Was Lead-Scoring ist und wann es sich lohnt
Lead-Scoring ist eine Reihenfolge, keine Prophezeiung. Es hilft dir, aus 50 Anfragen die fünf zuerst anzurufen, bei denen sich das Gespräch am ehesten lohnt. Mehr nicht, aber das ist viel.
| Situation | Brauchst du Scoring? |
|---|---|
| Wenige Anfragen pro Woche, du sprichst ohnehin mit allen | Nein, ein schneller persönlicher Blick reicht |
| Dutzende Anfragen, Vertrieb kommt nicht hinterher | Ja, ein einfaches Punktemodell |
| Hunderte Leads pro Monat, viele abgeschlossene Geschäfte in der Historie | Ja, prädiktives Scoring kann sich lohnen |
| Viele Leads, aber kaum Abschlüsse in der Historie | Erst ein Punktemodell; prädiktiven Modellen fehlt der Lernstoff |
Das Punktemodell zum Kopieren: Passung plus Verhalten
Ein einfaches Modell trennt zwei Fragen: Passt der Kontakt zu deinem Angebot (Passung)? Und zeigt er gerade Interesse (Verhalten)? Beides zusammen ergibt bis zu 100 Punkte.
Passung (bis 50 Punkte)
| Merkmal | Punkte | Beispiel B2B-Dienstleister |
|---|---|---|
| Branche passt zu deinen besten Kunden | 15 | Software, Agenturen, Handel |
| Unternehmensgröße im Zielbereich | 15 | 10–200 Mitarbeitende |
| Rolle mit Entscheidungsbefugnis | 10 | Geschäftsführung, Marketingleitung |
| Region, die du bedienst | 10 | Deutschland, Österreich, Schweiz |
Verhalten (bis 50 Punkte)
| Signal | Punkte | Hinweis |
|---|---|---|
| Anfrage über Kontaktformular oder Terminbuchung | 25 | Stärkstes Signal |
| Preisseite oder Angebotsseite besucht | 10 | Nur mit Einwilligung messbar |
| Newsletter-Klick auf ein Angebotsthema | 10 | Aus dem Newsletter-Tool |
| Download eines Leitfadens | 5 | Interesse, aber früh in der Entscheidung |
Abzüge und Schwellen
- Abzug −20: Mitbewerber, Studierende, Jobsuchende (am Freitext erkennbar).
- Abzug −10: keine Aktivität seit 90 Tagen.
- Ab 60 Punkten: persönlicher Kontakt innerhalb eines Arbeitstags.
- 30–59 Punkte: Newsletter und passende Inhalte, nach vier Wochen neu bewerten.
- Unter 30: kein aktiver Vertrieb, aber jede Anfrage bekommt eine Antwort.
Die Zahlen sind ein Startpunkt, kein Naturgesetz. Nach drei Monaten vergleichst du: Haben Leads mit hohem Score tatsächlich häufiger gekauft? Wenn nicht, passt du die Gewichte an. Halte jede Änderung mit Datum fest, damit du später weißt, welche Version des Modells welche Ergebnisse geliefert hat. Besprich das Modell außerdem mit den Menschen, die die Leads anrufen: Ihr Bauchgefühl, welche Anfragen gut sind, ist oft ein guter Prüfstein für die Punkte. Wenn Modell und Erfahrung dauerhaft auseinanderliegen, lohnt es sich, genauer hinzusehen, wer recht hat.
Beispiel: zwei Anfragen, zwei Scores
Zwei erfundene, aber typische Anfragen an einen B2B-Dienstleister zeigen, wie das Modell arbeitet.
| Merkmal | Anfrage A | Punkte | Anfrage B | Punkte |
|---|---|---|---|---|
| Branche | Software-Firma | 15 | Einzelhandel außerhalb der Zielbranchen | 0 |
| Größe | 40 Mitarbeitende | 15 | 3 Mitarbeitende | 0 |
| Rolle | Marketingleiterin | 10 | Praktikant | 0 |
| Region | München | 10 | Wien | 10 |
| Verhalten | Terminbuchung + Preisseite | 35 | Leitfaden-Download | 5 |
| Summe | 85 | 15 |
Anfrage A bekommt am selben Tag einen Anruf. Anfrage B bekommt eine freundliche Antwort mit passenden Inhalten und landet im Newsletter, wenn sie eingewilligt hat. Beide werden ernst genommen, aber unterschiedlich schnell und persönlich. Wichtig: Der niedrige Score von Anfrage B sagt nichts über die Person, nur über die Passung zum aktuellen Angebot.
