Lead-Scoring-Modelle: So wählst du das richtige aus und setzt es erfolgreich ein

Deine Lead-Liste sieht im Dashboard gut aus, doch der Vertrieb beklagt sich immer wieder, dass die Gespräche von Anfang an ins Leere laufen. Genau diese Lücke soll ein Lead-Scoring-Modell schließen. Meist scheitert es jedoch an denselben wenigen Ursachen: Das Modell passt nicht zu deinen vorhandenen Daten, es gibt keinen zeitlichen Verfall und die Datengrundlage ist zu dünn für eine sinnvolle Bewertung. Dieser Leitfaden stellt die vier wichtigsten Modelltypen vor, zeigt, wann welcher passt, und erklärt, wie du ein Setup wählst, das sich auch in einem echten Funnel bewährt.

Das Wichtigste in Kürze

• Die vier Modelltypen (regelbasiert, verhaltensbasiert, firmografisch, prädiktiv) lösen unterschiedliche Probleme. Die meisten Teams kombinieren letztlich zwei davon, statt sich für einen einzigen Gewinner zu entscheiden.

• Richte das Modell nach deiner Datenqualität, deinem Lead-Volumen und deinem Vertriebszyklus aus – nicht danach, über welches Modell dein Wettbewerber gerade auf LinkedIn spricht.

• Negative Bewertungen und zeitlicher Verfall sind genauso wichtig wie Pluspunkte. Ohne sie füllt sich deine MQL-Liste allmählich mit Personen, deren Interesse bereits vor sechs Monaten erloschen ist.

• Ein Scoring-Modell ist nur so gut wie die Antworten, die du im Vorfeld erfasst. Wenn deine Formulare lediglich nach Name und E-Mail fragen, kratzt selbst ein perfektes Modell bei der Datenqualität nur am unteren Ende.

Was Ein Lead-Scoring-Modell Tatsächlich Leistet

Ein Lead-Scoring-Modell weist jedem Lead eine Zahl zu, damit Marketing und Vertrieb gemeinsam festlegen können, wen sie zuerst kontaktieren. Die Zahl fasst zwei Aspekte zusammen: wie gut der Lead zu deinem idealen Kundenprofil passt und wie intensiv er mit deiner Marke interagiert. Das Modell befindet sich dort, wo deine Kontaktdaten gespeichert sind – meist in einem CRM oder auf einer Marketing-Automatisierungsplattform wie HubSpot, Salesforce oder Marketo – und wird aktualisiert, sobald neue Verhaltensdaten eingehen.

Entscheidend ist nicht der Score selbst. Entscheidend ist, dass der Vertrieb eine kleine Gruppe von Leads mit hoher Abschlusswahrscheinlichkeit priorisiert, statt die Liste von oben nach unten abzuarbeiten. Gleichzeitig erhält das Marketing endlich eine Rückkopplung dazu, welche Kampagnen Abschlüsse bringen und welche lediglich gut aussehende Mengenwerte erzeugen. Laut HubSpots eigener Produktberatung erzielen Teams, die erstmals einen strukturierten Score einführen, den größten Gewinn typischerweise nicht dadurch, dass sie mehr Leads finden, sondern weniger ungeeignete.

Die Vier Arten Von Lead-Scoring-Modellen Im Direkten Vergleich

Jedes Modell auf dem Markt ist eine Variante eines von vier Ansätzen. Die folgende Tabelle bietet einen kurzen Überblick; anschließend folgt zu jedem Ansatz ein konkretes Beispiel.

Regelbasiertes Lead-Scoring

Beim regelbasierten Scoring werden bestimmten Aktionen und Merkmalen feste Punktwerte zugewiesen. Fast jedes Team beginnt mit diesem Modell, weil es sich dem Vertrieb leicht erklären, einfach auf Fehler prüfen und bei Problemen unkompliziert ändern lässt. Ein typisches Setup sieht so aus:

1. Demo-Anfrage eingereicht: +25 Punkte. In den meisten B2B-Funnels das stärkste Einzelsignal.

2. Preisseite angesehen: +10 Punkte. Weist auf eine konkrete Evaluierungsabsicht hin.

3. Webinar-Teilnahme: Jeweils +5 Punkte, begrenzt auf 20, damit regelmäßige Teilnehmende den Score nicht unverhältnismäßig in die Höhe treiben.

