Wer nach Lead-Scoring-Kriterien im B2B sucht, findet schnell Punktetabellen. Schwieriger ist die operative Frage: Was soll der Vertrieb mit dem Score tatsächlich tun? Ein Kontakt kann viele Seiten anklicken und trotzdem außerhalb des Ideal Customer Profile (ICP) liegen. Ein passendes Zielkonto kann dagegen kaum aktuelle Kaufsignale zeigen. Eine einzige Summe macht diese beiden Fälle unnötig ähnlich.
Für ein belastbares Startmodell brauchst du deshalb nicht möglichst viele Kriterien, sondern eine klare Trennung: Passt der Lead bzw. das Konto zu unserem Zielkundenprofil – und gibt es aktuell genügend Evidenz für eine Kauf- oder Evaluationsabsicht? Die Punktwerte unten sind bewusst Beispielwerte und Start-Hypothesen. Sie sind keine Benchmarks für den deutschen B2B-Markt.
Direkte Antwort — Welche Lead-Scoring-Kriterien sind im B2B sinnvoll?
Ein praxistaugliches B2B-Lead-Scoring kombiniert Kriterien zur ICP-Passung mit aktuellen Kaufsignalen (Intent-Signalen). Typische Fit-Kriterien sind Branche, Unternehmensgröße, Funktion, Rolle im Buying Center, Region sowie Technologie- oder Use-Case-Passung. Bei der Kaufabsicht zählen stärkere Signale wie Demo-Anfrage, Preis- oder Vergleichsseiten, Implementierungsinhalte, wiederkehrende Produktsitzungen, aktive Produkttests und mehrere engagierte Kontakte im selben Konto. Wiederholbare Signale brauchen Obergrenzen; alte Signale müssen an Wert verlieren. Punkte und Schwellenwerte sind Startannahmen, die du an realen Vertriebs- und Opportunity-Ergebnissen kalibrierst.
Trenne ICP-Passung und aktuelle Kaufabsicht, bevor du Punkte addierst
Im Alltag werden Engagement und Intent gern zusammengezogen. Das ist bequem, aber nicht immer hilfreich. Ein Newsletter-Klick ist eine beobachtbare Interaktion. Ein Besuch der Preisseite nach mehreren Produktsitzungen ist deutlich näher an einer aktiven Evaluation. Beides darf in einem Modell vorkommen, sollte aber nicht automatisch dieselbe Bedeutung bekommen.
Die erste Dimension ist deshalb die Passung zum ICP: Gehören Unternehmen und Kontakt grundsätzlich in den Markt, den du bedienen kannst? Die zweite Dimension ist die aktuelle Kaufabsicht: Gibt es zeitnahe Signale dafür, dass eine Lösung geprüft, verglichen oder konkret angefragt wird?
Diese Trennung ist auch technisch realistisch. HubSpot kann beispielsweise Fit-, Engagement- und kombinierte Scores abbilden; für Gruppen und wiederholte Events lassen sich Limits setzen, und für Engagement-Events ist Score Decay verfügbar. Das ist kein Beweis dafür, dass jedes Unternehmen HubSpot oder dieselbe Logik nutzen sollte. Es zeigt nur, dass die zwei Dimensionen und ihre Schutzmechanismen operativ umsetzbar sind. Die aktuelle HubSpot-Dokumentation zum Lead Scoring beschreibt diese Funktionen.
Für das folgende Beispiel bekommen Passung und Kaufabsicht jeweils maximal 50 Punkte. Diese 50/50-Aufteilung ist ein didaktisches Startmodell, keine Empfehlung. Ein Unternehmen mit sehr engem ICP kann die Hürde für Passung deutlich höher setzen; ein Product-Led-Modell mit belastbaren Nutzungsdaten kann stärkere Intent-Signale anders gewichten.
