Lead-Scoring

Lead-Scoring ist ein numerisches System, das jedem Lead einen Score zuweist — meist 0-100 — basierend auf Fit-Kriterien (passt der Lead zum ICP?) und Engagement-Kriterien (hat er Interesse gezeigt?).

Ergebnis: Sales bekommt eine sortierte Liste statt einer chaotischen Lead-Wolke.

Fit-Score vs Engagement-Score

Moderne Lead-Scoring-Modelle haben zwei Dimensionen:

| Dimension | Was wird bewertet | |---|---| | Fit-Score | Demographics: Firmengröße, Branche, Job-Title, Geografie | | Engagement-Score | Activities: Email-Opens, Website-Visits, Demo-Anfrage, Whitepaper-Download |

Beste Leads = Hoher Fit und hohes Engagement. Hoher Fit aber niedrige Engagement = "warm aber nicht reif" — Nurturing.

Typische Punkt-Vergabe

| Aktion | Punkte | |---|---| | Job-Title matches ICP (z.B. VP Sales) | +20 | | Firmen-Mitarbeiter 50-500 | +15 | | Demo-Request | +30 | | Pricing-Page-Visit | +10 | | 3+ Email-Opens in 7 Tagen | +8 | | LinkedIn-Profil komplett | +5 | | Newsletter-Unsubscribe | -50 | | Generic-Email (gmail/yahoo) | -10 |

Score-Thresholds

Klassischer Cut:

• 0-30 Punkte → Cold-Lead, weiter nurturen
• 30-60 Punkte → Warm, MQL-Status, Marketing aktiviert
• 60-100 Punkte → SQL-Reif, Sales kontaktiert

Tooling

Lead-Scoring läuft in der CRM- oder Marketing-Automation-Schicht:

• HubSpot (Built-in, gut für SMB)
• Salesforce + Pardot (Enterprise-Standard)
• Marketo (Enterprise + komplexe Modelle)
• Predictive Scoring (Madkudu, 6sense) — KI-basiert

Häufige Lead-Scoring-Fehler

1. Nur Engagement, kein Fit — VP irgendwas vs Praktikant beide bekommen +30 für Demo-Request
2. Statisches Modell — Score-Logik vor 2 Jahren entworfen, nie nachjustiert
3. Keine Decay-Logik — alte Aktivitäten zählen genauso wie neue (Lead-Wärme verfliegt)
4. Sales vertraut nicht — wenn Scoring schlecht kalibriert ist, ignoriert Sales den Score komplett

Weiterlesen

• Lexikon: MQL vs SQL — wo Scoring den Übergang triggert
• Lexikon: ICP — Fit-Score-Basis
• Lexikon: Pipeline Velocity — Scoring beeinflusst Velocity