Marketing Glossar

2.413 Fachbegriffe aus 22 Bereichen des Online Marketings

Engagement Score (CRM)

Definition: Der Engagement Score (auch: Behavioral Score oder Activity Score) ist eine im CRM gespeicherte, numerische Kennzahl, die das aktuelle Interaktionsniveau eines Kontakts mit den Marketing-Aktivitäten, Inhalten und Kommunikationen eines Unternehmens aggregiert misst. Er berechnet sich durch die gewichtete Addition von Interaktionspunkten für verschiedene Verhaltenssignale: E-Mail-Öffnungen (+2 Punkte), E-Mail-Klicks (+5 Punkte), Website-Besuche (+1 Punkt pro Seite), Formularausfüllungen (+10 Punkte), Content-Downloads (+8 Punkte), Webinar-Teilnahmen (+15 Punkte) – die exakten Gewichtungen sind unternehmensspezifisch und sollten empirisch kalibriert werden. Ein hoher Engagement Score signalisiert, dass ein Kontakt aktiv mit dem Unternehmen interagiert und daher mit hoher Wahrscheinlichkeit eine aktuell relevante Kaufabsicht hat. Der Engagement Score ist eine der beiden Dimensionen des klassischen 2x2-Lead-Scoring-Modells, das von Marketo (heute Adobe Marketo Engage) in seiner Marketing-Automation-Methodik etabliert wurde: Die horizontale Achse misst den „Fit Score" (wie gut passt der Kontakt demografisch zur Zielgruppe), die vertikale Achse den „Engagement Score" (wie aktiv ist der Kontakt). Nur Kontakte mit hohem Fit UND hohem Engagement gelten als qualifizierte Marketing-Leads (MQL). Salesforce Einstein Lead Scoring, HubSpot's Predictive Lead Scoring (Professional-Tier) und Marketo Score Tokens implementieren dieses Konzept mit unterschiedlichen technologischen Ansätzen.

Erläuterung

Die akademischen Wurzeln des Behavioral Scorings liegen in der Psychologie des Konsumentenverhaltens. Howard und Sheth entwickelten 1969 in „The Theory of Buyer Behavior" ein Modell, das Kaufbereitschaft als Funktion beobachtbarer VerhaltensSignale beschreibt – ein Prinzip, das im digitalen Zeitalter durch trackbare Interaktionsdaten erstmals operationalisierbar wurde. Die praktische CRM-Implementierung von Engagement-Scores wurde von Marketing-Automation-Pionieren wie Marketo (gegründet 2006 von Phil Fernandez, Jon Miller und David Morandi in San Mateo, Kalifornien) systematisiert. Marketo's Scoring-Handbuch „The Definitive Guide to Lead Scoring" (2012) beschrieb erstmals ausführlich die Methodik zweistufiger Scoring-Modelle (Fit + Engagement) und wurde zur de-facto-Branchenbibel für CRM-Scoring-Teams. Ein zentrales Problem bei der Implementierung von Engagement Scores ist die Score-Inflation über Zeit: Wenn Punkte addiert werden, ohne jemals abgezogen zu werden, akkumulieren alle aktiven Kontakte über Monate hinweg hohe Scores, unabhängig davon, ob ihre Interaktion aktuell oder vor einem Jahr stattfand. Die Lösung ist der „Score Decay"-Mechanismus: Automatische, regelmäßige Reduzierung des Scores bei ausbleibender Interaktion, sodass der Score stets das aktuelle Engagement-Niveau widerspiegelt. In HubSpot kann Score Decay über Workflow-Regeln implementiert werden (z. B. „Wenn keine E-Mail geöffnet in den letzten 30 Tagen, reduziere Score um 10 %"); in Marketo ist Score Decay als natives Feature in Score-Token-Regeln verfügbar. Eine Studie von Sirius Decisions (heute Forrester B2B Research, 2020) zeigte, dass Unternehmen mit Score-Decay-Mechanismus 45 % weniger unqualifizierte Leads an den Vertrieb übergeben als Unternehmen ohne Decay. Ein weiteres kritisches Konzept ist die Trennung zwischen impliziten und expliziten Interaktionssignalen: Implizite Signale sind Verhaltensdaten wie Website-Besuche, E-Mail-Klicks und Inhaltskonsum – sie zeigen Interesse, aber keine explizite Absicht. Explizite Signale sind direkte Handlungen mit hohem Kaufabsichts-Indikator wie Preisseiten-Besuche, Demo-Anfragen, Kontaktformular-Ausfüllungen oder „Pricing"-Seiten-Klicks. Viele Scoring-Modelle gewichten explizite Signale 3–5-mal stärker als implizite, um Kontakte mit echter Kaufabsicht von reinen Informationssuchenden zu unterscheiden. Machine-Learning-gestützte Scoring-Modelle wie HubSpot Predictive Lead Scoring, Salesforce Einstein oder MadKudu (gegründet 2015) gehen über regelbasierte Gewichtungen hinaus und ermitteln automatisch, welche Kombinationen von Verhaltensmerkmalen statistisch am stärksten mit tatsächlichen Abschlüssen korrelieren – und passen die Scoring-Gewichte kontinuierlich auf Basis neuer Daten an.

Komponenten eines Engagement-Score-Modells

Engagement Score vs. Fit Score

Praxistipp: Kalibrieren Sie Ihr Engagement-Score-Modell nach den ersten sechs Monaten produktivem Betrieb anhand von tatsächlichen Abschlussdaten: Welche Verhaltenskombinationen haben Kontakte aufgewiesen, die später tatsächlich Kunden wurden? Welche Signale haben sich als schwache Prädiktoren erwiesen? Verwenden Sie diese Retrospektive, um Ihre Gewichtungen empirisch zu justieren statt initial geschätzte Werte beizubehalten. Implementieren Sie einen Score-Decay von 10 % pro Monat für Kontakte ohne nachweisbare Interaktion und kommunizieren Sie intern klar, bei welchem Score-Schwellenwert der Vertrieb einen Lead übernimmt – diese MQL-Definition ist das wichtigste Alignment-Instrument zwischen Marketing und Sales.