Was ist Lead Scoring?

Ein Lead ist ein Kontakt, der seine Daten hinterlassen hat, meist über ein Formular. Wie er dorthin kommt, beschreibt der Eintrag Lead Generation. Lead Scoring setzt danach an und sortiert. Gemessen wird in zwei Richtungen.

Die erste ist das Profil, oft Fit genannt: Passt der Kontakt zum Angebot? HubSpot beschreibt Fit-Scores in seiner Hilfe als Bewertung anhand demografischer Angaben wie Alter, Position, Unternehmensgröße oder Jahresumsatz. Salesforce nennt das in Marketing Cloud Account Engagement Grading: Kontakte werden nach Profilen bewertet, und je mehr Kriterien jemand erfüllt, desto besser die Note. Die Skala reicht dort von A+ bis F.

Die zweite Richtung ist das Verhalten, oft Engagement genannt: Wie stark beschäftigt sich der Kontakt mit dem Unternehmen? HubSpot nennt als Beispiele Besuche der Website, ein Newsletter-Abo, Klicks auf einen Call to Action oder geöffnete Marketing-Mails. Bei Salesforce misst der Score das implizite Interesse und vergibt Punkte für Aktivitäten wie das Öffnen einer E-Mail, die Teilnahme an einem Webinar oder ein abgeschicktes Formular.

Beide Werte lassen sich kombinieren. HubSpot bildet dafür Stufen von A1 bis C3, wobei der Buchstabe für den Fit und die Zahl für das Engagement steht. Nach Angabe von HubSpot steht A für hohen und C für niedrigen Fit, 1 für hohes und 3 für niedriges Engagement. Ein Kontakt mit wenig Fit, aber viel Engagement landet also bei C1.

Im klassischen Punktemodell legt das Team die Regeln selbst fest. Jedes Merkmal und jede Handlung bekommt einen Wert, auch einen negativen. HubSpot nennt als Beispiel Pluspunkte für passende Branche und Größe und Abzüge für eine Region, in der das Unternehmen nicht tätig ist. Ein Beispiel mit erfundenen Werten: Position Marketingleitung +15, Unternehmen über 50 Beschäftigte +10, Besuch der Preisseite +10, Sitz außerhalb des Liefergebiets −30.

Prädiktives Scoring lässt die Gewichte von einem Modell berechnen, das aus früheren Fällen lernt. HubSpot gibt für seinen KI-Score an, dass das Modell mit Kontakten trainiert wird und mindestens 50 Kontakte braucht, davon 25 konvertierte und 25 nicht konvertierte. Salesforce schreibt, Einstein Behavior Scoring nutze Machine Learning, um die einflussreichsten Verhaltenssignale zu finden, und vergebe einen Score von 0 bis 100. Das sind Angaben der Hersteller über ihre eigenen Produkte.

Eine Fallstudie von Laura González-Flores und Kollegen aus dem Jahr 2025 trennt beide Ansätze. Klassische Modelle beruhen nach ihrer Beschreibung auf Regeln, Punkten und Scorecards und meist ohne formale statistische Validierung. In der untersuchten B2B-Softwarefirma erkannte das Machine-Learning-Modell hochwertige Leads deutlich besser als das bisherige Verfahren. Das ist ein einzelnes Unternehmen, kein allgemeiner Befund.

Für die Übergabe an den Vertrieb braucht es eine Schwelle. Bei HubSpot lassen sich Schwellenwerte festlegen, die Kontakte in Hoch, Mittel und Niedrig einteilen. Salesforce beschreibt die Schwelle als Punktzahl, ab der die Aktivität auf einen möglichen Kunden hindeutet. Eine allgemein richtige Zahl gibt es nicht. Marketing und Vertrieb legen sie gemeinsam fest und prüfen sie an den Ergebnissen früherer Übergaben, wie es der Eintrag Lead Nurturing beschreibt.

Punkte für Verhalten sollten mit der Zeit verfallen, sonst zählt ein Download von vor zwei Jahren so viel wie einer von gestern. HubSpot bietet einen Score-Verfall für Engagement- und kombinierte Scores an, in Abständen von 1, 3, 6 oder 12 Monaten. Salesforce beschreibt den Verfall als Senkung des Scores bei Inaktivität.

Lead Scoring entscheidet, wofür der Vertrieb seine Zeit verwendet. Ohne Bewertung ruft er Kontakte in der Reihenfolge an, in der sie gekommen sind, auch solche, die nie kaufen werden. Mit einer zu niedrigen Schwelle landen unreife Leads beim Vertrieb, mit einer zu hohen bleiben kaufbereite liegen. Beides lässt sich nur am Ergebnis messen: Wie viele übergebene Leads nimmt der Vertrieb an, und wie viele werden Kunden?

Wer einzelne Personen bewertet, berührt außerdem das Datenschutzrecht. Die DSGVO definiert Profiling in Art. 4 Nr. 4 als automatisierte Verarbeitung personenbezogener Daten, um persönliche Aspekte einer Person zu bewerten, insbesondere um unter anderem ihre wirtschaftliche Lage, Interessen oder ihr Verhalten zu analysieren oder vorherzusagen. Nach Art. 21 Abs. 2 kann eine Person der Verarbeitung für Direktwerbung jederzeit widersprechen, auch dem Profiling, soweit es damit in Verbindung steht. Widerspricht sie, dürfen ihre Daten nach Abs. 3 nicht mehr für diese Zwecke verarbeitet werden. Art. 22 Abs. 1 gibt das Recht, keiner ausschließlich automatisierten Entscheidung unterworfen zu werden, die rechtliche Wirkung entfaltet oder in ähnlicher Weise erheblich beeinträchtigt. Ob ein bestimmtes Scoring darunter fällt, ist im Einzelfall rechtlich zu prüfen.

• Trennen Sie Profil- und Verhaltenspunkte, damit sichtbar bleibt, ob ein Lead passt oder nur aktiv ist.
• Legen Sie Kriterien und Schwelle schriftlich mit dem Vertrieb fest, bevor das Modell live geht.
• Vergeben Sie auch Minuspunkte, etwa für Bewerber, Wettbewerber oder Regionen außerhalb Ihres Angebots.
• Lassen Sie Verhaltenspunkte verfallen.
• Prüfen Sie das Modell regelmäßig an echten Abschlüssen und passen Sie die Gewichte an.
• Klären Sie mit dem Datenschutz, auf welcher Grundlage Sie Personen bewerten, und bearbeiten Sie Widersprüche gegen Direktwerbung auch im Scoring.

• Nur Verhalten zählen, sodass Studierende oder Wettbewerber mit vielen Downloads oben landen.
• Schwellenwerte aus Beispielen in der Herstellerhilfe übernehmen, ohne sie an eigenen Daten zu prüfen.
• Punkte nie verfallen lassen.
• Ein prädiktives Modell mit zu wenigen konvertierten Fällen trainieren.
• Das Modell einmal aufsetzen und nie wieder mit den Ergebnissen des Vertriebs abgleichen.