Lead-Qualitäts-Score
Ein Lead-Qualitäts-Score ist ein numerischer Wert, der einem Lead zugewiesen wird und dessen Passung und Kaufabsicht zusammenfasst, sodass Teams Interessenten einordnen und priorisieren können.
Das Wichtigste in Kürze
- Gewichte bestimmen die Rangfolge, Schwellen die Handlung; nur Schwellen ändern Verhalten.
- Passung und Absicht als zwei Achsen führen statt als eine Gesamtsumme.
- Ohne Punkteverfall schlägt altes Stöbern die Preisanfrage von heute Morgen.
- Negative Punkte für Wettbewerber, Studierende und Freemail-Domains halten Stufen sauber.
- Ein nie gegen Abschlüsse nachjustiertes Modell driftet still aus der Brauchbarkeit.
Im Detail
Der Score entsteht, indem Merkmalen und Aktionen Punktwerte zugeordnet, diese addiert und die Summe an Schwellen geschnitten wird. Die meisten Modelle führen zwei Konten: firmografische Punkte dafür, wer jemand ist, und Verhaltenspunkte dafür, was jemand getan hat, oft als getrennte Achsen statt als eine Summe. Punkte können negativ sein, sodass eine Freemail-Domain oder ein Wettbewerber abgezogen wird. Schwellen übersetzen die Summe in Stufen, und die Schwellen, nicht die Rohzahl, bestimmen das Weitere.
Die Gewichte entscheiden alles und werden anfangs meist per Diskussion statt per Beleg gesetzt. Ein dominantes Merkmal reduziert den Score auf einen Stellvertreter dieses Merkmals; gleichmäßig verteilte Punkte lassen die Summe zu wenig schwanken, um überhaupt zu trennen. Verhaltenspunkte brauchen einen Verfall, sonst schlägt jemand mit drei Artikeln vom Frühjahr eine Person, die heute Morgen nach Preisen gefragt hat. Ein breiter Punktebereich rangiert feiner, verlangt aber mehr Daten; ein grobes Dreistufenmodell bleibt ehrlicher.
Teams starten üblicherweise mit einer Handvoll Regeln, beobachten, wo die Stufen landen, und justieren, bis jede Stufe eine bearbeitbare Zahl an Leads pro Woche enthält. Summen werden bei neuen Daten neu berechnet, ein Datensatz wandert also zwischen Stufen, und das Routing muss das aushalten. Im Scorecard-Funnel tragen die Fragen die Punkte direkt: Jede Antwort zahlt auf Kategorie- und Gesamtsumme ein, die zugeordnete Stufe wählt die Ergebnisseite, und dieselbe Summe wandert als Routing-Schlüssel ins CRM.
Ein Score komprimiert, und Kompression verliert Information. Zwei Leads mit identischer Summe können völlig verschieden sein: der eine perfekt passend ohne Dringlichkeit, der andere dringend, aber viel zu klein zum Kaufen. Deshalb werden Passung und Absicht oft als zwei Zahlen geführt statt addiert. Modelle erben zudem die Verzerrung ihrer Trainingshistorie, ein auf Bestandskunden gebauter Score zeigt also weiter auf Bestandskunden und übersieht ein neues Segment. Der Zeitpunkt bleibt durchgehend unsichtbar.
Beispiel aus der Praxis
So wird es gemessen
Validieren Sie, indem Sie jüngere Leads nach ihrem Score bei der Übergabe in Klassen einteilen und die Conversion je Klasse vergleichen. Die Kurve sollte mit dem Score steigen, und die oberste Klasse sollte um ein Mehrfaches besser konvertieren als die unterste. Flache Abschnitte zeigen Punkte ohne Wirkung. Prüfen Sie auch die Klassengrößen, denn eine Stufe, die fast alle enthält, routet nichts.
Beobachten Sie danach die Verteilungsdrift: den Anteil der Leads je Stufe von Monat zu Monat. Ein plötzlich anschwellender Spitzenanteil bedeutet meist, dass eine Regel auf eine neue Kampagne feuert, nicht dass echte Nachfrage entsteht. Ergänzen Sie das um die Quote, mit der der Vertrieb Top-Leads ablehnt; das ist das schnellste Signal, dass eine Schwelle verschoben gehört.
Häufige Fehler
Der übliche Fehlschlag ist ein Modell, das nie nachjustiert wird. Die Punktwerte werden in einem Workshop ausdiskutiert, ins Automatisierungstool eingetragen und dort belassen, während das Produkt teurer wird und die Preisstruktur sich ändert. Zwei Jahre später steckt die oberste Stufe voller Leads, die der Vertrieb nicht will, und die Reps ignorieren das Etikett. Setzen Sie eine wiederkehrende Prüfung an, die jede Regel gegen gewonnene und verlorene Deals testet.
