Lead-Fit-Score
Ein Lead-Fit-Score ist eine numerische Bewertung, die misst, wie gut ein Interessent anhand firmografischer und demografischer Merkmale zu Ihrem idealen Kundenprofil passt.
Das Wichtigste in Kürze
- Ein Fit-Score ist Rechnung: gewichtete Punkte, summiert und auf einen festen Bereich normalisiert.
- Der Umgang mit fehlenden Antworten verändert die Rangfolge stärker als die Gewichte.
- Harte Anforderungen gehören als Gate außerhalb des Scores, nicht als Minuspunkte.
- Speichern Sie die stärksten Beitragsmerkmale neben der Summe, damit der Wert lesbar bleibt.
- Versionieren Sie das Modell, denn Werte aus verschiedenen Gewichtungen sind unvergleichbar.
Im Detail
Der Score ist ein Rechenobjekt mit definiertem Wertebereich. Jedes Merkmal steuert Punkte bei, entweder als fester Wert je Antwort oder als Anteil eines Kategoriemaximums, und die Summe wird normalisiert, damit ein Band über alle einspeisenden Formulare und Quizze dasselbe bedeutet. Zwei Entwurfsentscheidungen prägen das Verhalten stärker als die Gewichte: ob ein Merkmal negative Punkte beitragen darf und ob eine fehlende Antwort null zählt oder aus dem Nenner fällt.
Gewichte sollten Trennschärfe abbilden, also wie unterschiedlich ein Merkmal bei gewonnenen und verlorenen Accounts auftritt, müssen aber für die Anwendenden erklärbar bleiben. Ein Modell mit zwanzig fein justierten Eingaben trennt vielleicht etwas besser als eines mit sechs und genießt weit weniger Vertrauen. Mehr Merkmale bedeuten zudem mehr Leerwerte, und jeder Leerwert stellt die Normalisierungsfrage erneut. Einfachheit erkauft Akzeptanz, Komplexität eine Genauigkeit, die niemand nutzt.
Ein Score nützt nur zusammen mit seiner Begründung. Speichern Sie Summe, Band und die zwei bis drei Merkmale mit dem größten Beitrag, damit im geöffneten Datensatz sichtbar wird, warum der Wert so ausfiel, statt nur eine nackte Zahl zu zeigen. In einem Scorecard-Funnel läuft die Rechnung während der Sitzung: Jede Antwort trägt Punkte, Kategorien summieren sich, und Rating-Stufen wandeln die Summe in ein benanntes Band für Ergebnisseite und Routing.
Die Zahl komprimiert wenige Antworten, und Kompression verliert die Ausnahme. Ein Account, der eine harte Anforderung verfehlt, kann trotzdem über siebzig Punkte erreichen, weil alles andere stark ist; deshalb gehören Ausschlussbedingungen als Gate außerhalb der Rechnung und nicht als Minuspunkte hinein. Nach einer Neugewichtung sind Werte zudem nicht mehr vergleichbar: Siebzig von letztem Quartal bedeutet etwas anderes, sofern die Modellversion nicht mitgespeichert wird.
Beispiel aus der Praxis
So wird es gemessen
Sehen Sie zuerst auf die Verteilung. Ein gesunder Score verteilt Leads über die Bänder, statt sie an einem Ende zu stapeln, und ein solcher Stapel geht meist auf ein Merkmal zurück, das fast alle gleich beantworten. Prüfen Sie danach, ob die Opportunity-Quote von Band zu Band steigt; ein Band, das schlechter konvertiert als das darunter, zeigt ein falsch gewichtetes Merkmal.
Messen Sie außerdem Stabilität und Übereinstimmung. Bewerten Sie eine Stichprobe der Kunden des Vorjahres neu und prüfen Sie, ob Ihre besten Accounts die heutige Schwelle überschreiten würden; tun viele das nicht, haben sich die Gewichte von der Realität entfernt. Vergleichen Sie die Bandzuordnung mit der händischen Reihung des Vertriebs, denn große Abweichungen zeigen meist ein fehlendes Merkmal.
Häufige Fehler
Der häufigste Fehler ist, Punkte für das Antworten statt für die Antwort zu vergeben. Wenn jede Option eines Auswahlfelds Punkte bringt, steigt die Summe allein durch das Ausfüllen, und die fleißigsten Befragten schlagen die passendsten. Geben Sie Optionen ohne Passung null Punkte, reservieren Sie Punkte für wirklich passende Antworten und prüfen Sie die Verteilung danach auf einen künstlichen Mindestwert, den niemand unterschreitet.