4. Jobtitel enthält „VP“ oder „Director“: +15 Punkte. Entscheidungskompetenz durch eine leitende Position.

5. Kostenlose E-Mail-Domain (gmail, yahoo usw.): -10 Punkte. Schwer mit zusätzlichen Daten anzureichern, geringere Eignung für B2B.

Regelbasiertes Scoring funktioniert am besten, wenn dein Funnel klein genug ist, dass sich ein Marketer die Regeln merken kann, und das Verhalten der Käufer gut verstanden wird. Der Nachteil: Nichts lernt automatisch. Wenn ein neues Inhaltsformat plötzlich Abschlüsse erzielt, musst du das erkennen und die Regeln anpassen. HubSpot empfiehlt, rein manuelle Regeln erst dann abzulösen, wenn genügend Lead- und Abschlussvolumen vorhanden ist, um ein lernendes Modell zu trainieren. Selbst dann lassen die meisten Teams die regelbasierte Logik parallel weiterlaufen, weil sie leichter nachvollziehbar ist.

Verhaltensbasiertes Lead-Scoring (auf Absicht Ausgerichtet)

Verhaltensbasiertes Scoring konzentriert sich darauf, was Leads tun, nicht darauf, wer sie sind. Es erfasst Seitenaufrufe, Downloads von Inhalten, E-Mail-Interaktionen, erneut angesehene Demos und – bei produktorientierten Unternehmen – Aktivitäten im Produkt. Dieses Modell sagt die Kaufbereitschaft meist am zuverlässigsten voraus, weil sich das Verhalten verändert, sobald sich eine Kaufentscheidung anbahnt, während Jobtitel und Branchen gleich bleiben.

Die Content Preferences Survey des DemandGen Report aus dem Jahr 2024 zeigt weiterhin, dass B2B-Käufer üblicherweise zwischen drei und fünf Inhalte konsumieren, bevor sie mit dem Vertrieb sprechen. Das wertvolle Signal liegt nicht darin, welche Inhalte es sind, sondern in welcher Reihenfolge sie aufgerufen werden: Liest ein Lead zuerst einen Kategorieüberblick, dann eine Vergleichsseite und besucht anschließend die Preisseite, ist er von der Recherche zur Evaluierung übergegangen. Ein verhaltensbasiertes Modell bildet diese Entwicklung ab.

Ein praxistaugliches verhaltensbasiertes Setup könnte so aussehen:

1. Besuch eines Blogartikels zu einem Problem: +5 Punkte pro Besuch, begrenzt auf 25.

2. Preis- oder Vergleichsseite angesehen: +15 Punkte.

3. Kostenlose Testversion gestartet: +20 Punkte.

4. In-App-Upgrade-Seite während des Testzeitraums angesehen: +10 Punkte.

5. 30 Tage ohne Besuche oder Aktivität: -15 Punkte.

Produktorientierte Unternehmen erweitern diesen Ansatz um das In-App-Verhalten. Slack erfasste bekanntermaßen einen Aktivitätsschwellenwert pro Team (Anzahl gesendeter Nachrichten), der sich als nahezu perfekter Indikator für die langfristige Bindung erwies, und nutzte einen ähnlichen Meilenstein anschließend zur Bewertung der Upgrade-Absicht. Wenn dein Produkt einen Moment hat, in dem der Nutzen plötzlich einleuchtet, gehört dieser Moment in den Score.

