Lead-Scoring erklärt: ein Modell, das dein Vertrieb nutzt

Lead-Scoring heißt, einem Kontakt oder Account eine Zahl zu geben, damit begrenzte Vertriebsaufmerksamkeit bei den Leads landet, die am ehesten abschließen. Das ist der ganze Zweck. Ein Score prognostiziert keinen Umsatz, ersetzt keine Qualifizierung und ist kein Report. Er ist eine Reihenfolge in der Warteschlange.

Das Problem, das er löst, taucht ab einer bestimmten Größe auf. Bei dreißig Leads im Monat liest eine SDR alle, und kein Modell schlägt ihr Urteil. Bei dreihundert arbeitet sie oben in der Liste, und unten wird nie jemand angefasst — und ohne Score heißt „oben“ schlicht: zuletzt eingegangen. Scoring ersetzt Aktualität durch etwas, das der Wahrscheinlichkeit näherkommt.

Daraus folgt zweierlei. Erstens lohnt sich ein Score erst, wenn es mehr Leads gibt als Kapazität, sie zu bearbeiten; sonst sortierst du eine Warteschlange, die ohnehin komplett abgearbeitet wird. Zweitens muss das Modell für die Leute lesbar sein, die es nutzen. Eine SDR, die nicht sieht, warum ein Lead 82 hat, ruft still wieder die Neuesten an — und du merkst es ein Quartal lang nicht.

Jedes Modell schöpft aus zwei Arten von Eingaben. Explizite Signale sind Dinge, die der Lead oder eine Datenquelle ausdrücklich angibt — Merkmale. Implizite Signale sind Dinge, die der Lead tut — Verhalten. Beide zählen, und sie versagen auf unterschiedliche Weise.

Der übliche Fehler ist, implizite Signale nach Menge zu gewichten. Zehn Blogbesuche sind kein Kaufinteresse, das ist ein Abonnent. Ein Besuch der Preisseite plus eine wiederkehrende Sitzung zwei Tage später ist Kaufinteresse — aus weit weniger Ereignissen. Gewichte eine Handlung danach, was sie die Person kostet und was sie über ihre Position in einer Entscheidung verrät, nicht danach, wie oft sie auslöst.

Geh auch mit fehlenden expliziten Daten ehrlich um. Eine leere Firmengröße ist keine kleine Firma. Wert sie als unbekannt und lass die Anreicherung sie später füllen — sonst stufst du systematisch alle herab, die auf ein kurzes Formular gestoßen sind.

Fit und Intent in eine Gesamtsumme zu pressen ist der häufigste Weg, ein Modell zu ruinieren. Sie beantworten verschiedene Fragen, und jede Kombination verlangt eine andere Handlung.

Fit fragt, ob das die Art Firma ist, die du bedienen und an die du verkaufen kannst: Größe, Branche, Region, Budget — und ob sie das Problem hat, das du tatsächlich löst. Intent fragt, ob gerade Bewegung da ist: was angesehen wurde, was angefragt wurde, wie kürzlich.

Halt sie als zwei Scores, und die Quadranten sagen dir, was zu tun ist. Hoher Fit mit hohem Intent heißt: heute anrufen. Hoher Fit mit niedrigem Intent ist eine Nurture-Strecke, keine Absage — der Account ist nächstes Quartal noch etwas wert. Niedriger Fit mit hohem Intent ist der gefährliche Quadrant: ein begeisterter Lead, der nicht abschließt oder wieder abspringt und der eine SDR-Woche frisst, wenn ein gemischter Score ihn nach oben spült. Niedriger Fit mit niedrigem Intent ist eine Sperre, kein Eintrag in der Warteschlange.

Eine einzelne Zahl kann den zweiten Fall nicht vom dritten trennen, denn eine 40 aus Fit und eine 40 aus Intent sehen in der Liste identisch aus. Besteht dein Werkzeug auf einer Zahl, speicher wenigstens beide Bestandteile und zeig die Aufteilung daneben.

