Leads qualifizieren und bewerten
Wie sich generierte Leads systematisch nach Kaufwahrscheinlichkeit einordnen lassen, welche Fallstricke Scoring-Modelle in der Praxis haben, und wie sich ein Modell laufend überprüfen lässt.
Nicht jeder Lead ist gleich viel wert. Wer Leads ungefiltert an den Vertrieb weiterreicht, verschwendet dessen Zeit auf wenig aussichtsreiche Kontakte - eine strukturierte Qualifizierung schafft hier Abhilfe. Wie robust diese Qualifizierung tatsächlich ist, entscheidet sich aber selten an der Grundidee, sondern an Details, die in der Praxis leicht übersehen werden.
1. Der Unterschied zwischen MQL und SQL
Ein Marketing Qualified Lead (MQL) hat grundsätzliches Interesse gezeigt, etwa durch den Download eines Whitepapers, ist aber noch nicht zwangsläufig kaufbereit. Ein Sales Qualified Lead (SQL) hat zusätzliche Signale gezeigt, die auf konkrete Kaufabsicht hindeuten, etwa eine Preisanfrage oder ein gebuchtes Beratungsgespräch. Diese Unterscheidung hilft, Ressourcen des Vertriebs gezielt auf die vielversprechenderen SQLs zu konzentrieren, statt jeden MQL sofort mit vollem Vertriebsaufwand zu bearbeiten.
2. Lead Scoring als systematischer Ansatz
Beim Lead Scoring erhält jeder Lead Punkte für bestimmte Merkmale und Handlungen - etwa Unternehmensgröße, Jobtitel, besuchte Seiten oder Interaktionshäufigkeit mit E-Mails. Überschreitet die Gesamtpunktzahl eine festgelegte Schwelle, gilt der Lead als vertriebsreif und wird automatisch weitergeleitet. So lässt sich Qualifizierung teilweise automatisieren, statt jeden Lead manuell zu bewerten. Wichtig dabei: Der konkrete Schwellenwert und die Punktevergabe sind kein universeller Standard, sondern müssen für jedes Geschäftsmodell individuell festgelegt und laufend angepasst werden.
3. Negative Scoring und Punkteverfall
Ein oft übersehener Baustein ist negatives Scoring: Bestimmte Merkmale oder das Ausbleiben von Aktivität sollten Punkte abziehen, statt nur positive Signale zu addieren. Eine E-Mail-Adresse aus einer offensichtlich privaten Domain, eine Bewerbung statt einer Kaufanfrage, oder mehrmonatige Inaktivität nach anfänglichem Interesse sind typische Fälle. Ohne Punkteverfall (Decay) bleiben Leads dauerhaft als “vertriebsreif” markiert, obwohl das ursprüngliche Interesse längst erloschen ist - das Modell wird mit der Zeit ungenauer, wenn dieser Mechanismus fehlt.
4. Demografische und verhaltensbasierte Kriterien kombinieren
Eine robuste Qualifizierung kombiniert demografische Kriterien (passt der Kontakt grundsätzlich zur Zielgruppe?) mit Verhaltenskriterien (zeigt der Kontakt aktives Kaufinteresse?). Ein Kontakt, der zwar perfekt zur Zielgruppe passt, aber seit Monaten keine Interaktion zeigt, sollte anders behandelt werden als ein aktiv interagierender Lead außerhalb der idealen Zielgruppe. In der Praxis liefert die Kombination beider Dimensionen deutlich verlässlichere Prognosen als jede Dimension für sich allein.
5. Sonderfall: Datenqualität an der Quelle
Ein Scoring-Modell ist nur so gut wie die Daten, auf denen es aufbaut. Formulare ohne Double-Opt-in oder ohne grundlegende Validierung sammeln überdurchschnittlich viele Fake-Adressen, Tippfehler oder Testeinträge - und jeder dieser fehlerhaften Datensätze fließt unbereinigt ins Scoring ein. Bevor an der Gewichtung einzelner Kriterien optimiert wird, lohnt sich deshalb ein Blick auf die Eingangsqualität der Leads selbst: Ein technisch sauber gepflegtes Scoring-Modell auf Basis verunreinigter Daten liefert trotzdem unzuverlässige Ergebnisse.
6. Lead Routing nach der Qualifizierung
Erreicht ein Lead die Scoring-Schwelle, entscheidet die Routing-Logik, was als Nächstes passiert - meist eine automatisierte Zuweisung an einen zuständigen Vertriebsmitarbeiter nach Region, Branche oder Unternehmensgröße. Verzögert sich diese Zuweisung, sinkt die Kontaktwahrscheinlichkeit erfahrungsgemäß deutlich: Ein Lead mit akutem Kaufinteresse, der erst nach mehreren Tagen kontaktiert wird, hat sich häufig bereits anderweitig informiert oder das Interesse verloren. Scoring und Routing sollten deshalb als ein zusammenhängender Prozess betrachtet werden, nicht als getrennte Schritte.
7. Der Feedback-Loop zwischen Marketing und Vertrieb
Ein Scoring-Modell, das nie mit tatsächlichen Vertriebsergebnissen abgeglichen wird, driftet mit der Zeit von der Realität ab. Vertrieb sollte regelmäßig zurückmelden, welche als vertriebsreif markierten Leads tatsächlich zu Abschlüssen führten und welche sich im Gespräch als unqualifiziert herausstellten - diese Rückmeldung ist die einzige verlässliche Grundlage, um einzelne Scoring-Kriterien nachträglich zu bestätigen oder zu verwerfen.
8. Häufige Fehler
Der verbreitetste Fehler ist, jeden generierten Lead ungefiltert direkt an den Vertrieb weiterzugeben, wodurch Vertriebsmitarbeiter viel Zeit mit wenig aussichtsreichen Kontakten verbringen. Ein zweiter Fehler ist ein Scoring-Modell, das ausschließlich demografische Kriterien berücksichtigt und Verhalten ignoriert - dadurch werden inaktive, aber “passende” Kontakte systematisch überbewertet. Ein dritter Fehler ist ein einmal aufgesetztes Modell, das nie wieder angefasst wird, obwohl sich Zielgruppe, Produktangebot oder Marktbedingungen im Lauf der Zeit verändern.
9. Wie prüfst du dein Scoring-Modell
Der zuverlässigste Test ist ein nachträglicher Abgleich: Wie viele Leads pro Score-Band (etwa in Zehner- oder Zwanzigerschritten) haben tatsächlich zu einem Abschluss geführt? Ein funktionierendes Modell zeigt eine klar steigende Abschlussquote mit steigendem Score. Bleibt die Abschlussquote über verschiedene Score-Bänder hinweg nahezu konstant, korrelieren die verwendeten Scoring-Kriterien in der Praxis kaum mit tatsächlichem Kaufinteresse - ein Signal, das Modell grundlegend zu überarbeiten, statt nur einzelne Punktwerte nachzujustieren.