Firmografisches Und Demografisches Lead-Scoring (auf Eignung Ausgerichtet)

Die Eignungsbewertung erfolgt auf Unternehmensebene (firmografisch: Branche, Größe, Finanzierung, Technologie-Stack) und auf Personenebene (demografisch: Titel, Karrierestufe, Land). Sie beantwortet eine andere Frage als die Verhaltensbewertung: „Sollten wir dieser Person überhaupt etwas verkaufen, unabhängig davon, wie begeistert sie wirkt?“

Die Eignungsebene schützt die Kapazitäten des Vertriebs. Wenn du ein Mid-Market-Produkt mit einem ACV von $20,000 verkaufst, wird ein Startup mit fünf Personen wahrscheinlich nicht konvertieren und, falls doch, vermutlich nicht bleiben. Ein rein verhaltensbasiertes Modell würde dieses Startup gerne an den Vertrieb weiterleiten, weil es drei Leitfäden heruntergeladen und die Preisseite angesehen hat. Ein Eignungsscore hält es fern.

Ein überwiegend firmografisches Setup könnte so aussehen:

1. Unternehmensgröße 200–1,000 Beschäftigte (optimaler Mid-Market-Bereich): +25 Punkte.

2. Branche entspricht dem ICP (z. B. SaaS, Agenturen, E-Commerce): +15 Punkte.

3. Position enthält „Head of“, „VP“ oder „Director“: +20 Punkte.

4. Der Technologie-Stack enthält ein ergänzendes Tool, in das du integrierst: +10 Punkte.

5. Region außerhalb der Zielgruppe oder ausgeschlossene Branche: -20 Punkte.

Die meisten B2B-Teams verwenden die firmografische Eignung als ersten Filter und legen anschließend die Interaktionen darüber. In umgekehrter Reihenfolge entstehen begeisterte Leads ohne Erfolgsaussicht.

Prädiktives Lead-Scoring (KI)

Prädiktives Scoring nutzt maschinelles Lernen, um zu ermitteln, welche Merkmale und Aktionen mit gewonnenen Abschlüssen korrelieren, und weist ihnen anschließend automatisch Gewichtungen zu. Der Vorteil: Das Modell kann unerwartete Signale erkennen. Vielleicht ist der Download eines bestimmten Whitepapers zu einer Integration ein stärkeres Kaufsignal als der Aufruf einer Preisseite, obwohl kein Mensch diese Regel formuliert hätte. HubSpots eigenes Produkt für prädiktives Lead-Scoring, das in den höheren Tarifen verfügbar ist, bewertet Kontakte anhand von Mustern im CRM-Verlauf nach ihrer Abschlusswahrscheinlichkeit.

Der Haken ist das Volumen. Ein prädiktives Modell benötigt Tausende Leads pro Monat und Hunderte gewonnene Abschlüsse, bevor sich seine Gewichtungen stabilisieren. Darunter trainierst du es mit Rauschen. Die meisten Teams, die prädiktives Scoring einführen, lassen ihre regelbasierte Logik mindestens einen vollständigen Vertriebszyklus lang parallel laufen – sowohl um die Vorhersagen zu überprüfen als auch um dem Vertrieb ein Modell zu bieten, das er tatsächlich verstehen kann. Ein prädiktiver Score, der die Conversion erhöht, sich einem skeptischen AE aber nicht erklären lässt, überlebt selten das erste Quartal.

Modelle Mit Einem Score Im Vergleich Zu Mehreren Scores

Die einfachste Ausgabe ist eine einzige kombinierte Zahl von 0 bis 100. Das Problem: Die Zahl verbirgt, wodurch sie zustande kam. Ein Score von 70 aufgrund von „perfekte Eignung, geringe Interaktion“ erfordert eine andere nächste Aktion als eine 70 aufgrund von „akzeptable Eignung, sehr hohe Interaktion“. Eine einzige Dimension ordnet beide demselben Bereich zu.

Die meisten ausgereiften Setups teilen den Score in mindestens zwei Dimensionen auf:

1. Eignungsscore (0–100): Position, Karrierestufe, Branche, Unternehmensgröße, Region.

2. Interaktionsscore (0–100): Webverhalten, E-Mail-Aktivität, Downloads von Inhalten, Veranstaltungsteilnahme.

3. Produktscore (0–100), optional: Aktivierung der Testversion, Nutzung wichtiger Funktionen, Hinweise auf einen kostenpflichtigen Tarif. Nur relevant, wenn du eine kostenlose Testversion oder einen Freemium-Tarif anbietest.

