Marketing Glossar

2.413 Fachbegriffe aus 22 Bereichen des Online Marketings

Contact Scoring

Definition: Contact Scoring ist ein systematisches Bewertungsverfahren im CRM und in der Marketing Automation, bei dem jedem Kontakt – ob Lead, Prospect oder bestehender Kunde – eine numerische Punktzahl (Score) zugewiesen wird, die seine strategische Relevanz für das Unternehmen, sein aktuelles Engagement-Niveau und seine Kaufbereitschaft quantifiziert. Der Gesamtscore setzt sich typischerweise aus zwei Dimensionen zusammen: dem demografischen oder firmografischen Fit-Score (wie gut passt der Kontakt zum Ideal Customer Profile, ICP?) und dem Behavioral-Engagement-Score (wie aktiv interagiert der Kontakt mit Marketing- und Vertriebsinhalten?). Contact Scoring ist der Oberbegriff für alle Bewertungsverfahren im CRM-Kontext, einschließlich Lead Scoring, Engagement Scoring, Account Scoring und Predictive Scoring. Die Ursprünge des Lead-Scoring-Konzepts liegen in der direkten Kundenansprache (Direct Marketing) der 1980er und 1990er Jahre: Die US-amerikanische Direct Marketing Association (DMA) empfahl bereits 1992 das RFM-Modell (Recency, Frequency, Monetary Value) als Scoring-Framework für die Kundenbewertung im Versandhandel. Der Transfer auf digitale Marketing-Automation-Kontexte erfolgte Ende der 1990er und frühen 2000er Jahre mit dem Aufkommen der ersten CRM- und Marketing-Automation-Plattformen. Marketo (gegründet 2006 von Phil Fernandez und Jon Miller) machte Lead Scoring ab 2008 als Standard-Feature seiner Marketing-Automation-Plattform populär und trug entscheidend dazu bei, dass Contact Scoring heute in praktisch jeder B2B-Marketing-Automation-Plattform als Kernfunktion verankert ist. Eine SiriusDecisions-Studie von 2015 ergab, dass Unternehmen mit gut kalibrierten Lead-Scoring-Modellen eine um 20 Prozent höhere Verkaufsproduktivität und 30 Prozent mehr Pipeline-Wachstum verzeichnen als Unternehmen ohne strukturiertes Scoring.

Erläuterung

Die Entwicklung von Contact-Scoring-Methoden spiegelt die zunehmende Datenverfügbarkeit und technologische Reife des MarTech-Ökosystems über die letzten 25 Jahre wider. In der ersten Generation (1995–2005) basierte Lead Scoring ausschließlich auf demografischen und firmografischen Merkmalen: Jobbezeichnung, Unternehmensgröße, Branche und geografische Lage wurden manuell bewertet und in einfachen Tabellenkalkulationen gewichtet. Mit der Einführung von Marketing-Automation-Plattformen (Eloqua 1999 von Mark Organ und Abe Wagner gegründet, Marketo 2006, HubSpot 2006) entstand die zweite Generation des Scoring: Behavioral-Scoring, das Punkte für digitale Interaktionen vergab – Website-Besuche, E-Mail-Öffnungen, Klicks, Content-Downloads. Die Kombination von Fit-Score und Engagement-Score in einem 2x2-Matrix-Modell (hoher Fit / hohes Engagement = sofortige Vertriebskontaktaufnahme; hoher Fit / niedriges Engagement = Nurturing; niedriger Fit / hohes Engagement = Disqualifizierung; niedriger Fit / niedriges Engagement = kein Ressourceneinsatz) wurde von SiriusDecisions um 2010 als „Demand Waterfall"-Erweiterung beschrieben und ist seitdem Branchenstandard. Die dritte Generation, Predictive Lead Scoring, entstand ab 2013 durch Startups wie Infer (gegründet 2010 von Vik Singh), Lattice Engines (gegründet 2006, 2019 für 150 Millionen US-Dollar von Dun & Bradstreet übernommen) und MadKudu (gegründet 2014 von Francis Brero und Simon Ruben). Diese Plattformen trainieren Machine-Learning-Modelle auf historischen CRM-Abschlussdaten und externen Datensignalen (Technografien, firmografische Daten von Drittanbietern), um Scoring-Gewichtungen datenbasiert zu optimieren, anstatt auf Annahmen zu beruhen. Salesforce Einstein Lead Scoring (seit 2017) und HubSpot Predictive Lead Scoring (seit 2019) integrierten diese Fähigkeiten nativ in die führenden CRM-Plattformen. Ein wichtiger operativer Aspekt ist Score Decay: Da Scores auf vergangenem Verhalten basieren, müssen sie bei Inaktivität schrittweise reduziert werden (z. B. -5 Punkte pro Woche ohne Interaktion), um eine realistische Kaufbereitschaft zu reflektieren. Ohne Decay-Regeln akkumulieren Kontakte über Zeit hohe Scores, die ihre aktuelle Kaufbereitschaft nicht mehr korrekt abbilden.

Komponenten eines Contact-Scoring-Modells

Scoring-Modell-Typen

Praxistipp: Überprüfen Sie Ihr Contact-Scoring-Modell mindestens einmal pro Quartal anhand echter Abschlussdaten: Vergleichen Sie die Scoring-Verteilung gewonnener Kunden mit der verlorener Leads. Wenn keine signifikante Score-Differenz erkennbar ist, justieren Sie die Gewichtungen – ein gut kalibriertes Scoring-Modell sollte gewonnene Kunden im Durchschnitt einen Score aufweisen, der mindestens 30 Prozent höher ist als bei verlorenen Leads. Führen Sie zudem Score-Decay-Regeln ein, die den Behavioral-Score bei Inaktivität wöchentlich um 5–10 Prozent reduzieren, um zu verhindern, dass historisch aktive, aber aktuell inaktive Kontakte dauerhaft als MQL eingestuft bleiben.