Das Wichtigste in Kürze

• Lead Scoring vergibt Punkte für jede Interaktion — Download, Seitenbesuch, E-Mail-Klick
• Ab einem Schwellenwert wird der Vertrieb automatisch benachrichtigt
• Ohne Scoring verschwendet der Vertrieb einen erheblichen Anteil der Zeit mit unqualifizierten Kontakten (Agentur-Erfahrungswerte)
• Scoring-Modell: Download +20, Preisseite +15, 3+ E-Mails geöffnet +10, Formular +30, Schwellenwert 50

---

---

Lead Scoring erklärt: Wie du erkennst welcher Lead kaufbereit ist

Was ist Lead Scoring — und warum braucht es jedes B2B-Unternehmen?

Lead Scoring ist ein System, das jeder Interaktion eines Kontakts mit deinem Marketing Punkte zuweist. Je mehr Punkte, desto kaufbereiter der Lead. Ab einem definierten Schwellenwert wird der Vertrieb benachrichtigt — mit einem Lead-Dossier, das zeigt, wer die Person ist, was sie gelesen hat und wie warm sie ist.

Das klingt einfach. Aber hinter diesem Konzept steckt eine fundamentale Erkenntnis: Nicht jeder Lead ist gleich viel wert. Und der Zeitpunkt der Vertriebsansprache entscheidet über Erfolg oder Misserfolg.

Warum Lead Scoring nötig ist:

Im B2B-Marketing gibt es ein strukturelles Problem. Marketingmaßnahmen — Content, Ads, Leadmagneten, Events — generieren Kontakte. Aber diese Kontakte befinden sich in völlig unterschiedlichen Phasen der Kaufentscheidung.

Das LinkedIn B2B Institute hat in Zusammenarbeit mit dem Ehrenberg-Bass Institute (Prof. John Dawes, 2021) die 95/5-Regel dokumentiert: Zu jedem Zeitpunkt sind nur etwa 5 Prozent der potenziellen Käufer aktiv auf der Suche nach einer Lösung. SiriusDecisions (2014) beziffert den Anteil aktiver Käufer auf 3 bis 5 Prozent. Das bedeutet: Die überwiegende Mehrheit deiner Leads ist beim ersten Kontakt noch nicht kaufbereit.

Ohne Scoring gehen alle Leads gleichzeitig an den Vertrieb. Der Vertriebler kann nicht unterscheiden, wer kaufbereit ist und wer nur einen Guide heruntergeladen hat. Die Folge: Ein erheblicher Anteil der Vertriebszeit wird mit Kontakten verbracht, die noch gar nicht bereit für ein Gespräch sind (Agentur-Erfahrungswerte aus der Zusammenarbeit mit B2B-Unternehmen im DACH-Raum).

Marketo (heute Adobe, 2017) zeigt die andere Seite des Problems: 79 Prozent aller Marketing-Leads konvertieren nie zu einem Abschluss — primär wegen fehlendem Nurturing. Gleanster Research bestätigt Lead-Verlust-Raten von 70 bis 80 Prozent. HubSpot Sales Benchmarks (2023) kommen auf vergleichbare Werte.

Lead Scoring löst dieses Problem systematisch: Nur Leads mit einem Score über dem definierten Schwellenwert gehen an den Vertrieb. Der Rest bleibt im Nurturing, bis er reif ist.

Was passiert ohne Lead Scoring:

• Der Vertrieb ruft Leads an, die noch nicht bereit sind — und verbrennt Chancen
• Kaufbereite Leads gehen unter, weil sie im gleichen Stapel liegen wie kalte Kontakte
• Marketing und Vertrieb streiten darüber, ob "die Leads gut sind"
• Kein Feedback-Loop: Niemand weiß, welche Marketingmaßnahmen die besten Leads liefern

Was passiert mit Lead Scoring:

• Nur qualifizierte Leads gehen an den Vertrieb — mit Kontext und Dossier
• Der Vertrieb führt bessere Erstgespräche, weil er den Hintergrund kennt
• Marketing bekommt Feedback: Welche Inhalte korrelieren mit hohen Scores?
• Die gesamte Pipeline wird messbar und steuerbar

