Lead Scoring ist ein systematischer Prozess, bei dem Kontakte (Leads) anhand definierter Kriterien mit Punktwerten versehen werden, um ihre Kaufbereitschaft und ihren potenziellen Kundenwert einzuschätzen. Statt dass dein Vertrieb jeden neuen Kontakt gleich behandelt, identifiziert Lead Scoring die vielversprechendsten Leads automatisch und priorisiert sie. Das Ergebnis: Sales arbeitet fokussierter, Marketing liefert qualifiziertere Leads, und die Conversion Rate vom Lead zum Kunden steigt messbar. Wer Lead Generation betreibt, ohne Lead Scoring einzusetzen, verschwendet die Zeit seines Vertriebs mit Kontakten, die nie kaufen werden.
Warum Lead Scoring dein Marketing und deinen Vertrieb verändert
Das Grundproblem kennt jedes B2B-Unternehmen: Marketing generiert Leads, Vertrieb beschwert sich über die Qualität, Marketing beschwert sich, dass Vertrieb die Leads nicht bearbeitet. Dieses Ping-Pong ist in den meisten Fällen kein Kommunikationsproblem — es ist ein Priorisierungsproblem. Ohne Lead Scoring fehlt beiden Teams eine gemeinsame Definition davon, was ein guter Lead ist.
Wir sehen bei unseren Kunden, dass Vertriebsteams ohne Lead Scoring im Schnitt 35-50 % ihrer Zeit mit Leads verbringen, die nie konvertieren. Ein IT-Dienstleister mit 15 Vertriebsmitarbeitern, der 800 neue Leads pro Monat generiert, kann nicht jeden Kontakt persönlich qualifizieren. Ohne Scoring ruft der Vertrieb entweder alle an (und erschöpft sich) oder pickt nach Bauchgefühl die vermeintlich besten heraus (und übersieht die wirklich heißen Leads).
Lead Scoring löst dieses Problem mit einem datenbasierten Ansatz. Jeder Lead erhält einen numerischen Score, der sich aus expliziten Merkmalen (wer ist die Person?) und impliziten Verhaltensweisen (was tut die Person?) zusammensetzt. Ab einem definierten Schwellenwert — etwa 80 von 100 Punkten — wird der Lead als “Sales Qualified” markiert und automatisch an den Vertrieb übergeben. Das Ergebnis ist eine verbindliche Vereinbarung zwischen Marketing und Sales, die auf Daten statt auf Meinungen basiert.
Explizites vs. implizites Lead Scoring: Zwei Dimensionen
Ein robustes Lead-Scoring-Modell bewertet Leads auf zwei Achsen, die beide gleichermaßen relevant sind.
Explizites Scoring (Demographic/Firmographic Fit) bewertet, wer der Lead ist. Es basiert auf Informationen, die der Lead selbst angegeben hat oder die aus externen Quellen angereichert wurden: Jobtitel, Unternehmensgröße, Branche, Standort, Budget, eingesetzte Technologien. Die Frage lautet: Passt dieser Lead zu unserem Ideal Customer Profile (ICP)?
Beispiel-Bewertung für ein B2B-SaaS-Unternehmen, das mittelständische Unternehmen adressiert:
- C-Level oder VP: +25 Punkte
- Teamleiter oder Manager: +15 Punkte
- Praktikant oder Student: -20 Punkte
- Unternehmen mit 50-500 Mitarbeitern: +20 Punkte
- Unternehmen mit unter 10 Mitarbeitern: -10 Punkte
- Branche passt zum ICP: +15 Punkte
- Standort im Zielmarkt (DACH): +10 Punkte
- Generische E-Mail-Adresse (Gmail, GMX): -15 Punkte
Implizites Scoring (Behavioral Scoring) bewertet, was der Lead tut. Es basiert auf dem beobachtbaren Verhalten: Website-Besuche, Content-Downloads, E-Mail-Interaktionen, Event-Teilnahmen, Formular-Eingaben. Die Frage lautet: Zeigt dieser Lead Kaufsignale?
