Lead Scoring

1. Definition: Was bedeutet Lead Scoring genau?

Lead Scoring ist ein systematisches Verfahren, bei dem Leads anhand von Kriterien wie Profilmerkmalen (z. B. Branche, Position, Unternehmensgröße) und Verhalten (z. B. Website-Besuche, Downloads, Warenkorbaktionen) numerisch bewertet werden. Ziel ist es, Vertrieb und Marketing auf die wertvollsten Kontakte zu fokussieren und so Abschlusswahrscheinlichkeiten, Conversion Rate und Effizienz zu erhöhen.

Im Kern übersetzt Lead Scoring drei Fragen in Zahlen:

• Wie gut passt der Kontakt zu deiner Zielgruppe (Fit)?
• Wie stark ist das aktuelle Interesse (Kaufbereitschaft)?
• Wie dringend sollte Vertrieb oder Marketing reagieren (Priorität)?

2. Warum Lead Scoring im E-Commerce und B2B unverzichtbar ist

Ohne Lead Scoring werden Leads häufig nach Bauchgefühl oder in der Reihenfolge des Eingangs bearbeitet. In datengetriebenen E-Commerce- und B2B-Setups mit vielen Touchpoints und Kanälen führt das zu typischen Problemen:

• Vertrieb arbeitet an „kalten“ Leads, während kaufbereite Leads warten.
• Marketing kann Kampagnen nicht gezielt nach Lead-Qualität steuern.
• Reporting bleibt grob (z. B. nur Anzahl Leads, aber keine Qualitätsaussage).
• Automatisierung (z. B. in CRM oder Marketing-Automation) ist kaum möglich.

Ein strukturiertes Lead Scoring löst diese Probleme, indem es:

• Qualifizierte Leads (Sales Qualified Leads, SQLs) klar identifiziert und priorisiert,
• Marketing-Kampagnen auf Lead-Qualität ausrichtet (z. B. Retargeting für „heiße“ Leads),
• automatisierte Workflows im CRM oder E-Mail-Marketing triggert (z. B. Follow-up, Demo-Angebot),
• klare KPIs für Lead-Qualität und -Reife in Reporting und Forecasts liefert.

3. Wie funktioniert Lead Scoring? Grundprinzip und Aufbau

Lead Scoring basiert meist auf einem Punktesystem. Jeder Lead erhält Punkte für bestimmte Kriterien. Je höher die Punktzahl, desto wertvoller oder kaufbereiter gilt der Lead.

Typische Bausteine eines Lead-Scoring-Modells:

• Demografische und firmografische Daten (B2B: Branche, Firmengröße, Position; B2C: Alter, Region).
• Verhaltensdaten (Website-Besuche, Klicks, Downloads, Warenkorbaktivitäten, Conversion-Events).
• Engagement über Kanäle (E-Mail-Öffnungen, Klicks, Social-Media-Interaktionen, Webinare).
• Negativsignale (z. B. Abmeldungen, lange Inaktivität, klare „No-Fit“-Branchen).

Die Gesamtwertung ergibt sich aus der Summe der Punkte:

Auf Basis des Scores definierst du Stufen, etwa:

• 0–39 Punkte: kalte Leads (weiteres Nurturing, kein Vertriebskontakt nötig).
• 40–69 Punkte: Marketing Qualified Lead (MQL) – intensiveres Nurturing, segmentierte Kampagnen.
• 70+ Punkte: Sales Qualified Lead (SQL) – Übergabe an Vertrieb oder persönliches Follow-up.

4. Arten von Lead Scoring: einfach, regelbasiert, prädiktiv

4.1 Einfaches (manuelles) Lead Scoring

Beim einfachen Lead Scoring definierst du wenige, klare Regeln und verteilst Punkte per Handlogik. Beispiele:

• Jobtitel „Head of E-Commerce“: +20 Punkte.
• Unternehmen mit >50 Mitarbeitern: +10 Punkte.
• Download eines Whitepapers: +15 Punkte.
• Besuch der Preisseite: +20 Punkte.

Dieses Modell ist schnell implementiert und gut geeignet für den Einstieg, hat aber Grenzen:

• Subjektive Gewichtung (Abhängigkeit vom Bauchgefühl des Teams).
• Wenig flexibel bei komplexen Customer Journeys.
• Schwer skalierbar in sehr datenreichen Umgebungen.

4.2 Regelbasierter Ansatz (regelbasiertes Lead Scoring)

Beim regelbasierten Lead Scoring definierst du ein umfangreicheres Set an Regeln auf Basis von Daten, Benchmarks und Sales-Feedback. Typische Elemente:

• Unterschiedliche Gewichtung für Profil- und Verhaltenskriterien.
• Trennung von Fit-Score (Qualität des Leads) und Engagement-Score (Aktivität des Leads).
• Negativkriterien (z. B. bestimmte Branchen, Regionen oder Rollen mit geringem Abschluss-Potenzial).
• Score-Decay (Punkte verfallen nach Zeit ohne Interaktion).