12 B2B-Lead-Scoring-Kriterien mit Beispielwerten
Die Tabelle ist absichtlich kompakt. Sie soll zeigen, wie ein erstes regelbasiertes Modell aufgebaut werden kann, ohne so zu tun, als gäbe es allgemeingültige Punktwerte. Entscheidend ist, dass jeder Wert später gegen ein definiertes nachgelagertes Pipeline-Ergebnis getestet wird.
Passung: Gehört Unternehmen und Kontakt in den Zielmarkt?
| Kriterium | Was es beantwortet | Startwert | Leitplanke |
|---|---|---|---|
| 1. Zielbranche | Liegt das Unternehmen in einer Branche, für die Angebot und Go-to-Market ausgelegt sind? | +15 | Eine wirklich nicht bedienbare Branche gehört eher in eine Ausschlussregel als in einen riesigen Minuswert. |
| 2. Passende Unternehmensgröße | Passt die relevante Größenvariable zum wirtschaftlichen Modell? | +10 | Mitarbeiterzahl ist nur dann sinnvoll, wenn sie tatsächlich mit dem Use Case zusammenhängt; manchmal sind Umsatz, Standorte oder Nutzungsvolumen besser. |
| 3. Relevanter Funktionsbereich | Arbeitet der Kontakt in einem Bereich, der Problem, Nutzung oder Budget mitträgt? | +10 | Ein passender Bereich ist noch keine Entscheidungsbefugnis. |
| 4. Rolle im Buying Center | Ist die Person Sponsor, Evaluator, Entscheider, Influencer oder Nutzer? | +5 | Seniorität allein ersetzt keine Kenntnis der tatsächlichen Rolle im Kaufprozess. |
| 5. Bedienbare Region | Kann das Unternehmen in dieser Region verkauft, betreut und rechtlich/operativ unterstützt werden? | +5 | Nicht bedienbare Regionen sollten über eine klare Ausschlussregel behandelt werden. |
| 6. Technologie- oder Use-Case-Passung | Gibt es die technische Umgebung, den Workflow oder das Problem, für das das Angebot gebaut ist? | +5 | Bewerte nur Daten, die zuverlässig beobachtbar und aktuell gehalten werden können. |
Aktuelle Kaufabsicht: Gibt es Evidenz für eine laufende Evaluation?
| Kriterium | Was es beantwortet | Startwert | Leitplanke |
|---|---|---|---|
| 7. Demo-, Angebots- oder Vertriebsanfrage | Hat der Interessent ausdrücklich eine Demo, ein Angebot oder ein Gespräch mit dem Vertrieb angefragt? | +30 | Das ist ein Signal für schnelle Prüfung, nicht für das Warten auf eine magische Gesamtsumme. Harte Ausschlüsse bleiben aktiv. |
| 8. Preis- oder Vergleichsevaluation | Werden kommerzielle oder auswahlnahe Informationen geprüft? | +15 | Wiederholte Besuche in einem definierten Zeitraum deckeln, damit bloßes Neuladen den Intent-Score nicht künstlich erhöht. |
| 9. Implementierungs-, Sicherheits- oder Integrationsinhalte | Prüft jemand Machbarkeit, Risiko oder technische Kompatibilität? | +10 | Bewerte die Funktion des Inhalts, nicht nur die Zahl der Seitenaufrufe. |
| 10. Zweite produktnahe Sitzung in einem aktuellen Zeitfenster | Hält das Interesse über einen einzelnen Besuch hinaus an? | +10 | Fenster und Obergrenze explizit definieren; nicht für jede weitere Sitzung erneut +10 addieren. |
| 11. Trial-Aktivierung, Test oder aktive Produktevaluation | Beschäftigt sich der Lead praktisch mit Produkt, Machbarkeit oder Wert? | +10 | Die Anmeldung allein reicht nicht. Bewerte echte Nutzung oder einen sinnvollen Evaluationsschritt. |
| 12. Mehrere engagierte Kontakte im selben Konto | Zeigt sich Interesse bei mehr als einer Person im Buying Center? | +10 | Dieses Signal gehört in einen Konto-/Unternehmensscore oder in eine Regel, die Kontoverknüpfungen berücksichtigt, nicht heimlich in den Score einer einzelnen Person. |
Beispiel-Obergrenze für Kaufabsicht: 50 Punkte. Die Rohwerte können absichtlich über 50 summieren. Die Obergrenze verhindert, dass ein stark getrackter Kontakt durch viele wiederholbare Aktionen unbegrenzt steigt. Ein Limit ist etwas anderes als zeitlicher Verfall: Das eine stoppt Mehrfachzählung, das andere lässt alte Evidenz an Wert verlieren.
