Lead Scoring im B2B: Modell, Kriterien und CRM-Setup mit Beispiel

Ein Lead lädt ein Whitepaper herunter, ein anderer startet einen Trial. Beide landen mit demselben Status im CRM – und der Vertrieb soll entscheiden, wem er zuerst schreibt. Genau hier soll Lead Scoring im B2B helfen. Ein schlechtes Modell zählt jedoch nur Klicks. Ein brauchbares Modell beantwortet eine operative Frage: Passt dieser Account zu unserem Angebot und gibt es gerade belastbare Kaufsignale?

Dieser Leitfaden richtet sich an Marketing-, Revenue-Ops- und Vertriebsteams in B2B-SaaS-Unternehmen. Sie erhalten ein startfähiges Modell, konkrete Kriterien und CRM-Felder, sinnvolle Schwellenwerte sowie einen 30-Tage-Plan. Die Punktwerte sind bewusst ein Ausgangspunkt – kein universeller Branchenstandard.

Kurz gesagt

• Trennen Sie Fit und Kaufabsicht. Ein hoher Gesamtscore darf schlechte Zielkundenpassung nicht verdecken.
• Bewerten Sie wenige, überprüfbare Signale. Formularbesuche und E-Mail-Öffnungen allein sind zu schwach.
• Definieren Sie vor der Automation, was bei MQL, PQL, Disqualifizierung und Rückstufung passiert.
• Kalibrieren Sie mit echten gewonnenen und verlorenen Opportunities – nicht mit Bauchgefühl.

Was Lead Scoring entscheiden soll

Lead Scoring ist eine Priorisierungslogik. Sie vergibt Punkte für Merkmale und Verhalten, damit Marketing und Vertrieb Kontakte einheitlich einordnen. Moderne Systeme können getrennte Fit-, Engagement- und kombinierte Scores führen; HubSpot beschreibt beispielsweise genau diese Trennung sowie positive und negative Kriterien. Oracle Eloqua stellt Profil und Engagement als zwei Achsen dar. Das gemeinsame Prinzip ist wichtiger als das konkrete Tool: Zielkundenpassung und Aktivität sind unterschiedliche Informationen.

Das Modell soll drei Entscheidungen unterstützen:

1. Weiterentwickeln: Der Lead passt, zeigt aber noch zu wenig Absicht. Marketing liefert passende Inhalte.
2. An Vertrieb übergeben: Fit und Kaufabsicht sind hoch genug, und es gibt einen klaren nächsten Schritt.
3. Zurückstellen oder ausschließen: Der Lead passt nicht, ist inaktiv oder erfüllt ein Ausschlusskriterium.

Ein Score ersetzt keine Qualifizierung. Er sortiert Arbeit vor – die finale Einordnung bleibt ein Vertriebsprozess.

Schritt 1: Zielkundenpassung mit einem Fit-Score bewerten

Beginnen Sie nicht mit Webseitenaktionen, sondern mit Ihrem Ideal Customer Profile. Welche Merkmale unterscheiden Kunden mit hoher Abschluss- und Bindungswahrscheinlichkeit von Kontakten, die regelmäßig abspringen? Für ein B2B-SaaS-Unternehmen sind Branche, Unternehmensgröße, Region, Rolle und technischer Kontext oft relevanter als die Anzahl geöffneter E-Mails.

Vergeben Sie positive Punkte nur für Merkmale, die sich aus CRM-Daten oder einer verlässlichen Anreicherung ableiten lassen. Negative Punkte sind ebenso wichtig: Ein Student, Wettbewerber oder Unternehmen außerhalb des bedienbaren Marktes kann sehr aktiv sein und trotzdem kein sinnvoller Lead sein.

Das folgende Beispiel nimmt ein SaaS-Produkt für Unternehmen mit 50 bis 500 Beschäftigten an. Andere Zielmärkte brauchen andere Werte.

Schritt 2: Kaufabsicht mit Verhaltenssignalen messen

Nicht jede Interaktion bedeutet Kaufabsicht. Eine Preisseite, eine Demo-Anfrage oder die Einladung eines zweiten Trial-Nutzers liegt näher an einer Entscheidung als ein einzelner Blogbesuch. Adobe Marketo empfiehlt, Verhalten und demografische Merkmale getrennt zu gewichten und etwa eine Demo-Anfrage höher zu bewerten als einen Whitepaper-Download.

