Lead Scoring im B2B: So priorisieren Sie die richtigen Leads
Wie B2B Lead Scoring funktioniert: Modelle, Kriterien, Tools und wie Sie sicherstellen dass Ihr Vertrieb nur mit qualifizierten Leads spricht.
Warum Lead Scoring entscheidend ist
Ohne Lead Scoring behandelt Ihr Vertrieb alle Leads gleich. Das Problem: SDRs verbringen genauso viel Zeit mit einem Freelancer der Ihr Whitepaper heruntergeladen hat wie mit einem VP Sales eines ICP-Unternehmens der Ihre Pricing-Seite 3x besucht hat.
Mit Lead Scoring:
- Top 20% der Leads bekommen sofort Sales-Aufmerksamkeit
- Mittlere Leads gehen in Nurture-Sequenzen
- Unqualifizierte Leads werden aussortiert
- SDR-Produktivität steigt um 30-50%
Das Scoring-Modell
Demografische Scores (Fit)
| Kriterium | Score |
|---|---|
| Firmengröße passt zum ICP (50-500 MA) | +20 |
| Branche passt (SaaS, Tech, B2B) | +15 |
| Rolle ist Entscheider (VP, C-Level, Head of) | +20 |
| DACH-Region | +10 |
| Entscheider in richtiger Abteilung | +10 |
| Max. Fit-Score | 75 |
Negativ-Scores (Disqualifizierung)
| Kriterium | Score |
|---|---|
| Freelancer / Einzelunternehmer | -30 |
| Student / Akademisch | -50 |
| Wettbewerber | -100 |
| Falsche Branche | -20 |
| Falsches Land | -15 |
| Opt-Out / Unsubscribe | -100 |
Verhaltens-Scores (Engagement)
| Aktion | Score |
|---|---|
| Pricing-Seite besucht | +25 |
| Case Study gelesen | +15 |
| Demo angefragt | +40 |
| Chatbot genutzt | +10 |
| Email geöffnet | +3 |
| Email-Link geklickt | +8 |
| Blog-Artikel gelesen | +5 |
| Whitepaper heruntergeladen | +10 |
| Webinar teilgenommen | +20 |
| Auf Outbound-Email geantwortet | +30 |
Schwellenwerte
| Score | Kategorie | Aktion |
|---|---|---|
| 80+ | Hot Lead (SQL) | Sofort an Sales, innerhalb 1h kontaktieren |
| 50-79 | Warm Lead (MQL) | Sales kontaktiert innerhalb 24h |
| 25-49 | Nurture | In Email-Sequenz, weiter Content liefern |
| <25 | Cold | Kein Sales-Kontakt, passives Nurturing |
Lead Scoring mit KI
Predictive Lead Scoring
Statt manuell Punkte zu vergeben → KI analysiert historische Deals und erkennt Muster:
Input: 100 gewonnene Deals + 200 verlorene Deals AI analysiert: Welche Kombination aus Firmengröße, Branche, Rolle, Engagement und Timing korreliert mit Gewinn? Output: Automatischer Score pro Lead basierend auf Gewinn-Wahrscheinlichkeit.
Implementierung mit n8n + Claude
Neuer Lead in HubSpot
→ n8n holt: Firmendaten, Engagement-History, Enrichment
→ Claude API bewertet:
"Basierend auf diesen Daten und unserem ICP:
Bewerte diesen Lead 1-100.
Begründe in einem Satz."
→ Score → HubSpot Property
→ Bei >70: Slack-Alert an SDRHäufige Fehler
- Zu komplexes Modell: 50 Kriterien mit feinen Abstufungen → niemand versteht es. Starten Sie mit 10-15 Kriterien.
- Scores nie angepasst: Das Modell wird einmal erstellt und nie validiert. Prüfen Sie quartalsweise: Konvertieren hoch-gescorte Leads wirklich besser?
- Nur Fit, kein Engagement: Ein CEO eines ICP-Unternehmens der nie Ihre Website besucht hat ist weniger wertvoll als ein Manager der 5x die Pricing-Seite angeschaut hat.
- Marketing und Sales nicht aligned: Marketing definiert MQL, Sales ignoriert die Scores. Lösung: Gemeinsame Definition und regelmäßiges Feedback.
Fazit
Lead Scoring ist der Hebel der Ihren Vertrieb von “alle Leads gleich behandeln” zu “die richtigen Leads zur richtigen Zeit” transformiert. Starten Sie einfach (10 Kriterien, 3 Schwellenwerte), messen Sie ob hoch-gescorte Leads besser konvertieren, und verfeinern Sie das Modell über Zeit. Mit KI-basiertem Scoring wird das Modell automatisch besser je mehr Deals Sie abschließen.
Häufige Fragen
Was ist Lead Scoring?
Lead Scoring bewertet Leads automatisch anhand von Kriterien wie ICP-Fit (Firmengröße, Branche, Rolle) und Engagement (Website-Besuche, Email-Opens, Content-Downloads). Jeder Lead bekommt einen Score — je höher, desto kaufbereiter. Ab einem definierten Schwellenwert wird der Lead an Sales übergeben.
Welche Kriterien gehören in ein Lead Scoring Modell?
Demografisch: Firmengröße, Branche, Region, Rolle, Entscheidungsbefugnis. Verhalten: Website-Besuche (besonders Pricing-Seite), Email-Engagement, Content-Downloads, Demo-Anfrage, Chatbot-Interaktion. Negativ-Scores: falsche Branche, Freelancer, Wettbewerber, Opt-Out.
Was ist der Unterschied zwischen MQL und SQL?
MQL (Marketing Qualified Lead): Hat genug Engagement gezeigt um vom Marketing an Sales übergeben zu werden. SQL (Sales Qualified Lead): Wurde von Sales kontaktiert und als echte Opportunity bestätigt (Budget, Autorität, Bedarf, Timeline). Nicht jeder MQL wird zum SQL — typische Conversion: 30-50%.
Welche Tools nutze ich für Lead Scoring?
HubSpot (eingebaut, ab Professional Plan), Salesforce (Einstein Lead Scoring), Custom via n8n + Claude API (flexibelstes Setup), Clay (Score basierend auf Enrichment-Daten). Für KMU: HubSpot oder Custom n8n-Workflow. Für Enterprise: Salesforce Einstein oder 6sense.