Lead Scoring im B2B: So priorisierst du Leads richtig

Lead Scoring hilft dir dabei, Leads systematisch zu bewerten und ihre Kaufwahrscheinlichkeit objektiv einzuschätzen. Statt alle Kontakte gleich zu behandeln, zeigt ein klar definierter Score, welche Leads vertriebsreif sind und wo sich der Einsatz von Sales-Ressourcen lohnt.

In diesem Artikel erfährst du, was Lead Scoring ist, wie es im B2B konkret funktioniert, welche Kriterien und Modelle sich bewährt haben und wie du typische Fehler vermeidest.

Lead Scoring (engl. to score = bewerten) ist die systematische Bewertung von Leads anhand definierter Kriterien, um ihre Relevanz und Kaufwahrscheinlichkeit messbar zu machen. Dafür erhält jeder Lead Punkte für bestimmte Profileigenschaften und Verhaltensweisen. Bei der Auswertung der Punkte gilt: Je höher der Score, desto größer ist die Wahrscheinlichkeit, dass der Kontakt bereit für den Vertrieb ist.

Im Kern kombiniert Lead Scoring zwei Dimensionen:

1. den Fit eines Leads zum Zielkundenprofil
2. und sein Interesse am Angebot.

Es wird klar unterschieden zwischen Kontakten, die zwar aktiv sind, aber nicht zum Unternehmen passen – und solchen, die gut passen, aber noch nicht kaufbereit sind. Im Inbound-Marketing identifizierst du aus neu generierten Leads gezielt diejenigen, die voraussichtlich vertriebsreif sind. Du priorisierst sie für die Übergabe an Sales und sorgst dafür, dass Ressourcen dort eingesetzt werden, wo echtes Umsatzpotenzial besteht.

Was ist der Unterschied zwischen manuellem und Predictive Lead Scoring?

Kurz gesagt: Der Unterschied liegt darin, wie der Score zustande kommt: regelbasiert oder datengetrieben.

• Beim manuellen bzw. regelbasierten Lead Scoring definieren Marketing und Vertrieb feste Regeln. Jede Eigenschaft oder Aktivität erhält einen Punktwert, etwa für eine bestimmte Rolle, Branche oder eine Demo-Anfrage. Dieses Modell ist transparent, gut nachvollziehbar und eignet sich besonders für den Einstieg oder überschaubare Setups.
• Predictive Lead Scoring (prädiktives Scoring bzw. KI-gestütztes Scoring) nutzt Machine Learning, um Kaufwahrscheinlichkeiten automatisch vorherzusagen. Das System analysiert historische Daten erfolgreicher Abschlüsse, erkennt Muster und gewichtet Signale dynamisch – auch solche, die manuell übersehen werden. Dieser Ansatz ist besonders sinnvoll bei großen Datenmengen, vielen Leads und komplexen B2B-Kaufprozessen.

In der Praxis lassen sich beide Modelle kombinieren: Regelbasiertes Scoring sorgt für Transparenz, Predictive Lead Scoring für datenbasierte Optimierung.

Wozu brauchst du Lead Scoring im B2B?

B2B Lead Scoring stellt sicher, dass du deine Vertriebsressourcen gezielt nur in die Leads investierst, die wirklich kaufbereit sind. Ohne klare Priorisierung verliert der Vertrieb unnötig Zeit mit unqualifizierten Kontakten und verpasst gleichzeitig Chancen mit hohem Abschluss-Potenzial.

Du merkst, dass du Lead Scoring im B2B brauchst, sobald:

• viele Leads generiert werden, es aber nur zu wenigen Abschlüssen kommt.
• du nicht klar sagen kannst, welche Leads kaufbereit sind.
• Marketing und Sales sich nicht einig darüber sind, was einen „guten“ Lead ausmacht.
• mehr Leads generiert werden, als der Vertrieb bearbeiten kann.

