Lead-Scoring-Automatisierung
Die Lead-Scoring-Automatisierung weist jedem Lead automatisch eine numerische Punktzahl auf Basis seiner Merkmale und seines Verhaltens zu und aktualisiert sie, sodass Vertriebsteams die aussichtsreichsten Kontakte ohne manuelle Prüfung priorisieren können.
Das Wichtigste in Kürze
- Trennen Sie Fit und Engagement in zwei Scores, denn sie beantworten verschiedene Fragen.
- Leiten Sie Gewichte aus gewonnenen und verlorenen Deals ab, nicht aus Meinungen.
- Setzen Sie die Schwelle auf die Menge, die Ihr Vertrieb wöchentlich bearbeiten kann.
- Negative Punkte für ausschließende Merkmale zählen genauso viel wie positive.
- Engagement-Punkte müssen verfallen, sonst bleibt alte Aktivität dauerhaft vertriebsreif.
Im Detail
Ein Scoring-Modell ist ein Satz gewichteter Regeln, der auf einen Kontaktdatensatz angewendet wird und eine laufende Summe erzeugt, die das CRM als Feld speichert. Die meisten Umsetzungen teilen sie in zwei Teile: einen Fit-Score aus firmografischen und selbst berichteten Merkmalen und einen Engagement-Score aus Handlungen mit zeitlichem Verfall. Die Trennung ist wichtig, weil beide unterschiedliche Fragen beantworten, nämlich ob sich das Konto lohnt und ob die Person gerade aufmerksam ist; eine gemischte Zahl verbirgt, welcher Teil fehlt.
Gewichte sollten abbilden, wie stark ein Signal die Abschlusswahrscheinlichkeit verschiebt, nicht wie sympathisch das Signal dem Team ist. In der Praxis leitet man sie rückwärts aus gewonnenen Deals ab: Merkmale, die in Gewinnen häufig sind, erhalten mehr Punkte, Merkmale aus verlorenen Deals negative. Die Schwelle ist eine Kapazitätsentscheidung und keine Qualitätsfrage, denn nur eine Schwelle auf Höhe der bearbeitbaren Menge hält die Warteschlange sinnvoll. Zu niedrig entwertet das Label, zu hoch lässt gute Leads liegen.
Die Routine besteht darin, bei jeder relevanten Änderung neu zu berechnen und das Modell in festem Takt zu überprüfen. Ein Scorecard-Quiz ist ein bequemer Eingang, weil es Fit-Merkmale direkt erhebt, mit Punkten an konkreten Antworten statt aus Verhalten abgeleitet, sodass Budget, Entscheidungsbefugnis und Zeithorizont als ausdrückliche Werte im Datensatz landen. Danach hält das Team eine monatliche Sitzung, in der der Vertrieb bewertete Leads als treffend oder daneben markiert, und diese Urteile fließen in die nächste Gewichtsrunde ein.
Scores sind Korrelationen und keine Erklärungen, und sie erben jede Verzerrung der historischen Daten. Kamen frühere Gewinne aus einer Branche, weil Sie zufällig dort verkauft haben, lenkt das Modell Sie weiter dorthin und entzieht einem neuen Segment jede Aufmerksamkeit. Kleine Fallzahlen verschärfen das, denn eine Handvoll Deals trägt keine vielen Gewichte. Ein Score sieht außerdem nichts außerhalb seiner Eingaben, weshalb ein Budgetstopp, ein wechselnder Fürsprecher oder eine gerade verlängerte Vertragslaufzeit beim Wettbewerb in der Zahl nie auftauchen.
Beispiel aus der Praxis
So wird es gemessen
Die zentrale Prüfung ist die Conversion je Band: Teilen Sie Kontakte in Score-Bereiche und messen Sie, welcher Anteil je Band zur Opportunity und danach zum Abschluss wurde. Ein funktionierendes Modell zeigt einen durchgängigen Anstieg, bei dem jedes höhere Band besser konvertiert als das darunter. Konvertieren zwei benachbarte Bänder gleich, trennt die Grenze nichts, und das Modell ist feiner, als die Daten es tragen.
Achten Sie danach auf zwei operative Kennzahlen. Die Abdeckung ist der Anteil gewonnener Deals, die jemals über der Schwelle lagen; ein niedriger Wert heißt, das Modell verfehlt genau die Leads, für die es gebaut wurde. Die Präzision ist der Anteil vertriebsreifer Leads, den der Vertrieb als echt akzeptiert hat, erhoben aus seiner Rückmeldung. Sinkende Präzision zeigt Drift meist früher als die Abschlussdaten.
Häufige Fehler
Der häufigste Fehler ist ein Modell, das niemand mehr anfasst. Die beim Start gesetzten Gewichte beschreiben den Käufer des Vorjahres, das Produkt hat sich weiterentwickelt, hohe Werte sagen nichts mehr vorher, und trotzdem schickt das Label vertriebsreif diese Leads weiter in den Kalender. Planen Sie eine wiederkehrende Prüfung, vergleichen Sie Score-Bänder mit tatsächlichen Abschlussquoten und entfernen Sie notfalls ein Signal, statt immer nur neue hinzuzufügen.