Werten Sie wiederholbare Ereignisse nicht unbegrenzt. Drei Besuche derselben Seite können ein Signal sein; 30 automatische oder versehentliche Aufrufe sollten den Score nicht dominieren. Setzen Sie deshalb Zeitfenster und Obergrenzen je Ereignistyp.

Schritt 3: Schwellenwerte an Aktionen koppeln

Ein Schwellenwert ist nur sinnvoll, wenn eindeutig feststeht, was danach geschieht. Starten Sie mit zwei getrennten Bedingungen statt mit einer magischen Gesamtzahl:

• MQL: Fit mindestens 45 Punkte und Intent mindestens 30 Punkte.
• Sales-Priorität: Fit mindestens 55 Punkte und Intent mindestens 50 Punkte oder eine explizite Demo-Anfrage.
• PQL: Trial gestartet, mindestens ein definierter Aktivierungsmoment erreicht und Mindest-Fit erfüllt.
• Disqualifiziert: Ausschlusskriterium greift – unabhängig vom Aktivitätsscore.
• Recycling: 30 oder 90 Tage ohne starkes Signal; Eigentümer und Status werden angepasst.

Diese Werte sind Startwerte. Prüfen Sie nach vier bis acht Wochen, ob MQLs tatsächlich häufiger zu akzeptierten Sales-Leads und Opportunities werden.

Drei Beispiele

1. Perfekter Account, noch kein Anlass: Ein Operations-Leiter aus einem 200-Personen-Unternehmen erreicht 60 Fit-Punkte, hat aber nur einen Fachartikel gelesen. Ergebnis: kein Vertriebsanruf. Der Kontakt bleibt in einem thematisch passenden Nurturing.

2. Viel Aktivität, schlechter Fit: Ein Student besucht die Preisseite, lädt Inhalte herunter und startet einen Trial. Das Ausschlusskriterium senkt den Fit stark. Ergebnis: keine automatische Übergabe an Sales.

3. Passender Trial mit Nutzungserfolg: Ein Team aus der Zielbranche startet einen Trial, nutzt die Kernfunktion und lädt einen Kollegen ein. Fit 55, Intent 67. Ergebnis: PQL mit konkretem Kontext für den Vertrieb.

Welche Signale Sie nicht überbewerten sollten

E-Mail-Öffnungen: Apple Mail Privacy Protection kann entfernte Inhalte im Hintergrund laden. Mailchimp weist deshalb darauf hin, dass Öffnungsraten aufgebläht und als individuelles Kaufsignal unzuverlässiger sein können. Klicks, Antworten, Demo-Anfragen und Produktnutzung sind belastbarer.

Beliebige Seitenaufrufe: Ein Impressums- oder Karrierebesuch sagt wenig über Kaufabsicht aus. Bewerten Sie nur Seiten mit erkennbarer Nähe zur Evaluation.

Jobtitel als alleinige Wahrheit: Titel unterscheiden sich zwischen Firmen. Kombinieren Sie Rolle, Seniorität und konkrete Verantwortlichkeit.

Firmografische Daten unbekannter Herkunft: Eine automatisierte Anreicherung kann veraltet oder falsch sein. Speichern Sie Quelle und Aktualisierungszeitpunkt, wenn ein Feld den Score beeinflusst.

Schritt 4: CRM-Felder und Automationen sauber aufsetzen

Transparenz ist wichtiger als ein möglichst komplexer Algorithmus. Ein Vertriebsmitarbeiter muss erkennen können, warum ein Kontakt priorisiert wurde. Speichern Sie deshalb nicht nur einen Gesamtwert, sondern auch Fit, Intent, stärkstes Signal, Status, Modellversion und Zeitpunkt der letzten Berechnung.

Wenn das Team noch nach dem passenden System sucht, hilft unser Vergleich einfacher CRM-Tools für kleine Teams. Wer bereits HubSpot einsetzt, findet im Beitrag HubSpot CRM ohne Tabellenchaos den grundlegenden Arbeitsablauf.

