Leads scoren damit der Vertrieb die richtigen anruft.

Vertriebszeit ist das knappste Gut im Unternehmen, und sie wird täglich verschwendet — an Leads, die nie kaufen wollten, während die wirklich kaufbereiten Kontakte in der Warteschlange verglühen. Das klassische Lead-Scoring versucht das zu lösen, indem es Punkte vergibt: zehn Punkte für ein Whitepaper-Download, fünf für einen Newsletter, minus drei für eine Freemail-Adresse. Solche Regelwerke sind plausibel, aber meist geraten — niemand hat je überprüft, ob ein Whitepaper-Download wirklich zehnmal so viel wert ist wie ein Newsletter-Klick. Predictive Lead Scoring ersetzt das Raten durch Lernen aus der eigenen Abschlusshistorie: Welche Kombination aus Verhalten und Firmenmerkmalen führte in der Vergangenheit tatsächlich zum Kauf? Dieser Beitrag zeigt, wie ein datengetriebenes Scoring funktioniert, welche Daten es braucht, welche realistischen Effekte auf Conversion und Vertriebseffizienz zu erwarten sind — und wo es kippt, etwa bei dünner Datenlage oder wenn das Modell nur die Vergangenheit zementiert.

Warum regelbasiertes Scoring meist im Bauchgefühl steckenbleibt.

Das verbreitete Punkte-Scoring hat einen charmanten Vorteil: Es ist transparent und schnell aufgesetzt. Genau darin liegt aber auch sein Problem. Die Punktwerte sind selten validiert. Jemand hat einmal entschieden, dass eine Demo-Anfrage 20 Punkte wert ist und ein Branchenfit 15 — aber ob diese Gewichtung der Realität entspricht, hat nie jemand geprüft.

Hinzu kommt, dass regelbasierte Systeme Wechselwirkungen nicht abbilden. Ein Newsletter-Klick allein sagt wenig; ein Newsletter-Klick von einem Entscheider aus der Zielbranche, der zuvor die Preisseite besucht hat, ist Gold wert. Ein additives Punktesystem kann diese Kombinationen nicht gewichten — es zählt einfach zusammen.

Die Folge ist ein Scoring, das sich gut anfühlt, aber den Vertrieb nicht wirklich besser steuert. Heieße Leads landen unten, kalte oben, und nach einigen Monaten vertraut niemand mehr der Punktzahl. Predictive Scoring löst das, indem es die Gewichte nicht rät, sondern aus den tatsächlichen Abschlüssen der Vergangenheit lernt.

Wie Predictive Lead Scoring funktioniert.

Ein Predictive-Modell stellt eine einfache Frage an die Historie: Welche Merkmale hatten die Leads, die am Ende gekauft haben — und worin unterschieden sie sich von denen, die nie abgeschlossen haben? Aus dieser Differenz leitet es für jeden neuen Lead eine Abschlusswahrscheinlichkeit ab.

Die genutzten Signale lassen sich grob in zwei Gruppen teilen. Verhaltensdaten beschreiben, was der Lead tut: Seitenaufrufe, Downloads, E-Mail-Interaktionen, Demo-Anfragen, die zeitliche Dichte dieser Aktivitäten. Firmen- und Personendaten beschreiben, wer der Lead ist: Branche, Unternehmensgröße, Region, Funktion des Ansprechpartners.

Der entscheidende Unterschied zum Punkte-Scoring: Das Modell gewichtet nicht nur jedes Signal einzeln, sondern erkennt Muster im Zusammenspiel. Es lernt etwa, dass Verhalten X bei Firmentyp A stark für einen Abschluss spricht, bei Firmentyp B aber kaum. Diese Differenzierung ist der eigentliche Mehrwert — und der Grund, warum ein gelerntes Scoring meist spürbar trennschärfer ist als ein geratenes.

Welche Daten den Unterschied machen.

Auch hier gilt: Mehr Daten sind nicht automatisch besser. Entscheidend ist, dass die Daten Informationsgehalt haben und sauber mit dem Ergebnis — Kauf oder kein Kauf — verknüpfbar sind.

Ein häufig unterschätztes Problem: Damit das Modell lernen kann, müssen auch die negativen Fälle sauber vorliegen — also Leads, die nicht gekauft haben. Viele CRM-Systeme dokumentieren Gewinne akribisch und lassen Verlierer im Datennirwana verschwinden. Ein Modell, das nur Gewinner kennt, lernt nichts über den Unterschied. Realistisch braucht man mehrere hundert abgeschlossene Fälle über gewonnene und verlorene Leads hinweg, bevor das Scoring stabil wird.

Welche Effekte realistisch sind.

Predictive Scoring macht nicht mehr Leads, und es verbessert auch nicht die Qualität der Leads selbst. Es verändert nur eines: die Reihenfolge, in der der Vertrieb sie bearbeitet. Genau darin liegt aber ein realer Hebel — vorausgesetzt, der Vertrieb hält sich an die Priorisierung.

Realistisch ist, dass die als „heiß“ markierten Leads eine deutlich höhere Abschlussquote aufweisen als der Durchschnitt — häufig das Zwei- bis Dreifache. Wenn der Vertrieb seine begrenzte Zeit zuerst auf dieses obere Segment richtet, steigt die Gesamt-Conversion bei gleicher Vertriebskapazität spürbar. Typische Effekte liegen in einer Verbesserung der Abschlussquote im zweistelligen Prozentbereich — nicht durch Magie, sondern durch konsequentere Allokation der Zeit.