Historische Entwicklung:

Lead Scoring existiert als Konzept seit den frühen 2000ern, wurde aber erst mit der Verbreitung von Marketing-Automation-Tools (Marketo, HubSpot, Pardot) praktikabel. Früher war Scoring ein manueller Prozess — Vertriebsmitarbeiter bewerteten Leads nach Bauchgefühl. Dann kam die Phase der regel-basierten Modelle: feste Punktevergabe, manuell definierte Schwellenwerte, alles transparent nachvollziehbar. Seit 2020 verschiebt sich der Markt erneut — diesmal Richtung Predictive Lead Scoring. HubSpot, Salesforce Einstein und Spezialanbieter wie MadKudu oder 6sense nutzen Machine-Learning-Modelle, die aus historischen Abschlussdaten lernen, welche Signal-Kombinationen tatsächlich mit Käufen korrelieren — statt dass ein Mensch raten muss, ob eine Preisseite +10 oder +15 wert ist. Für mittelständische Unternehmen ohne tausende Datensätze pro Quartal bleibt das regel-basierte Modell trotzdem die richtige Wahl: Nur dort sind die Daten erklärbar, anpassbar und ohne Black-Box.

---

Das Scoring-Modell: Demografisch + Verhaltensbezogen

Ein solides Lead-Scoring-Modell besteht aus zwei Dimensionen: demografisches Scoring (wer ist der Lead?) und Verhaltens-Scoring (was tut der Lead?). Beide zusammen ergeben ein vollständiges Bild der Kaufbereitschaft.

Demografisches Scoring: Passt der Lead zu deinem ICP?

Nicht jeder Lead, der sich aktiv verhält, ist auch ein guter Lead. Ein Student, der deine Guides für seine Bachelorarbeit herunterlädt, sammelt Punkte — wird aber nie kaufen. Demografisches Scoring filtert das.

Demografische Daten erhältst du über das Opt-in-Formular (Unternehmen, Rolle), über LinkedIn-Enrichment oder über manuelle Recherche bei vielversprechenden Leads. Praktisch wird das, wenn du AI-Anreicherung dazwischenschaltest: Tools wie Clearbit, Apollo oder Cognism reichen die E-Mail-Adresse mit Firma, Branche, Größe und Rolle automatisch an. Zusätzlich lassen sich LLMs wie GPT-4 oder Claude per API einsetzen, um aus einer LinkedIn-URL Branche, Unternehmensgröße und Entscheider-Wahrscheinlichkeit strukturiert zu extrahieren. Statt Felder im Formular abzufragen — und damit die Conversion-Rate zu zerstören — reicht eine E-Mail-Adresse, der Rest wird im Hintergrund ergänzt.

Verhaltens-Scoring: Was tut der Lead?

Hier wird gemessen, wie intensiv sich ein Lead mit deinem Marketing beschäftigt. Jede Interaktion bekommt Punkte — gewichtet nach Kaufsignal-Stärke.

Negative Scoring: Punkte abziehen

Nicht nur positive Signale zählen. Negatives Verhalten muss den Score senken — sonst sammeln inaktive oder irrelevante Kontakte über Monate Punkte an, die nicht ihre tatsächliche Kaufbereitschaft widerspiegeln.

Der Schwellenwert

---

MQL vs. SQL: Wann wird ein Marketing-Lead zum Sales-Lead?

Die Unterscheidung zwischen MQL (Marketing Qualified Lead) und SQL (Sales Qualified Lead) ist das Herzstück eines funktionierenden Lead-Scoring-Systems. Wenn diese Definition fehlt oder unklar ist, entsteht der klassische Konflikt zwischen Marketing und Vertrieb: "Die Leads sind schlecht." — "Ihr ruft sie nicht an."

Beispiel-Szenario: Vom ersten Kontakt zum SQL

Stell dir vor, eine Marketingleiterin eines mittelständischen IT-Unternehmens stößt auf deinen LinkedIn-Post über häufige Fehler bei der Leadgenerierung.