Kaufsignale, die kein Tracking brauchen
Viele der stärksten Signale stehen nicht in einem Analyse-Tool, sondern im Postfach und im Gespräch. Sie sind oft verlässlicher als Seitenaufrufe.
- Konkrete Fragen: nach Preis, Ablauf, Start oder Vertragslaufzeit.
- Zeitbezug: „Wir brauchen das bis …“ oder ein Anlass wie ein Launch.
- Mehrere Personen: Zwei Kontakte aus derselben Firma melden sich.
- Schnelle Antworten: Rückmeldung innerhalb von Stunden statt Wochen.
- Eigene Unterlagen: Die Person schickt Zahlen, Briefing oder bisherige Lösung.
Notiere solche Signale direkt nach dem Gespräch im CRM, in festen Feldern statt in Freitext, damit sie später auswertbar sind. Diese Signale kann KI aus Mails und Gesprächsnotizen herauslesen und als Punkte vorschlagen. Ob sie zutreffen, entscheidet am besten die Person, die den Kontakt kennt.
Wo Scoring-Modelle danebenliegen
- Alte Daten: Ein Modell, das aus Kunden von vor zwei Jahren lernt, bevorzugt Zielgruppen, die heute vielleicht nicht mehr passen.
- Kanal-Verzerrung: Lief bisher alles über einen einzigen Kanal, bewertet das Modell Leads aus neuen Kanälen schlechter, obwohl sie gut sein können.
- Selbsterfüllende Prophezeiung: Leads mit hohem Score bekommen mehr Aufmerksamkeit und kaufen deshalb öfter; das Modell scheint besser, als es ist.
- Fehlende Daten: Wer Tracking ablehnt, hat weniger Verhaltenspunkte, ist aber nicht weniger interessiert.
Gegenmittel: Gewichte regelmäßig prüfen, eine kleine Stichprobe niedrig bewerteter Leads trotzdem persönlich ansprechen und Verhaltenspunkte nicht überbewerten.
Wo KI im eigenen Modell hilft
- Freitext einordnen: KI liest Anfragen und schlägt Branche, Rolle, Dringlichkeit und mögliche Ausschlüsse vor, mit einer Begründung in einem Satz.
- Zusammenfassen: Zwei Sätze für den Vertrieb: Was will die Person, warum jetzt?
- Gewichte prüfen: Mit einem anonymisierten Export aus dem CRM lässt du die KI vergleichen, welche Merkmale bei gewonnenen und verlorenen Leads häufiger waren, mit sichtbarem Rechenweg.
- Antwort entwerfen: Ein Entwurf für die erste Rückmeldung, den ein Mensch prüft und sendet.
Wichtig: Lass die KI aus festen Kategorien wählen und „unklar“ zulassen. Freie Bewertungen schwanken von Lauf zu Lauf. Wie du das in Abläufe einbaust, zeigt Marketing-Automatisierung mit KI.
Marketing und Vertrieb: gemeinsame Definitionen
Scoring scheitert oft nicht am Modell, sondern daran, dass Marketing und Vertrieb unter „guter Lead“ Verschiedenes verstehen. Legt gemeinsam fest:
| Begriff | Bedeutung | Wer entscheidet |
|---|---|---|
| Lead | Jeder Kontakt mit Einwilligung oder Anfrage | Automatisch |
| Marketingqualifiziert | Score über der ersten Schwelle, Passung gegeben | Modell, Marketing prüft |
| Vertriebsqualifiziert | Vertrieb hat gesprochen und Bedarf bestätigt | Vertrieb |
| Verworfen | Kein Bedarf, Mitbewerber oder kein Kontakt möglich, mit Grund | Vertrieb |
Haltet die Definitionen schriftlich fest und prüft sie zweimal im Jahr gemeinsam. Die Gründe, warum Leads verworfen wurden, sind die wertvollste Quelle für die nächste Anpassung des Modells. Lass die KI diese Gründe einmal im Monat zusammenfassen: Welche Muster tauchen auf?
Scoring im Shop und im B2C
Im Endkundengeschäft (B2C) gibt es selten Verkaufsgespräche, aber die Logik hilft trotzdem, etwa für Newsletter und Angebote. Ein bewährtes Muster ist die Einteilung nach Aktualität, Häufigkeit und Wert von Käufen.
- Aktualität: Wann war der letzte Kauf?
- Häufigkeit: Wie oft wurde gekauft?
- Wert: Wie viel wurde insgesamt ausgegeben?