Genauso wichtig ist die Rückseite: Leads im unteren Segment werden nicht ignoriert, sondern automatisiert und günstiger bearbeitet — per Nurturing-Strecke statt teurem Anruf. Wer das sauber trennt, spart Vertriebszeit, ohne Potenzial liegen zu lassen. Eine ehrliche Erwartung bleibt aber: Ein Teil der Abschlüsse kommt immer aus dem unteren Segment, weil Menschen sich nicht vollständig vorhersagen lassen.

Abstimmung mit dem Vertrieb — die eigentliche Hürde.

Ein technisch gutes Scoring scheitert regelmäßig an der Akzeptanz im Vertrieb. Der Grund ist menschlich nachvollziehbar: Ein erfahrener Verkäufer vertraut seinem Gefühl mehr als einer Zahl, die er nicht versteht. Vier Prinzipien helfen, das Team mitzunehmen:

• Erklärbarkeit: Das System zeigt nicht nur die Punktzahl, sondern die wichtigsten Treiber — „hoher Score wegen Branchenfit und Preisseitenbesuch“. Eine nackte Zahl wird nicht geglaubt.
• Override mit Begründung: Der Vertrieb darf das Scoring überstimmen, soll es aber begründen. Diese Begründungen sind später wertvolles Lernmaterial — und Beweismaterial im Streitfall.
• Gemeinsame Definition von „Abschluss“: Was zählt als Erfolg? Ohne klare Zielgröße optimiert das Modell ins Leere.
• Frühe Erfolge zeigen: Nichts überzeugt den Vertrieb mehr als ein paar konkrete Abschlüsse aus hochgescorten Leads, die er sonst später angefasst hätte.

In der Praxis ist diese Abstimmung zwischen Marketing, das die Leads liefert, und Vertrieb, der sie bearbeitet, oft der entscheidende Erfolgsfaktor — wichtiger als die letzten Prozentpunkte Modellgüte.

Wo Predictive Scoring kippt.

Drei Grenzen sind ehrlich zu benennen. Erstens die dünne Datenlage: Wer wenige, große Deals macht oder erst seit Kurzem sauber trackt, hat zu wenige Fälle, aus denen ein Modell lernen kann. Hier ist ein durchdachtes regelbasiertes Scoring oder schlicht erfahrener Vertrieb dem Modell überlegen.

Zweitens die Vergangenheitsfalle: Das Modell lernt, welche Leads bisher gekauft haben — und zementiert damit das bestehende Kundenprofil. Wenn der Vertrieb immer nur die gleiche Branche bedient hat, wird das Modell genau diese Branche hochscoren und neue, potenziell lukrative Segmente untergewichten. Das ist kein Modellfehler, sondern eine logische Folge — man muss sie nur kennen und gegensteuern, etwa indem man bewusst auch niedrig gescorte Leads stichprobenartig bearbeitet.

Drittens das Tracking-Problem: Viel vom Verhaltenssignal hängt an sauberem Tracking über Website, E-Mail und CRM hinweg. Sind diese Quellen nicht verknüpft oder durch Datenschutz-Einstellungen lückenhaft, verliert das Modell an Schärfe. Hier lohnt der ehrliche Blick, was rechtlich und technisch überhaupt sauber erfassbar ist — bevor man mehr verspricht, als die Datenbasis hergibt.

Einstieg, Aufwand und Betrieb.

Ein realistischer Einstieg beginnt mit der Datenprüfung: Wie viele abgeschlossene Leads liegen vor, inklusive Verluste? Wie sauber sind Verhaltens- und Firmendaten verknüpft? Diese Bestandsaufnahme entscheidet, ob ein Modell überhaupt sinnvoll ist oder ob zunächst die Datengrundlage verbessert werden muss.

Ist die Basis tragfähig, liefert ein Pilot meist in sechs bis zehn Wochen ein erstes Scoring, das sich gegen die bisherige Bearbeitungsreihenfolge vergleichen lässt. Investitionen für einen ersten Anwendungsfall bewegen sich im Mittelstand typischerweise zwischen 25.000 und 70.000 Euro, laufende Betriebskosten bei etwa 800 bis 2.500 Euro monatlich — je nach CRM-Anbindung und Tracking-Aufwand.

Der wichtigste Erfolgsfaktor ist die Integration in den Arbeitsalltag des Vertriebs. Ein Score, der irgendwo in einem Dashboard schlummert, ändert nichts. Erst wenn die Priorität direkt in der täglichen Arbeitsliste sichtbar ist und der Vertrieb gelernt hat, ihr zu vertrauen, entsteht der Nutzen. Das ist eher eine Frage von Change-Management und Vertriebskultur als von Algorithmen.

Sie wollen, dass Ihr Vertrieb seine knappe Zeit auf die abschlussstärksten Leads konzentriert? Unverbindlich anfragen — wir prüfen gemeinsam Ihre Abschlusshistorie, Datenqualität und Tracking-Lage und entwerfen ein Predictive Scoring, das der Vertrieb auch wirklich nutzt.