• Woche 1: Sie klickt auf den Link in deinem Post und liest den Blog-Artikel (+10 Punkte). Sie meldet sich für den Newsletter an (+10 Punkte). Score: 20.
• Woche 2: Sie öffnet den Newsletter und klickt auf einen Link (+5 Punkte). Score: 25. Sie wechselt vom allgemeinen Newsletter in die intensivere Nurturing-Sequenz.
• Woche 3: Sie lädt deinen Leitfaden herunter (+20 Punkte). Aus dem Formular: IT-Branche (+15), 80 Mitarbeiter (+10), Marketingleitung (+15). Score: 85.
• Woche 4: Sie besucht deine Leistungsseite (+10) und die Preisseite (+15). Score: 110. MQL-Schwelle weit überschritten.

Der Vertrieb wird benachrichtigt. Das Lead-Dossier zeigt: IT-Branche, 80 MA, Marketingleiterin, hat Guide zum Thema Leadgenerierung heruntergeladen, Leistungs- und Preisseite besucht, Score 110. Der Vertriebler ruft an — nicht kalt, sondern mit Kontext. Er weiß, welches Thema die Person beschäftigt.

Im Erstgespräch bestätigt sie: Ja, sie suchen einen Partner für Leadgenerierung. Budget ist vorhanden, Timeline ist Q2. Aus dem MQL wird ein SQL. Der Angebotsprozess beginnt.

Warum dieser Prozess funktioniert:

Gartner (2016) zeigt, dass an B2B-Kaufentscheidungen durchschnittlich 6 bis 8 Stakeholder beteiligt sind. HubSpot Sales Benchmarks (2023) bestätigen 5 bis 8 Entscheider. Die Marketingleiterin ist eine davon — aber durch das Scoring weiß der Vertrieb, dass sie sich intensiv mit dem Thema beschäftigt hat. Sie ist nicht nur ein Name auf einer Liste. Sie ist eine vorqualifizierte Ansprechpartnerin mit nachweisbarem Interesse.

Dr. James Oldroyd (InsideSales.com / MIT, 2006) zeigte, dass Leads die innerhalb von 5 Minuten kontaktiert werden, eine 21-mal höhere Qualifizierungsrate aufweisen als Leads mit späterem Follow-up. Die Harvard Business Review (2011) bestätigte diese Ergebnisse. Lead Scoring ermöglicht genau das: Sobald der Schwellenwert erreicht ist, geht die Benachrichtigung an den Vertrieb — automatisch und sofort.

---

Schritt-für-Schritt Implementierung

Du brauchst kein Enterprise-Tool, um Lead Scoring aufzusetzen. Mit Brevo (ab 25 Euro/Monat), einer sauberen Struktur und 2 bis 3 Tagen Setup-Aufwand hast du ein funktionierendes System. Hier ist der Implementierungsplan:

Schritt 1: ICP definieren und dokumentieren

Bevor du Punkte vergeben kannst, musst du wissen, wer dein idealer Kunde ist. Definiere:

• Branchen, die du bedienst
• Unternehmensgrößen, die passen (Mitarbeiter und/oder Umsatz)
• Rollen, die du ansprechen willst (Geschäftsführer, Marketingleiter, IT-Leiter)
• Region (DACH? International?)

Dokumentiere das in einem Dokument, das Marketing und Vertrieb gemeinsam unterschreiben. Ohne gemeinsame ICP-Definition wird jedes Scoring-Modell scheitern.

Schritt 2: Scoring-Kriterien festlegen

Nimm die Tabellen aus dem vorherigen Abschnitt als Ausgangspunkt. Passe die Punkte an dein Geschäft an. Faustregel: Je näher eine Aktion an einer Kaufentscheidung liegt, desto mehr Punkte. Ein Preisseiten-Besuch ist wertvoller als ein Newsletter-Abo.

Schritt 3: Schwellenwerte definieren (gemeinsam mit Vertrieb)

Das ist der kritischste Schritt. Marketing und Vertrieb müssen gemeinsam festlegen:

• Ab welchem Score ist ein Lead ein MQL?
• Was muss der Vertrieb im Erstgespräch bestätigen, damit der MQL zum SQL wird?
• Was passiert, wenn der Vertrieb einen MQL ablehnt? (Zurück ins Nurturing)

Die gemeinsame Definition von MQL und SQL zwischen Marketing und Sales ist die wichtigste einzelne Maßnahme gegen "die Leads sind Müll"-Beschwerden.