Daraus entstehen Gruppen wie „treue Stammkunden“, „lange nicht gekauft“ oder „einmal teuer gekauft“, die unterschiedliche Mails bekommen. KI rechnet die Gruppen mit Code aus und hilft beim Formulieren der Mails. Unterschiedliche Preise oder Rabatte je nach Score solltest du nicht automatisch vergeben, ohne das rechtlich prüfen zu lassen.
Prädiktives Scoring in CRM-Systemen
Prädiktives Scoring heißt: Ein Modell lernt aus deinen bisherigen Leads und Abschlüssen, welche Merkmale auf einen Kauf hindeuten, und vergibt selbst Werte. Das funktioniert nur, wenn genug Historie da ist.
| Anbieter | Funktion laut Anbieter | Voraussetzung | Quelle |
|---|---|---|---|
| HubSpot | Prädiktives Lead-Scoring: Wahrscheinlichkeit, dass ein Kontakt innerhalb von 90 Tagen Kunde wird, plus Priorität in vier gleich großen Stufen | Marketing Hub oder Sales Hub Enterprise; HubSpot nennt das Modell selbst eine Blackbox | HubSpot |
| Salesforce | Einstein Lead Scoring bewertet Leads nach Ähnlichkeit zu früher umgewandelten Leads | Laut Implementierungsleitfaden mindestens 1.000 Leads in den letzten 200 Tagen je Segment; Enterprise (gegen Aufpreis), Performance, Unlimited | Salesforce |
| Pipedrive | Pulse: KI-Funktion zur Priorisierung von Leads nach Kaufabsicht | 2024 als geschlossene Beta mit Warteliste angekündigt; aktuellen Stand im eigenen Konto prüfen | Pipedrive |
Stand 15.11.2026 laut Anbieterseiten. Preise bitte auf den aktuellen Preisseiten prüfen.
Vorteil prädiktiver Modelle: Sie finden Zusammenhänge, die du nicht vermutet hättest. Nachteil: Du siehst oft nicht, warum ein Lead hoch bewertet wird. Für die Transparenz gegenüber Betroffenen und für das Vertrauen deines Vertriebs ist das ein echtes Problem.
DSGVO: Art. 22, Profiling und Transparenz
| Thema | Was gilt | Quelle |
|---|---|---|
| Automatisierte Entscheidungen | Art. 22: Betroffene müssen keiner ausschließlich automatisierten Entscheidung mit rechtlicher oder ähnlich erheblicher Wirkung unterworfen werden | DSGVO |
| Information | Art. 13 und 14: Information über Zwecke, Rechtsgrundlage und, bei Entscheidungen nach Art. 22, über die involvierte Logik | DSGVO |
| Widerspruch | Art. 21 Abs. 2: Widerspruch gegen Verarbeitung für Direktwerbung, einschließlich Profiling, jederzeit möglich | DSGVO |
| Rechtsgrundlage | Art. 6: Einwilligung, Vertrag oder berechtigtes Interesse, jeweils für den konkreten Zweck prüfen | DSGVO |
Für typisches Marketing-Scoring heißt das: Solange der Score nur die Reihenfolge bestimmt und ein Mensch entscheidet, wen er wie anspricht, liegt meist keine ausschließlich automatisierte Entscheidung vor. Kritisch wird es, wenn ein Score automatisch Angebote, Preise oder den Zugang zu Leistungen verwehrt.
- In der Datenschutzerklärung erklären, dass und wie Leads bewertet werden.
- Nur Daten nutzen, die für die Bewertung nötig sind; keine sensiblen Daten.
- Verhaltensdaten von der Website nur mit Einwilligung.
- Widerspruch gegen Profiling für Werbung ermöglichen und umsetzen.
- Werbe-Mails an bewertete Leads brauchen nach § 7 UWG zusätzlich eine Einwilligung.
Einführung in vier Wochen
| Woche | Was du tust | Ergebnis |
|---|---|---|
| 1 | Die letzten 30 bis 50 Abschlüsse und Absagen ansehen: Was hatten die Gewinner gemeinsam? | Erste Liste von Passungs-Merkmalen |
| 2 | Punktemodell aufschreiben, Schwellen festlegen, mit dem Vertrieb abstimmen | Modell auf einer Seite |
| 3 | Im CRM oder in einer Tabelle umsetzen, KI für Freitext-Einordnung testen | Scores für alle neuen Leads |
| 4 | Rückblick: Wurden Leads mit hohem Score schneller kontaktiert? Haben sie öfter gekauft? | Angepasste Gewichte |
Nach drei Monaten lohnt der Blick auf die Abschlussquote je Score-Stufe. Steigt sie mit dem Score, funktioniert das Modell. Ist sie überall gleich, misst es das Falsche.