Fünf Automationen reichen zum Start

1. Score neu berechnen: bei relevanter Feldänderung oder Ereignis, nicht bei jedem beliebigen Seitenaufruf.
2. MQL/PQL erzeugen: nur wenn Mindest-Fit und Intent beziehungsweise Produktaktivierung erfüllt sind.
3. Aufgabe mit Kontext anlegen: Eigentümer, stärkstes Signal, relevante Seiten oder Produktaktionen und empfohlener nächster Schritt.
4. Doppelte Übergaben verhindern: pro Kontakt oder Account nur eine offene Qualifizierungsaufgabe.
5. Decay und Recycling ausführen: bei Inaktivität Punkte senken, Status zurücksetzen und gegebenenfalls ins Nurturing geben.

Setzen Sie Service-Level fest: Wer nimmt einen MQL an, innerhalb welcher Zeit, und mit welchem Rückgabegrund darf Sales ihn ablehnen? Ohne diese Rückkopplung wird Lead Scoring schnell zu einem Marketing-Dashboard ohne Vertriebsnutzen.

Automatisierung verstärkt auch Fehler. Der Beitrag Alta AI und GTM-Automation: Wo Effizienz in Kontrollverlust kippt zeigt, warum Berechtigungen, Datenqualität und Freigaben vor zusätzlicher Automatisierung geklärt sein sollten.

Regelbasiert starten, mit Daten kalibrieren

Für kleine und mittlere Datensätze ist ein regelbasiertes Lead-Scoring-Modell meist der bessere Start: Es ist erklärbar, schnell änderbar und zeigt Datenlücken. Prädiktive Modelle können später Muster gewichten, benötigen aber genügend saubere historische Ergebnisse. Microsoft nennt für sein prädiktives Lead Scoring beispielsweise Mindestmengen qualifizierter und disqualifizierter Leads; das ist eine Produktanforderung, aber ein guter Hinweis auf das Grundproblem: Ohne ausreichend gelabelte Fälle lernt ein Modell wenig Belastbares.

So kalibrieren Sie ohne Scheingenauigkeit

1. Ziehen Sie 20 bis 50 gewonnene und ebenso viele verlorene oder disqualifizierte Fälle aus den letzten Monaten.
2. Prüfen Sie, welche Merkmale und Ereignisse vor der Opportunity häufiger vorkamen.
3. Streichen Sie Signale, die häufig sind, aber keinen Unterschied machen.
4. Begrenzen Sie wiederholbare Aktivitäten und definieren Sie Score-Verfall.
5. Lassen Sie Marketing und Sales die Kriterien gemeinsam freigeben. Oracle und Adobe betonen ebenfalls die Verbindung von Profil- und Engagementdaten sowie die gemeinsame Definition durch Marketing und Vertrieb.
6. Versionieren Sie jede Änderung. Vergleichen Sie nicht zwei Zeiträume, wenn sich Modell und Funnel gleichzeitig grundlegend geändert haben.

Vermeiden Sie Dezimalpräzision, die Ihre Daten nicht hergeben. Ob ein Webinar acht oder neun Punkte erhält, ist weniger wichtig als die Frage, ob Webinar-Teilnehmer tatsächlich häufiger zu Opportunities werden.

Datenschutz: Lead Scoring ist Profiling – aber nicht automatisch verboten

Die DSGVO definiert Profiling als automatisierte Verarbeitung personenbezogener Daten, mit der persönliche Aspekte bewertet oder vorhergesagt werden. Ein personenbezogener Lead-Score kann darunter fallen. Daraus folgt kein pauschales Verbot, aber eine Pflicht zu sauberer Gestaltung.

Für deutsche B2B-Teams sind mindestens diese Punkte relevant:

• Zweck, Datenquellen, Rechtsgrundlage, Speicherfristen und Empfänger dokumentieren.
• Nur Daten erfassen, die für die Priorisierung wirklich nötig sind.
• Transparenzinformationen und Widerspruchsprozesse für Direktwerbung prüfen.
• Sensible Kategorien und intransparente Fremddaten vermeiden.
• Zugriffe auf Rohereignisse und Scores nach Rollen begrenzen.
• Regeln für Korrektur, Löschung und veraltete Daten festlegen.

Artikel 22 enthält zusätzliche Regeln für Entscheidungen, die ausschließlich automatisiert erfolgen und rechtliche oder ähnlich erhebliche Wirkung haben. Eine bloße Vertriebspriorisierung fällt nicht automatisch darunter; sobald ein Score jedoch Zugang, Preis oder wesentliche Vertragsentscheidungen ohne menschliche Prüfung steuert, ist eine fachkundige Datenschutzprüfung angebracht. Dieser Abschnitt ersetzt keine Rechtsberatung.

