AI Lead Scoring nutzt maschinelles Lernen, um Leads nach ihrer Konvertierungswahrscheinlichkeit zu bewerten, basierend auf Mustern in historischen CRM-Daten wie Unternehmensmerkmalen, Website-Verhalten und E-Mail-Interaktionen. Sie beweisen den Wert, indem Sie drei Dinge messen: ob hohe Scores tatsächlich häufiger konvertieren, ob der Vertrieb auf die Scores reagiert und ob sich Pipeline und Umsatz im Vergleich zur alten Methode verbessern.
Wie unterscheidet sich AI Lead Scoring von regelbasiertem Scoring?
Traditionelles Lead Scoring vergibt Punkte manuell: zehn Punkte für einen Besuch der Preisseite, zwanzig für eine Demo-Anfrage, minus fünf für eine kostenlose E-Mail-Adresse. Es ist transparent, basiert aber auf Vermutungen und wird selten aktualisiert.
KI- oder prädiktives Scoring lernt Gewichtungen aus Ihrer eigenen Historie. Tools wie HubSpot Predictive Lead Scoring, Salesforce Einstein Lead Scoring, Microsoft Dynamics 365 Sales Predictive Scoring und dedizierte Plattformen analysieren, welche Attribute und Aktionen gewonnenen Deals vorausgingen. Jeder Lead erhält dann einen Score oder eine Wahrscheinlichkeit, oft mit den wichtigsten Faktoren aufgelistet.
Der Haken ist, dass ein Modell nur so gut sein kann wie die Daten, aus denen es lernt. Wenn Ihr CRM wenige abgeschlossene Deals, inkonsistente Lebenszyklusphasen oder fehlende Quelldaten aufweist, sehen die Scores präzise aus, sind aber unzuverlässig. Die meisten Anbieter legen aus diesem Grund Mindestanforderungen an die Daten fest, prüfen Sie diese also für Ihre Plattform.
Welche KPIs beweisen, dass Scoring funktioniert?
Gruppieren Sie Ihre Messgrößen in Genauigkeit, Adoption und Geschäftsauswirkung. Jede beantwortet eine andere Frage eines Vertriebsleiters.
Genauigkeits-KPIs
- Conversion-Rate nach Score-Band: Leads im obersten Band sollten deutlich häufiger zu Opportunities und Kunden konvertieren als in niedrigeren Bändern.
- Lift: Conversion-Rate des obersten Bandes dividiert durch die durchschnittliche Conversion-Rate.
- Anteil der gewonnenen Deals, die aus den beiden obersten Bändern stammten.
- Kalibrierung: Wenn das Modell 30 Prozent Wahrscheinlichkeit angibt, sollten im Laufe der Zeit etwa 30 Prozent dieser Leads konvertieren.
Adoption-KPIs
- Geschwindigkeit bis zum ersten Kontakt bei Leads mit hohem Score im Vergleich zu anderen.
- Anteil der Leads mit hohem Score, die innerhalb Ihrer Service-Level-Vereinbarung kontaktiert wurden.
- Wie oft Vertriebsmitarbeiter den Score ändern oder ignorieren, wo Ihr CRM dies aufzeichnet.
Geschäftsauswirkungs-KPIs
- Lead-to-Opportunity-Rate und Opportunity-to-Win-Rate vor und nachher.
- Verkaufszykluslänge für bewertete Leads.
- Pipeline-Wert pro Vertriebsstunde.
- Marketingkosten pro Sales-Qualified Lead.
Wie richtet man einen fairen Vorher-Nachher-Test ein?
Der Vergleich dieses Quartals mit dem letzten Quartal vermischt Saisonalität, Kampagnenänderungen und Personalbesetzung. Ein saubereres Design ist eine Holdout-Gruppe. Weisen Sie für einen festgelegten Zeitraum einen Teil der eingehenden Leads nach dem Zufallsprinzip der alten Methode zu, ohne den KI-Score anzuzeigen, und den Rest mit dem Score. Vergleichen Sie Conversion und Geschwindigkeit zwischen den beiden Gruppen.
Wenn ein Holdout nicht möglich ist, verwenden Sie zumindest einen Backtest. Bewerten Sie die Leads des letzten Jahres mit dem aktuellen Modell, ignorieren Sie die Ergebnisse und prüfen Sie dann, wie gut die Scores die Leads sortiert haben, die später gewonnen oder verloren wurden. Viele Plattformen zeigen einen Modellqualitätsindikator, aber Ihr eigener Backtest mit bekannten Ergebnissen ist für ein Vertriebsteam überzeugender.
Was sollte das Dashboard zeigen?
Halten Sie das Dashboard kurz genug, damit ein Vertriebsleiter es wöchentlich lesen kann. Ein Layout, das in HubSpot, Salesforce-Berichten, Looker Studio oder Power BI funktioniert:
- Zeile eins: Leads nach Score-Band diese Woche und Conversion-Rate nach Band in den letzten 90 Tagen.