Beispiel-Bewertung:
- Preisseite besucht: +20 Punkte
- Case Study heruntergeladen: +15 Punkte
- Demo-Video angesehen: +15 Punkte
- Drei oder mehr Blogartikel gelesen: +10 Punkte
- Newsletter geöffnet und geklickt: +5 Punkte
- Karriereseite besucht (sucht Job, nicht Lösung): -20 Punkte
- 30 Tage keine Aktivität: -15 Punkte
- Abmeldung vom Newsletter: -25 Punkte
Die Kombination beider Dimensionen ist der Schlüssel. Ein CEO eines 200-Mitarbeiter-Unternehmens, der einmal einen Blogartikel gelesen hat (hoher expliziter, niedriger impliziter Score), ist anders zu behandeln als ein Praktikant, der jeden Tag die Preisseite besucht (niedriger expliziter, hoher impliziter Score). Erst wenn beide Dimensionen hohe Werte zeigen, handelt es sich um einen echten Sales Qualified Lead.
Lead-Scoring-Modelle: Punkte, Stufen und Predictive Scoring
Es gibt verschiedene Ansätze, die sich in Komplexität und Datengrundlage unterscheiden.
Punktebasiertes Scoring ist der Klassiker und für die meisten Unternehmen der richtige Einstieg. Jedes Kriterium erhält einen festen Punktwert (positiv oder negativ), die Summe ergibt den Gesamt-Score. Vorteile: transparent, leicht erklärbar, einfach in Marketing-Automation-Systemen umsetzbar. Nachteil: Die Punktwerte basieren initial auf Annahmen und müssen kontinuierlich kalibriert werden.
Stufenbasiertes Scoring (Lead Grading) ergänzt den numerischen Score um eine kategorische Bewertung. Leads werden in Klassen eingeteilt — A, B, C, D — basierend auf dem Fit zum ICP. Ein A-Lead mit hohem Behavioral Score wird sofort kontaktiert. Ein C-Lead mit hohem Behavioral Score wird von Marketing weiter qualifiziert (Nurturing), bevor er an Sales geht. Dieses Modell nutzt HubSpot als “Lead Score” plus “Lead Grade” und hat sich in der Praxis bewährt, weil es die Nuance abbildet, die ein reiner Zahlenwert nicht transportiert.
Predictive Lead Scoring nutzt Machine Learning, um die Konversionswahrscheinlichkeit vorherzusagen. Statt manuell definierter Regeln analysiert der Algorithmus historische Daten: Welche Merkmale hatten Leads, die zu Kunden wurden? Welche Verhaltensmuster gingen einem Abschluss voraus? Der Algorithmus gewichtet die Kriterien automatisch und passt sich laufend an.
HubSpot bietet Predictive Lead Scoring als Enterprise-Feature an. Es analysiert alle Kontaktdaten, Interaktionen und Deal-Historien und berechnet eine “Likelihood to close”-Wahrscheinlichkeit. Der Vorteil: keine manuelle Regelkonfiguration, automatische Anpassung an veränderte Muster. Der Nachteil: Es braucht eine ausreichende Datenbasis (mindestens einige hundert gewonnene und verlorene Deals), um zuverlässig zu funktionieren.
Unsere klare Empfehlung: Starte mit einem einfachen, punktebasierten Modell. Optimiere es über sechs Monate mit echten Conversion-Daten. Erst wenn das manuelle Modell stabil läuft und die Datenbasis groß genug ist, lohnt sich der Wechsel zu Predictive Scoring. Wer sofort mit KI-Scoring startet, ohne die Grundlagen zu verstehen, debuggt ein System, das er nicht durchschaut.
Lead Scoring in HubSpot einrichten: Schritt für Schritt
HubSpot ist das System, das wir bei Think11 am häufigsten für Lead Scoring implementieren — als HubSpot Solutions Partner kennen wir die Möglichkeiten und Limitierungen im Detail. So sieht ein praxiserprobtes Setup aus.
Schritt 1: ICP und Buyer Persona definieren. Bevor du einen einzigen Punkt vergibst, brauchst du Klarheit: Welche Unternehmen und Ansprechpartner sind deine besten Kunden? Analysiere deine bestehenden Kunden — welche Branchen, Unternehmensgrößen, Jobtitel und Akquise-Wege liefern den höchsten Customer Lifetime Value? Das ist die Grundlage für das explizite Scoring.
Schritt 2: Scoring-Kriterien mit Sales abstimmen. Kein Lead-Scoring-Modell funktioniert, wenn Sales nicht eingebunden ist. Frage deine Vertriebsmitarbeiter: Welche Leads konvertieren am häufigsten? Welche Merkmale haben Leads, die nie kaufen? Welche Verhaltensweisen signalisieren echtes Kaufinteresse? Diese Informationen sind Gold wert und lassen sich in keiner Datenbank nachschlagen.
