Lead Scoring: Lead-Qualifizierung mit KI automatisieren
KurzantwortLead Scoring ist ein Verfahren, das jeden Lead mit Punkten bewertet: nach seiner Passung zum Ideal Customer Profile (Fit) und nach seinem Verhalten (Engagement). Überschreitet der Score einen festgelegten Schwellenwert, stuft das CRM den Lead automatisch als MQL oder SQL ein und leitet ihn an den Vertrieb weiter. KI ergänzt das Punktesystem, indem sie aus vergangenen Abschlüssen lernt, welche Merkmale tatsächlich zum Auftrag führen.
Viele B2B-Vertriebsteams bearbeiten Leads in der Reihenfolge ihres Eingangs. So wartet die Anfrage eines passenden Einkaufsleiters womöglich hinter zehn Newsletter-Anmeldungen. Dieser Artikel zeigt, welche Kriterien in einen Lead Score gehören, wie ein konkretes Modell aussieht und wie Sie die Lead-Qualifizierung vom Score bis zur Übergabe automatisieren – regelbasiert oder mit KI. Er ist Teil unseres Leitfadens zu KI im Vertrieb.
Was ist Lead Scoring?
Lead Scoring ist die Bewertung von Interessenten mit einer Punktzahl, die ausdrückt, wie wahrscheinlich ein Lead zum Kunden wird. Der Score beantwortet zwei Fragen: Passt das Unternehmen zu Ihrem Angebot? Und zeigt die Person echtes Kaufinteresse?
Ein Lead ist ein Kontakt, der Interesse signalisiert hat und dessen Daten Sie erfasst haben, etwa über ein Kontaktformular, einen Messebesuch oder einen Whitepaper-Download. Im CRM bleibt der Lead ein eigener Datensatz, bis er qualifiziert und in einen Kontakt oder eine Verkaufschance umgewandelt wird.
Wie unterscheiden sich Lead Scoring und Lead-Qualifizierung?
Lead-Qualifizierung ist der gesamte Prozess, in dem Sie entscheiden, ob und wann ein Lead an den Vertrieb geht. Lead Scoring ist das Messinstrument innerhalb dieses Prozesses. Zur Lead-Qualifizierung gehören außerdem Schwellenwerte, die Übergabe an den Vertrieb und das Nachfassen bei Leads, die noch nicht kaufbereit sind.
Was ist Lead Grading?
Lead Grading bewertet nur die Passung eines Leads, häufig mit Buchstaben von A bis D. Lead Scoring im engeren Sinn misst dagegen das Interesse anhand des Verhaltens. Moderne CRM-Systeme kombinieren beides: HubSpot etwa unterscheidet Fit-Scores, Engagement-Scores und einen kombinierten Score aus beiden.
Was unterscheidet MQL und SQL?
Ein Marketing Qualified Lead (MQL) ist ein Lead, den das Marketing anhand des Scores als vielversprechend einstuft, der aber noch nicht vom Vertrieb geprüft wurde. Ein Sales Qualified Lead (SQL) ist ein Lead, bei dem der Vertrieb einen konkreten Bedarf bestätigt hat und eine Verkaufschance anlegt.
| Merkmal | MQL | SQL |
|---|---|---|
| Wer qualifiziert? | Marketing bzw. die Scoring-Regel im CRM | Vertrieb, meist nach einem Erstgespräch |
| Typisches Signal | Passendes Profil, mehrere Inhalte genutzt, Webinar besucht | Bedarf, Zeitrahmen und Ansprechpartner bestätigt |
| Nächster Schritt | Übergabe an den Vertrieb oder weiteres Nurturing | Bedarfsanalyse, Angebot, Verkaufschance im CRM |
| Verantwortung | Marketing | Vertrieb |
Entscheidend ist eine schriftliche Definition beider Stufen, auf die sich Marketing und Vertrieb gemeinsam einigen. Ohne diese Vereinbarung diskutieren beide Teams über die Qualität der Leads statt über Ergebnisse.
Welche Kriterien fließen in den Lead Score ein?