Mit drei Dimensionen wird die Routing-Logik zu einem Raster statt zu einem Schwellenwert. Ein Lead mit hoher Eignung und geringer Interaktion kommt in eine Nurturing-Strecke, nicht zum Vertrieb. Ein Lead mit hoher Eignung und hoher Interaktion geht sofort an den Vertrieb. Ein Lead mit geringer Eignung und hoher Interaktion ist für Inhalte interessant, aber nicht für die Pipeline. Marketing und Vertrieb halten ihre Einigung über das Raster schriftlich fest, und der SQL-Schwellenwert wird zu einer Regel wie „Eignung ≥ 70 UND Interaktion ≥ 60“.

Negative Bewertung Und Zeitlicher Verfall

Zwei Mechanismen entscheiden unauffällig darüber, ob ein Modell langfristig nützlich bleibt. Der erste ist die negative Bewertung: Punkte werden für Signale abgezogen, die einen Lead disqualifizieren sollten. Der zweite ist der zeitliche Verfall: Der Wert älterer Aktivitäten wird reduziert, damit der Score die aktuelle Absicht und nicht die Neugier des vergangenen Jahres widerspiegelt.

Ohne negative Bewertung sieht ein Wettbewerber, der zu Recherchezwecken alles herunterlädt, jedes Webinar besucht und nie kauft, genauso aus wie ein kaufbereiter Interessent. Ohne zeitlichen Verfall erscheint ein Webinar-Teilnehmer von vor 14 Monaten, der inzwischen die Stelle gewechselt hat, weiterhin auf deiner Liste „aktiver MQLs“. In der Dokumentation zum Engagement Model von Marketo wird seit Langem dafür argumentiert, dass Interaktionsscores bei längerer Inaktivität abnehmen und nicht bestehen bleiben sollten. Die genaue Verfallskurve ist weniger wichtig als die Tatsache, dass es überhaupt eine gibt.

Ein praxistaugliches Setup für zeitlichen Verfall und negative Bewertungen umfasst:

1. Verfall bei Inaktivität: -1 Punkt pro Woche ohne Aktivität nach einer Schonfrist von vier Wochen.

2. Abmeldung von E-Mails: -20 Punkte. Eindeutiges Signal für Desinteresse.

3. Endgültig unzustellbare E-Mail: -15 Punkte. Der Lead ist unter dieser Adresse nicht mehr erreichbar.

4. Disqualifizierender Jobtitel (z. B. Student, Praktikant, Mitarbeiter eines Wettbewerbers): -10 Punkte oder mehr.

5. 12 Monate ohne Aktivität: Score auf null zurücksetzen und erneut in den Lebenszyklus aufnehmen.

6. Spam-Beschwerde oder List-Unsubscribe-Header: Vollständig disqualifizieren, nicht nur Punkte abziehen.

7. Ältere positive Aktionen: Ihren Wert nach 90 Tagen halbieren, nach 180 Tagen verfallen lassen.

Teams, die erstmals einen zeitlichen Verfall einführen, verzeichnen üblicherweise einen Rückgang ihres Volumens „aktiver MQLs“ um 10 bis 30 Prozent. Das ist die richtige Entwicklung. Die weggefallenen Leads waren nicht echt, und der Vertrieb hat sie ohnehin stillschweigend ignoriert.

So Wählst Du Das Richtige Modell: Ein Entscheidungsrahmen

Die Entscheidung lautet selten „regelbasiert oder prädiktiv“. Sie lautet: „Welche dieser Mechanismen setzen wir in welcher Reihenfolge ein – angesichts der Daten und des Zyklus, die uns momentan zur Verfügung stehen?“ Vier Faktoren bestimmen die Antwort.

Lead-Volumen

Bei weniger als rund 500 neuen Leads pro Monat ist das Volumen zu gering, um daraus zu lernen. Ein prädiktives Modell wird überangepasst, und ein mehrdimensionales regelbasiertes System wäre übertrieben. Beginne mit einem einzigen Eignungsscore plus drei oder vier Verhaltensregeln. Bei mehr als 5,000 Leads pro Monat können manuelle Regeln mit der Komplexität des Verhaltens nicht mehr mithalten. Ab diesem Punkt zahlen sich ein mehrschichtiges Scoring oder ein lernendes Modell aus.

