AI Lead Scoring für B2B-Marketing-Teams: Ein Arbeitsleitfaden

Traditionelles Scoring vergibt Punkte für Aktionen und Merkmale: zehn für einen Besuch der Preisseite, zwanzig für einen Direktorentitel, minus fünf für eine kostenlose E-Mail-Adresse. Die Regeln sind leicht zu lesen, aber sie spiegeln Meinungen wider, und niemand aktualisiert sie, wenn sich der Markt ändert.

AI-Scoring lernt Gewichtungen aus Ergebnissen. Es vergleicht Leads, die zu Opportunities oder abgeschlossenen Deals wurden, mit Leads, die dies nicht taten, und findet die Kombinationen, die sie trennen. Das Ergebnis ist oft weniger intuitiv. Ein Modell könnte entscheiden, dass ein zweiter Besuch einer Integrationsseite innerhalb einer Woche wichtiger ist als der Jobtitel, weil die Daten dies zeigen.

Das Modell kann nur aus dem lernen, was das CRM aufzeichnet. Bevor Sie ein Tool auswählen, prüfen Sie, ob diese vorhanden und einigermaßen vollständig sind:

• Ein klarer Lebenszyklusstatus für jeden Kontakt, mit Daten, an denen sich die Phasen geändert haben.
• Gewonnene und verlorene Ergebnisse bei Opportunities, zurückverknüpft mit den ursprünglichen Kontakten.
• Unternehmensdaten wie Branche, Größe und Land, entweder eingegeben oder angereichert.
• Website- und E-Mail-Engagement, nachverfolgt bei bekannten Kontakten.
• Mindestens ein paar hundert konvertierte Leads, damit das Modell genügend positive Beispiele hat.

Viele B2B-Unternehmen scheitern am zweiten Punkt. Deals werden erstellt, ohne die Kontakte zu verknüpfen, die sie gestartet haben, sodass das Modell nicht lernen kann, welches frühe Verhalten zu Umsatz führte.

Die meisten großen CRMs enthalten jetzt eine prädiktive Option. HubSpot bietet prädiktives Lead Scoring in seinen höheren Sales- und Marketing-Hub-Stufen sowie KI-gestützte Scoring-Funktionen. Salesforce bietet Einstein Lead Scoring und Einstein Opportunity Scoring für die Sales Cloud. Microsoft Dynamics 365 Sales hat prädiktives Lead Scoring integriert. Zoho CRM bietet Scoring über seinen Zia-Assistenten. Funktionsnamen und Stufenanforderungen ändern sich häufig, bestätigen Sie daher die aktuelle Verfügbarkeit in der Dokumentation des jeweiligen Anbieters.

Teams mit einem Data Warehouse können auch ihr eigenes Modell in Tools wie BigQuery ML oder einem Python-Notebook erstellen und Scores zurück an das CRM senden. Dieser Weg bietet mehr Kontrolle, erfordert aber jemanden, der ihn wartet.

Integriert oder benutzerdefiniert?

Integriertes Scoring ist die sinnvolle Standardeinstellung für die meisten mittelgroßen Teams. Es ist bereits mit den Daten verbunden, aktualisiert sich automatisch und benötigt keine Technik. Benutzerdefinierte Modelle sind sinnvoll, wenn Daten in mehreren Systemen leben, wie z. B. Produktnutzung in einer SaaS-Plattform plus CRM-Daten, und das integrierte Modell diese nicht sehen kann.

Fit und Intent sind zwei verschiedene Scores

Viele Teams erzielen bessere Ergebnisse, indem sie den Score in zwei Teile aufteilen. Ein Fit-Score sagt aus, wie genau das Unternehmen zum idealen Kundenprofil passt: Branche, Größe, Region, Tech-Stack. Ein Intent-Score sagt aus, wie aktiv die Person gerade ist: Besuche, Downloads, Antworten. Ein perfekt passendes Unternehmen ohne Aktivität erfordert eine andere Aktion als ein aktiver Lead von einem Unternehmen, das nicht gut passt, und eine einzige gemischte Zahl verbirgt diesen Unterschied. Die meisten CRMs erlauben es Ihnen, beides zu speichern und basierend auf der Kombination zu routen.

Überprüfen Sie ihn anhand der Historie, bevor sich jemand darauf verlässt. Nehmen Sie Leads aus einem vergangenen Quartal, betrachten Sie ihre Scores zum Zeitpunkt ihres Eintreffens und sehen Sie, wie viele im oberen Bereich zu Opportunities wurden, verglichen mit dem unteren Bereich. Wenn der obere Bereich nicht deutlich besser konvertiert, ist das Modell nicht bereit.

Achten Sie nach dem Start auf Drift. Eine neue Kampagne, die auf eine andere Branche abzielt, kann Leads einbringen, die das Modell noch nie gesehen hat, und die Scores für sie könnten unzuverlässig sein. Die monatliche Überprüfung der Konversionsrate nach Score-Band fängt dies frühzeitig ab.

• Vergleichen Sie die Konversion nach Score-Band, nicht die Gesamtgenauigkeit.
• Überprüfen Sie die wichtigsten Einflussfaktoren des Scores auf Auffälligkeiten, wie z. B. ein einzelnes Formularfeld, das dominiert.
• Achten Sie auf falsch-negative Ergebnisse: gute Deals, die von Leads mit niedrigem Score stammten.
• Überprüfen Sie dies erneut nach jeder großen Änderung an Formularen, Kampagnen oder Zielmärkten.

Ein Score ist nur wichtig, wenn er das Verhalten ändert. Vereinbaren Sie, was jedes Band auslöst. Das oberste Band könnte direkt an einen Vertriebsmitarbeiter mit einem Follow-up-Ziel von einem Arbeitstag gehen. Das mittlere Band könnte eine Nurture-Sequenz mit einer Überprüfung nach drei Wochen eingeben. Das unterste Band bleibt in der Marketing-Automatisierung.

Schreiben Sie diese Regeln in die Service-Level-Vereinbarung zwischen den Teams und in CRM-Workflows, damit das Routing automatisch erfolgt. Treffen Sie sich dann monatlich, um eine Handvoll Leads aus jedem Band zu überprüfen. Diese kurzen Überprüfungen bauen Vertrauen schneller auf als jedes Genauigkeitsdiagramm.

Die häufigsten Fehler sind eher organisatorischer als technischer Natur. Vertriebsmitarbeiter ignorieren den Score, weil niemand erklärt hat, was ihn antreibt. Marketing feiert einen Anstieg bei Leads mit hohem Score, die von einem einzigen Webinar-Publikum ohne Budget stammten. Das Modell wird auf ein Jahr trainiert, in dem das Unternehmen hauptsächlich an eine Branche verkaufte, und dann ändert sich der Zielmarkt. Jedes dieser Probleme ist durch regelmäßige Überprüfung, eine kurze Erklärung der wichtigsten Faktoren im Kontaktdatensatz und die Gewohnheit, nach großen Verschiebungen neu zu trainieren, behebbar.