Lead Scoring mit KI: So priorisierst du die richtigen Leads

Was Lead Scoring mit KI ist

Lead Scoring mit KI ist die datenbasierte Bewertung vorhandener Leads nach ihrer erwarteten Relevanz für einen definierten Vertriebsprozess. Ein Modell erkennt Muster in Merkmalen und Verhalten, erzeugt daraus eine Priorität und nennt idealerweise Einflussfaktoren. Es ersetzt weder Qualifizierung noch Verkäuferurteil, sondern ordnet die nächste Bearbeitung vor.

Dein Vertrieb hat nicht zu wenige Listen. Er hat zu wenig Klarheit.

Zwanzig neue Anfragen liegen im CRM. Der eine Verkäufer ruft den bekanntesten Firmennamen an. Der nächste nimmt den Lead mit der freundlichsten Nachricht. Der dritte arbeitet von oben nach unten. Das ist keine Priorisierung. Das ist persönlicher Geschmack.

Lead Scoring mit KI soll daraus eine belastbare Arbeitsreihenfolge machen. Nicht mehr. Das Modell entscheidet nicht, wer dein Kunde wird. Es zeigt, welche vorhandenen Leads anhand definierter Daten zuerst geprüft werden sollten.

Damit unterscheidet sich das Thema klar von Leadgenerierung: Leadgenerierung bringt neue Kontakte in den Prozess. Scoring bewertet Kontakte, die bereits da sind. Wie KI darüber hinaus Recherche, Kommunikation und Auswertung unterstützt, zeigt der Hub zu KI im Vertrieb.

Regelbasiert, prädiktiv oder hybrid?

Nicht jedes Scoring braucht Künstliche Intelligenz. Drei Varianten sind sinnvoll.

Regelbasiertes Lead Scoring

Du vergibst Punkte nach festen Kriterien. Zielbranche erfüllt? Pluspunkte. Falsche Unternehmensgröße? Abzug. Demo angefragt? Höhere Priorität. Private E-Mail-Adresse im B2B-Prozess? Prüfsignal.

Der Vorteil ist maximale Nachvollziehbarkeit. Der Nachteil: Du bildest nur Regeln ab, die du bereits kennst. Wechselwirkungen und neue Muster bleiben leicht unsichtbar.

Prädiktives Lead Scoring

Ein Modell lernt aus historischen Daten, welche Merkmale mit einem klar definierten Ergebnis zusammenhängen. Die offizielle Microsoft-Dokumentation zum prädiktiven Lead Scoring beschreibt eine Bewertung anhand von Signalen aus Lead-, Kontakt- und Unternehmensdaten. Außerdem zeigt das System positive und negative Einflussfaktoren.

Genau diese Faktoren sind entscheidend. Eine Zahl ohne Erklärung hilft deinem Verkäufer kaum und kann Fehler verstecken.

Hybrides Lead Scoring

In der Praxis ist die Kombination oft stark: Harte Ausschluss- und Pflichtregeln bleiben deterministisch, während ein Modell innerhalb der geeigneten Leads Muster erkennt. So verhinderst du, dass eine statistische Korrelation geschäftliche oder rechtliche Grenzen überstimmt.

Ein Beispiel: Dein Zielkundenprofil verlangt eine bestimmte Region und Unternehmensart. Diese Kriterien setzt du fest. Innerhalb dieser Gruppe kann das Modell Signale gewichten, die bei früheren qualifizierten Vorgängen häufig gemeinsam auftraten.

Welche Daten ein KI-Scoring nutzen kann

Ein gutes Modell beginnt nicht mit möglichst vielen Daten. Es beginnt mit relevanten, verständlichen und gepflegten Daten.

Unternehmensmerkmale

Branche, Region, Unternehmensgröße, Geschäftsmodell und vorhandene Technologie können zeigen, ob ein Lead grundsätzlich zu deinem Angebot passt. Die Grundlage liefert eine klare Kundensegmentierung.

Kontakt- und Rollenmerkmale

Funktion, Verantwortungsbereich und Einbindung in den Entscheidungskreis helfen bei der Einordnung. Aber ein vermeintlich „kleiner“ Kontakt kann Champion und Türöffner sein. Die Rolle im Buying Center muss ein Verkäufer im Gespräch bestätigen.

Verhaltenssignale

Anfrageart, Terminbuchung, Reaktion auf Kommunikation oder Nutzung freigegebener Inhalte können die aktuelle Aktivität zeigen. Ein Signal ist aber kein Bedarf. Drei Seitenaufrufe beweisen weder Budget noch Kaufabsicht.

Prozessdaten

Quelle, Reaktionszeit, Deal-Phase, vorherige Kontakte und Ergebnisse liefern Kontext. Sind diese Felder unvollständig, lernt das Modell deine Dokumentationsfehler.

