Passende Zielfirmen finden die Sie noch nicht kennen.

Neukundenakquise im B2B beginnt erstaunlich oft mit einer Liste, die nach Bauchgefühl zusammengestellt wurde — ein paar Branchen, eine Region, eine Mindestgröße, und dann telefoniert der Vertrieb sich durch. Das funktioniert, kostet aber viel Zeit pro qualifiziertem Kontakt, weil ein großer Teil der angesprochenen Firmen schlicht nicht passt. Der eigentliche Schatz liegt dabei längst im Haus: in den eigenen Bestandskunden, genauer in den profitablen, treuen, gut bedienbaren unter ihnen. KI kann aus diesen besten Kunden ein Idealprofil ableiten und am Markt nach Firmen suchen, die diesem Profil ähneln — ein Look-alike-Ansatz statt Gießkanne. Das Ergebnis ist keine magisch perfekte Liste, sondern eine deutlich besser vorsortierte Akquise-Pipeline, in der der Vertrieb seine Zeit auf aussichtsreiche Kontakte konzentriert. Dieser Beitrag zeigt, wie ein solches System aufgebaut wird, welche Datenquellen tragen, welche Trefferquoten realistisch sind — und wo der Ansatz an Daten- und DSGVO-Grenzen stößt.

Warum die klassische Zielfirmen-Liste Geld verbrennt.

Die typische Akquise-Liste entsteht aus Filterkriterien in einer Firmendatenbank: Branche per Wirtschaftszweig-Code, Mitarbeiterzahl, Umsatzklasse, Postleitzahl. Das ist nicht falsch, aber grob. Zwei Firmen mit identischem Branchencode und ähnlicher Größe können völlig unterschiedlich gut zu Ihrem Angebot passen — die eine wird Wunschkunde, die andere bindet monatelang Vertriebszeit und springt am Ende ab oder bleibt unprofitabel.

Der Kern des Problems: Die Merkmale, die einen guten Kunden ausmachen, sind selten die, nach denen man filtern kann. Es geht um den konkreten Maschinenpark, die Digitalisierungstiefe, das Wachstumstempo, die Beschaffungsstruktur, manchmal um weiche Signale wie offene Stellen oder eine Standorterweiterung. Diese Merkmale stecken verstreut in vielen Quellen und lassen sich von Hand nicht für tausende Firmen durchforsten.

Genau hier setzt ein Look-alike-Modell an. Statt vorzugeben, welche Kriterien zählen, lernt es aus Ihren tatsächlich guten Kunden, welche Merkmalskombinationen diese auszeichnen — und sucht danach. Die Kriterien werden aus den Daten abgeleitet, nicht erraten.

Wie KI aus Ihren besten Kunden ein Idealprofil baut.

Der erste Schritt ist kein KI-Schritt, sondern ein ehrlicher: Was ist überhaupt ein guter Kunde? Reiner Umsatz greift meist zu kurz. Sinnvoller ist eine Mischung aus Deckungsbeitrag, Vertragsdauer, Zahlungsverhalten, Wiederkaufrate und Betreuungsaufwand. Aus dieser Definition entsteht eine Zielgröße, die das Modell lernen soll.

Im zweiten Schritt werden die Bestandskunden mit externen Firmenmerkmalen angereichert — Branche, Größe, Standort, Wachstumsindikatoren, Technologie-Signale, öffentlich verfügbare Strukturdaten. Das Modell — oft ein Gradient-Boosting-Verfahren, weil es mit tabellarischen Firmenmerkmalen sehr gut umgeht — lernt dann, welche Merkmalsmuster mit "guter Kunde" korrelieren.

Im dritten Schritt wird dieses gelernte Profil auf ein großes Universum noch unbekannter Firmen angewendet. Jede Firma bekommt einen Ähnlichkeits- oder Passungsscore. Heraus kommt eine nach Passung sortierte Liste — oben die Firmen, die Ihren besten Kunden am ähnlichsten sind, samt der Information, welche Merkmale für die hohe Bewertung ausschlaggebend waren.

Welche Datenquellen wirklich Trennschärfe bringen.

Wie bei jeder Prognose gilt: Mehr Datenquellen bedeuten nicht automatisch bessere Treffer. Es lohnt sich, ehrlich zu sortieren, welche Quellen echte Trennschärfe liefern und welche nur Aufwand erzeugen.

In der Praxis erklären drei bis vier Quellen den Großteil der Trennschärfe — fast immer angeführt von der eigenen CRM-Historie. Wer zuerst aufräumt, was er über bestehende Kunden weiß, kommt weiter als wer teure externe Datenbanken anzapft, bevor das eigene Haus sortiert ist.

Was an Trefferquote realistisch ist.

Die häufigste Frage ist auch hier die nach der Genauigkeit — und auch hier sind die Erwartungen oft schief. Ein Look-alike-Modell verspricht nicht, dass jede gut bewertete Firma zum Kunden wird. Es verspricht, dass in der gut bewerteten Gruppe deutlich mehr passende Firmen stecken als in einer Zufallsauswahl oder einer groben Filterliste.