Aus der Praxis: Anfragen bei uns
Bei i4u.business kommen Anfragen über das Kontaktformular, die Marketing-Sprechstunde und unsere KI-Werkzeuge. Jede Anfrage wird zuerst auf unserem Server gespeichert und dann zugestellt; das Formular fragt das Thema ab, damit die Einordnung von Anfang an klar ist. Jede Anfrage bewertet und beantwortet ein Mensch.
Bei unserem Anfragevolumen wäre ein Scoring-Modell überdimensioniert. Die Lehre gilt trotzdem: Die wichtigste Information für die Einordnung liefert ein gut gestelltes Formularfeld, nicht ein Algorithmus.
Checkliste für Lead-Scoring mit KI
- Ablauf geklärt: Wer kontaktiert Leads mit hohem Score wie schnell?
- Gewinner und Verlierer der letzten Monate ausgewertet
- Punktemodell aus Passung und Verhalten mit Schwellen aufgeschrieben
- KI nur mit festen Kategorien und der Option „unklar“
- Jede Anfrage bekommt eine Antwort, auch mit niedrigem Score
- Verhaltensdaten nur mit Einwilligung
- Datenschutzerklärung erklärt die Bewertung
- Widerspruch gegen Profiling für Werbung möglich
- Rückblick nach drei Monaten: Abschlussquote je Score-Stufe
12 Prompts für Lead-Scoring
Hier sind anonymisierte Daten zu gewonnenen und verlorenen Leads: [Tabelle]. Welche Merkmale kommen bei Gewinnern deutlich häufiger vor? Rechne mit Code und zeige die Zahlen.
Mein Angebot: [Beschreibung]. Meine besten Kunden: [Merkmale]. Entwirf ein Punktemodell mit Passung (bis 50) und Verhalten (bis 50), Abzügen und Schwellen.
Hier ist mein Punktemodell: [Modell]. Wo könnte es systematisch falsch liegen? Welche Leads würden zu hoch oder zu niedrig bewertet?
Ordne diese Anfrage ein: Branche, Unternehmensgröße, Rolle, Dringlichkeit (hoch/mittel/niedrig/unklar), Ausschlussgrund ja/nein. Je ein Satz Begründung: [Anfrage].
Fasse diese Anfrage in zwei Sätzen zusammen: Bedarf und warum jetzt. Erfinde nichts: [Anfrage].
Schreibe einen Antwortentwurf auf diese Anfrage in [du/Sie], max. 100 Wörter, mit einem konkreten nächsten Schritt: [Anfrage].
Bei [Anzahl] Leads pro Woche und [Stunden] Vertriebszeit: Ab welchem Score sollten wir persönlich nachfassen, damit die Zeit reicht?
Hier sind Abschlussquoten je Score-Stufe nach drei Monaten: [Daten]. Funktioniert das Modell? Welche Gewichte sollte ich ändern?
Formuliere einen verständlichen Abschnitt für die Datenschutzerklärung, der erklärt, dass Anfragen nach [Kriterien] priorisiert werden und ein Mensch entscheidet. Zur Prüfung durch eine Fachperson.
Welche ein bis zwei Fragen im Kontaktformular würden die Einordnung von Anfragen am meisten verbessern, ohne Interessenten abzuschrecken?
Wir haben [Anzahl] Leads pro Monat und [Anzahl] Abschlüsse in der Historie. Lohnt sich prädiktives Scoring, oder reicht ein Punktemodell? Begründe.
Welche Muster in Anfragen deuten auf Mitbewerber, Studierende oder Jobsuchende hin? Liste Signale auf, die ich prüfen sollte, ohne jemanden automatisch abzulehnen.
Die häufigsten Fehler
- Scoring ohne Ablauf. Ein hoher Score nützt nichts, wenn niemand anruft.
- Zu viele Merkmale. Vier Passungs- und vier Verhaltenssignale reichen für den Start völlig aus.
- Prädiktiv ohne Historie. Ohne genug Abschlüsse lernt das Modell Zufall.
- Niedrige Scores ignorieren. Jede Anfrage verdient eine freundliche Antwort, auch wenn kein Gespräch folgt.
- Blackbox ohne Erklärung. Vertrieb und Betroffene sollten verstehen, warum ein Lead hoch oder niedrig bewertet ist.
- Nie nachjustieren. Ohne Rückblick nach drei Monaten misst das Modell vielleicht jahrelang das Falsche.
Häufige Fragen
Wie viele Merkmale sollte mein Punktemodell haben?
Für den Start vier Merkmale für Passung und vier für Verhalten. Mehr Merkmale machen das Modell nicht genauer, sondern schwerer zu verstehen und zu pflegen.