Vorteile:

• Transparente Logik, gut erklärbar für Vertrieb und Management.
• Feinsteuerung möglich (z. B. für unterschiedliche Produktlinien oder Zielsegmente).
• Gute Grundlage für Automatisierung in CRM- oder Marketing-Automation-Systemen.

4.3 Prädiktives Lead Scoring (KI-basiert)

Prädiktives Lead Scoring nutzt statistische Modelle oder Künstliche Intelligenz, um automatisch zu ermitteln, welche Lead-Eigenschaften und Verhaltensmuster mit hoher Abschlusswahrscheinlichkeit korrelieren. Dabei werden historische Daten (z. B. gewonnene vs. verlorene Deals) genutzt, um ein Modell zu trainieren.

Charakteristika:

• Automatisches Erkennen komplexer Muster jenseits einfacher Regeln.
• Laufendes Lernen aus neuen Daten (wenn das Setup entsprechend gestaltet ist).
• Wahrscheinlichkeitsbasierte Scores (z. B. Abschlusswahrscheinlichkeit in %).

Prädiktives Lead Scoring ist besonders sinnvoll für:

• Shops mit sehr vielen Leads und vielen Marketingkanälen.
• Unternehmen mit sauberem CRM, eindeutigen Conversion-Zielen und ausreichend Datenhistorie.
• Teams, die ihre Lead-Bewertung datenwissenschaftlich optimieren wollen.

5. Wichtige Kriterien und Datenpunkte im Lead Scoring

5.1 Profilbasierte Kriterien (Fit-Scoring)

Profilbasierte Kriterien bewerten, wie gut ein Lead zu deiner Buyer Persona passt. In B2B und E-Commerce können das sein:

• Branche oder Nische (z. B. E-Commerce, SaaS, Maschinenbau).
• Unternehmensgröße (Mitarbeiterzahl, Umsatzklasse, Anzahl SKUs im Shop).
• Funktion/Jobtitel (z. B. CEO, Head of E-Commerce, SEO Manager, CTO).
• Technologie-Stack (z. B. Shopware, Shopify Plus, Magento, SAP Commerce).
• Region (z. B. DACH-Fokus, internationale Märkte).

Je besser der Fit, desto mehr Punkte vergibst du.

5.2 Verhaltensbasierte Kriterien (Engagement-Scoring)

Verhaltensbasierte Kriterien messen, wie aktiv und interessiert ein Lead ist. Typische Signale:

• Website-Besuche (Häufigkeit, Dauer, besuchte Seiten).
• Interaktionen mit Produkt- oder Kategorieseiten im E-Commerce.
• Downloads von Inhalten (Whitepaper, Case Studies, Preislisten, Datenblätter).
• Newsletter-Abonnements, Öffnungs- und Klickraten.
• Formularabsendungen (Kontaktanfrage, Demo-Anfrage, Angebot anfordern).
• Teilnahme an Webinaren, Messen oder Events.

Bestimmte Aktionen, etwa wiederholte Besuche der Preisseite, können deutlich höher gewichtet werden als allgemeiner Informationskonsum.

5.3 Negativ- und Ausschlusskriterien

Ein ausgereiftes Lead-Scoring-Modell enthält immer auch Negativsignale:

• Offensichtliche No-Fit-Branchen (z. B. Bildung, wenn du reine Enterprise-Lösungen anbietest).
• Rollen ohne Entscheidungskompetenz für deinen Case.
• Fake-Kontaktdaten oder „Mickey-Mouse“-E-Mails.
• Abmeldung vom Newsletter.
• Lange Phasen der Inaktivität nach hoher Aktivität.

Durch Negativpunkte verhinderst du, dass ein Lead allein durch viele oberflächliche Interaktionen automatisch zum Top-Lead wird.

6. Lead Scoring im E-Commerce-Kontext

Im E-Commerce spielt Lead Scoring insbesondere dann eine Rolle, wenn du:

• höherpreisige oder beratungsintensive Produkte verkaufst,
• B2B-Kunden adressierst, die über Formulare, Angebote oder persönliche Beratung kommen,
• mit Login-Bereichen, Wunschlisten oder B2B-Portalen arbeitest,
• Newsletter, Content-Marketing und Retargeting-Kampagnen intensiv nutzt.

Relevante Signale für Lead Scoring im E-Commerce können beispielsweise sein:

• Wiederholte Besuche bestimmter Kategorien (z. B. „Industriegeräte“, „Premium-Möbel“).
• Hinzufügen von Produkten zur Merkliste oder zum Warenkorb ohne Kauf.
• Registrierung eines Kundenkontos nach längerer anonymer Nutzung.
• Download von Produktdatenblättern oder Montageanleitungen.
• Reaktionen auf personalisierte Produktempfehlungen oder Kampagnen.

Gerade wenn du Produkttexte und Kategorietexte automatisiert und datenbasiert erstellst, helfen strukturierte Inhalte dabei, Lead-Verhalten klar zu interpretieren und qualitativ zu bewerten. Saubere, SEO-optimierte Produktinformationen erhöhen nicht nur deine Sichtbarkeit, sondern liefern auch bessere Nutzersignale für dein Lead-Scoring-Modell.