Schritt 4: Score-Attribut in Brevo anlegen

In Brevo: Kontakte → Einstellungen → Kontakt-Attribute → Neues Attribut "Score" (Typ: Zahl) anlegen. Optional: Weitere Attribute für "Branche", "Unternehmensgröße", "Rolle" — falls du demografisches Scoring nutzen willst.

Schritt 5: Scoring-Automationen einrichten

Für jede Scoring-Aktion wird ein eigener Automation-Workflow erstellt:

• Workflow 1 — Seitenbesuch: Trigger: "Kontakt besucht Seite X" (z.B. Leistungsseite) → Aktion: Score +10. Für jede relevante Seite einen eigenen Trigger.
• Workflow 2 — Leadmagnet-Download: Trigger: "Kontakt füllt Formular X aus" → Aktion: Score +20.
• Workflow 3 — E-Mail-Engagement: Trigger: "Kontakt öffnet E-Mail" (3. Öffnung) → Aktion: Score +10. Trigger: "Kontakt klickt Link" → Aktion: Score +5.
• Workflow 4 — Negatives Scoring: Trigger: "Kontakt hat seit 30 Tagen keine Aktivität" → Aktion: Score -10. Trigger: "Kontakt meldet sich ab" → Aktion: Score -30.
• Workflow 5 — Demografisch: Trigger: "Kontakt-Attribut Branche = [ICP-Branche]" → Aktion: Score +15.

Wichtig: Teste jeden Workflow einzeln. Schicke einen Test-Kontakt durch und prüfe, ob die Punkte korrekt vergeben werden.

Schritt 6: Threshold-Workflow (MQL-Benachrichtigung)

Der entscheidende Workflow: Trigger: "Score ≥ 50" → Aktion 1: E-Mail an Vertrieb mit Lead-Dossier (Name, Unternehmen, Score, besuchte Seiten, heruntergeladene Inhalte). Aktion 2: Optional — Webhook an n8n → Deal in Pipedrive erstellen. Aktion 3: Kontakt wird in Brevo als "MQL" getaggt.

Schritt 7: Lead-Dossier-Template erstellen

Die Benachrichtigung an den Vertrieb sollte ein standardisiertes Format haben:

NEUER MQL — [Datum]
Name: [Vorname Nachname]
Unternehmen: [Firma]
Branche: [Branche]
Rolle: [Position]
Score: [Punktzahl]
Letzte Aktivitäten:

- [Datum]: Leadmagnet "XY" heruntergeladen
- [Datum]: Leistungsseite besucht
- [Datum]: Preisseite besucht
- [Datum]: 4 E-Mails geöffnet, 2 Links geklickt
Empfohlene nächste Aktion: Erstgespräch anbieten

In der Praxis lässt sich dieses Dossier inzwischen auch von einem LLM verfassen: Ein n8n-Workflow zieht Score-Verlauf, besuchte Seiten und LinkedIn-Daten zusammen, schickt sie an die Claude- oder GPT-API und bekommt einen drei-Sätze-Briefing zurück — was die Person beschäftigt, welcher Hook im Erstgespräch trägt, welche Einwände wahrscheinlich kommen. Der Vertriebler bekommt nicht nur Rohdaten, sondern eine vorbereitete Lesart. Spart pro Lead 5 bis 10 Minuten Recherche-Zeit.

Schritt 8: Review-Zyklus einplanen

Lead Scoring ist kein Set-and-Forget-System. Plane eine quartalsweise Überprüfung ein:

• Stimmen die Schwellenwerte noch? Kommen zu viele oder zu wenige MQLs beim Vertrieb an?
• Wie ist die MQL-zu-SQL-Conversion? Wenn sie unter 30 Prozent liegt, ist der Schwellenwert zu niedrig.
• Welche Aktionen korrelieren tatsächlich mit Abschlüssen? Passe die Punktevergabe entsprechend an.
• Feedback vom Vertrieb: Sind die Leads, die ankommen, wirklich qualifiziert?