Ergebnisdaten

Das Modell braucht ein klares Ziel. „Gewonnen“ klingt naheliegend, kann aber bei langen Verkaufszyklen selten oder verspätet vorliegen. „Qualifiziert“ ist schneller verfügbar, wird jedoch wertlos, wenn jeder Verkäufer anders qualifiziert.

Der Grundsatz lautet: Definiere zuerst, was ein gutes Ergebnis ist. Dann prüfe, ob deine historischen Daten dieses Ergebnis einheitlich abbilden.

Welche Daten nicht ungeprüft ins Modell gehören

Alles, was vorhanden ist, wird schnell zum vermeintlichen Merkmal. Das ist gefährlich.

• Freitextnotizen können Vorurteile, Vermutungen und personenbezogene Details enthalten.
• Postleitzahlen können unerwünschte Stellvertreter für andere Merkmale werden.
• Vertriebsaktivität kann das Ergebnis verzerren: Ein Lead konvertiert vielleicht deshalb häufiger, weil dein bester Verkäufer ihn schon früh bevorzugt hat.
• Alte Absagen können auf einem früheren Produkt, Preis oder Zielmarkt beruhen.
• Fehlende Werte sind nicht neutral. Vielleicht pflegt ein Team konsequent und ein anderes gar nicht.

Die KI erkennt Zusammenhänge. Sie erklärt dir nicht automatisch, ob diese Zusammenhänge sachlich sinnvoll, fair oder künftig stabil sind.

Lead Scoring mit KI in sieben Schritten aufbauen

1. Definiere die Entscheidung, die das Scoring unterstützt

„Wir wollen bessere Leads“ ist kein Ziel. Formuliere die konkrete Entscheidung: Welche neuen Anfragen prüft das Team innerhalb welcher Reihenfolge? Welche Leads gehen in eine manuelle Qualifizierung? Welche werden an ein anderes Team übergeben?

Das Scoring muss an eine Aktion gekoppelt sein. Sonst erzeugst du nur eine weitere Zahl im CRM.

2. Lege Zielkunde und Ergebnis fest

Beschreibe dein A-Kunden-Profil mit geschäftlich begründeten Merkmalen. Definiere anschließend das Ergebnis, aus dem das Modell lernen soll: bestätigte Qualifizierung, erstellte Verkaufschance oder gewonnener Auftrag.

Dokumentiere die genaue Definition. Wenn „qualifiziert“ bei Verkäufer A einen Termin und bei Verkäufer B ein freundliches Telefonat bedeutet, taugt das Label nicht.

3. Prüfe Datenqualität und Zulässigkeit

Erstelle ein Verzeichnis der vorgesehenen Datenfelder. Für jedes Feld klärst du Herkunft, Aktualität, Vollständigkeit, fachliche Bedeutung und zulässige Nutzung. Entferne Felder, die niemand erklären kann oder die für den Zweck nicht notwendig sind.

Die Datenschutzkonferenz zu KI und Datenschutz gibt Verantwortlichen Kriterien für Auswahl und Einsatz von KI-Anwendungen. Bei personenbezogenen Daten bindest du Datenschutzbeauftragte und bei Bedarf Rechtsberatung früh ein.

4. Baue eine einfache Vergleichsbasis

Starte mit einem transparenten regelbasierten Modell. Es zeigt dir, ob dein Zielkundenprofil und deine Prozessdaten überhaupt trennscharf sind. Dieses Basismodell ist später der Vergleich für die KI.

Ohne Vergleich kannst du nicht sagen, ob die komplexere Lösung besser arbeitet oder nur komplizierter aussieht.

5. Teste das KI-Modell im Schattenbetrieb

Lass das Modell zunächst bewerten, ohne die Reihenfolge des Teams zu verändern. Vergleiche seine Einschätzungen mit späteren, tatsächlich geprüften Ergebnissen. Untersuche besonders falsche hohe und falsche niedrige Bewertungen.

Frage bei jedem Ausreißer: Waren Daten falsch? War das Ziel ungeeignet? Hat sich der Markt verändert? Oder übersieht das Modell einen Faktor, den ein Verkäufer im Gespräch erkennt?

6. Übersetze Bewertungen in klare Arbeitsregeln

Definiere, was mit jeder Prioritätsklasse passiert. Hohe Priorität kann einen schnellen persönlichen Prüfauftrag auslösen. Mittlere Priorität kann zusätzliche Recherche verlangen. Niedrige Priorität darf nicht automatisch „wertlos“ bedeuten.

Lege außerdem fest, wann ein Mensch die Einstufung überstimmt, wie er den Grund dokumentiert und welche Vorgänge unabhängig vom Score geprüft werden. Das Modell empfiehlt. Der Verantwortliche entscheidet.