• Effizientere Nutzung von Marketing- und Vertriebsressourcen: Leads werden nach Kaufwahrscheinlichkeit sortiert, sodass sich Sales auf die wirklich relevanten Kontakte konzentrieren kann.
• Höhere Vertriebserfolge: Der Fokus auf kaufbereite Leads erhöht die Abschlussquote und reduziert Zeitverluste durch unqualifizierte Kontakte.
• Mehr Transparenz und datenbasierte Entscheidungen: Klare Scores schaffen eine verlässliche Datengrundlage und ersetzen subjektive Einschätzungen durch nachvollziehbare Kriterien.
• Gezielteres Lead Nurturing: Scores zeigen, in welcher Phase sich ein Lead befindet und welche Inhalte ihn sinnvoll weiterbringen.
• Bessere Zusammenarbeit zwischen Marketing und Sales: Eindeutige Definitionen für MQLs und Übergabepunkte sorgen für klare Zuständigkeiten und weniger Reibungsverluste.

Lead Scoring lässt sich in klare Schritte einteilen. Der Prozess selbst ist in modernen Tools automatisiert und verbindet Profil- und Verhaltensdaten zu einem aussagekräftigen Score.

1. Profil- und Verhaltensdaten erfassen

Saubere Daten bilden die Basis für dein Lead-Scoring-Modell. Sammle alle relevanten Informationen, um Leads später sinnvoll zu bewerten und zu priorisieren. Dazu zählen sämtliche Profildaten wie Branche, Unternehmensgröße, Rolle oder Standort. Sie zeigen dir, wie gut ein Lead zu deinem Zielkundenprofil passt. Verhaltensdaten wie Seitenbesuche, Downloads, E-Mail-Klicks oder Demo-Anfragen geben dir Aufschluss darüber, wie stark das Interesse am Angebot und wie weit der Lead in der Customer Journey ist.

2. Relevante Kriterien mit Punktwerten versehen

Beim manuellen Lead Scoring wählst du gemeinsam mit dem Vertrieb aus, welche Aktionen und Kriterien überhaupt Punkte bekommen. Diesen weist du dann einen individuellen Punktwert zu. Stark kaufrelevante Signale – etwa eine Demo-Anfrage oder der Besuch einer Pricing-Seite – erhalten dabei deutlich mehr Punkte als niedrigschwellige Interaktionen wie ein einzelner Blogaufruf oder kurzes Scrollen auf einer Landingpage. KI-basierte Systeme sind heutzutage in der Lage, selbst Punkte festzulegen, sodass du nur noch den Rahmen steuerst.

3. Score automatisch berechnen und aktualisieren

Tools wie HubSpot berechnen den Score automatisiert auf Basis von dir definierter Regeln. Neue Interaktionen oder Profildaten verändern den Score fortlaufend, sodass die Bewertung immer dem aktuellen Stand der Kaufbereitschaft entspricht.

4. MQL-Schwellenwert definieren und Leads übergeben

Ab einem gemeinsam von Marketing und Sales festgelegten Score wird ein Lead als Marketing Qualified Lead (MQL) markiert und automatisiert an den Vertrieb übergeben. Sales prüft anschließend, ob der Lead tatsächlich vertriebsreif ist und als Sales Qualified Lead (SQL) weiterbearbeitet wird.

5. Scoring-Modell regelmäßig optimieren

Ein wirksames Lead-Scoring-Modell ist nie abgeschlossen. Du solltest die Regeln und Gewichtungen regelmäßig anhand realer Verkaufsdaten und Sales-Feedback überprüfen und anpassen, um Fehlbewertungen zu vermeiden und die Trefferquote kontinuierlich zu verbessern.

Datenbasierte Informationen aus Profil- und Verhaltensdaten sind die Entscheidungsgrundlage im Lead Scoring. Wirkungsvolle Lead-Scoring-Modelle kombinieren immer zwei Perspektiven: den Fit eines Leads zum Ideal Customer Profile und sein tatsächliches Engagement entlang der Customer Journey.

Profilkriterien: Passt das Unternehmen zu dir?

Profilkriterien zeigen dir, ob ein Lead grundsätzlich zu deinem Zielmarkt passt. Beim Profil- oder Fit-Scoring bewertest du statische Merkmale eines Kontakts bzw. Unternehmens und bildest dadurch die Grundlage einer sinnvollen Priorisierung.

Typische Profilkriterien im B2B sind:

• Branche, Unternehmensgröße und Standort, um zu prüfen, ob der Lead in den adressierten Zielmarkt fällt.
• Rolle, Funktion und Senioritätslevel, die Aufschluss darüber geben, ob der Kontakt an Kaufentscheidungen beteiligt ist.
• Budgetverantwortung oder Entscheidungskompetenz, um realistische Abschlusschancen einzuschätzen.
• Technischer Kontext und Einsatzbereich, etwa vorhandene Systeme oder Integrationsfähigkeit des Produkts.