---

Implementierung in Brevo: Der konkrete Workflow

Brevo (ehemals Sendinblue) ist für KMU im DACH-Raum eine der pragmatischsten Lösungen: DSGVO-konform, Server in der EU, Lead Scoring ab dem Business-Tarif (ab 25 Euro/Monat) verfügbar.

Voraussetzungen:

• Brevo-Account (Business-Tarif oder höher)
• Brevo-Tracking-Snippet auf der Website installiert (für Seitenbesuch-Tracking)
• Kontakt-Formulare über Brevo oder mit Brevo-Integration
• Optional: n8n oder Make.com für CRM-Anbindung

Die Automation im Detail:

1. Kontakt-Attribute anlegen: - Score (Typ: Zahl, Standardwert: 0) - Lead_Status (Typ: Text, Werte: "Cold", "Warm", "MQL", "SQL") - Letzte_Aktivität (Typ: Datum)

2. Scoring-Workflows erstellen: Jeder Workflow folgt dem gleichen Pattern: Trigger → Bedingung (optional) → Score aktualisieren → ggf. Tag setzen.

Beispiel-Workflow "Leistungsseite besucht": - Trigger: Seitenbesuch-Event, URL enthält "/leistungen/" - Bedingung: Score wurde für diese Seite in den letzten 7 Tagen nicht bereits vergeben (verhindert Doppelzählung) - Aktion: Score +10 - Aktion: Letzte_Aktivität = aktuelles Datum

3. Threshold-Workflow: - Trigger: Attribut "Score" ≥ 50 - Bedingung: Lead_Status ist nicht bereits "MQL" oder "SQL" - Aktion: Lead_Status → "MQL" - Aktion: E-Mail an Vertrieb senden (Template mit Lead-Dossier) - Aktion: Optional — Webhook an n8n mit Kontaktdaten → Deal in Pipedrive anlegen

4. Decay-Workflow (Punkte-Verfall): - Trigger: Täglich um 08:00 Uhr - Bedingung: Letzte_Aktivität liegt mehr als 30 Tage zurück UND Score > 0 - Aktion: Score -10 - Bedingung: Letzte_Aktivität liegt mehr als 60 Tage zurück - Aktion: Score -20 (kumulativ)

Kosten für das Setup:

• Brevo Business: ab 25 Euro/Monat
• n8n (Self-hosted oder Cloud): 0–20 Euro/Monat
• Pipedrive (optional): ab 15 Euro/Monat/User
• Setup-Aufwand: 2 bis 3 Tage (einmalig)

Vergleich: HubSpot bietet ähnliche Funktionalität — kostet aber ab 800 Euro/Monat für vergleichbares Lead Scoring mit CRM-Integration. Wer das obere Preissegment ohnehin in Kauf nimmt, bekommt bei HubSpot mit dem Marketing Hub Enterprise und bei Salesforce mit Einstein Lead Scoring zusätzlich Predictive Scoring auf ML-Basis: Statt manueller Punktevergabe lernt das Modell aus den eigenen Closed-Won- und Closed-Lost-Daten, welche Verhaltensmuster echte Käufer von Tire-Kickern unterscheiden. MadKudu, 6sense und Lattice Engines sind Spezialanbieter, die das auch standalone anbieten und an bestehende CRM-Systeme andocken.

---

Regel-basiert oder Predictive: Welches Modell für wen?

Die Frage, ob ein regel-basiertes oder ein Predictive-Lead-Scoring-Modell besser ist, beantwortet sich primär über zwei Variablen: Datenmenge und Erklärbarkeit.

Predictive Lead Scoring funktioniert nicht im Datenleeren. Modelle wie HubSpots "Predictive Lead Score" oder Salesforce Einstein Lead Scoring brauchen mehrere hundert abgeschlossene Deals (gewonnen und verloren) als Trainingsbasis. Ohne diese Datengrundlage liefert ein ML-Modell zufällige Wahrscheinlichkeiten, kein verwertbares Signal. MadKudu hat 2023 öffentlich kommuniziert, dass sie unter 1.000 historischen Leads typischerweise abraten, ein dediziertes Modell zu trainieren — und stattdessen ein Hybrid-Modell empfehlen.