Fang von Hand und klein an. Fünfzehn Regeln, die du prüfen kannst, schlagen eine Blackbox, die du nicht prüfen kannst — und du stellst sie an einem Nachmittag zusammen.

1. Definier das Ziel. Kein „guter Lead“, sondern etwas Zählbares: ein tatsächlich stattgefundenes Erstgespräch oder ein Abschluss binnen neunzig Tagen.
2. Listet Kandidatensignale auf, die du heute für die meisten Leads erfassen kannst. Ein Signal, das auf einem Zehntel der Datensätze steht, ist unbrauchbar, wie prädiktiv es auch aussieht.
3. Schau zurück. Nimm deine jüngsten gewonnenen und verlorenen Deals und prüf Signal für Signal, wie sich die Abschlussquote unterscheidet, wenn es vorliegt. Was sie kaum bewegt, fliegt raus.
4. Vergib ganze Zahlen auf einer festen Skala — etwa 0 bis 100 für Fit und 0 bis 100 für Intent. Nur runde Gewichte. Genauigkeit, die du nicht begründen kannst, ist Rauschen.
5. Test auf zurückgehaltener Historie, bevor es die Live-Warteschlange berührt: Hätte dieses Modell die gewonnenen Deals des letzten Quartals nach oben sortiert?
6. Schreib die Regeln auf, dort wo der Vertrieb sie lesen kann, ohne dich zu fragen.

Welches Tool du auch nutzt: Die Scoring-Regeln und deine Lead-Quellen gehören in dasselbe System. Ein Score auf Feldern, die die Recherche nie gefüllt hat, ist nur ein Standardwert im Zahlenkostüm. Growmindr bewertet Leads, sobald sie in den Workspace kommen, und hält die beteiligten Regeln am Kontaktdatensatz sichtbar — so sieht eine SDR, was die Zahl erzeugt hat, bevor sie entscheidet, wie sehr sie ihr traut.

Die meisten Modelle addieren nur. Deshalb liegt mit genug Zeit alles hoch, und die Rangfolge trennt nichts mehr von nichts.

Zieh ab für Disqualifikatoren, für die du Belege hast: eine Wettbewerberdomain, eine private oder studentische Adresse bei einem Geschäftsprodukt, ein Land, das du nicht bedienst, eine Rolle ohne Anteil an der Entscheidung, ein Bestandskunde in einer offenen Eskalation. Zieh einen echten Abzug einer harten Sperre vor, wo der Lead später zählen könnte — ein Minus hält den Datensatz bewertbar, wenn sich die Umstände ändern, eine Sperre versteckt ihn für immer.

Ergänze dann den Verfall, denn Intent ist verderblich. Ein Besuch der Preisseite ist am selben Tag ein starkes Signal, drei Wochen später ein schwaches und nach einem Quartal gar keines. Ohne Verfall steht jemand, der dich im März recherchiert hat und verschwunden ist, immer noch über jemandem, der diese Woche aktiv ist. Eine einfache Regel reicht: Intent-Punkte verfallen nach einem festen Fenster oder halbieren sich alle dreißig Tage. Fit-Punkte sollten nicht verfallen — die Firma hat immer noch dieselbe Größe —, aber sie sollten aufgefrischt werden, sobald die Anreicherung den Datensatz aktualisiert.

Es gibt einen schnellen Test dafür, ob der Verfall richtig sitzt. Zieh die zwanzig höchsten Leads nach Score und prüf, wann jeder zuletzt irgendetwas getan hat. Sind mehrere seit Monaten still, ist dein Verfall zu langsam.

Ein Score ohne vereinbarte Handlung ist Dekoration. Legt vor dem Start die Stufen und die jeweilige Reaktion schriftlich fest — mit dem Vertrieb im Raum.