Schritt 3: Score-Properties in HubSpot anlegen. In HubSpot Professional und Enterprise gibt es spezielle Score-Properties, die automatisch anhand von Regeln berechnet werden. Lege ein “HubSpot Score”-Property an (oder nutze das Standard-Property) und definiere positive und negative Kriterien. Für ein Zwei-Dimensionen-Modell legst du zwei Properties an: einen für Demographic Fit und einen für Behavioral Score.
Schritt 4: Schwellenwerte und Lifecycle-Stages definieren. Definiere gemeinsam mit Sales: Ab welchem Score ist ein Lead “Marketing Qualified” (MQL)? Ab welchem Score wird er “Sales Qualified” (SQL) und automatisch übergeben? Typische Schwellenwerte: MQL ab 40 Punkten, SQL ab 75 Punkten. Diese Werte sind Startpunkte, die du nach den ersten drei Monaten anhand realer Conversion-Daten kalibrierst.
Schritt 5: Workflows für die Übergabe bauen. Erstelle in HubSpot Workflows, die automatisch auslösen, wenn ein Lead den SQL-Schwellenwert erreicht: Lifecycle Stage auf SQL setzen, Lead dem zuständigen Vertriebsmitarbeiter zuweisen, Benachrichtigung an Sales senden, Task im CRM erstellen. So geht kein heißer Lead verloren, und Sales hat alle Kontextinformationen sofort verfügbar.
Schritt 6: Score Decay implementieren. Leads, die über Wochen inaktiv bleiben, sollten automatisch Punkte verlieren. Ohne Score Decay bleiben Leads, die vor einem Jahr einmal die Preisseite besucht haben, ewig mit hohem Score im System. Implementiere negative Scoring-Regeln: -5 Punkte nach 14 Tagen Inaktivität, -10 Punkte nach 30 Tagen, -20 Punkte nach 60 Tagen.
Lead Scoring und der Marketing Funnel
Lead Scoring ist das Werkzeug, das den Marketing Funnel von einem theoretischen Modell in einen operativen Prozess verwandelt. Jede Funnel-Stufe korrespondiert mit einem Score-Bereich.
Top of Funnel (Awareness): Score 0-20. Der Lead hat erste Berührungspunkte — einen Blogartikel gelesen, einen Social-Media-Post gesehen, die Website besucht. Hier greift kein Sales-Kontakt, sondern Content Marketing: weitere relevante Inhalte, Newsletter-Anmeldung, Remarketing-Kampagnen.
Middle of Funnel (Consideration): Score 20-50. Der Lead zeigt vertieftes Interesse — liest mehrere Inhalte, lädt Whitepapers herunter, nimmt an Webinaren teil. Marketing nurturet den Lead mit spezifischeren Inhalten: Fallstudien, Vergleichsguides, ROI-Rechner. Das Ziel: den Lead zum nächsten Engagement-Level bewegen.
Bottom of Funnel (Decision): Score 50-75. Der Lead zeigt Kaufsignale — besucht die Preisseite, sieht sich Kundenstimmen an, nutzt den Produktkonfigurator. Hier startet die Übergabe an Sales, zunächst als MQL mit der Empfehlung, den Lead zeitnah zu kontaktieren.
Sales Qualified: Score 75+. Der Lead ist nach Fit und Verhalten bereit für den Vertriebsprozess. Sales kontaktiert innerhalb von 24 Stunden (Harvard Business Review hat gezeigt, dass die Kontaktwahrscheinlichkeit nach 5 Minuten um das 10-Fache sinkt — aber seien wir realistisch, 24 Stunden sind ein praktikabler Richtwert für die meisten B2B-Vertriebsteams).
Die Verzahnung von Lead Scoring mit dem Funnel ermöglicht auch die Messung der Funnel-Effizienz: Wie viele MQLs werden zu SQLs? Wie viele SQLs zu Opportunities? Wo gibt es Engpässe? Diese Metriken steuern die Optimierung beider Seiten — Marketing-Maßnahmen und Vertriebsprozesse.