Für die meisten mittelständischen B2B-Unternehmen im DACH-Raum heißt das: Regel-basiertes Scoring ist und bleibt der richtige Einstieg. Es ist erklärbar, anpassbar, günstig und liefert ab Tag 1 Mehrwert. Erst wenn das Lead-Volumen so hoch wird, dass manuelle Pflege der Scoring-Regeln nicht mehr skaliert — und genug historische Daten existieren — lohnt der Wechsel auf ML-Modelle.

---

Die häufigsten Fehler beim Lead Scoring

Fehler 1: Zu komplexes Scoring-Modell

Manche Unternehmen starten mit 30 verschiedenen Scoring-Regeln, granularen Gewichtungen und mehrdimensionalen Matrizen. Das führt dazu, dass niemand mehr versteht, warum ein Lead einen bestimmten Score hat. Starte einfach: 8 bis 12 Regeln, klare Punktevergabe, ein Schwellenwert. Komplexität kannst du später hinzufügen.

Fehler 2: Nur Verhaltens-Scoring, kein demografisches

Ein Lead kann deinen gesamten Blog lesen, jeden Newsletter öffnen und drei Guides downloaden — und trotzdem ein Student sein, der seine Hausarbeit schreibt. Ohne demografisches Scoring (Branche, Größe, Rolle) erkennst du das nicht. Beide Dimensionen gehören zusammen.

Fehler 3: Kein negatives Scoring

Ohne Punkte-Abzug sammeln inaktive Kontakte über Monate Punkte an, die nicht ihre aktuelle Kaufbereitschaft widerspiegeln. Ein Lead, der vor 6 Monaten einen Guide heruntergeladen hat und seitdem inaktiv ist, hat nicht mehr den gleichen Wert wie am Tag des Downloads. Decay-Regeln sind kein Nice-to-have — sie sind essentiell.

Fehler 4: Marketing definiert MQL ohne Vertrieb einzubeziehen

Wenn Marketing allein festlegt, was ein MQL ist, wird der Vertrieb die Definition nicht akzeptieren. Die Folge: Leads werden ignoriert, Feedback fehlt, das System verliert seine Wirkung. Die MQL-Definition muss gemeinsam erarbeitet werden — und beide Seiten müssen sie leben.

Fehler 5: Set and Forget

Ein Scoring-Modell ist eine Hypothese. Du glaubst, dass ein Preisseiten-Besuch 15 Punkte wert ist. Aber stimmt das? Korrelieren Preisseiten-Besuche tatsächlich mit Abschlüssen? Nur durch regelmäßige Überprüfung (quartalsweise) findest du heraus, ob dein Modell die Realität abbildet. Adjustiere basierend auf Daten, nicht auf Annahmen.

Fehler 6: Predictive blind übernehmen

Wer von einem Anbieter wie HubSpot, Salesforce Einstein oder MadKudu ein Predictive-Lead-Scoring-Modell ausgerollt bekommt, sollte zuerst prüfen: Welche Features fließen ins Modell ein? Wie wurde es trainiert? Reicht die eigene Datenmenge überhaupt? Ein Modell, das auf Daten anderer Branchen basiert oder auf zu wenig eigenen Datensätzen, liefert plausible Zahlen ohne Substanz. Ein erklärbares regel-basiertes Modell ist in dieser Situation immer besser als ein nicht-erklärbares ML-Modell.

---

Warum Lead Scoring den Sales-Zyklus verkürzt

B2B-Sales-Zyklen dauern bei erklärungsbedürftigen Leistungen typischerweise 3 bis 6 Monate (Salesforce State of Sales, 2023; Insightly B2B Sales Benchmark, 2019). Lead Scoring verkürzt diesen Zyklus nicht, indem es den Kaufprozess beschleunigt — sondern indem es sicherstellt, dass der Vertrieb erst dann eingreift, wenn der Lead tatsächlich bereit ist.