Ein Lead Score setzt sich aus expliziten und impliziten Kriterien zusammen. Explizite Kriterien beschreiben, wer der Lead ist. Implizite Kriterien beschreiben, was der Lead tut.
Explizite Kriterien: Passt der Lead zu Ihrem Ideal Customer Profile?
Das Ideal Customer Profile (ICP) ist die Beschreibung des Unternehmens, das am meisten von Ihrem Angebot profitiert und für Sie am wirtschaftlichsten ist. Aus dem ICP leiten Sie die Fit-Kriterien ab:
- Firmografie: Branche, Mitarbeiterzahl, Umsatz und Region
- Position: Funktion und Entscheidungsbefugnis, etwa Geschäftsführung oder Vertriebsleitung
- Technografie: eingesetzte Systeme wie CRM oder ERP
- Ausschlusskriterien: Wettbewerber, Studierende, Privatpersonen oder Regionen außerhalb Ihres Liefergebiets
Implizite Kriterien: Zeigt der Lead Kaufinteresse?
Implizite Kriterien messen das Verhalten auf Ihrer Website, in E-Mails und im Kontakt mit dem Vertrieb. Nicht jede Aktion zählt gleich: Ein Besuch der Preisseite ist ein stärkeres Kaufsignal als das Öffnen eines Newsletters.
- Besuche von Preis-, Leistungs- oder Kontaktseiten
- Downloads, Webinar-Teilnahmen und die Nutzung von Rechnern oder Konfiguratoren
- Klicks in E-Mails und Antworten auf Vertriebsnachrichten
- Häufigkeit und Aktualität der Interaktionen
Warum brauchen Sie Minuspunkte und Punkteverfall?
Minuspunkte und Punkteverfall verhindern, dass Leads mit veralteter Aktivität dauerhaft oben in der Liste stehen. Ein Lead, der vor acht Monaten drei Whitepaper geladen hat und seitdem inaktiv ist, ist kein heißer Lead mehr. Ziehen Sie deshalb zum Beispiel 10 Punkte pro 30 Tage ohne Aktivität ab und vergeben Sie Minuspunkte für Newsletter-Abmeldungen. In HubSpot lässt sich der Engagement-Score dafür per Workflow automatisch zurücksetzen.
Welche Rolle spielen BANT und MEDDIC?
BANT und MEDDIC sind Qualifizierungs-Frameworks für das Vertriebsgespräch, kein Ersatz für das Scoring. BANT prüft Budget, Authority (Entscheidungsbefugnis), Need (Bedarf) und Timing. MEDDIC steht für Metrics, Economic Buyer, Decision Criteria, Decision Process, Identify Pain und Champion und eignet sich für komplexe B2B-Verkäufe mit mehreren Entscheidern. Die Antworten aus diesen Gesprächen gehören zurück ins CRM, denn sie sind die wertvollsten Trainingsdaten für späteres KI-Scoring.
Wie sieht ein Lead-Scoring-Modell in der Praxis aus?
Ein Lead-Scoring-Modell ist eine Tabelle aus Kriterien, Punkten und Schwellenwerten. Das folgende Beispiel zeigt ein Modell für einen Hersteller von Industriekomponenten mit einer Skala von 0 bis 100 Punkten. Die Werte sind ein Startpunkt, keine Benchmark: Kalibrieren Sie das Modell nach drei Monaten an Ihren tatsächlichen Abschlüssen.