Die Übereinstimmung mit dem Ideal Customer Profile (ICP) ist dabei der stärkste Indikator für einen hohen Fit: Je besser ein Lead diesem Profil entspricht, desto höher fällt sein Profil-Score aus.

Verhaltenskriterien: Wie stark ist das Interesse?

Verhaltenskriterien messen, wie intensiv sich ein Lead mit deinem Angebot beschäftigt. Das Engagement-Scoring zeigt dir, ob aus grundsätzlichem Interesse echte Kaufabsicht wird.

Bewertet werden unter anderem:

• Website-Interaktionen, etwa wiederholte Besuche von Produkt-, Leistungs- oder Pricing-Seiten.
• Content-Nutzung, wie Downloads von Whitepapern, E-Books oder die Teilnahme an Webinaren und Events.
• E-Mail-Interaktionen, zum Beispiel Öffnungen, Klicks oder direkte Antworten auf Kampagnen.
• Konkrete Intent-Signale, etwa Demo-, Angebots- oder Beratungsanfragen, die besonders hoch gewichtet werden.

Je häufiger und gezielter diese Interaktionen stattfinden, desto höher steigt der Engagement-Score.

Negative Kriterien: Wer passt nicht in deinen Funnel?

Negative Kriterien helfen dabei, ungeeignete Leads frühzeitig abzuwerten oder auszuschließen. Mit ihnen vermeidest du, Vertriebskapazitäten auf Kontakte mit geringer Relevanz oder niedriger Abschlusschance zu verschwenden.

Typische negative Signale sind:

• Private E-Mail-Adressen oder unpassende Branchen, die auf geringe geschäftliche Relevanz hindeuten.
• Ungeeignete Unternehmensgröße oder fehlende ICP-Passung, die zu systematischen Punktabzügen führen.
• Geringes oder abnehmendes Engagement, etwa lange Inaktivität oder wiederholte Ignoranz von Kampagnen.
• Technische oder qualitative Warnsignale, wie häufige Bounces, fehlerhafte Angaben oder Opt-outs.

Durch die Kombination aus positiven und negativen Kriterien entsteht ein realistisches Gesamtbild, das gute Leads klar von schlechten unterscheidet und den Funnel sauber hält.

Die folgenden fünf Schritte zeigen dir, wie du ein wirksames Lead-Scoring-Modell aufsetzt, das im Alltag funktioniert und von Marketing und Vertrieb gemeinsam getragen wird.

1. ICP und Zielgruppen schärfen

Beginne mit einem klar definierten Ideal Customer Profile (ICP), das die Grundlage für alle weiteren Schritte bildet. Lege fest, welche Unternehmen, Branchen, Größenklassen und Rollen relevant für dein Angebot sind.

2. Relevante Kriterien auswählen

Wähle nur Kriterien aus, die nachweislich auf Kaufbereitschaft hindeuten. Dazu gehören sowohl demografische und firmografische Merkmale als auch konkrete Verhaltenssignale entlang der Customer Journey. Auch vergangene Deals liefern wertvolle Hinweise darauf, welche Eigenschaften und Aktivitäten tatsächlich zu Abschlüssen geführt haben.

3. Punktwerte und Gewichtung festlegen

Lege klare Punktwerte fest und unterscheide zwischen starkem Kaufinteresse und allgemeiner Aufmerksamkeit. Konkrete Intent-Signale wie Demo- oder Angebotsanfragen sollten deutlich höher gewichtet werden als frühe Aktivitäten wie Blogaufrufe. Gleichzeitig gilt es, ein sinnvolles Verhältnis zwischen Fit (Profil) und Intent (Verhalten) zu definieren – abhängig von Produkt, Preis und Vertriebsmodell.

4. MQL-Schwellenwert bestimmen und Übergabeprozess klären

Definiere klar, ab welchem Score ein Lead als Marketing Qualified Lead (MQL) gilt. Ab diesem Schwellenwert erfolgt die automatisierte Übergabe an den Vertrieb.