Lead Scoring kalibrieren: Datengetriebene Optimierung
Das initiale Scoring-Modell basiert auf Hypothesen. Die eigentliche Arbeit beginnt nach dem Launch: das Modell anhand realer Daten zu validieren und zu kalibrieren.
Closed-Loop-Analyse: Verknüpfe die Scoring-Daten mit den tatsächlichen Abschlüssen. Welchen Score hatten Leads zum Zeitpunkt der SQL-Übergabe, die letztlich zu Kunden wurden? Welchen Score hatten Leads, die nicht konvertiert haben? Wenn dein Modell funktioniert, sollten Kunden einen signifikant höheren Durchschnitts-Score gehabt haben als Nicht-Kunden. Wenn es keinen Unterschied gibt, stimmen die Gewichtungen nicht.
Score-Verteilung analysieren: Wenn 80 % deiner Leads zwischen 30 und 40 Punkten liegen, differenziert das Modell nicht genug. Wenn die meisten Leads entweder bei 10 oder bei 90 Punkten landen, fehlt Granularität in der Mitte. Eine gesunde Score-Verteilung zeigt eine erkennbare Spreizung, die eine sinnvolle Priorisierung ermöglicht.
False Positives und False Negatives identifizieren: False Positives sind Leads mit hohem Score, die nie kaufen. False Negatives sind Leads mit niedrigem Score, die trotzdem zu Kunden werden. Beide zeigen dir, welche Kriterien falsch gewichtet sind. Ein hoher Anteil an False Negatives bei Leads von kleinen Unternehmen könnte bedeuten, dass du die Firmengröße überbewertest.
A/B-Testing der Schwellenwerte: Teste verschiedene MQL- und SQL-Schwellenwerte. Senke den SQL-Schwellenwert für einen Monat von 75 auf 60 Punkte und beobachte, ob die zusätzlichen Leads zu mehr Abschlüssen führen oder den Vertrieb mit unqualifizierten Kontakten belasten. A/B-Testing ist nicht nur etwas für Landing Pages — es funktioniert auch für Prozesse.
Wir empfehlen einen vierteljährlichen Review-Zyklus: Scoring-Modell überprüfen, Gewichtungen anpassen, neue Kriterien testen, veraltete Kriterien entfernen. Lead Scoring ist ein lebendes System, kein statisches Regelwerk.
Häufige Fehler beim Lead Scoring
Zu viele Kriterien: Ein Modell mit 50 Scoring-Regeln ist nicht präziser als eines mit 15 — es ist undurchschaubarer. Starte mit den zehn wichtigsten Kriterien und erweitere nur, wenn die Daten einen Mehrwert zeigen. Jede Regel, die du hinzufügst, muss einen messbaren Einfluss auf die Vorhersagequalität haben.
Sales nicht einbinden: Marketing definiert das Scoring-Modell im Alleingang, Sales ignoriert die übergebenen Leads. Dieses Szenario erleben wir regelmäßig. Lead Scoring funktioniert nur als gemeinsames Projekt. Sales muss die Kriterien mitdefinieren, die Schwellenwerte akzeptieren und sich zur Bearbeitung qualifizierter Leads verpflichten.
Kein Score Decay: Ohne Punktezerfall sammeln inaktive Leads über Monate hohe Scores an. Ein Lead, der vor einem Jahr fünf Blogartikel gelesen hat und seitdem nie wieder auf der Website war, ist kein heißer Lead — aber ohne Decay zeigt das System genau das an.
Formular-Downloads überbewerten: Nicht jeder Whitepaper-Download signalisiert Kaufinteresse. Studenten recherchieren, Wettbewerber spionieren, Consultants sammeln Wissen. Ein Download ist ein positives Signal, aber kein Beweis für Kaufabsicht. Gewichte Downloads moderat und kombiniere sie mit anderen Verhaltens-Signalen.
Negative Scoring vernachlässigen: Viele Modelle addieren nur Punkte, ziehen aber nie welche ab. Dadurch kann der Score nur steigen, nie fallen. Negative Scoring-Regeln für Inaktivität, Karriereseiten-Besuche, generische E-Mail-Adressen und Abmeldungen sind genauso wichtig wie positive Regeln.
Scoring ohne Datenbasis starten: Ein Unternehmen mit 50 Leads pro Monat und fünf Kunden pro Quartal hat nicht genug Daten, um ein differenziertes Scoring-Modell zu validieren. Hier ist manuelles Qualifizieren durch den Vertrieb oft effizienter. Lead Scoring lohnt sich ab einem Volumen, bei dem manuelle Bewertung nicht mehr skaliert — typischerweise ab 200+ neuen Leads pro Monat.