Datenqualität Und Abdeckung Der Datenanreicherung

Wenn bei 40 Prozent deiner Datensätze der Jobtitel oder die Branche fehlt, ist die Eignungsbewertung reine Fiktion. Der erste Schritt ist eine Datenanreicherung (Clearbit, ZoomInfo, Apollo usw.) oder eine bessere vorgelagerte Datenerfassung – nicht ein komplexeres Modell. Selbst ein perfektes Modell führt mit schlechten Daten zu schlechten Routing-Entscheidungen.

Länge Des Vertriebszyklus Und Abschlussvolumen

Ein kurzer, transaktionaler Zyklus ($500 ACV, 14-tägiger Zyklus, Self-Service) benötigt kein prädiktives Scoring. Verhaltenssignale und ein klarer Eignungsfilter erledigen den Großteil der Arbeit. Ein langer, komplexer Zyklus ($100,000+ ACV, sechsköpfiges Einkaufsgremium) profitiert von Setups mit mehreren Scores, die einzelne Mitglieder der Käufergruppe und deren individuelle Interaktionen erfassen.

Abstimmung Zwischen Vertrieb Und Marketing

Das Modell ist zugleich ein Vertrag zwischen den Teams. Wenn der Vertrieb dem Score nicht vertraut, ignoriert er ihn, und das Routing bricht zusammen. Untersuchungen von Forrester und SiriusDecisions zu abgestimmten Go-to-Market-Organisationen zeigen durchgängig ein höheres Umsatzwachstum und kürzere Zyklen. Lead-Scoring ist einer der sichtbarsten Bereiche, in denen diese Abstimmung zum Ausdruck kommt. Wähle ein Modell, das beide Seiten in einem Satz erklären und vertreten können, selbst wenn es mathematisch weniger optimal ist als eine Blackbox-Alternative.

Benötigst du von Anfang an umfangreichere Scoring-Daten? Erfahre, wie ein interaktives Quiz zur Lead-Generierung Qualifizierungsdaten erfasst, ohne Leads abzuschrecken.

Ein Reifegradmodell Für Lead-Scoring

Die meisten Teams gelangen nicht in einem einzigen Schritt zu prädiktiven Setups mit mehreren Scores. Sie entwickeln sich stufenweise dorthin, und das Überspringen einer Stufe führt häufig zu Modellen, denen niemand vertraut. Eine praxistaugliche Entwicklung sieht so aus:

1. Stufe 1, einfach regelbasiert (Monate 1–3): Ein einziger kombinierter Score, 8 bis 12 Regeln, noch kein zeitlicher Verfall. Ziel: Der Vertrieb einigt sich darauf, was ein MQL ist.

2. Stufe 2, Trennung von Eignung und Interaktion (Monate 3–9): Zwei Dimensionen, Einführung des zeitlichen Verfalls, negative Bewertung von Ausschlusskriterien. Ziel: Keine unqualifizierten Leads mehr an den Vertrieb senden.

3. Stufe 3, kanal- und lebenszyklusbezogen (Monate 9–18): Unterschiedliche Regeln für Neukunden und Erweiterungen, kanalspezifische Gewichtungen, segmentspezifische Schwellenwerte. Ziel: ein Scoring, das die tatsächliche Funnel-Struktur und nicht nur die Perspektive des Marketings abbildet.

4. Stufe 4, prädiktive Ebene zusätzlich zu Regeln (Jahr 2+, nur bei ausreichendem Volumen): Das prädiktive Scoring läuft parallel zum regelbasierten, der Vertrieb sieht beide Scores und die Gewichtungen werden vierteljährlich neu trainiert. Ziel: Signale aufdecken, die von den Regeln übersehen wurden.

Marketo empfiehlt – wie die meisten erfahrenen Operations-Verantwortlichen –, jedes neue Modell mindestens einen vollständigen Vertriebszyklus lang parallel zum bestehenden Modell laufen zu lassen, bevor du umstellst. Bei den meisten B2B-Teams sind das 60 bis 120 Tage. Während des parallelen Betriebs baut der Vertrieb außerdem Vertrauen in den neuen Score auf. Ohne dieses Vertrauen scheitert die Einführung unabhängig davon, wie gut die Mathematik ist.