Zusätzlich sollten gemeinsam mit Sales sogenannte Acceptance-Kriterien festgelegt werden. Diese ermöglichen es, einen Lead trotz hohem Score abzulehnen, etwa bei fehlender Budgetverantwortung oder unpassendem Einsatzszenario.

5. Modell testen, messen und optimieren

Ein Lead-Scoring-Modell ist nie fertig. Überprüfe daher regelmäßig, ob hoch bewertete Leads tatsächlich schneller konvertieren und häufiger zu Kunden werden.

Nutze dafür CRM-Daten, Sales-Feedback und reale Abschlusszahlen. Auf dieser Basis passt du Kriterien, Gewichtungen und Schwellenwerte kontinuierlich an.

In HubSpot lässt sich ein schlankes Lead-Scoring-Modell schnell und praxisnah umsetzen und flexibel verfeinern. Grundlage ist ein regelbasierter Prozess, mit dem Fit und Verhalten getrennt bewertet und bei Bedarf zu einem Gesamtscore zusammengeführt werden können. Die Score-Eigenschaften werden dabei automatisch aktualisiert, sobald sich Profildaten oder Interaktionen eines Kontakts, Unternehmens oder Deals ändern.

Ein einfaches Beispiel: Ein Kontakt erhält +15 Punkte für eine passende Rolle, +10 Punkte für die richtige Branche und +10 Punkte für eine Demo-Anfrage. Der Score liegt damit bei 35. Kommt eine weitere kaufnahe Aktion hinzu, etwa der Besuch der Pricing-Seite (+15 Punkte), steigt der Score auf 50. Überschreitet der Lead damit den definierten Schwellenwert, wird er automatisch als Marketing Qualified Lead gekennzeichnet und per Workflow an Sales übergeben.

HubSpot erlaubt dabei optional auch negative Punkte, zeitlichen Score-Verfall für ältere Interaktionen sowie – in höheren Versionen – KI-gestützte Scores auf Basis historischer Conversion-Daten. Wichtig ist jedoch, das Regelset bewusst schlank zu halten. Ein überschaubares Modell ist leichter wartbar und lässt sich besser optimieren. Die Weiterentwicklung erfolgt dann auf Basis realer Deals und kontinuierlichem Sales-Feedback.

Die folgenden drei Fehler treten beim Lead Scoring besonders häufig auf und lassen sich mit klaren Maßnahmen vermeiden.

1. Zu viele Kriterien und unnötige Komplexität: Ein überladenes Scoring-Modell mit dutzenden Kriterien wird schnell unübersichtlich und schwer wartbar. Konzentriere dich stattdessen auf wenige, wirklich kaufrelevante Signale und erweitere das Modell nur, wenn Daten eindeutig zusätzlichen Mehrwert zeigen.
2. Fehlendes Alignment zwischen Marketing und Sales: Wenn Marketing die Scoring-Regeln allein definiert, entstehen häufig falsche Schwellenwerte und unpassende Übergaben. Der Vertrieb erhält Leads, die formal gut bewertet sind, praktisch aber keine Abschlusschance haben. Stimme Kriterien, Gewichtungen und MQL-Definitionen deshalb immer gemeinsam ab und nutze Sales-Feedback aktiv zur Optimierung.
3. Keine regelmäßige Überprüfung des Modells: Ein Lead-Scoring-Modell, das nicht weiterentwickelt wird, verliert schnell an Aussagekraft. Überprüfe und passe das System daher regelmäßig anhand realer Abschlüsse, CRM-Daten und Conversion-Raten an.

Richtig eingesetzt verbindest du mit Lead Scoring alle zentralen Bausteine des B2B-Marketings: Leads können gezielt weiterentwickelt werden, Sales erhält klar definierte MQLs statt unqualifizierter Kontakte und Sales-Zyklen werden kürzer, weil Gespräche früher auf Entscheidungsreife treffen. Gleichzeitig entsteht eine belastbare Datengrundlage für Forecasts und Priorisierung.

Der entscheidende Hebel ist dabei nicht das Tool, sondern das Setup: ein sauberes ICP, wenige kaufrelevante Kriterien, klar definierte Schwellenwerte und regelmäßige Optimierung anhand realer Abschlüsse. Wer Lead Scoring so versteht und betreibt, schafft messbar mehr Abschlüsse.