| Kriterium | Ausprägung | Punkte |
|---|---|---|
| Fit: Branche | Maschinen- und Anlagenbau, Automobilzulieferer | +20 |
| Fit: Unternehmensgröße | 100 bis 2.000 Mitarbeitende | +15 |
| Fit: Position | Geschäftsführung, Vertriebs- oder Einkaufsleitung | +15 |
| Fit: Ausschluss | Wettbewerber, Studierende, Privatperson | Lead aussortieren |
| Engagement: Anfrage | Kontaktformular oder Rückrufwunsch | +30 |
| Engagement: Preisseite | Mindestens 2 Besuche in 14 Tagen | +10 |
| Engagement: Inhalte | Webinar-Teilnahme oder Whitepaper-Download | +5 |
| Engagement: E-Mail | Klick im Newsletter | +5 |
| Verfall | 30 Tage ohne Aktivität | −10 |
Die Schwellenwerte legen fest, was mit dem Lead passiert. Ab 50 Punkten wird ein Lead zum MQL. Ab 70 Punkten und mindestens 30 Fit-Punkten geht er als SQL-Kandidat direkt an den Vertrieb. Die Fit-Untergrenze verhindert, dass ein sehr aktiver, aber unpassender Lead beim Vertrieb landet, etwa ein Berater, der nur recherchiert.
Warum sollten Sie Fit und Engagement getrennt auswerten?
Ein einzelner Gesamtscore verdeckt, warum ein Lead hoch bewertet ist. Die getrennte Auswertung von Fit und Engagement zeigt dagegen sofort, welcher nächste Schritt passt:
| Kombination | Bedeutung | Nächster Schritt |
|---|---|---|
| Hoher Fit, hohes Engagement | Kaufbereiter Wunschkunde | Sofortige Übergabe an den Vertrieb |
| Hoher Fit, niedriges Engagement | Passendes Unternehmen ohne aktuelles Interesse | Gezieltes Nurturing, persönliche Ansprache prüfen |
| Niedriger Fit, hohes Engagement | Interesse ohne Passung | Kurz prüfen, meist Nurturing oder freundliche Absage |
| Niedriger Fit, niedriges Engagement | Kein erkennbares Potenzial | Kein Vertriebsaufwand |
Was unterscheidet regelbasiertes und predictive Lead Scoring?
Beim regelbasierten Lead Scoring legen Menschen Kriterien und Punkte fest. Beim predictive Lead Scoring lernt ein Machine-Learning-Modell aus historischen Daten, welche Merkmale mit Abschlüssen zusammenhängen, und berechnet daraus eine Abschlusswahrscheinlichkeit. Eine dritte Variante sind KI-Agenten, die Leads aktiv recherchieren und ansprechen.
| Merkmal | Regelbasiert | Predictive | KI-Agent |
|---|---|---|---|
| Funktionsweise | Feste Punkte je Kriterium | Modell lernt Muster aus qualifizierten und verworfenen Leads | Recherchiert, ergänzt Daten, stellt Rückfragen |
| Datenbedarf | Gering, sofort startklar | Hoch, je nach System Dutzende bis Tausende Leads mit Ergebnis | Mittel: klares ICP, saubere CRM-Daten, feste Regeln |
| Transparenz | Vollständig nachvollziehbar | Score mit Einflussfaktoren, Logik nur teilweise sichtbar | Nachvollziehbar, wenn jeder Schritt protokolliert wird |
| Pflege | Manuelle Anpassung | Lernt mit neuen Daten weiter | Regeln und Antwortqualität laufend prüfen |
| Geeignet für | Einstieg, kleine Lead-Mengen | Viele Leads mit dokumentierten Ergebnissen | Viele Leads, langsame Reaktion, lückenhafte Datensätze |
Wie viele Daten braucht predictive Lead Scoring?
Predictive Lead Scoring braucht eine Mindestmenge an Leads mit bekanntem Ergebnis, sonst hat das Modell nichts, woraus es lernen kann. Die großen CRM-Anbieter nennen konkrete Untergrenzen:
- Microsoft Dynamics 365 Sales: mindestens 40 qualifizierte und 40 disqualifizierte Leads, die im gewählten Trainingszeitraum angelegt und abgeschlossen wurden.
- Salesforce Einstein Lead Scoring: für ein eigenes Modell mindestens 1.000 neue Leads in den letzten 200 Tagen, davon mindestens 120 konvertiert. Darunter greift Salesforce auf ein globales Modell zurück.
- HubSpot: Fit- und Engagement-Scores für Kontakte lassen sich mit KI erstellen, allerdings nur in Marketing Hub Enterprise. Die KI wertet dafür Kontakte aus, die in einem gewählten Zeitraum eine Lifecycle-Phase gewechselt haben, etwa zum Sales Qualified Lead.