Eine seriöse Bandbreite: Wenn die Conversion einer kalt zusammengestellten Liste etwa bei einem niedrigen einstelligen Prozentsatz qualifizierter Gespräche liegt, kann ein gutes Look-alike-Modell das im oberen Listensegment um den Faktor zwei bis vier verbessern. Aus "zwei von hundert lohnen sich" wird dann eher "fünf bis acht von hundert". Das klingt unspektakulär, verändert die Vertriebsökonomie aber erheblich, weil sich der Aufwand pro gewonnenem Kunden entsprechend senkt.

Wichtig ist die ehrliche Einordnung: Der Hebel ist am größten bei austauschbaren, breit verfügbaren Zielmärkten. Bei sehr kleinen Nischen mit nur wenigen hundert relevanten Firmen kennt der Vertrieb sein Universum oft ohnehin — dann ist der Mehrwert eines Modells gering, und eine saubere manuelle Recherche schlägt jeden Algorithmus.

Vom Score zur Ansprache — Timing und Trigger.

Eine passende Firma ist die halbe Miete; die andere Hälfte ist der richtige Moment. Ein Unternehmen, das gerade einen neuen Standort eröffnet, expandiert oder eine Leitungsposition neu besetzt, ist deutlich ansprechbarer als dieselbe Firma in einer ruhigen Phase. Trigger-Events anzureichern hebt die Reaktionsquote spürbar.

Bewährt hat sich, den Passungsscore mit einem Aktualitäts- oder Anlass-Signal zu kombinieren: Oben in der Liste stehen dann Firmen, die sowohl gut passen als auch gerade ein relevantes Ereignis zeigen. Für diese Kombination lohnt sich ein individuell formulierter Erstkontakt, der genau auf den Anlass Bezug nimmt — statt eines Standardanschreibens.

Generative KI hilft hier bei der Ansprache: Sie kann aus den strukturierten Merkmalen einer Zielfirma einen ersten Aufhänger formulieren. Das ist nützlich als Entwurf und Zeitersparnis — sollte aber immer durch einen Menschen geprüft werden, weil generierte Texte plausibel klingende, aber falsche Annahmen über die Firma enthalten können. Ein peinlicher Faktenfehler im Erstkontakt kostet mehr Vertrauen, als die Zeitersparnis wert ist.

DSGVO, Datenqualität und die Grenzen des Ansatzes.

Look-alike-Modelle im B2B bewegen sich in einem sensiblen Bereich. Firmendaten als solche sind unproblematischer als personenbezogene Daten, aber sobald konkrete Ansprechpartner, deren Verhalten oder personenbezogene Signale ins Spiel kommen, greift die DSGVO. Die Rechtsgrundlage für die Ansprache — meist berechtigtes Interesse im B2B-Kontext — muss sauber dokumentiert sein, und die kalte Kontaktaufnahme unterliegt zusätzlich wettbewerbsrechtlichen Regeln, die je nach Kanal streng sind. Das ist im Detail eine Frage für die Rechtsabteilung, nicht fürs Modell.

Technisch ist die größte Grenze die Datenqualität der eigenen Historie. Wenn das CRM lückenhaft gepflegt ist, wenn "guter Kunde" nicht sauber definiert werden kann oder wenn nur sehr wenige Bestandskunden vorhanden sind, lernt das Modell aus zu dünnem Material. Bei weniger als etwa hundert bis zweihundert gut dokumentierten Referenzkunden wird die Aussagekraft schnell wackelig.

Und schließlich: Ein Look-alike-Modell findet Firmen, die Ihren bisherigen guten Kunden ähneln. Es findet damit per Konstruktion eher mehr vom Gleichen — neue, andersartige Segmente, in die Sie expandieren wollen, erkennt es nicht. Für echte Markterschließung in unbekanntes Terrain bleibt es das falsche Werkzeug.

Einstieg, Kosten und Lernkurve.

Ein realistischer Einstieg ist klein: ein definiertes Zielsegment, die eigene CRM-Historie als Basis, eine oder zwei externe Firmendatenquellen. Sechs bis zwölf Wochen sind realistisch, bis ein erstes Modell eine nutzbare, vorsortierte Liste liefert und der Vertrieb erste Rückmeldungen gibt, ob die Treffer in der Praxis taugen.

Die Investition für einen ersten Anwendungsfall im Mittelstand liegt grob bei 20.000 bis 60.000 Euro, stark abhängig davon, wie sauber das CRM ist und welche externen Datenquellen lizenziert werden. Laufende Kosten entstehen vor allem für Datenlizenzen und periodische Modell-Aktualisierung, typisch im niedrigen vierstelligen Bereich pro Monat.

Der eigentliche Erfolgsfaktor ist die Rückkopplung mit dem Vertrieb. Das Modell wird gut, wenn die Einschätzungen aus echten Gesprächen zurückfließen: Welche gut bewerteten Firmen haben gepasst, welche nicht und warum? Diese Schleife über mehrere Monate entscheidet darüber, ob aus einem netten Listengenerator ein echtes Akquise-Werkzeug wird.

Sie wollen wissen, ob Ihre Bestandskundendaten tragfähig genug für ein Look-alike-Modell sind und welcher Zielmarkt sich dafür lohnt? Unverbindlich anfragen — wir schauen gemeinsam auf CRM-Qualität, Kundendefinition und verfügbare Datenquellen und schätzen den möglichen Hebel ehrlich ab.