Predictive Lead Scoring

Definition: Predictive Lead Scoring ist ein KI-gesteuertes Verfahren zur automatischen Bewertung von Leads, das Machine-Learning-Algorithmen einsetzt, um die Wahrscheinlichkeit zu berechnen, mit der ein Lead zu einem zahlenden Kunden wird – basierend auf historischen Konversions- und Verlustdaten aus dem CRM sowie auf Verhaltens- und Firmografik-Daten. Im Unterschied zum regelbasierten Lead-Scoring, bei dem ein Marketing-Team manuell festlegt, welche Aktionen welche Punktzahl erhalten (z. B. „E-Mail geöffnet = 5 Punkte"), lernt Predictive Scoring kontinuierlich aus Mustern vergangener Deals. Salesforce Einstein Lead Scoring wurde 2016 als eine der ersten nativen Predictive-Scoring-Lösungen in einem Enterprise-CRM eingeführt. HubSpot folgte 2017 mit seinem Predictive Lead Scoring (heute: Lead Score im Professional- und Enterprise-Plan). Das Marktforschungsunternehmen Forrester Research (Bericht: „Predictions 2019: B2B Marketing", 2018) prognostizierte, dass über 30 % der B2B-Unternehmen bis 2021 KI-gestütztes Lead-Scoring einsetzen würden – eine Prognose, die sich im Wesentlichen erfüllt hat. Unternehmen wie MadKudu (gegründet 2014), 6sense (gegründet 2013, 2022 mit einer Bewertung von 5,2 Milliarden US-Dollar finanziert) und Infer (gegründet 2010, von Ignite 2020 übernommen) haben sich auf Predictive-Scoring-Lösungen spezialisiert.

Erläuterung

Die intellektuelle Wurzel des Predictive Lead Scoring liegt in der Datenwissenschaft und im maschinellen Lernen, das seit den 1990er-Jahren an Universitäten wie Stanford und MIT erforscht wurde. Im Marketing-Kontext wurde der Durchbruch durch zwei parallele Entwicklungen möglich: die Verfügbarkeit großer strukturierter Datensätze in CRM-Systemen (ab ca. 2005) und die Kommerzialisierung von Machine-Learning-Bibliotheken (scikit-learn, 2007; TensorFlow, 2015). Mathias Kjærgaard und Francis Brero, Mitgründer von MadKudu, eine der ersten auf B2B-SaaS spezialisierten Predictive-Scoring-Plattformen, verfolgen einen Ansatz, der CRM-Daten (Salesforce, HubSpot) mit Produktnutzungsdaten (via Segment.com) und Firmografik-Daten (Clearbit) kombiniert, um hochpräzise Konversionswahrscheinlichkeiten zu berechnen. Das zugrundeliegende statistische Konzept basiert häufig auf logistischer Regression, Random-Forest-Algorithmen oder Gradient Boosting, die historische Deals (gewonnen vs. verloren) als Trainingsdaten nutzen. Ein gut kalibriertes Modell identifiziert Leads in der oberen Score-Dezile mit typischerweise 3–5-mal höherer Konversionswahrscheinlichkeit als der Durchschnitt. Voraussetzung ist eine ausreichend große historische Datenbasis: Als Faustregel gilt, dass mindestens 500–1.000 abgeschlossene Deals (gewonnen und verloren) für ein zuverlässiges Modell erforderlich sind. Für Unternehmen mit weniger Datenpunkten ist regelbasiertes Scoring mit gezieltem Feedback-Loop oft der pragmatischere Ansatz. Laut einem Benchmark-Report von Drift (2021) berichten 56 % der Unternehmen, die Predictive Lead Scoring einsetzen, von einer messbaren Verbesserung ihrer MQL-Qualität.

Datenquellen und Merkmale (Features) für Predictive Scoring

Firmografische Daten: Unternehmensgröße (Mitarbeiterzahl, Umsatz), Branche (SIC/NAICS-Code), Unternehmensalter, Technologie-Stack (via Tools wie Clearbit Reveal oder BuiltWith), geografische Lage – beschreiben das Ideal Customer Profile.
Demografische Daten: Jobtitel, Hierarchieebene (C-Level vs. Manager vs. Individual Contributor), Funktionsbereich (Marketing, IT, Finance) – zeigen, ob der Lead Entscheidungsträger oder Influencer ist.
Verhaltensdaten: Webseitenbesuche (besonders Preis-, Demo- und Comparison-Seiten), E-Mail-Engagement (Öffnungen, Klicks), Content-Downloads, Demo-Anfragen, Trialregistrierungen – signalisieren Kaufbereitschaft und Interessenintensität.
Produktnutzungsdaten (für PLG-Unternehmen): Bei Product-Led-Growth-Modellen sind Nutzungsdaten (Anmeldungen, Feature-Adoption, Nutzungsfrequenz) die stärksten Prediktoren für Konversionswahrscheinlichkeit.
Intent-Daten von Drittanbietern: Plattformen wie Bombora oder G2 Buyer Intent liefern Signale, wenn ein Unternehmen aktiv nach Lösungen in einer Kategorie sucht und erhöhen die Vorhersagegenauigkeit erheblich.

Implementierungsschritte und Erfolgsmessung

Datenvorbereitung: Bereinigung und Anreicherung historischer CRM-Daten (Deduplizierung, Standardisierung von Jobtiteln und Branchen, Ergänzung fehlender Firmografiken via API-Anreicherung).
Modell-Training und Validierung: Trainieren des Algorithmus auf historischen Deals; Validierung durch Holdout-Datensatz; Messung von Precision, Recall und AUC (Area Under Curve) als Gütekriterien.
Kalibrierung und Monitoring: Regelmäßiges Neutraining des Modells (empfohlen: alle 6 Monate) mit aktuellen Daten, da sich Marktbedingungen und Kundenmuster verändern.

Praxistipp: Überprüfen Sie die Güte Ihres Predictive-Scoring-Modells, indem Sie die Win Rate der Leads in der obersten Score-Dezile mit dem Gesamtdurchschnitt vergleichen: Ein gutes Modell sollte im Top-Dezil mindestens dreimal so hohe Win Rates zeigen. Starten Sie, wenn Ihr Datenbestand noch unter 500 abgeschlossenen Deals liegt, mit einem strukturierten regelbasierten Scoring und sammeln Sie systematisch Feedback vom Vertrieb über abgelehnte MQLs – diese Daten sind die Basis für Ihr späteres Predictive-Modell.