Häufige Fallstricke Und Wie Du Sie Vermeidest

Eine Handvoll Fehlerquellen ist für die meisten Lead-Scoring-Projekte verantwortlich, die nach dem ersten Quartal still und leise eingestellt werden:

1. Übermäßige Komplexität. Vierzig Regeln in drei Dimensionen klingen gründlich. In der Praxis versteht niemand die Logik, und Anpassungen werden riskant. Begrenze jede Score-Dimension auf ungefähr 20 Regeln.

2. „Einrichten und vergessen.“ Kontaktdaten veralten, wenn Menschen ihre Stelle wechseln und sich dein ICP verändert. Plane jedes Quartal einen festen Überprüfungstermin mit dem Vertrieb ein.

3. Keine negative Bewertung. Ohne sie kann das Modell nur addieren. Alte MQLs häufen sich an, und die aktive Liste bläht sich mit Personen auf, die das Interesse verloren haben.

4. Das Modell allein dem Marketing überlassen. Der Vertrieb muss die Schwellenwerte mittragen, sonst reagiert er nicht auf das Ergebnis. Der Score ist ein Vertrag und kein Marketingmaterial.

5. Zu frühe Einführung eines prädiktiven Modells. Ein lernendes Modell mit 200 Leads pro Monat lernt Rauschen. Bleib bei Regeln, bis dein Volumen eine zuverlässige Vorhersage rechtfertigt.

6. Zu dünne Eingangsdaten. Hinter den meisten Beschwerden, das Modell sei falsch, steckt eigentlich das Problem, dass die Eingangsdaten falsch sind. Formularfelder und die Verhaltenserfassung liegen dem Score vorgelagert – und genau darum geht es im nächsten Abschnitt.

Wo Die Meisten Lead-Scoring-Modelle Wirklich Scheitern: Bei Den Eingangsdaten

Fast jeder Leitfaden zum Lead-Scoring – dieser bis hierhin eingeschlossen – beschreibt die Mathematik und setzt voraus, dass die Daten bereits vorhanden sind. In echten Funnels ist das meist nicht der Fall. Der Marketer, der das Modell entwickelt, übernimmt Formulare, die nach Name, E-Mail und vielleicht Unternehmensgröße fragen, soll dann aber Branche, Karrierestufe, Anwendungsfall, Budget und Zeitrahmen bewerten. Der Mathematik fehlt die Grundlage.

Es gibt zwei Möglichkeiten, das Problem der Eingangsdaten zu lösen. Die erste ist die Anreicherung durch Drittanbieter: Nach Eingang des Leads werden fehlende Felder von einem Datenanbieter abgerufen. Das funktioniert bei firmografischen und einigen demografischen Feldern, kann dir aber nicht sagen, warum ein Lead hier ist, welches Problem er lösen möchte oder wann er es lösen will. Die zweite Möglichkeit besteht darin, diese Daten zum Zeitpunkt der Erfassung selbst zu sammeln – auf eine Weise, die der Conversion nicht schadet.

Bei einem herkömmlichen Kontaktformular leidet die Conversion mit jedem zusätzlichen Feld. Bei einem interaktiven Funnel ist das anders, weil sich die Fragen wie ein Teil des Mehrwerts anfühlen – etwa ein Quiz-Ergebnis, ein berechnetes Angebot oder eine personalisierte Empfehlung – und nicht wie eine lästige Hürde auf dem Weg dorthin.

Wie Interaktive Funnels Die Eingangsdaten Für Das Lead-Scoring Verbessern

involve.me ist der KI-Quiz-Funnel-Builder mit integrierter E-Mail-Automatisierung: Erstelle interaktive Funnels, Quizze, Rechner und Formulare, die Leads bewerten und automatisch die anschließende Sequenz auslösen. Synchronisiere die Antworten anschließend über native Integrationen mit deinem CRM.
Für das Scoring ist entscheidend, dass jede Frage zu einem beschrifteten Scoring-Signal wird und Leads aufgrund des Formats eher bereit sind, sie zu beantworten als in einem statischen Formular.

