Lead Scoring Best Practices: Der vollständige Leitfaden
In deutschen B2B-Vertriebsorganisationen entscheidet Lead Scoring oft, ob Ihr Sales-Team die richtigen Gespräche führt – oder Stunden mit Kontakten verschwendet, die niemals abschließen. Trotzdem fehlt in 70% der mittelständischen Sales-Teams ein dokumentiertes Scoring-Modell. Stattdessen läuft die Priorisierung über Bauchgefühl, Excel-Listen oder eine veraltete „Lead-Wertung" im CRM.
Dieser Leitfaden zeigt, wie Sie ein Lead-Scoring-Modell aufbauen, das in HubSpot, Pipedrive oder Salesforce funktioniert, DSGVO-konform bleibt und vom Sales-Team tatsächlich akzeptiert wird.
Was Lead Scoring wirklich leistet
Lead Scoring ist keine magische Kennzahl. Es ist ein gewichteter Score (typisch 0–100), der drei Datenebenen kombiniert:
- Demografische Daten: Branche, Unternehmensgröße, Position des Ansprechpartners, Region.
- Verhaltensdaten: Website-Besuche, geöffnete E-Mails, geklickte Links, heruntergeladene Whitepaper.
- Intent-Daten: Externe Signale – G2-Vergleichsseiten, Bombora-Topics, LinkedIn-Engagement.
Ein guter Score sortiert eingehende Leads automatisch in „Sofort kontaktieren" (>= 75), „Nurturing-Sequenz" (40–74) und „Disqualifiziert" (< 40). Damit gewinnt Ihr Sales-Team typischerweise 15–25% mehr produktive Stunden pro Woche.
Das Grundgerüst: Die 50-30-20-Regel
Aus über 100 deutschen B2B-SaaS- und Beratungs-Implementierungen hat sich folgende Gewichtung als robust erwiesen:
- 50% demografisch: Wer passt strukturell zum ICP? Branche, Mitarbeiterzahl, Umsatz, Region.
- 30% verhaltensbasiert: Wer interagiert aktiv mit Inhalten? Wiederkehrende Besuche, Pricing-Page-Aufrufe, Newsletter-Opens.
- 20% Intent: Externe Kaufabsichts-Signale aus G2, LinkedIn, Bombora oder Owler.
Diese Verteilung verhindert, dass „Beobachter-Leads" (viele Klicks, kein ICP-Fit) künstlich hochgespült werden. Im DACH-Raum ist das ein häufiges Problem, weil Wettbewerber, Studierende und Bewerber überproportional viel Content konsumieren.
Demografisches Scoring: Das ICP-Fenster
Definieren Sie ein klares Ideal Customer Profile (ICP) und vergeben Sie Punkte für jede Übereinstimmung:
- Mitarbeiterzahl im Zielband (z.B. 50–500): +15
- Branche im Zielsegment: +10
- DACH-Region: +8
- Position auf C-Level oder Head-of-Ebene: +12
- Negativ-Signale (Studierender, Wettbewerber, Recruiter): -30
Die negativen Punkte sind wichtig: Ohne sie reichen ein paar gut platzierte Klicks, um eine Bewerbungs-E-Mail an die Sales-Pipeline zu schicken.
Verhaltensbasiertes Scoring: Welche Aktionen zählen?
Nicht jeder Klick ist gleich. Ein Pricing-Page-Aufruf signalisiert mehr Kaufabsicht als eine Blog-Read-Time von 30 Sekunden. Empfohlene Gewichtung:
- Pricing-Page besucht (im letzten 14 Tage): +15
- Demo-Formular gestartet aber nicht abgeschickt: +12
- Whitepaper heruntergeladen (Mid-Funnel): +8
- Pricing-Vergleichsseite mehrfach besucht: +10
- E-Mail-Sequenz: Klick auf Call-to-Action: +6
- Newsletter-Anmeldung: +3
Wichtig: Verhaltens-Scores müssen verfallen. Ein Lead, der vor 90 Tagen die Pricing-Page besucht hat und sich seither nicht gemeldet hat, ist nicht gleich heiß wie ein Lead, der heute geklickt hat. Implementieren Sie einen Decay-Faktor von 50% nach 30 Tagen, 80% nach 60 Tagen.
Intent-Daten sind das mächtigste, aber heikelste Tool. Anbieter wie Bombora, G2, Cognism oder ZoomInfo liefern Signale auf Account-Ebene (welche Unternehmen recherchieren gerade Topic X). Account-Level-Intent ist datenschutzrechtlich unproblematisch, weil keine personenbezogenen Daten verarbeitet werden.
Person-Level-Intent (z.B. „Frau Müller von Firma Y hat sich Whitepaper Z angesehen") fällt dagegen unter die DSGVO und braucht eine saubere Rechtsgrundlage – meist berechtigtes Interesse mit dokumentierter Interessenabwägung.
Implementierung in HubSpot, Pipedrive und Salesforce
HubSpot: Native Score-Property unterstützt eingebaute Regeln und Workflows. Empfehlung: HubSpot Score-Property + Custom Properties für Intent-Daten via Webhook.
Pipedrive: Kein nativer Score, aber „Custom Field" als Zahl + Workflow-Automation reicht für mittlere Komplexität.
Salesforce: Lead-Score und Account-Score als Standard-Felder. Einstein Lead Scoring (Premium) für Predictive-Modell. Für Mittelstand reicht oft die Standard-Score-Logik plus Custom-Apex-Trigger.
Häufige Fehler im deutschen Mittelstand
- „Alles zählt"-Score: 50 Score-Regeln, Sales versteht keine davon. Maximal 15 Regeln, klar dokumentiert.
- Kein Decay: Score steigt monoton, alte Leads erscheinen ewig heiß.
- Sales nicht eingebunden: Wenn Sales den Score nicht versteht oder ihm nicht traut, ignoriert er ihn.
- Statisches Modell: Score-Regeln sollten quartalsweise auf Basis von Win/Loss-Daten überprüft werden.
Wie oft sollten Sie das Modell anpassen?
Empfehlung: Jedes Quartal ein 90-Minuten-Review mit Sales-Lead, Marketing-Lead und Ops-Lead. Drei Datenpunkte prüfen:
- Conversion-Rate je Score-Bucket: Sind Leads mit Score 75–100 wirklich besser als 40–74?
- Sales-Akzeptanz: Wie viele „heiße Leads" wurden vom Sales als unqualifiziert markiert?
- Quellen-Bias: Bekommt eine Quelle (z.B. organische Suche) systematisch zu viele Punkte?
Nächste Schritte
Starten Sie mit einem minimalen Modell: 5 demografische Regeln, 5 verhaltensbasierte Regeln, 1–2 Intent-Signale. Lassen Sie es 6 Wochen laufen, sammeln Sie Daten, dann verfeinern. Komplexe Modelle scheitern in der DACH-Region fast immer an mangelnder Sales-Akzeptanz.
Wenn Sie Lead-Scoring als Service für Ihre Endkunden anbieten wollen, lohnt sich der Blick auf eine White-Label-Plattform, die das Scoring eingebaut hat.