Lead Scoring
Lead Scoring ist eine Methode, Interessenten danach zu ordnen, wie wahrscheinlich sie kaufen, indem Fit-Signale wie Unternehmensgröße und Rolle mit Engagement-Signalen wie Besuchen, E-Mail-Klicks und Demo-Anfragen zu einem einzigen Score kombiniert werden.
Was ist Lead Scoring?
Ein Score beantwortet eine einzige operative Frage: Welche Leads sollte der Vertrieb zuerst kontaktieren, und welche sollte das Marketing weiter nurturen? Ohne ihn verfolgen Vertriebsmitarbeitende entweder jede Formulareingabe oder verlassen sich auf ihr Bauchgefühl.
Scores kombinieren meist zwei Dimensionen. Der Fit misst, wie gut ein Lead zu Ihrem Ideal Customer Profile passt: Branche, Unternehmensgröße, Jobtitel, Region. Das Engagement misst die Kaufabsicht: Besuche der Preisseite, Webinar-Teilnahmen, E-Mail-Klicks, Produktanmeldungen.
Ein Lead, der einen vereinbarten Schwellenwert überschreitet, wird zum Marketing Qualified Lead (MQL) und geht an den Vertrieb. Das Scoring ist im CRM oder in der Plattform für Marketing-Automatisierung angesiedelt, damit es Routing und Benachrichtigungen auslösen kann.
Wie baut man ein Lead-Scoring-Modell auf?
Beginnen Sie mit Daten zu gewonnenen Deals, nicht mit Meinungen darüber, wie ein guter Lead aussieht.
Gewonnene Deals analysieren: Ziehen Sie die gewonnenen und verlorenen Deals der letzten 12 bis 24 Monate heran und vergleichen Sie ihre Merkmale und Verhaltensweisen.
Punkte vergeben: zum Beispiel +20 für eine Zielbranche, +15 für einen Titel auf Director-Ebene, +25 für eine Demo-Anfrage, +10 für einen Besuch der Preisseite, -20 für eine studentische E-Mail-Domain.
Verfall einbauen: Ziehen Sie Engagement-Punkte im Laufe der Zeit ab, damit ein Lead, der vor sechs Monaten aktiv war, nicht vor einem landet, der diese Woche aktiv ist.
Schwellenwert festlegen: Vereinbaren Sie mit dem Vertrieb die MQL-Grenze und das Follow-up-SLA, etwa Kontaktaufnahme innerhalb von 24 Stunden.
Validieren: Prüfen Sie jedes Quartal die Conversion-Rate nach Score-Band; höhere Bänder sollten deutlich besser konvertieren.
Predictive Scoring ersetzt manuell festgelegte Punkte durch ein Modell, das auf denselben historischen Ergebnissen trainiert wird.
Wie sieht Lead Scoring in der Praxis aus?
Nehmen wir einen B2B-Anbieter von HR-Software mit 50 Mitarbeitenden, dessen zwei SDRs rund 600 Inbound-Leads pro Monat erhalten und sie in der Reihenfolge ihres Eingangs anrufen. Viele davon sind Studierende, Jobsuchende oder sehr kleine Unternehmen außerhalb des Zielmarkts.
Das Marketing baut einen Score in HubSpot: Fit-Punkte für Unternehmen mit 100 bis 2.000 Mitarbeitenden und Titel aus HR oder People Operations; Engagement-Punkte für Besuche der Preisseite, Downloads von Fallstudien und Demo-Anfragen; Minuspunkte für kostenlose E-Mail-Domains und Besucher der Karriereseite. Angenommen, Leads mit 60 oder mehr Punkten gehen sofort mit einer Slack-Benachrichtigung an die SDRs, während der Rest in eine Nurturing-Sequenz kommt.
In diesem Beispiel verbringen die SDRs ihre Zeit mit einer kleineren, besser qualifizierten Liste, und das Team prüft nach einem Quartal, ob das Band ab 60 Punkten deutlich häufiger zu Opportunities konvertiert als der Rest.
Welche Fallstricke hat Lead Scoring?
Das häufigste Scheitern ist ein Score, dem der Vertrieb nicht vertraut und den er deshalb ignoriert. Bauen Sie das Modell gemeinsam mit dem Vertrieb, veröffentlichen Sie die Punkteregeln und überprüfen Sie es zusammen.
