Lead Scoring

Beim Lead Scoring werden Kontakten Punkte für bestimmte Merkmale und Handlungen vergeben. Ein Lead, der zur Zielgruppe passt und mehrfach mit Inhalten interagiert, erreicht einen hohen Score und gilt als kaufbereit. Ein unpassender oder inaktiver Kontakt bleibt niedrig bewertet und wird vorerst nicht an den Vertrieb gegeben.

Unterschieden wird häufig zwischen explizitem und implizitem Scoring. Explizites Scoring bewertet feste Profildaten wie Branche, Firmengröße oder Jobtitel. Implizites Scoring bewertet das Verhalten: Welche Seiten wurden besucht, wie oft wurde geöffnet, wurde ein Preis- oder Demo-Inhalt aufgerufen. Beide Dimensionen ergeben zusammen ein aussagekräftiges Bild.

Erreicht ein Lead einen definierten Schwellenwert, wird er automatisch als verkaufsbereit markiert und an den Vertrieb übergeben. So entsteht eine klare, nachvollziehbare Schnittstelle zwischen Marketing und Sales, die Reibung und verlorene Kontakte reduziert.

Das einfachste Modell ist das punktebasierte Scoring: Für jedes positive Signal gibt es Plus-, für negative Signale Minuspunkte. Besucht jemand die Preisseite, steigt der Score; meldet er sich vom Newsletter ab oder passt das Profil nicht, sinkt er. Dieses regelbasierte Modell ist transparent und gut nachvollziehbar.

Ein verbreiteter Ansatz ist das zweidimensionale Grading nach Fit und Engagement. Auf einer Achse steht, wie gut der Lead zur idealen Zielgruppe passt, auf der anderen, wie aktiv er ist. So lassen sich Kontakte einordnen, etwa als gut passend und hochaktiv – die klare Priorität für den Vertrieb.

Zunehmend kommt Predictive Lead Scoring zum Einsatz. Dabei analysieren Machine-Learning-Modelle historische Daten, um Muster erfolgreicher Abschlüsse zu erkennen und neue Leads automatisch zu bewerten. Das reduziert manuelle Pflege, erfordert aber eine ausreichend große und saubere Datenbasis.

Welches Modell passt, hängt von Datenlage und Reifegrad ab. Wer gerade erst startet, fährt mit einem überschaubaren regelbasierten Modell meist besser, weil es transparent ist und schnell justiert werden kann. Mit wachsender Datenmenge und steigendem Lead-Volumen lohnt sich der Wechsel zu datengetriebenen oder hybriden Ansätzen, die manuelle Annahmen durch belegte Muster ersetzen.

Zu den demografischen und firmografischen Kriterien zählen im B2B etwa Branche, Unternehmensgröße, Region und die Position der Person. Sie zeigen, ob ein Lead grundsätzlich zur Zielgruppe passt. Im B2C treten Merkmale wie Alter, Standort oder Interessen an diese Stelle.

Die Verhaltenskriterien sind oft die aussagekräftigsten: Seitenaufrufe, Verweildauer, wiederholte Besuche, geöffnete und geklickte E-Mails, Downloads oder das Anfordern einer Demo. Besonders kaufnahe Handlungen wie der Besuch der Preis- oder Kontaktseite erhalten in der Regel ein hohes Gewicht.

Auch negative Signale gehören ins Modell. Lange Inaktivität, eine unpassende Branche oder eine Abmeldung sollten den Score senken, damit der Vertrieb seine Zeit nicht in aussichtslose Kontakte investiert. Ein gutes Scoring belohnt Relevanz und bestraft fehlende Passung gleichermaßen.

Lead Scoring entfaltet seinen Nutzen in Verbindung mit einer Marketing-Automation-Plattform. Werkzeuge wie HubSpot, Salesforce, ActiveCampaign oder Brevo erfassen Verhalten und Profildaten, berechnen Scores automatisch und lösen bei Erreichen von Schwellenwerten Aktionen aus.

Die Datengrundlage liefern Tracking und Analytics. Google Analytics 4 und ein sauberes Conversion-Tracking liefern Verhaltenssignale, während CRM und Formulare die Profildaten beisteuern. In einer Customer Data Platform lassen sich diese Quellen zu einem konsistenten Kundenprofil zusammenführen.

Beim Erfassen und Auswerten von Verhalten ist der Datenschutz zentral. Verhaltensbasiertes Scoring setzt in der Regel eine Einwilligung in das Tracking voraus, und die Daten müssen DSGVO-konform verarbeitet werden. Transparenz darüber, welche Daten zu welchem Zweck genutzt werden, ist sowohl rechtlich geboten als auch vertrauensbildend.

Ein Scoring-Modell ist nie fertig. Es startet mit Hypothesen darüber, welche Signale auf Kaufbereitschaft hindeuten, und muss anhand realer Abschlüsse laufend justiert werden. Stimmen Score und tatsächliche Conversion nicht überein, sind die Gewichte oder Schwellenwerte anzupassen.

Wichtig ist die enge Abstimmung zwischen Marketing und Vertrieb. Nur wenn beide Seiten dieselbe Definition eines verkaufsbereiten Leads teilen, funktioniert die Übergabe reibungslos. Regelmäßiges Feedback des Vertriebs zur Lead-Qualität ist die wertvollste Quelle für die Optimierung des Modells.

Wir bei Elisabit verstehen Lead Scoring als verbindendes Element zwischen Leadgenerierung, Nurturing und Vertrieb. Richtig aufgesetzt sorgt es dafür, dass der Vertrieb seine Zeit auf die Kontakte mit der höchsten Abschlusswahrscheinlichkeit konzentriert und der CAC sinkt.