads sollte der Vertrieb zuerst anrufen? Der Unterschied liegt darin, wer entscheidet, was zählt. Bei Regeln entscheidet Ihr Team und kann jedes Kriterium lesen. Bei KI findet das Modell das Muster in Ihrer Historie, was Signale zutage fördern kann, an die niemand gedacht hat, aber auch jede Lücke und jeden Bias dieser Historie erbt.

Wie gehen HubSpot und Salesforce mit KI-Lead-Scoring um?

HubSpot kann mit KI einen Kontakt-Score entwerfen, den Sie wie einen regelbasierten Score prüfen und bearbeiten, während Salesforce Einstein Lead Scoring aus Ihren konvertierten Leads ein Vorhersagemodell baut und Vertriebsmitarbeitern zeigt, welche Felder jeden Score nach oben oder unten gedrückt haben. Beide hängen davon ab, dass Ihre früheren Konversionen ordentlich erfasst sind.

So verhalten sich die beiden im Vergleich, entnommen den Hilfeseiten der jeweiligen Anbieter (geprüft im November 2026):

  • HubSpot Lead Scoring: Was es ist: ein Lead-Scoring-Tool mit Fit-Scores (basierend auf Eigenschaftswerten), Engagement-Scores (basierend auf Aktionen) und kombinierten Scores. KI-Option: mit KI erstellte Kontakt-Scores, die Kontakte bewerten, die zwischen zwei von Ihnen gewählten Lebenszyklusphasen gewechselt sind, und Kriterien und Punkte empfehlen. Kontrolle: Sie bearbeiten die empfohlenen Kriterien, bevor Sie den Score einschalten. Tarif: Kontakt-Scores brauchen Marketing Hub Professional oder Enterprise; mit KI erstellte Kontakt-Scores brauchen Marketing Hub Enterprise.

  • Salesforce Einstein Lead Scoring: Was es ist: ein Vorhersagemodell, das frühere konvertierte Leads einschließlich benutzerdefinierter Felder und Aktivitätsdaten analysiert und aktuelle Leads danach bewertet, wie genau sie passen. Benötigte Daten: mindestens 1.000 in den letzten 200 Tagen angelegte Leads, davon mindestens 120 konvertiert, laut den Hinweisen zur Einrichtung von Salesforce; bei weniger nutzt es ein globales Modell aus anonymen Daten vieler Salesforce-Kunden. Kontrolle: Vertriebsmitarbeiter sehen die wichtigsten positiven und negativen Faktoren für jeden Score. Tarif: erfordert Sales Cloud Einstein, enthalten in den Editionen Performance und Unlimited und in Enterprise gegen Aufpreis erhältlich.

Der praktische Unterschied: Die KI von HubSpot gibt Ihnen einen Satz Regeln, die Sie lesen und ändern können. Einstein gibt Ihnen ein Modell, das Sie über seine Top-Faktoren einsehen, aber nicht Kriterium für Kriterium bearbeiten können. Wenn Sie noch ein CRM auswählen, behandelt unser Vergleich von HubSpot und GoHighLevel für Dienstleistungsunternehmen die weiteren Abwägungen.

Warum mit den Regeln beginnen, denen Sie bereits vertrauen?

Regeln, denen Sie bereits vertrauen, geben Ihnen eine Ausgangsbasis, an der Sie die KI messen, und einen Score, den Vertriebsmitarbeiter vom ersten Tag an nutzen. Ohne Ausgangsbasis können Sie nicht sagen, ob der KI-Score besser ist, nur dass er anders ist.

Eine Marmorhand fährt die eingemeißelten Zeichen eines verwitterten Meilensteins neben einer alten römischen Straße in der Dämmerung nach, das tiefste Zeichen glüht bernsteinfarben

Die meisten Vertriebsteams bewerten Leads bereits im Kopf. Diese Regeln aufzuschreiben bewirkt drei Dinge:

  1. Es legt Uneinigkeit offen. Vertrieb und Marketing haben oft unterschiedliche Definitionen eines guten Leads. Klären Sie das, bevor ein Modell aus dem CRM lernt.

  2. Es zeigt, welche Felder zählen. Wenn die Regeln von Unternehmensgröße und Jobtitel abhängen, müssen diese Felder ausgefüllt und einheitlich sein, für die Regeln und für die KI.