Aktivitätsinflation: Ein Wettbewerber oder Jobsuchender, der viele Seiten liest, kann einen echten Käufer übertreffen; gewichten Sie Aktionen mit hoher Kaufabsicht stärker als reines Volumen.
Einrichten und vergessen: Scores driften, wenn sich Produkte, Preise und Kanäle ändern.
Person vs. Account: Im B2B wirken mehrere Personen aus einem Unternehmen vielleicht jeweils nur lauwarm, während der Account eindeutig kaufbereit ist.
Zu wenige Ergebnisse: Mit nur einer Handvoll abgeschlossener Deals überanpassen sich prädiktive Modelle; starten Sie regelbasiert.
Welche Tools werden für Lead Scoring eingesetzt?
Die meisten Teams starten mit dem integrierten Scoring ihres CRM oder ihrer Plattform für Marketing-Automatisierung und ergänzen Daten oder Modelle erst bei Bedarf.
Integriertes Scoring: HubSpot Lead Scoring, Salesforce Account Engagement (ehemals Pardot), Marketo Engage.
Prädiktiv: Salesforce Einstein Lead Scoring, HubSpot Predictive Scoring, MadKudu.
Anreicherung für Fit-Daten: Clearbit (heute Teil von HubSpot), Apollo, ZoomInfo.
Individuell: ein Modell in Python oder BigQuery ML, dessen Ergebnisse ins CRM zurückgeschrieben werden.
Scoring ist ein Teil der Demand Generation: Es erzeugt keine Pipeline, sondern entscheidet, wie mit vorhandenem Interesse umgegangen wird.
Regelbasiertes vs. prädiktives Lead Scoring
Regelbasiertes Scoring | Prädiktives Scoring | |
|---|---|---|
Wie Punkte festgelegt werden | Manuell, durch Marketing und Vertrieb | Aus historischen Ergebnissen gelernt |
Benötigte Daten | Funktioniert mit wenig Historie | Braucht viele abgeschlossene Deals |
Transparenz | Jeder Punkt ist sichtbar | Einzelne Scores schwerer zu erklären |
Pflege | Manuelle Überprüfung jedes Quartal | Neutraining und Drift-Monitoring |
Am besten für | Teams in frühen Phasen oder mit geringem Volumen | Volumenstarke, datenreiche Funnels |
Wie geht VIZIO AI an Lead Scoring heran?
VIZIO AI integriert die Priorisierung in die Tools, die Vertriebsteams bereits nutzen, und kombiniert interne Performance-Daten mit externen Signalen. Für ein globales Unternehmen für Premium-Spirituosen mit Sitz in den USA baute das DX Studio ein interaktives Sales-Intelligence-Dashboard mit berechneten Kennzahlen für Interessentenpotenzial, Wiederkaufswert und Whitespace, das die Verkaufshistorie mit Restaurantdaten auf Basis von Google zusammenführt.
Das Mobile-first-Tool steigerte die Genauigkeit der Ziel-Conversion um 23 %, sparte jedem Vertriebsmitarbeitenden 3,4 Stunden pro Woche und unterstützte ein Wachstum des Absatzvolumens in Schlüsselmärkten um 17 %. Für einen regionalen US-Anbieter von Heizungs-, Klima- und Sanitärtechnik verband das Growth Studio Google Ads, CRM und Offline-Leads in einer Analytics-Plattform für Werbe-Performance, die Lead-Qualität und Kosten pro Lead verfolgt, und reduzierte den manuellen Reporting-Aufwand um 60 %.
Ein guter Startpunkt: Vergleichen Sie Ihre letzten 50 gewonnenen und 50 verlorenen Deals und listen Sie die fünf Merkmale auf, die sich am stärksten unterscheiden.
Lead Scoring in Fallstudien von VIZIO AI
- Interactive Sales Intelligence ›Kennzahlen zu Interessentenpotenzial, Wiederkaufswert und Whitespace steigerten die Genauigkeit der Ziel-Conversion um 23 % und sparten jedem Vertriebsmitarbeitenden 3,4 Stunden pro Woche.
- Advertising Performance Analytics ›Die Zusammenführung von Google Ads, CRM und Offline-Leads zur Verfolgung von Lead-Qualität und Kosten pro Lead reduzierte den manuellen Reporting-Aufwand um 60 %.