Der zweite Fehler ist, alles zu bepunkten, was sich tracken lässt. Öffnungen, allgemeine Seitenaufrufe und Social-Klicks erhalten Punkte, weil die Daten da sind, nicht weil sie etwas vorhersagen, und die Summe misst allmählich Neugier statt Kaufabsicht. Halten Sie das Modell klein: wenige signalstarke Regeln, jede auf einen echten Conversion-Unterschied zurückführbar. Ändert das Löschen einer Regel die Rangfolge nicht, war sie Rauschen mit Punktwert.
Häufig gestellte Fragen
Wie werden Lead-Qualitäts-Scores berechnet?
Jedem Merkmal oder jeder Antwort wird ein Punktgewicht zugeordnet, und die Punkte summieren sich zu einem Gesamtwert, der auf Stufen abgebildet wird. Die Gewichte sollten widerspiegeln, welche Eigenschaften in Ihren Daten Conversion vorhersagten.
Sollten Scores im Laufe der Zeit neu kalibriert werden?
Ja, da sich Käuferverhalten und Wunschkundenprofil verändern und statische Gewichte veralten. Prüfen Sie das Modell vierteljährlich gegen reale Closed-won-Daten und passen Sie die Punktwerte an.
Welcher Schwellenwert gilt für einen heißen Lead?
Es gibt keine universelle Zahl; der Schwellenwert sollte dort liegen, wo die Conversion-Raten in Ihren historischen Daten klar ansteigen. Viele Teams reservieren die oberen 20 bis 30 Prozent für sofortige Vertriebskontakte.
Welche Schwelle ist eine gute Score-Grenze?
Es gibt keine allgemeingültige Zahl, denn Schwellen hängen von Ihrer Punkteskala und Ihrer Vertriebskapazität ab. Setzen Sie sie rückwärts: Entscheiden Sie, wie viele Leads ein Rep pro Woche wirklich bearbeiten kann, und legen Sie die obere Schwelle dorthin, wo etwa so viele Datensätze landen. Passen Sie an, wenn Kapazität oder Volumen sich ändern.
Wie viele Punkte sollte ein Merkmal wert sein?
So viele, wie das Merkmal in Ihrer eigenen Historie gewonnene von verlorenen Deals getrennt hat. Beginnen Sie grob mit wenigen Wertstufen wie schwach, mittel und stark, statt über einzelne Punkte zu streiten. Eine Präzision, die die Datenlage nicht trägt, erzeugt nur Scheinsicherheit. Verfeinern Sie die Gewichte, sobald genug Ergebnisse zum Vergleich vorliegen.
Sollte ein Scoring-Modell negative Punkte nutzen?
Ja, für Signale, die verlässlich auf Nichtkäufer zeigen: Wettbewerberdomains, Studierenden- oder Bewerberrollen, nicht bedienbare Länder und Abmeldungen. Negative Punkte verhindern, dass ein klar unqualifizierter Datensatz allein über Aktivität in die Spitzenstufe klettert. Halten Sie sie wenige und spezifisch, denn breite Negativregeln unterdrücken still ganze Segmente und fallen später kaum auf.
Wie oft muss ein Lead-Score nachjustiert werden?
Quartalsweise prüfen und sofort nach jeder Änderung an Preis, Paketierung oder Zielmarkt. Der Quartalslauf vergleicht die Conversion je Stufe mit der Vorperiode und entfernt Regeln, die Ergebnisse nicht mehr trennen. Eine Preis- oder Positionierungsänderung entwertet Annahmen schneller als der Kalender, sie ist also ein Auslöser und kein Wartefall.
Braucht Lead-Scoring maschinelles Lernen?
Für den Anfang nicht. Regelbasiertes Scoring ist transparent, leicht zu debuggen und ausreichend, wenn wenige Merkmale den Großteil der Trennung leisten. Gelernte Modelle helfen erst, wenn Tausende Leads mit erfassten Ergebnissen vorliegen und zu viele schwache Signale von Hand zu gewichten wären. Der Engpass ist meist die Ergebnisdatenqualität, nicht der Algorithmus.
Was unterscheidet Lead-Score und Lead-Grade?
Ein Grade drückt die Passung meist als Buchstaben aus, ein Score das Engagement als Zahl, und viele Teams nutzen beides kombiniert, etwa A4 oder C1. Die Trennung hält beide Dimensionen lesbar: Ein gut passender, aber stiller Lead und ein aktiver, aber unpassender sehen unterschiedlich aus, während eine addierte Summe sie gleich einordnen würde.