  3. Es gibt der KI etwas, das sie schlagen muss. Ein Modell, das eine Seite Regeln, die Ihr Team an einem Nachmittag geschrieben hat, nicht übertreffen kann, ist die Kosten und die Intransparenz nicht wert.

Ein guter erster Regelsatz ist kurz. Nutzen Sie einige Fit-Kriterien, etwa Branche, Unternehmensgröße und Rolle, und einige Engagement-Kriterien, etwa eine Demo-Anfrage, einen Besuch der Preisseite oder eine Antwort auf eine Vertriebs-E-Mail. Vergeben Sie Minuspunkte für klare Ausschlusskriterien: Studierende, Wettbewerber, private E-Mail-Domains bei einem B2B-Produkt.

Welche CRM-Daten braucht KI-Lead-Scoring?

KI-Lead-Scoring braucht eine verlässliche Aufzeichnung, welche Leads konvertiert sind und welche nicht, sowie einheitliche Fit- und Engagement-Felder bei diesen Leads. Werden Konversionen spät, uneinheitlich oder gar nicht erfasst, lernt das Modell das falsche Muster.

Was Sie prüfen sollten, bevor Sie es einschalten

  • Konversion ist einmal definiert. Wählen Sie das Ereignis, das zählt, etwa einen Wechsel der Lebenszyklusphase zum Sales-Qualified Lead, eine angelegte Opportunity oder einen gewonnenen Deal, und stellen Sie sicher, dass alle es gleich erfassen.

  • Dubletten sind zusammengeführt. Ein dreimal gespeicherter Käufer sieht aus wie drei Leads, von denen zwei nie konvertiert sind. Unser Beitrag zum Bereinigen von CRM-Daten vor dem Einsatz von KI behandelt Dubletten, Datensatz-Granularität und Feldverantwortung.

  • Quelldaten bleiben erhalten. Engagement-Signale sind nur so gut wie das Tracking dahinter. Gehen Kampagnenparameter zwischen Anzeige, Formular und CRM verloren, kann das Modell nicht lernen, welche Kanäle Käufer bringen; siehe warum UTM-Parameter zwischen Tools verloren gehen.

  • Alte Leads sind nicht falsch gekennzeichnet. Leads, die nie bearbeitet wurden, sind nicht dasselbe wie Leads, die bearbeitet und verloren wurden. Kann Ihr CRM sie nicht unterscheiden, behandelt das Modell ignorierte Leads als schlechte Leads.

Wie testen Sie einen KI-Lead-Score, bevor sich Vertriebsmitarbeiter darauf verlassen?

Lassen Sie den KI-Score und Ihren regelbasierten Score nebeneinander auf denselben Leads laufen, ohne zu ändern, wer angerufen wird, und vergleichen Sie beide mit dem, was tatsächlich konvertiert. Schalten Sie das Routing erst auf den KI-Score um, wenn er die Leads, die abgeschlossen haben, höher einstuft als die Regeln.

Zwei identische Saatschalen auf einer Gewächshausbank, eine Marmorhand gießt nur eine, ihr höchster Keimling glüht bernsteinfarben

Ein einfacher Testplan:

  1. Beide Scores einschalten und das Routing im bestehenden Prozess belassen.

  2. Auf Ergebnisse warten. Wählen Sie einen Zeitraum, der lang genug ist, damit ein typischer Lead Ihr Konversionsereignis erreicht.

  3. Die Spitze jeder Liste vergleichen. Welcher Anteil der Leads, die jeder Score in sein höchstes Band einordnete, ist konvertiert? Tun Sie dasselbe für das niedrigste Band: Ein guter Score hält Käufer davon fern.

  4. Die Abweichungen lesen. Sehen Sie sich Leads an, die die KI hoch und die Regeln niedrig bewertet haben, und umgekehrt. Fragen Sie einen Vertriebsmitarbeiter, ob die Auswahl der KI Sinn ergibt. Hier finden Sie neue Signale oder stellen fest, dass das Modell Rauschen belohnt.

  5. Entscheiden und dokumentieren. Wechseln Sie zum KI-Score, behalten Sie die Regeln oder übernehmen Sie, was die KI gefunden hat, in die Regeln.

Beide CRMs bieten hier etwas zum Arbeiten. Die Ansichten zu Score-Verlauf und Leistung von HubSpot zeigen die Verteilung der Scores und die Ereignisse, die den Score eines Datensatzes verändert haben. Einstein zeigt die Top-Faktoren an jedem Lead, was die Prüfung der Abweichungen beschleunigt.