Für viele Mittelständler ist die Datenmenge der Engpass, nicht die Software. Ein Unternehmen mit 30 Anfragen pro Monat sammelt 360 Leads im Jahr – deutlich weniger als die 1.000 Leads in 200 Tagen, die Salesforce für ein eigenes Modell voraussetzt.
Wie qualifizieren KI-Agenten Leads?
Ein KI-Agent ist ein System, das eigenständig mehrere Arbeitsschritte ausführt, statt nur einen Wert zu berechnen. In der Lead-Qualifizierung recherchiert ein KI-Agent zum Beispiel Firmendaten, ergänzt fehlende Felder im CRM, beantwortet Erstanfragen und stellt Qualifizierungsfragen nach BANT. Die Antworten fließen als strukturierte Daten in den Score. Wie solche Systeme arbeiten und wo ihre Grenzen liegen, zeigt unser Beitrag zu KI-Agenten im Vertrieb.
Wie automatisieren Sie die Lead-Qualifizierung vom Score bis zur Übergabe?
Die Lead-Qualifizierung ist erst dann automatisiert, wenn auf jeden Score eine Aktion folgt. Der vollständige Ablauf besteht aus vier Phasen:
- BewertenDas CRM berechnet Fit- und Engagement-Score bei jeder neuen Aktion neu.
- RoutenLead Routing weist Leads über dem Schwellenwert automatisch dem passenden Ansprechpartner zu.
- ÜbergebenDer Vertrieb erhält Score, Gründe und Verlauf und meldet das Ergebnis zurück.
- NachfassenLeads unter dem Schwellenwert erhalten passende Inhalte, bis ihr Score steigt.
Warum ist Lead Routing die kritische Phase?
Lead Routing bestimmt die Reaktionszeit, und die Reaktionszeit bestimmt die Chance auf Qualifizierung. Eine Auswertung von 1,25 Millionen Leads US-amerikanischer Unternehmen in der Harvard Business Review ergab: Wer innerhalb einer Stunde Kontakt suchte, qualifizierte Leads fast siebenmal so häufig wie Unternehmen, die eine Stunde später reagierten – und mehr als 60-mal so häufig wie nach 24 Stunden. Die Studie stammt von 2011, zeigt aber deutlich, wie schnell Interesse abkühlt.
Typische Routing-Regeln im CRM sind:
- Zuweisung nach Region, Branche oder Produktlinie
- Rotationsprinzip (Round Robin) innerhalb eines Teams für eine faire Verteilung
- Leads von Bestandskunden an den zuständigen Account Manager
- Automatische Eskalation, wenn ein SQL-Kandidat nach 4 Stunden noch unbearbeitet ist
Was gehört zur Übergabe an den Vertrieb?
Eine gute Übergabe enthält nicht nur den Score, sondern auch die Gründe dafür: besuchte Seiten, gestellte Fragen und erfüllte Fit-Kriterien. Ebenso wichtig ist der Rückkanal. Der Vertrieb markiert jeden übergebenen Lead als angenommen oder abgelehnt, jeweils mit Grund. Diese Rückmeldungen sind die Datenbasis, mit der Sie Schwellenwerte justieren und später ein predictive Modell trainieren. Wie Sie diesen Ablauf in eine wachsende Neukundengewinnung einbetten, beschreibt unser Artikel zum Thema B2B-Akquise skalieren.
Was passiert mit Leads unter dem Schwellenwert?
Leads unter dem Schwellenwert gehen ins Lead Nurturing. Lead Nurturing ist die automatisierte, gezielte Betreuung von Leads mit Inhalten, die zu ihrer Phase passen, zum Beispiel Fallstudien, Kostenrechner oder Webinar-Einladungen. Steigt der Score über den Schwellenwert, startet die Übergabe an den Vertrieb automatisch.