Kann KI Leads automatisch ablehnen?
Technisch ja, aber davon ist abzuraten. KI kann Hinweise auf Mitbewerber oder unpassende Anfragen geben; die Entscheidung und eine freundliche Antwort sind Sache eines Menschen. Automatische Ablehnungen mit erheblicher Wirkung fallen unter Art. 22 DSGVO.
Was mache ich mit Leads, die keinen Score haben?
Beantworte sie trotzdem, wie jede andere Anfrage auch. Fehlen Daten für einen Score, ist ein kurzer persönlicher Blick oder eine Rückfrage besser als eine Schätzung.
Welche Signale zeigen echtes Kaufinteresse?
Konkrete Fragen nach Preis, Ablauf oder Start, ein Zeitbezug, mehrere Kontakte aus derselben Firma, schnelle Antworten und mitgeschickte eigene Unterlagen. Diese Signale stehen oft im Postfach, nicht im Analyse-Tool.
Kann ein Scoring-Modell unfair sein?
Ja, etwa wenn es aus alten Daten lernt, neue Kanäle benachteiligt oder Menschen ohne Tracking-Einwilligung schlechter bewertet. Regelmäßige Prüfung und persönliche Stichproben bei niedrigen Scores helfen.
Was ist der Unterschied zwischen MQL und SQL?
Ein marketingqualifizierter Lead (MQL) hat die Schwelle im Scoring erreicht und passt zum Angebot. Bei einem vertriebsqualifizierten Lead (SQL) hat der Vertrieb mit dem Kontakt gesprochen und den Bedarf bestätigt. Beide Begriffe sollten Marketing und Vertrieb gemeinsam festlegen.
Funktioniert Lead-Scoring auch im Online-Shop?
Ja, meist als Einteilung nach Aktualität, Häufigkeit und Wert der Käufe. Daraus entstehen Kundengruppen, die unterschiedliche Mails und Inhalte bekommen.
Was ist Lead-Scoring?
Lead-Scoring bewertet Kontakte mit Punkten, damit der Vertrieb die vielversprechendsten zuerst anspricht. Meist kombiniert es Passung (passt der Kontakt zum Angebot?) und Verhalten (wie aktiv ist er?).
Brauche ich dafür KI?
Nicht unbedingt. Ein einfaches Punktemodell im CRM oder in einer Tabelle reicht für die meisten kleinen Teams. KI hilft beim Einordnen von Freitext und beim Prüfen der Gewichte; prädiktives Scoring lohnt sich erst mit viel Historie.
Welche HubSpot-Version hat prädiktives Lead-Scoring?
Marketing Hub Enterprise und Sales Hub Enterprise, so die HubSpot-Wissensdatenbank. Das Modell schätzt die Wahrscheinlichkeit, dass ein Kontakt innerhalb von 90 Tagen Kunde wird.
Was braucht Salesforce Einstein Lead Scoring?
Mindestens 1.000 Leads in den letzten 200 Tagen je Segment, so der Implementierungsleitfaden von Salesforce. Verfügbar ist die Funktion in Enterprise gegen Aufpreis sowie in Performance und Unlimited.
Ist Lead-Scoring nach DSGVO erlaubt?
In der Regel ja, wenn eine Rechtsgrundlage besteht, du transparent informierst und ein Mensch entscheidet. Art. 22 DSGVO schützt vor ausschließlich automatisierten Entscheidungen mit erheblicher Wirkung. Keine Rechtsberatung.
Muss ich Leads über das Scoring informieren?
Ja. Die Datenschutzerklärung sollte erklären, dass und nach welchen Kriterien Anfragen priorisiert werden. Gegen Profiling für Direktwerbung können Betroffene nach Art. 21 Abs. 2 DSGVO jederzeit widersprechen.
Wie prüfe ich, ob mein Modell funktioniert?
Vergleiche nach etwa drei Monaten die Abschlussquote je Score-Stufe. Steigt sie mit dem Score, funktioniert das Modell; ist sie überall gleich, passt du die Gewichte an.
Quellen
- HubSpot: Predictive lead scoring – Enterprise, 90 Tage, Stand 11.1.2026
- Salesforce: Sales Cloud Einstein Implementation Guide – Einstein Lead Scoring, Voraussetzungen
- Pipedrive: Pipedrive Pulse – 16.9.2024, geschlossene Beta
- DSGVO (Verordnung (EU) 2016/679) – Art. 6, 13, 14, 21, 22
- § 7 UWG – Werbe-E-Mails