Ein bewusst schwaches Signal in diesem Modell ist die E-Mail-Öffnung. Apple Mail Privacy Protection lädt externe Inhalte im Hintergrund, unabhängig davon, ob der Empfänger tatsächlich mit der E-Mail interagiert. Dadurch ist eine Öffnung allein ein schlechter Kandidat für eine wichtige Routing-Entscheidung. Apple beschreibt dieses Verhalten in der Dokumentation zu Mail Privacy Protection. Wenn Öffnungen im Modell bleiben, sollten sie wenig Gewicht bekommen und auf echten Outcomes validiert werden.
Obergrenze, Ausschluss, Kontaktierbarkeit, Verfall und negative Signale sind fünf verschiedene Dinge
Viele Modelle benutzen Minus- und Pluspunkte für alles gleichzeitig. Das macht die Zahl schwer erklärbar. Besser ist es, fünf Mechanismen auseinanderzuhalten, weil sie fünf unterschiedliche operative Probleme lösen.
| Mechanismus | Wann er greift | Beispiel | Operative Folge |
|---|---|---|---|
| Obergrenze | Ein wiederholbares Signal darf nicht unbegrenzt Punkte erzeugen. | Zehn Preisseiten-Aufrufe im selben Zeitfenster. | Weitere Wiederholungen erhöhen den Score nach dem Limit nicht weiter. |
| Ausschluss | Der Datensatz ist für den normalen Scoring-/Routing-Weg nicht geeignet. | Interner Testkontakt, Wettbewerber oder ein nicht bedienbares Konto. | Nicht normal routen; Zulässigkeit getrennt vom Score behandeln. |
| Kontaktierbarkeit / Sperrstatus | Die Person kann oder soll über einen Kommunikationskanal nicht angesprochen werden. | Abmeldung, Hard Bounce oder ein dokumentierter Do-not-contact-Status. | Kommunikationsworkflow blockieren oder ändern; die ICP-Passung verschwindet dadurch nicht. |
| Zeitlicher Verfall | Alte Verhaltenssignale werden weniger aussagekräftig. | Ein Preisbesuch vor mehreren Monaten. | Intent-Punkte reduzieren oder nach einem definierten Zeitraum verfallen lassen. |
| Negatives Signal | Eine reale Beobachtung senkt die aktuelle Priorität, ohne einen dauerhaften Ausschluss zu bedeuten. | „Kein Projekt in diesem Halbjahr“ oder wiederholtes Nichterscheinen. | Priorität reduzieren und eine spätere Neubewertung zulassen. |
Dass Verfall ein eigenständiger Mechanismus ist, sieht man auch in aktuellen Tools. Adobe Marketo Optimizer berechnet seinen Person-Engagement-Score aus Aktivitäten innerhalb eines rollierenden 30-Tage-Fensters; ältere Aktivitäten fallen heraus und der Score kann sinken. Adobe dokumentiert dieses 30-Tage-Fenster und den Score Decay. Das ist ein Produktbeispiel, kein Vorschlag, überall 30 Tage zu verwenden.