Lead Scoring und Attribution: Den Kreis schließen
Lead Scoring wird noch mächtiger in Kombination mit Attribution. Während Lead Scoring bewertet, wie bereit ein Lead für den Vertrieb ist, zeigt Attribution, welche Marketing-Maßnahmen den Lead zu diesem Punkt gebracht haben.
Die Verknüpfung funktioniert so: Lead Scoring identifiziert die 20 % der Leads, die 80 % des Umsatzes generieren. Attribution zeigt, über welche Kanäle, Kampagnen und Inhalte diese Top-Leads gekommen sind. Daraus ergeben sich konkrete Budget-Entscheidungen: Mehr investieren in Kanäle, die hochscorende Leads liefern. Weniger investieren in Kanäle, die zwar Volumen, aber niedrig scorende Leads bringen.
In HubSpot lässt sich das über Revenue Attribution Reports abbilden: Welcher Content hat den meisten beigetragenen Umsatz von SQLs? Welche Kampagne hat die meisten MQL-zu-SQL-Konversionen ausgelöst? Diese Insights sind die Grundlage für datengetriebene Marketing-Entscheidungen, die über Bauchgefühl und Last-Click-Betrachtung hinausgehen.
Google Analytics 4 ergänzt die HubSpot-Daten mit Website-Verhaltensinformationen, und ein sauber konfigurierter Google Tag Manager stellt sicher, dass alle relevanten Events erfasst werden, die in das Scoring einfließen.
Praxisbeispiel: In einem aktuellen Audit einer Next.js-basierten Tourismusplattform mit 4.971 URLs fanden wir 230 Soft-404-Seiten und 316 interne Redirects. Wenn Lead-Scoring-Modelle Seitenbesuche als Verhaltenssignal werten, verfälschen Soft-404s und Redirect-Ketten die Scores massiv: Ein Lead, der auf eine nicht existierende Seite weitergeleitet wird, erhält fälschlicherweise Punkte für ein Engagement, das nie stattgefunden hat.
Think11-Praxis
Lead Scoring ist einer der Bereiche, in denen wir bei Think11 die größten Quick Wins für unsere Kunden erzielen. Nicht weil das Konzept revolutionär wäre, sondern weil die meisten Unternehmen es entweder gar nicht oder falsch einsetzen.
Ein typisches Projekt sieht so aus: Ein B2B-Unternehmen generiert über Inbound Marketing und Content Marketing 500 Leads pro Monat. Der Vertrieb bearbeitet alle gleich und schafft es zeitlich nur, die Hälfte zu kontaktieren. Wir implementieren ein zweistufiges Scoring-Modell in HubSpot, kalibrieren es anhand der letzten zwölf Monate Deal-Daten und automatisieren die Lead-Übergabe per Workflow. Das typische Ergebnis nach drei Monaten: Die SQL-zu-Opportunity-Rate steigt um 25-40 %, weil Sales sich auf die richtigen Leads konzentriert. Die durchschnittliche Bearbeitungszeit pro Lead sinkt, weil die Priorisierung klar ist.
CEO Schahab Hosseiny betont dabei immer den gleichen Punkt: Lead Scoring ist kein Software-Feature, das man aktiviert und vergisst. Es ist ein Prozess, der Sales Alignment, saubere Daten und kontinuierliche Kalibrierung erfordert. Die Technologie in HubSpot oder jedem anderen Marketing-Automation-System ist nur das Werkzeug — die Wirkung entsteht durch die strategische Konfiguration und die organisatorische Verankerung.
Wir begleiten unsere Kunden durch die Marketing-Beratung von der Erstanalyse über die Implementierung bis zur laufenden Optimierung. Das umfasst die Definition des ICP, die Modellierung des Scoring-Systems, die technische Umsetzung in HubSpot, die Schulung von Marketing- und Sales-Teams und den quartalsweisen Review. Weil wir als Google Premium Partner (Top 3 %) und HubSpot Solutions Partner beide Welten — Paid und Inbound — verstehen, können wir Lead Scoring in den Gesamtkontext der Online-Marketing-Strategie einbetten, statt es als isoliertes Inbound-Thema zu behandeln.