- Zeile zwei: Durchschnittliche Zeit bis zum ersten Kontakt nach Band und Prozentsatz innerhalb der SLA.
- Zeile drei: Pipeline und gewonnener Umsatz nach Band, plus Lift gegenüber dem Durchschnitt.
- Notizen: Modell zuletzt neu trainiert, Datenprobleme erkannt, Änderungen an Lead-Quellen.
Zeigen Sie Bänder, keine Rohwerte. Menschen reagieren eher auf “A, B, C” als auf “73 gegenüber 68”.
Warum scheitert Lead Scoring in der Praxis?
Meistens nicht wegen des Algorithmus. Häufige Ursachen sind Vertriebsteams, die einem Black-Box-Score nicht vertrauen, Marketing, das minderwertige Leads sendet, die das Modell nach unten ziehen, inkonsistent aktualisierte Lebenszyklusphasen, sodass das Modell aus Rauschen lernt, und neue Lead-Quellen, die das Modell noch nie gesehen hat. Ein Score, den niemand ansieht, scheitert ebenfalls, egal wie genau er ist.
Die Lösungen sind ebenso organisatorisch wie technisch. Zeigen Sie den Mitarbeitern die wichtigsten Faktoren hinter jedem Score, besprechen Sie jeden Monat eine Handvoll verpasster Chancen gemeinsam und vereinbaren Sie schriftlich Definitionen für Marketing-Qualified und Sales-Qualified Leads.
Wie Alien Road AI Lead Scoring in CRM-Projekten anwendet
In einem typischen Engagement ist die Discovery ein CRM-Datenaudit: Wie viele Closed-Won- und Closed-Lost-Deals gibt es, wie konsistent sind Lebenszyklusphasen und Quellen erfasst und welche Felder sind zuverlässig ausgefüllt? Wir befragen auch Vertriebsmitarbeiter dazu, wie sie derzeit auswählen, welche Leads sie zuerst anrufen.
Das Setup bereinigt und standardisiert die Schlüsselfelder, konfiguriert das im CRM des Kunden oder einem dedizierten Tool verfügbare prädiktive Scoring, wandelt Scores in Bänder um und erstellt Routing-Regeln und Ansichten, damit Leads mit hohem Band schnell die Mitarbeiter erreichen. Wo möglich, richten wir von Anfang an eine Holdout-Gruppe ein.
Die Messung folgt den oben genannten KPI-Gruppen, mit einer monatlichen Überprüfung der Conversion nach Band und der Leads, bei denen Score und Ergebnis nicht übereinstimmten. Das Reporting an den Kunden besteht aus dem Dashboard plus einer kurzen Notiz aus dieser Überprüfung, damit Marketing und Vertrieb dieselben Zahlen sehen.
Wie oft sollte das Modell neu trainiert oder überprüft werden?
Kaufverhalten ändert sich. Eine neue Produktlinie, eine Preisänderung, ein neuer Werbekanal oder eine Verschiebung des Zielmarktes können die Muster des letzten Jahres irreführend machen. Viele CRM-Tools trainieren ihre prädiktiven Modelle automatisch nach einem Zeitplan neu, aber Sie müssen die Ergebnisse dennoch überprüfen, da automatisches Nachtrainieren mit schlechten aktuellen Daten die schlechten Daten nur schneller lernt.
Eine vierteljährliche Überprüfung funktioniert für die meisten B2B-Teams. Überprüfen Sie die Conversion nach Band, schauen Sie sich die wichtigsten Faktoren an, die das Modell jetzt verwendet, und fragen Sie, ob sie geschäftlich sinnvoll sind. Wenn das Modell plötzlich einen Faktor wie ein bestimmtes Formularfeld belohnt, von dem der Vertrieb weiß, dass es bedeutungslos ist, untersuchen Sie dies, bevor Sie den neuen Scores vertrauen.
Wo man diese Woche anfangen sollte
Exportieren Sie die Leads des letzten Jahres mit ihrer Quelle, einigen Schlüsselattributen und ihrem Endergebnis. Zählen Sie, wie viele Kunden wurden; wenn die Zahl sehr klein ist, konzentrieren Sie sich auf die Datenqualität, bevor Sie ein Scoring-Tool kaufen.
Wenn Sie das Scoring bereits eingeschaltet haben, erstellen Sie heute einen Bericht: Conversion-Rate zur Opportunity nach Score-Band in den letzten 90 Tagen. Wenn das oberste Band nicht deutlich besser abschneidet als der Rest, haben Sie Ihr erstes zu lösendes Problem gefunden, und zwar bevor Sie über das Modell gestritten haben.
Weiterlesen: CRM-System · Crm System