Der zweite Fehler ist Engagement-Scoring ohne Verfall. Ein Kontakt sammelt Punkte aus einem Webinar, drei E-Mails und einem Preisseitenbesuch im Frühjahr, fällt nie unter die Schwelle, und die vertriebsreife Liste füllt sich langsam mit Menschen, die seit Monaten nichts getan haben. Lassen Sie Aktivitätspunkte verfallen, begrenzen Sie die Punkte je Verhaltensart und schließen Sie eigene Mitarbeitende sowie Bestandskunden vom Scoring aus.
Häufig gestellte Fragen
Welche Signale sollten in die Lead-Scoring-Automatisierung einfließen?
Kombinieren Sie Fit-Signale wie Jobtitel, Unternehmensgröße und Branche mit Verhaltenssignalen wie Quiz-Punktzahlen, Seitenbesuchen und E-Mail-Klicks. Ein Scorecard-Quiz ist besonders wertvoll, weil es expliziten, strukturierten Intent in einem Schritt erfasst.
Wie oft sollte ich mein Scoring-Modell neu kalibrieren?
Prüfen Sie es mindestens vierteljährlich und gleichen Sie die Werte mit tatsächlich gewonnenen und verlorenen Deals ab. Wenn hohe Werte keine Abschlüsse mehr vorhersagen, passen Sie die Punkte an, damit das Modell echtes Kaufverhalten widerspiegelt.
Kann die Lead-Scoring-Automatisierung Punkte mit der Zeit senken?
Ja. Viele Tools unterstützen Score-Decay und senken die Punktzahl, wenn das Engagement veraltet, sodass inaktive Kontakte nicht künstlich hoch bleiben. So bleibt Ihre Sales-ready-Liste auf aktuell aktive Interessenten fokussiert.
Wie viele Signale sollte ein Lead-Scoring-Modell nutzen?
Starten Sie mit fünf bis zehn und ergänzen Sie nur, wenn ein neues Signal die Rangfolge nachweislich verändert. Kleine Modelle lassen sich dem Vertrieb erklären, sind leichter zu prüfen, wenn ein Lead seltsam bewertet wird, und passen sich weniger stark an wenige historische Deals an. Die meiste Vorhersagekraft steckt in zwei oder drei Signalen, der Rest justiert nur am Rand.
Was unterscheidet Fit-Score und Engagement-Score?
Der Fit beschreibt das Konto: Branche, Größe, Rolle, Budget und weitere Merkmale, die sich nicht wöchentlich ändern. Engagement beschreibt jüngstes Verhalten: Besuche, Antworten, Quiz-Abschlüsse und Terminanfragen. Ein Lead mit hohem Fit und wenig Engagement braucht Marketing, einer mit niedrigem Fit und viel Engagement ist oft nur ein Rechercheur, und eine gemischte Zahl verdeckt diesen Unterschied vollständig.
Sollten Quiz-Antworten direkt Punkte vergeben?
Ja, und sie zählen zu den saubersten Eingaben überhaupt, weil die Person das Merkmal selbst angegeben hat, statt dass Sie es aus einem Seitenbesuch ableiten. Hängen Sie Punkte an konkrete Antworten statt an den Abschluss, damit das bloße Beenden des Quiz keine Punkte bringt. Halten Sie fest, welche Antwort die Punkte erzeugt hat, damit sich ein Gewicht später einzeln entfernen lässt.
Wie oft sollten Scores neu berechnet werden?
Bei jeder Änderung, die Routing auslöst, damit ein neues Quiz-Ergebnis die Summe binnen Sekunden aktualisiert. Lassen Sie zusätzlich eine vollständige Neuberechnung nach Zeitplan laufen, denn Verfall und zeitbasierte Regeln greifen nur, wenn etwas sie auswertet. Ohne diesen geplanten Lauf behalten still gewordene Kontakte genau den Score, den sie am Tag ihres letzten Signals hatten.
Welche Schwelle macht einen Lead vertriebsreif?
Rechnen Sie von der Kapazität rückwärts: Zählen Sie, wie viele Leads Ihr Vertrieb pro Woche wirklich bearbeitet, und setzen Sie die Schwelle dort, wo die Menge passt. Prüfen Sie danach, ob das Band oberhalb deutlich besser konvertiert als das darunter. Tut es das nicht, ist die Zahl willkürlich, und Sie sollten sie verschieben, bis beide Seiten sich klar unterscheiden.
Warum ignoriert der Vertrieb unsere Lead-Scores?
Meist weil der Score oft genug falsch lag, sodass Nachsehen mehr kostet als Ignorieren. Bauen Sie Vertrauen auf, indem Sie die Begründung im Datensatz sichtbar machen, also zeigen, welche Signale Punkte beigetragen haben, und indem Sie zu jedem bewerteten Lead eine Rückmeldung einsammeln. Ein Modell, das sich sichtbar an dieser Rückmeldung ändert, wird genutzt; eine nackte Zahl nicht.