Auch öffentliche Betriebsmodelle zeigen, wie organisationsspezifisch Scoring ist. GitLab dokumentiert eigene Schwellenwerte, eine feste Obergrenze für demografische Punkte, Ausschlüsse, Frequenzbegrenzungen und Score Decay. Der öffentliche GitLab-Marketo-Handbook-Eintrag ist deshalb interessant als Governance-Beispiel. Seine Zahlen sind gerade kein Benchmark für andere Unternehmen.
Die Vertriebsprüfung braucht zwei Mindestbedingungen, nicht die Zahl 72
Eine Gesamtsumme ist erst dann nützlich, wenn sie eine klare Aktion auslöst. Das Problem mit einem einzelnen MQL-Schwellenwert: Ein sehr aktiver, aber schlechter Fit kann dieselbe Zahl erreichen wie ein starker Fit mit moderater aktueller Kaufabsicht. Für die Vertriebsprüfung sind das unterschiedliche Fälle.
Ein einfaches Startmodell nutzt deshalb zwei Mindestbedingungen. Für den normalen Weg müssen Passung und Kaufabsicht jeweils eine Mindestschwelle erreichen. Eine ausdrückliche Demo-, Angebots- oder Vertriebsanfrage darf eine schnelle manuelle Prüfung auslösen; harte Ausschlüsse bleiben trotzdem bestehen.
| Niedrige aktuelle Kaufabsicht | Hohe aktuelle Kaufabsicht | |
|---|---|---|
| Hohe Passung | Weiterentwickeln. Das Konto passt, aber es fehlt aktuelle Evaluations-Evidenz. Nurturing oder gezielte Informationsangebote sind plausibler als sofortige Sales-Priorität. | Vertriebsprüfung. Beide Dimensionen erfüllen die normale Priorisierungslogik. |
| Niedrige Passung | Depriorisieren. Ausschließen nur dann, wenn eine separate Ausschlussregel greift. | Manuell prüfen oder alternativen Vertriebsweg wählen. Hohe Aktivität gleicht fehlende Passung nicht aus. |
Hypothetische Schwellen für einen Paralleltest
Nehmen wir das didaktische 50/50-Modell. Ein Team könnte zunächst im Hintergrund testen:
- normale Vertriebsprüfung ab mindestens 30/50 Passung und 25/50 aktueller Kaufabsicht;
- sofortige Prüfung bei ausdrücklicher Demo-/Vertriebsanfrage, auch wenn der Intent-Score noch nicht 25 erreicht;
- kein normales Routing bei aktivem harten Ausschluss;
- zusammen mit dem Lead werden die entscheidenden Priorisierungsgründe übergeben.
30 und 25 sind keine Empfehlung. Sie machen nur die Logik testbar. Ein Team mit niedrigerem Volumen, höherem ACV oder sehr engem ICP kann völlig andere Schwellen brauchen.
Übergib die Gründe – und vermische Konto- und Kontaktsignale nicht
„Score = 72“ sagt dem Vertrieb wenig. Besser ist eine kleine Menge verständlicher Übergabegründe: etwa zielbranche, preisseite_aktuell, demo_anfrage oder mehrere_aktive_kontakte. Welche technischen Codes im CRM verwendet werden, ist zweitrangig. Wichtig ist, dass der Vertriebsmitarbeiter sehen kann, warum die Priorität entstanden ist.
Das wird besonders wichtig, sobald Account-Signale hinzukommen. Wenn drei Personen aus demselben Zielkonto Produkt- und Integrationsinhalte konsumieren, ist das ein starkes Account-Muster. Es darf aber nicht so aussehen, als hätte ein einzelner Kontakt all diese Aktionen ausgeführt. Nutze dafür einen Konto-/Unternehmensscore, ein Buying-Group-Modell oder mindestens eine Regel, die Kontoverknüpfungen berücksichtigt und Herkunft sowie Ebene des Signals sichtbar hält.
Dass moderne Scoring-Systeme mit verknüpften Kontakten arbeiten können, ändert die Governance-Frage nicht: Die Ebene des Signals muss zur Ebene der Entscheidung passen. Sonst wird ein scheinbar präziser Score fachlich unklar.