Setz die A-Schwelle nach Kapazität, nicht nach Ästhetik. Schaffen zwei SDRs zusammen sechzig Leads pro Woche, gehört die Schwelle dorthin, wo ungefähr sechzig Leads pro Woche landen — nicht auf 80, weil 80 eine runde Zahl ist. Prüf sie jedes Mal neu, wenn sich Personalstärke oder Leadvolumen ändern, denn eine Schwelle für eine Teamgröße bricht bei einer anderen lautlos. Zu niedrig, und Stufe A wird ein Rückstau, den niemand abbaut; zu hoch, und deine besten Leads liegen unbearbeitet in Stufe B, während die Warteschlange gesund aussieht.

Ein Lead-Scoring-Modell ist auf einen Moment zugeschnitten: deine Preise, dein Wunschkunde, deine Kanäle, der Markt. Alle vier bewegen sich, und das Modell merkt es nicht. Nachkalibrieren ist Routinewartung und kein Eingeständnis, dass die erste Fassung falsch war.

Prüf nach Plan — quartalsweise ist ein vernünftiger Standard — und sieh dir drei Dinge an.

• Trennschärfe. Sortier die Leads des letzten Quartals in Score-Bänder und vergleich die Abschlussquote je Band. Die Bänder sollten sauber auseinanderliegen. Schließen die 80er wie die 50er ab, sortiert das Modell nicht mehr, es vergibt nur noch Zahlen.
• Drift im Mix. Hat sich der Anteil der Leads über der Schwelle verdoppelt, ohne dass sich die Vertriebsergebnisse mitbewegt haben, hat sich weiter vorn etwas verschoben — ein neuer Kanal, ein geändertes Formular, ein kaputtes Tracking-Skript — und der Score misst jetzt das.
• Verfügbarkeit der Signale. Regeln sterben leise, wenn ein Feld nicht mehr erfasst wird oder eine Integration bricht. Ein Signal, das auf den meisten Datensätzen fehlt, zieht Genauigkeit ab und sieht in der Regelliste weiter gesund aus.

Löse eine außerplanmäßige Prüfung aus, wenn du Preise änderst, ein neues Segment betrittst oder einen Kanal mit anderem Besuchermix öffnest. Und nimm das qualitative Signal ernst: Wenn der Vertrieb sagt, die Scores fühlen sich falsch an, hat er meist recht — und hat es meist ein Quartal vor den Zahlen bemerkt.

Kaputte Modelle scheitern meist auf eine Handvoll wiedererkennbarer Weisen.

• Engagement statt Kaufbereitschaft bewerten. Newsletter-Öffnungen und Blog-Lektüre korrelieren mit Interesse an deinem Content, nicht mit Budget oder Entscheidungsbefugnis. Sie blähen die Scores von Leuten auf, die nie kaufen werden.
• Ein Modell für zwei Produkte. Verkaufst du an zwei verschiedene Käufer, brauchst du zwei Modelle. Ein gemischtes ist für beide falsch — und zwar in entgegengesetzte Richtungen.
• Personen-Scores ohne Account-Kontext. Drei Leute mittlerer Ebene aus derselben Firma mit je 45 sind ein stärkeres Signal als jede einzelne davon, und ein reines Personenmodell sieht das nicht.
• Interner Traffic und Bots. Dein eigenes Team und automatische Scanner erzeugen Seitenaufrufe. Schließ Büro-IP-Bereiche und bekannte Crawler aus, sonst ist dein bestbewerteter Lead eine Kollegin.
• Ein Modell, das niemand erklärt hat. War der Vertrieb bei der Gewichtung nicht dabei, arbeitet er die Warteschlange nicht ab — und du verteidigst eine Zahl, statt sie zu verbessern.

Nichts davon ist im Modell selbst sichtbar. Es zeigt sich darin, dass der Vertrieb den Score still ignoriert — und das ist der zuverlässigste Hinweis darauf, dass darunter etwas nicht stimmt.