Der zweite Fehler ist eine aufgeblähte Skala, die Präzision vortäuscht. Eine Bewertung von tausend Punkten suggeriert eine Auflösung, die sechs Formularfragen nicht hergeben, und der Vertrieb streitet über Unterschiede von zehn Punkten ohne Bedeutung. Halten Sie den Bereich schlank, definieren Sie drei bis vier Bänder mit klarer Handlung und behandeln Sie zwei Werte im selben Band als gleichwertig.
Häufig gestellte Fragen
Was ist der Unterschied zwischen Fit-Score und Lead-Score?
Der Lead-Score ist oft ein Sammelbegriff, der Passung und Engagement vermischt, während der Fit-Score ausschließlich abbildet, wie gut ein Interessent zum idealen Kundenprofil passt. Die Trennung erlaubt es, einen interessierten, aber unpassenden Lead von einem perfekt passenden, noch wenig engagierten Lead zu unterscheiden.
Welche Daten brauche ich zur Berechnung eines Lead-Fit-Scores?
Sie benötigen firmografische und demografische Merkmale wie Unternehmensgröße, Branche, Rolle, Region und die Eignung des Anwendungsfalls. In einem Quiz-Funnel werden diese direkt aus den beantworteten Fragen erhoben, sodass eine externe Anreicherung in vielen Fällen entfällt.
Wie oft sollte ich mein Fit-Scoring-Modell neu kalibrieren?
Überprüfen Sie die Gewichtungen vierteljährlich oder nach jeder größeren Änderung Ihres idealen Kundenprofils oder Ihrer Preise. Vergleichen Sie, welche Scores mit gewonnenen Abschlüssen korrelierten, und passen Sie die Punktwerte der Merkmale entsprechend an.
Welche Skala sollte ein Lead-Fit-Score verwenden?
Null bis hundert ist die übliche Wahl, weil Bänder leicht kommunizierbar sind und die Werte eine Neugewichtung recht gut überstehen. Wichtiger als der Bereich ist die Zahl der Bänder: drei oder vier, jedes mit einer konkreten Handlung verknüpft. Eine feinere Skala suggeriert eine Präzision, die wenige Formularantworten schlicht nicht liefern können.
Sollte ein Lead-Fit-Score negative Punkte enthalten?
Sparsam und nur für Merkmale, die die Passung wirklich mindern, etwa ein bereits fest verankertes Konkurrenzprodukt. Für alles, was einen Abschluss unmöglich macht, wirkt ein Gate besser: Der Datensatz wird unabhängig von der Summe als disqualifiziert markiert, sodass starke Werte an anderer Stelle eine blockierende Bedingung nicht überdecken können.
Wie bewerte ich einen Lead mit fehlenden Merkmalen?
Entscheiden Sie vorab, ob ein Leerwert null zählt oder aus dem Nenner fällt, und wenden Sie die Regel konsequent an. Leerwerte als null zu zählen bestraft unvollständige Formulare und drückt gute Leads nach unten; sie auszuschließen bläht Werte auf sehr dünner Datenbasis auf. Ein Mittelweg bewertet Vorhandenes und markiert Datensätze unterhalb einer Mindestzahl beantworteter Merkmale.
Wie viele Merkmale sollten in den Score einfließen?
Meist vier bis acht. Unter vier schwankt die Summe an einer einzigen Antwort; über acht bringt jedes weitere Merkmal wenig Trennschärfe, erhöht aber die Leerquote und erschwert die Erklärung. Nehmen Sie ein Merkmal nur auf, wenn Sie zeigen können, dass es für sich genommen gewonnene von verlorenen Accounts trennt, nicht bloß, dass es verfügbar ist.
Was unterscheidet Fit-Score und Fit-Stufe?
Der Score ist die rohe Summe; die Stufe ist das Band, in das sie fällt, samt zugehörigem Label. Teams handeln nach Stufen, weil ein Label auf eine vereinbarte Handlung zeigt, während rohe Zahlen zum Verhandeln einladen. Bewahren Sie den Score für Analyse und Schwellenjustierung auf, steuern Sie Routing und Reporting aber über die Stufe.
Wie erkläre ich dem Vertrieb einen niedrigen Fit-Score?
Zeigen Sie die beitragenden Merkmale statt der Summe. Dass ein Account niedrig liegt, weil er fünf Mitarbeitende und keine relevanten Tools hat, akzeptiert der Vertrieb weit eher als eine nackte Zahl, und die genannte Begründung erlaubt es, das Modell bei Fehlern zu hinterfragen. Halten Sie diese Gründe automatisch fest, damit sie später niemand rekonstruieren muss.