Was geht bei KI-Lead-Scoring schief?

Die üblichen Fehler sind Training auf einer verzerrten Historie, Belohnung von Aktivität statt Absicht und ein Score, den niemand verantwortet. Jedes davon bringt Vertriebsmitarbeiter dazu, der Zahl nicht mehr zu trauen, und ein ignorierter Score ist schlimmer als keiner.

  • Verzerrte Historie: Wenn Ihr Team immer nur ein Segment bearbeitet hat, lernt das Modell, dass nur dieses Segment konvertiert, und lässt die anderen weiter verhungern.

  • Aktivität statt Absicht: Ein Lead, der jeden Newsletter öffnet, erzielt einen hohen Score, während der Käufer, der eine E-Mail mit der Bitte um ein Angebot gesendet hat, einen niedrigen erzielt. Gewichten Sie Aktionen mit hoher Absicht stark und nutzen Sie Score-Verfall (HubSpot lässt Engagement-Punkte alle 1, 3, 6 oder 12 Monate verfallen), damit alte Aktivität verblasst.

  • Kein Verantwortlicher: Märkte ändern sich, Produkte ändern sich und das CRM ändert sich. Jemand muss den Score nach einem Zeitplan prüfen, ihn gegen kürzlich abgeschlossene Deals abgleichen und anpassen. Einstein analysiert Leads laut Salesforce etwa alle 10 Tage neu, doch Nachtrainieren ist nicht dasselbe wie jemand, der das Ergebnis prüft.

  • Verborgene Begründung: Wenn Vertriebsmitarbeiter nicht sehen können, warum ein Lead hoch bewertet wurde, werden sie ihm nicht trauen. Zeigen Sie die Top-Faktoren oder die zutreffenden Kriterien am Datensatz.

So gehen wir bei Vizio AI vor

Wir beginnen mit den Regeln, nicht mit dem Modell. In einem kurzen Workshop mit Vertrieb und Marketing schreiben wir auf, wie ein guter Lead aussieht, einigen uns auf das Konversionsereignis und prüfen, dass die CRM-Felder hinter diesen Regeln ausgefüllt und einheitlich sind.

Dann bauen wir den regelbasierten Score in dem CRM, das der Kunde bereits nutzt, beheben die Datenprobleme, die die Regeln offenlegen, und binden das Tracking an, das die Engagement-Signale speist. Erst danach schalten wir daneben einen KI-Score ein, führen den Test nebeneinander durch und besprechen die Abweichungen mit den Vertriebsmitarbeitern, die ihn nutzen werden. Der Kunde endet mit einem Score, den sein Team versteht, einer Dokumentation, warum er gewählt wurde, und einem benannten Verantwortlichen, der ihn prüft.

Diese Arbeit gehört zu unserem Growth Studio, neben CRM-Einrichtung, Attribution und Outbound.

Quellen

FAQs.

01

02

03

04

05

Mehr lesen.

Dithered illustration of two marble hands pulling a mason's line taut between stakes across bare ground at dawn, the first course of stones laid along it and a pink knot at the nearest stake.
Your First 30 Days With a Product Studio: What Happens Week by Week
7 Min.

The first 30 days with a product studio: week one sets access and goals, week two tests the riskiest assumption, weeks three and four ship a first slice.

Dithered illustration of a marble hand opening the case of a bracket clock to show a dense hidden mechanism, one small gear deep inside glowing red.
What Does an AI Agent Cost to Run? Tokens, Tools and the Hidden Line Items
6 Min.

An AI agent's running cost is model tokens across every step, plus retries, tool and search fees, hosting, monitoring and human review. Budget per task, not per token.

Dithered illustration of a fragmented marble face looking down at a jeweller's tray where gems are sorted by size, the largest stone glowing amber under a brass lamp.
AI Lead Scoring in Your CRM: Start With the Rules You Already Trust
7 Min.

Add AI lead scoring by writing down the rules sales already trusts, cleaning CRM data, then testing the AI score against those rules before reps use it.

AI-first denken.
Zukunftsschnell handeln.

Lassen Sie uns bauen, was als Nächstes kommt! Von Produktideen und intelligenten Workflows bis zu datengetriebenen Systemen und skalierbaren Growth Operations.

Strategiegespräch buchen