Lead Scoring in 30 Tagen einführen

Woche 1: Entscheidung und Datenbasis

• Eine geschäftliche Entscheidung festlegen: etwa MQL-Übergabe oder Trial-Priorisierung.
• Ideal Customer Profile und harte Ausschlüsse dokumentieren.
• Bestehende CRM-Felder, Ereignisse, Einwilligungen und Datenqualität prüfen.
• Verantwortliche Person und gemeinsames Review mit Marketing und Sales benennen.

Woche 2: Modell und CRM

• Höchstens fünf bis sieben Fit- und sieben bis zehn Intent-Kriterien auswählen.
• Punkte, Obergrenzen, Zeitfenster und Decay festlegen.
• CRM-Felder und verständliche Statuswerte anlegen.
• 20 bis 30 historische Fälle manuell durchrechnen und offensichtliche Fehlklassifikationen korrigieren.

Woche 3: Kontrollierter Pilot

• Automationen zunächst mit Benachrichtigung statt vollständig autonom starten.
• Übergabeaufgaben mit score_reason und stärkstem Signal ausstatten.
• Ein kleines Team oder Segment wählen.
• Falsch positive und falsch negative Fälle protokollieren.

Woche 4: Schwellen justieren und ausrollen

• Akzeptanzquote der MQLs durch Sales prüfen.
• Kriterien mit schlechter Datenqualität entfernen oder reparieren.
• Schwellenwerte und Service-Level anpassen.
• Modellversion dokumentieren und nächsten Review-Termin setzen.

Woran Sie erkennen, ob das Modell funktioniert

Messen Sie nicht, wie viele Kontakte plötzlich „heiß“ heißen. Messen Sie die Entscheidungsgüte:

• Anteil der MQLs, die Sales akzeptiert.
• Anteil der akzeptierten Leads, die zu Opportunities werden.
• Zeit vom starken Signal bis zur ersten sinnvollen Reaktion.
• Anteil der disqualifizierten oder zurückgegebenen Leads samt Gründen.
• Conversion nach Score-Band, Segment und Modellversion.
• Anzahl der Kontakte, die wegen fehlender Daten nicht bewertbar sind.

Ein gutes Modell kann zunächst weniger MQLs erzeugen und trotzdem erfolgreicher sein, wenn Sales weniger Fehlalarme bearbeiten muss.

Häufige Fehler

• Ein einziger Gesamtscore verdeckt schlechten Fit.
• Zu viele Kriterien machen das Modell unverständlich und schwer wartbar.
• E-Mail-Öffnungen oder beliebige Seitenaufrufe erhalten zu viel Gewicht.
• Negative Signale, Obergrenzen und Score-Verfall fehlen.
• Account- und Kontaktaktivität werden vermischt, obwohl mehrere Personen an einer B2B-Entscheidung beteiligt sind.
• Eine MQL-Schwelle existiert, aber kein klarer Eigentümer oder Rückgabegrund.
• Das Modell wird nach dem Start nicht anhand von Outcomes überprüft.

Das richtige Startmodell für Ihr Team

Kleine Teams ohne verlässliche Historie sollten mit zwei Scores, wenigen Regeln und einem manuellen Pilot beginnen. Sie brauchen keine KI-Prognose, sondern saubere Felder und eine gemeinsame Definition von „vertriebsreif“.

B2B-SaaS mit Product-led Growth sollte zusätzlich einen PQL definieren. Produktaktivierung, wiederkehrende Nutzung und Team-Einladungen sind hier meist aussagekräftiger als Marketingaktivität allein.

Größere Teams mit vielen Leads und konsistenten Outcomes können prädiktives Scoring testen – aber nur gegen eine verständliche regelbasierte Baseline. Das Modell lohnt sich erst, wenn es nachweislich besser priorisiert und seine Datenquellen kontrollierbar bleiben.

Der wichtigste nächste Schritt ist nicht die Auswahl eines weiteren Tools. Nehmen Sie zehn gewonnene und zehn verlorene Fälle, tragen Sie Fit und Kaufabsicht getrennt ein und prüfen Sie, ob Ihr Entwurf die richtigen Kontakte nach oben sortiert. Erst danach sollten Sie Workflows aktivieren.