7. Praktisches Beispiel: Ein einfaches Lead-Scoring-Modell

Die folgende Tabelle zeigt ein vereinfachtes Beispielmodell für ein B2B-E-Commerce-Unternehmen, das ein eigenes Lead Scoring im CRM aufsetzen möchte:

Auf Basis eines solchen Modells kannst du klar definieren, ab welchem Punktestand ein Lead automatisch eine Aufgabe für den Vertrieb auslöst oder in ein spezielles Nurturing-Programm überführt wird.

8. Prozess: Lead Scoring in 6 Schritten aufsetzen

8.1 Ziele und Definitionen klären

Bevor du mit dem eigentlichen Scoring startest, brauchst du klare Definitionen:

• Was ist in deinem Setup ein Lead, MQL und SQL?
• Welche Abschlussziele misst du (z. B. Demo-Buchung, Bestellung, Vertragsabschluss)?
• Welche Kanäle liefern die Leads (SEO, SEA, Social Ads, Messen, Partner)?

8.2 Datenquellen identifizieren und verbinden

Ein gutes Lead-Scoring-Modell benötigt konsistente Daten. Typische Quellen:

• Web-Analytics (z. B. Seitenaufrufe, Events).
• CRM-System (Kontaktdaten, Deals, Status).
• Marketing-Automation (E-Mail-Daten, Kampagnenreaktionen).
• Shop-System oder PIM (Produktinteresse, Warenkorbaktionen, Sortimentskategorien).

Achte darauf, dass Daten möglichst automatisiert und regelmäßig synchronisiert werden (z. B. via API oder Feed).

8.3 Kriterien und Gewichtungen definieren

Gemeinsam mit Vertrieb, Marketing und ggf. Data-Team definierst du:

• Welche Profilmerkmale sind besonders relevant?
• Welche Verhaltensmuster sind typische Vorboten eines Abschlusses?
• Welche Signale deuten eher auf „Research“ als auf konkrete Kaufabsicht hin?
• Welche Negativsignale müssen stark gewichtet werden?

8.4 Technische Umsetzung im System

Im nächsten Schritt wird das Lead Scoring im gewählten Tool umgesetzt:

• Anlage von Score-Feldern (z. B. Gesamt-Score, Fit-Score, Engagement-Score).
• Konfiguration von Regeln oder Segmenten.
• Einrichtung von automatischen Workflows (z. B. E-Mail-Serien, Tasks für Sales).

Viele CRM- und Marketing-Automation-Systeme haben Lead Scoring bereits nativ integriert oder erlauben es via Workflows sehr flexibel zu modellieren.

8.5 Testphase und Validierung

Ein neues Lead-Scoring-Modell sollte nie „blind“ ausgerollt werden. Nutze eine Testphase:

• Vergleiche prognostizierte Top-Leads mit tatsächlichen Abschlüssen.
• Hole Feedback vom Vertrieb ein (Stimmt die Priorisierung?).
• Überprüfe, ob bestimmte Signale über- oder unterbewertet werden.

8.6 Kontinuierliche Optimierung (Continuous Improvement)

Lead Scoring ist kein einmaliges Projekt, sondern ein laufender Prozess:

• Analysiere regelmäßig den Zusammenhang zwischen Score und tatsächlicher Conversion.
• Justiere Gewichtungen, wenn sich Markt, Angebot oder Zielgruppe verändern.
• Nutze A/B-Tests für unterschiedliche Scoring-Varianten, insbesondere bei E-Mail-Kampagnen.

9. Lead Scoring, Marketing-Automation und Content-Strategie

Lead Scoring entfaltet seine volle Wirkung, wenn es mit Marketing-Automation und guter Content-Strategie verzahnt ist. Entscheidend ist, dass du für jede Lead-Phase passende Inhalte und Aktionen definiert hast:

Gerade im E-Commerce mit vielen Produkten und Kategorien hilft automatisiert erzeugter, strukturierter Produkt- und Kategorietext dabei, Inhalte gezielt nach Lead-Interesse auszuspielen und Interaktionen präzise zu messen. So kannst du Lead Scoring nutzen, um genau die Produktinformationen und Argumente einzusetzen, die einem Lead in seiner aktuellen Phase wirklich weiterhelfen.

10. Häufige Fehler und Best Practices im Lead Scoring

10.1 Typische Fehler

• Zu viele Kriterien: Das Modell wird unübersichtlich, schwer wartbar und schlecht kommunizierbar.
• Fehlende Abstimmung mit Sales:</strong Vertrieb akzeptiert das Modell nicht und ignoriert Scores.
• Keine Negativsignale:</strong Leads mit schlechtem Fit sammeln trotzdem hohe Scores.
• Keine Aktualisierung:</strong Markt und Strategie ändern sich, das Modell bleibt statisch.
• Unklare Ziele:</strong Es wird gescored, ohne dass klar ist, welche Aktionen der Score auslösen soll.