Kalibriere Gewichtungen an echten Pipeline-Ergebnissen
Startwerte werden erst durch Beobachtung zu einem belastbaren Modell. Wähle dafür zunächst ein nachgelagertes Pipeline-Ergebnis, das genügend Volumen und eine klare Definition hat: zum Beispiel Sales Acceptance, Opportunity-Erstellung oder eine andere vereinbarte Pipeline-Stufe innerhalb eines passenden Beobachtungsfensters.
Dann prüfst du, ob die Kriterien tatsächlich Trennschärfe erzeugen. Ein Signal, das häufig vorkommt, ist noch lange kein gutes Priorisierungssignal. Und ein Signal, das stark mit Opportunities zusammenhängt, ist nicht automatisch kausal.
- Ziel und Beobachtungsfenster festlegen. Was genau zählt als Erfolg, und bis wann?
- Historische Datensätze rückwirkend scoren. Nutze Leads/Konten, deren spätere Outcomes bereits bekannt sind.
- Fehlpriorisierungen analysieren. Untersuche False Positives und False Negatives, nicht nur den Durchschnitt.
- Eine wichtige Regel nach der anderen ändern. Mehrere gleichzeitige Gewichtungsänderungen machen Lernen schwer.
- Paralleltest (Shadow Run) durchführen. Lass das neue Modell zunächst Entscheidungen protokollieren, bevor es irreversible Automationen steuert.
- Übergabe messen. Sales Acceptance, Opportunity-Fortschritt, Ablehnungsgründe und – bei genügend Volumen – Win Rate zeigen, ob die Priorisierung nützt.
Korrelierte Signale nicht doppelt „belohnen“
Preisseiten-Aufruf, wiederholte Produktsitzung und Demo-Anfrage können drei Spuren derselben Evaluation sein. Wenn alle drei einzeln mit Opportunity-Erstellung korrelieren, folgt daraus nicht, dass jedes Signal unabhängig ein höheres Gewicht verdient. Prüfe Überschneidungen nach Segmenten und – sobald das Datenvolumen reicht – mit einfachen multivariablen Analysen, bevor du mehrere korrelierte Gewichte gleichzeitig anhebst.
Die Überprüfung folgt deshalb nicht starr dem Kalender. Ein Team mit hohem Volumen lernt schneller als ein Enterprise-Vertrieb mit wenigen Opportunities. Relevanter als „quartalsweise“ ist: neu kalibrieren, wenn ICP, Preis, Produkt, Tracking, Territorien oder Vertriebsprozess die Bedeutung eines Signals verändert haben.
Wann regelbasiertes Scoring nicht mehr reicht
Regelbasiertes Scoring ist gut auditierbar: Jeder Punkt hat einen nachvollziehbaren Grund. Das ist besonders nützlich, wenn das Team Governance braucht, der ICP relativ klar ist und noch nicht riesige Mengen sauber gelabelter Outcomes vorliegen.
Predictive Scoring übernimmt eine andere Aufgabe. Salesforce Einstein Lead Scoring analysiert beispielsweise historische Conversion-Muster und zeigt Felder, die den Score besonders beeinflussen. Salesforce beschreibt die Nutzung historischer Lead-Conversion-Daten und der einflussreichsten Felder. Ein solches Modell kann Muster finden, die eine kurze Regelliste übersieht – braucht dafür aber saubere Historie, einen definierten Zielzustand und genügend verwertbare Daten.
Der bessere Startpunkt ist deshalb nicht das komplexeste Scoring, sondern das Modell, das dein Team erklären, messen und verändern kann. Wenn ein Lead beim Vertrieb ankommt, sollte die Antwort auf zwei Fragen sichtbar sein: Warum ist dieser Lead jetzt priorisiert – und bestätigen die nächsten echten Pipeline-Ergebnisse diese Entscheidung?