Ein Score ohne Folgeaktion ist nur eine Zahl. Erst Routing, Übergabe und Nurturing machen aus einer Bewertung eine automatisierte Lead-Qualifizierung.
Ab wann lohnt sich KI-gestütztes Lead Scoring?
KI-gestütztes Lead Scoring lohnt sich, sobald genügend Leads mit dokumentiertem Ergebnis vorliegen. Vorher bringt ein sauberes Punktesystem mehr als ein Modell, das mit zu wenigen Daten trainiert wurde. Aus den Mindestanforderungen der CRM-Anbieter ergibt sich diese Stufenfolge:
- Weniger als 40 qualifizierte und 40 verworfene Leads im Trainingszeitraum: Starten Sie regelbasiert und erfassen Sie Ergebnisse und Absagegründe konsequent im CRM.
- Ab etwa 40 qualifizierten und 40 verworfenen Leads: Testen Sie ein predictive Modell parallel zum Punktesystem, etwa in Dynamics 365 Sales.
- Ab rund 1.000 Leads mit über 120 Abschlüssen in 200 Tagen: Ein eigenes Modell auf Basis Ihrer Daten kann den führenden Score liefern, das Punktesystem dient als Kontrolle.
- Viele Leads, aber langsame Reaktion oder lückenhafte Daten: Setzen Sie einen KI-Agenten für Datenanreicherung und Erstqualifizierung ein, unabhängig von der Scoring-Methode.
Übernehmen Sie ein predictive Modell erst, wenn der Testlauf überzeugt: Hoch bewertete Leads müssen deutlich häufiger konvertieren als niedrig bewertete. Für viele Mittelständler mit wenigen Dutzend Anfragen pro Monat bleibt das Punktesystem dauerhaft die bessere Wahl. Dort bringt KI den größten Nutzen bei Datenqualität und Reaktionszeit, nicht beim Scoring selbst.
Welche Fehler machen Unternehmen beim Lead Scoring?
Lead-Scoring-Projekte scheitern selten an der Technik, sondern an fehlender Abstimmung und fehlender Pflege. Fünf typische Fehler sollten Sie vermeiden:
- Zu viele Kriterien: 30 Kriterien wirken präzise, sind aber für niemanden mehr nachvollziehbar. Starten Sie mit 6 bis 10 Kriterien.
- Kein gemeinsames MQL-Verständnis: Das Marketing setzt Schwellenwerte ohne den Vertrieb, und der Vertrieb ignoriert den Score.
- Kein Punkteverfall: Alte Aktivität hält Leads künstlich oben.
- Kein Rückkanal: Ohne Rückmeldung des Vertriebs lässt sich das Modell weder kalibrieren noch trainieren.
- Schlechte CRM-Daten: Dubletten, leere Branchenfelder und veraltete Positionen verfälschen jeden Score, ob regelbasiert oder mit KI.
Weitere Stolpersteine bei der Einführung beschreibt unser Beitrag zu den größten Fehlern bei der Einführung von KI-Vertriebstools.
Aus der Praxis
Transforming AI setzt Lead Scoring in allen gängigen CRM-Systemen seiner Kunden um oder im eigenen CRM von Transforming AI und kombiniert dabei Scoring-Modelle mit KI-Agenten. [EIGENE ERFAHRUNG: ein anonymisiertes Projekt beschreiben – Ausgangslage (Lead-Menge pro Monat, Reaktionszeit), gewähltes Modell (regelbasiert, predictive oder Agent), ein konkreter Fehler und wie er behoben wurde, Ergebnis in Zahlen, z. B. MQL-zu-SQL-Quote oder Reaktionszeit vorher und nachher]
Was müssen Sie beim Datenschutz beachten?
Lead Scoring verarbeitet personenbezogene Daten, auch im B2B-Vertrieb, denn Name, Position und Klickverhalten gehören zu einer identifizierbaren Person. Die Datenschutz-Grundverordnung (DSGVO) verlangt dafür eine Rechtsgrundlage, häufig das berechtigte Interesse nach Art. 6 Abs. 1 lit. f DSGVO, und eine transparente Information in der Datenschutzerklärung. Art. 22 DSGVO schränkt zudem Entscheidungen ein, die ausschließlich automatisiert fallen und Personen erheblich beeinträchtigen.