Ohne Scoring: Der Vertrieb kontaktiert Leads zu früh. Der Lead ist noch nicht überzeugt, sagt "melden Sie sich in 3 Monaten nochmal". Der Vertriebler notiert sich das (oder vergisst es). 3 Monate später ruft er an — der Lead hat inzwischen mit einem Wettbewerber gesprochen.

Mit Scoring: Der Lead durchläuft das Nurturing automatisch. Wenn er kaufbereit ist, signalisiert sein Score das. Der Vertrieb greift genau im richtigen Moment ein. Das Erstgespräch findet mit einem vorqualifizierten, informierten Kontakt statt. Die Abschlusswahrscheinlichkeit steigt. Die Time-to-Close sinkt.

Forrester Research bestätigt: Unternehmen mit ausgereiftem Lead Nurturing und Scoring generieren 50 Prozent mehr verkaufsbereite Leads — bei 33 Prozent niedrigeren Kosten pro Lead. Der ROI entsteht nicht durch mehr Leads, sondern durch bessere Leads.

---

Lead Scoring und die 95/5-Regel

Die 95/5-Regel (LinkedIn B2B Institute / Ehrenberg-Bass, Prof. John Dawes, 2021) besagt: 95 Prozent deines Marktes sind gerade nicht kaufbereit. SiriusDecisions (2014) kommt auf 3 bis 5 Prozent aktive Käufer.

Lead Scoring ist das operative Werkzeug, um mit dieser Realität umzugehen:

• Die 5 Prozent aktiven Käufer erkennst du am Score — sie zeigen kaufnahes Verhalten (Preisseite, Kontaktformular, intensive Content-Nutzung)
• Die 95 Prozent bleiben im Nurturing — sie bekommen weiterhin wertvolle Inhalte, bis sie in die 5 Prozent wechseln
• Der Übergang von "nicht kaufbereit" zu "kaufbereit" wird sichtbar — der Score steigt über Wochen und Monate

Ohne Scoring behandelst du alle gleich. Mit Scoring behandelst du jeden Lead entsprechend seiner tatsächlichen Kaufbereitschaft. Das ist der Unterschied zwischen einem System und einem Zufall.

---

Lead Scoring im Kontext des Gesamtsystems

Lead Scoring funktioniert nicht isoliert. Es ist ein Baustein in einem größeren System:

1. Demand Creation erzeugt Sichtbarkeit und bringt neue Kontakte ins System
2. Leadmagneten wandeln anonyme Besucher in bekannte Kontakte um
3. Nurturing entwickelt diese Kontakte über Zeit weiter
4. Lead Scoring macht die Kaufbereitschaft messbar
5. Demand Capture fängt die aktiv suchenden Leads auf
6. Vertriebsübergabe bringt den qualifizierten Lead ins Gespräch

Ohne Demand Creation hat Scoring keine Leads zum Bewerten. Ohne Nurturing steigen die Scores nie. Ohne klare Übergabe an den Vertrieb bleibt Scoring ein Marketing-Dashboard ohne Wirkung.

---

FAQ

Was ist der Unterschied zwischen MQL und SQL?

MQL = Marketing hat den Lead als kaufbereit bewertet (via Score ≥ 50). SQL = Sales hat im Gespräch bestätigt, dass Bedarf, Budget und Timeline vorhanden sind. Der MQL ist eine datenbasierte Einschätzung, der SQL eine menschliche Bestätigung. Erst SQL = echte Opportunity im Sales-Prozess.

Welches Tool brauche ich für Lead Scoring?

Brevo (ab 25 Euro/Monat) hat Basis-Scoring und ist DSGVO-konform mit EU-Servern. Für vollständiges Scoring mit CRM-Anbindung: Brevo + Pipedrive + n8n. HubSpot kann es auch — kostet aber ab 800 Euro/Monat für vergleichbare Funktionalität. Wer Predictive Scoring auf ML-Basis will, braucht HubSpot Enterprise, Salesforce Einstein oder Spezialanbieter wie MadKudu — und mindestens 500 bis 1.000 historisch abgeschlossene Deals als Trainingsbasis.