Drei Muster lassen sich klar den vier oben behandelten Modelltypen zuordnen.

Quiz Zur Lead-Generierung Mit Integrierter Qualifizierung

Ein kurzes gebrandetes Quiz („Welcher Lead-Scoring-Ansatz passt zu deinem Team?“) erfasst Position, Unternehmensgröße, aktuell verwendete Tools, Lead-Volumen und Problemstellung in fünf bis sieben Fragen. Jede Antwort erhält eine interne Gewichtung, die deinem Eignungsscore, deinem Verhaltensscore oder beiden zugeordnet wird. Leads sehen am Ende eine personalisierte Empfehlung; du erhältst einen vollständig bewerteten CRM-Datensatz, ohne jemals ein langes Formular angezeigt zu haben. Genau für diesen Anwendungsfall ist eine Quizvorlage zur Lead-Generierung gedacht.

Mehrstufiges Formular Mit Progressiver Profilerstellung

Bei Traffic mit höherer Absicht (Demo-Anfragen, Seiten zur Kontaktaufnahme mit dem Vertrieb) verteilt ein mehrstufiges Formular Pflichtfelder auf mehrere Seiten, verzweigt abhängig von vorherigen Antworten und fragt pro Seite weniger Felder ab als ein statisches Formular. Ein Besucher auf C-Level sieht nie die Fragen für einen Junior-Marketer und umgekehrt. So erhältst du vollständigere Datensätze zu den Leads, die für deinen Eignungsscore am wichtigsten sind, ohne die Abbruchquote eines langen einseitigen Formulars. Der Sales-Funnel-Builder deckt dieses Muster vollständig ab.

ROI- Oder Einsparungsrechner Als Lead-Magnet

Ein Rechner („Wie viel Pipeline verlierst du durch falsch qualifizierte MQLs?“) fragt Eingaben ab, die zugleich Scoring-Signale sind: Lead-Volumen, vom Vertrieb akzeptierte Rate, durchschnittlicher ACV, Vertriebszyklus. Das Ergebnis ist eine personalisierte Zahl, die der Lead tatsächlich wissen möchte. Die erfassten Eingaben werden als Scoring-Felder in das CRM übertragen. Rechner ziehen tendenziell Leads mit höherer Kaufabsicht an als reine Inhaltsangebote, da der Aufwand beim Ausfüllen vor allem Käufer in der Evaluierungsphase anspricht. Sieh dir die interaktiven Rechnervorlagen für Beispiele nach Anwendungsfall an.

Sobald diese Funnels live sind, ist jede Antwort ein Scoring-Signal, das du kontrollierst. Du bewertest nicht mehr anhand von zehn dünn befüllten Feldern, sondern anhand von zwanzig aussagekräftigen. Damit hat das Modell endlich Daten, mit denen sich sinnvoll arbeiten lässt.

Wähle Ein Modell Passend Zu Deinen Daten Und Verbessere Anschließend Die Daten

Das richtige Lead-Scoring-Modell ist nicht das ausgefeilteste, sondern dasjenige, das dein Team betreiben, vertreten und bei Veränderungen im Funnel aktualisieren kann. Beginne regelbasiert, ergänze Eignung und Interaktion und führe zeitlichen Verfall sowie negative Bewertungen ein, bevor du die Komplexität erhöhst. Betrachte prädiktives Scoring als Investition der „Stufe 4“ und nicht als Ausgangspunkt. Vor allem solltest du die Eingangsdaten als Teil des Projekts behandeln. Ein sauberes Modell auf Grundlage oberflächlicher Daten bleibt ein Ratespiel.

Erfasse die Eingangsdaten, die dein Scoring-Modell benötigt.
Veröffentliche in weniger als einer Stunde ein Quiz zur Lead-Generierung, ein mehrstufiges Formular oder einen ROI-Rechner auf involve.me. Free-Tarif, keine Kreditkarte erforderlich.