Passend dazu
Häufige Fragen zu Lead Scoring
Wie oft sollten Sie ein Lead-Scoring-Modell überprüfen?
Prüfen Sie ein Lead-Scoring-Modell in den ersten drei Monaten monatlich, danach quartalsweise. Vergleichen Sie dazu die Abschlussquote von hoch und niedrig bewerteten Leads. Konvertieren beide Gruppen ähnlich häufig, misst Ihr Score nicht das Richtige. Passen Sie dann Punkte oder Schwellenwerte an und dokumentieren Sie jede Änderung im CRM.
Funktioniert Lead Scoring ohne Marketing-Automation-Software?
Ja, ein einfaches Lead Scoring funktioniert auch ohne Marketing-Automation-Software. Viele CRM-Systeme bewerten Leads anhand von Feldern wie Branche, Unternehmensgröße und Position. Ohne Website- und E-Mail-Tracking fehlen allerdings die Verhaltensdaten. Der Engagement-Teil des Scores entsteht dann nur aus Aktivitäten, die der Vertrieb selbst im CRM erfasst.
Welche Punkteskala ist für Lead Scoring sinnvoll?
Eine Skala von 0 bis 100 Punkten ist für die meisten Modelle sinnvoll, weil jeder im Team sie sofort versteht. Wichtiger als die Skala ist die Gewichtung: Eine Kontaktanfrage sollte allein schon nahe an den MQL-Schwellenwert führen, ein Klick im Newsletter dagegen nur wenige Punkte bringen.
Woran erkennen Sie, ob Lead Scoring funktioniert?
Ob Lead Scoring funktioniert, zeigen drei Kennzahlen: die Quote von MQL zu SQL, die Abschlussquote je Score-Bereich und die Zeit bis zum ersten Vertriebskontakt. Steigen die ersten beiden Werte und sinkt der dritte, arbeitet das Modell. Erfassen Sie alle drei Werte vor der Einführung, damit Sie einen Vergleich haben.
Ersetzt Lead Scoring das Qualifizierungsgespräch im Vertrieb?
Nein, Lead Scoring ersetzt das Qualifizierungsgespräch nicht, sondern legt die Reihenfolge fest. Der Score zeigt, welcher Lead zuerst Aufmerksamkeit verdient. Ob Bedarf, Budget und ein Entscheider vorhanden sind, klärt weiterhin das Gespräch, etwa nach BANT oder MEDDIC. Auch ein KI-Agent bereitet dieses Gespräch vor, statt es vollständig zu übernehmen.
Fazit: Lead Scoring wirkt erst durch Automatisierung
Lead Scoring bewertet Leads nach Fit und Engagement und zeigt, welche Anfragen der Vertrieb zuerst bearbeiten sollte. Den eigentlichen Nutzen bringt erst die Automatisierung von Routing, Übergabe und Nurturing. Starten Sie mit einem einfachen Punktesystem, sammeln Sie saubere Ergebnisdaten und setzen Sie KI dort ein, wo Datenmenge oder Reaktionszeit es rechtfertigen.
Quellen
- Microsoft Learn: Configure predictive lead scoring, Stand 9. Oktober 2026
- Salesforce: Set Up Sales Cloud Einstein (Implementation Guide), Stand April 2023
- HubSpot Knowledge Base: Understand the lead scoring tool, Stand 9. Oktober 2026
- HubSpot Knowledge Base: Build contact lead scores with AI, Stand 3. September 2025
- Harvard Business Review: The Short Life of Online Sales Leads, März 2011
- EUR-Lex: Verordnung (EU) 2016/679 (DSGVO), Stand 9. Oktober 2026
Borna Nemati ist Gründer von Transforming AI und Wirtschaftsinformatiker. Er entwickelt KI-gestützte Vertriebssysteme, mit denen B2B-Unternehmen ihre Kundengewinnung planbar machen.