Ab wie vielen Leads lohnt sich Scoring?

Ab dem ersten Lead. Aber operativ relevant wird es ab 50 und mehr Leads pro Monat — darunter kannst du manuell qualifizieren. Der Setup-Aufwand lohnt sich trotzdem früher: Wenn das System steht bevor das Volumen kommt, bist du vorbereitet.

Wie oft muss ich das Scoring-Modell anpassen?

Quartalsweise prüfen: Stimmen die Schwellenwerte noch? Kommen die richtigen Leads bei Sales an? Feedback vom Vertrieb einholen. In den ersten 3 Monaten nach der Einführung monatlich prüfen — danach reicht der Quartalsrhythmus.

Was mache ich, wenn der Vertrieb die MQLs ablehnt?

Wenn mehr als 50 Prozent der MQLs vom Vertrieb abgelehnt werden, stimmt etwas nicht. Entweder ist der Schwellenwert zu niedrig (Score muss höher sein, bevor der Lead übergeben wird), das demografische Scoring fehlt (viele Leads passen nicht zum ICP), oder die MQL-Definition wurde nicht gemeinsam erarbeitet. In allen Fällen: Gemeinsames Review mit Marketing und Vertrieb, Modell anpassen, erneut testen.

Funktioniert Lead Scoring auch ohne Content Marketing?

Theoretisch ja — aber in der Praxis kaum. Ohne Content (Blog, Leadmagneten, Newsletter, LinkedIn) gibt es kaum Interaktionen, die gescort werden können. Ein Lead, der nur einmal eine Google-Anzeige geklickt hat, liefert zu wenig Datenpunkte für ein aussagekräftiges Scoring. Content ist der Treibstoff, der das Scoring-System füttert.

Lohnt sich Predictive Lead Scoring für mittelständische Unternehmen?

In den meisten Fällen nicht. Predictive Modelle (HubSpot, Salesforce Einstein, MadKudu) brauchen 500 bis 1.000 historische Deals als Trainingsdatensatz, kosten 800+ Euro/Monat und liefern oft Black-Box-Ergebnisse. Mittelständische B2B-Unternehmen fahren mit regel-basiertem Scoring fast immer besser: erklärbar, anpassbar, ab 25 Euro/Monat. Wechsel auf ML-Modelle erst sinnvoll, wenn das Volumen die manuelle Pflege übersteigt.

---

Quellen

• LinkedIn B2B Institute / Ehrenberg-Bass Institute (Prof. John Dawes, 2021): "The 95-5 Rule" — nur 5 % der B2B-Käufer sind zu jedem Zeitpunkt aktiv kaufbereit
• SiriusDecisions (2014): 3–5 % aktive Käufer im B2B-Markt
• Gartner (2016): Durchschnittlich 6–8 Stakeholder pro B2B-Kaufentscheidung
• HubSpot Sales Benchmarks (2023): 5–8 Stakeholder, 70–80 % Lead-Verlustrate ohne Nurturing
• Marketo / Adobe (2017): 79 % der Marketing-Leads konvertieren nie ohne Nurturing
• Gleanster Research: 70–80 % Lead-Verlustrate bei fehlendem Follow-up
• Forrester Research: Lead Nurturing generiert 50 % mehr verkaufsbereite Leads bei 33 % niedrigeren Kosten
• Salesforce State of Sales (2023): Sales-Zyklen im B2B bei 3–6 Monaten
• Insightly B2B Sales Benchmark (2019): Sales-Zyklen bei erklärungsbedürftigen Leistungen 3–6 Monate
• InsideSales.com / Dr. James Oldroyd (MIT, 2006): 21x höhere Qualifizierungsrate bei Follow-up innerhalb von 5 Minuten
• Harvard Business Review (2011): Bestätigung der Lead-Response-Forschung
• Gartner (2018), Marketo (2019), Demandbase (2023): 40–60 % des Budgets auf Demand Creation bei führenden Unternehmen

---

CTA: Erstgespräch | Checkliste Marketing-System Autor: Dustin Vogler — LinkedIn