7. Überwache Wirkung, Fehler und Veränderungen

Prüfe regelmäßig Datenqualität, Verteilung der Bewertungen, Gründe, Übersteuerungen und Ergebnisse pro Kundensegment. Beobachte, ob bestimmte Gruppen systematisch hoch- oder niedriggestuft werden und ob sich Produkt, Zielmarkt oder Prozess verändert haben.

Ein Modell, das gestern passte, kann morgen veraltet sein. Änderungen am Angebot, an Kampagnen oder am Vertriebsprozess verändern die Datenbasis.

Vom Score zur richtigen Vertriebsaktion

Ein Score ohne Handlung ist Dekoration.

Baue deshalb pro Prioritätsklasse eine kleine Entscheidungskette:

• Was wissen wir sicher? Quelle, Unternehmensfit, Rolle und bisherige Aktivität.
• Was ist nur ein Modellsignal? Muster, Korrelation oder abgeleitete Wahrscheinlichkeit.
• Was muss ein Mensch bestätigen? Bedarf, Problemwirkung, Entscheidungskreis, Budget und Zeitplan.
• Was ist der nächste Schritt? Anruf, Recherche, Qualifizierung oder bewusstes Zurückstellen.
• Wann prüfen wir neu? Nach neuem Verhalten, Gespräch oder Datenkorrektur.

Das gehört sichtbar ins Pipeline Management. Verkäufer brauchen nicht nur eine Reihenfolge, sondern einen begründeten nächsten Schritt.

Wie du die Qualität des Scorings misst

Eine hohe technische Modellkennzahl allein macht noch keinen besseren Vertrieb. Du musst vier Ebenen getrennt betrachten.

Datenqualität

Wie viele der verwendeten Felder sind vollständig, aktuell und eindeutig definiert? Wie häufig korrigieren Verkäufer Branche, Rolle, Quelle oder Ergebnis? Wenn die Eingabe schwankt, schwankt auch der Score.

Erfasse Korrekturen nicht als lästige Ausnahme. Sie zeigen dir, wo Formulare, Schnittstellen oder Arbeitsanweisungen verbessert werden müssen.

Modellqualität

Vergleiche Modellbewertungen mit später bestätigten Ergebnissen. Untersuche nicht nur den Durchschnitt, sondern besonders zwei Fehlerarten: hoch bewertete Leads, die sich als unpassend erweisen, und niedrig bewertete Leads, die trotzdem qualifiziert oder gewonnen werden.

Die Gewichtung hängt von deinem Geschäft ab. Wenn wenige übersehene A-Kunden deutlich schwerer wiegen als zusätzliche Prüfungen, musst du das im Test berücksichtigen. Diese Entscheidung trifft die Vertriebsleitung, nicht der Anbieter.

Prozessqualität

Werden hoch priorisierte Leads tatsächlich schneller geprüft? Dokumentiert das Team den nächsten Schritt vollständiger? Sinkt die Zahl der Vorgänge ohne Verantwortlichen? Ein gutes Modell ohne veränderte Arbeitsweise bringt keinen Nutzen.

Beobachte auch Umgehungen. Wenn Verkäufer eigene Listen führen, fehlt Vertrauen, Erklärung oder eine passende Übersteuerungsmöglichkeit.

Geschäftliche Wirkung

Prüfe die Ergebnisse entlang der Pipeline: bestätigte Qualifizierungen, Übergaben, Verkaufschancen und Abschlüsse nach Segment. Behaupte keine Wirkung, die dein Test nicht isolieren kann. Gleichzeitig ändern sich Kampagnen, Teamleistung, Angebot und Markt. Dokumentiere deshalb, was während des Piloten sonst verändert wurde.

Wer für Lead Scoring verantwortlich ist

Lead Scoring ist kein reines IT-Projekt. Vier Verantwortungsbereiche müssen zusammenarbeiten:

• Vertriebsleitung: definiert Ziel, Arbeitsregeln, Übersteuerung und geschäftliche Wirkung.
• Vertriebsmitarbeiter: prüfen Gründe, melden Fehler und bestätigen Informationen im Gespräch.
• Daten- oder Systemverantwortliche: sichern Felder, Schnittstellen, Versionen und Protokolle.
• Datenschutz und Recht: prüfen Zweck, Datenverarbeitung, Verträge und besondere Risiken.

Bestimme zusätzlich einen Modellverantwortlichen. Diese Person dokumentiert Änderungen, genehmigt neue Merkmale, organisiert Kontrollen und kann das Scoring stoppen. Sonst verändert ein Administrator ein Feld, eine Kampagne liefert plötzlich andere Leads und niemand weiß, warum sich die Reihenfolge verschoben hat.

Ein Praxisbeispiel ohne Scheingenauigkeit

Ein B2B-Dienstleister erhält Anfragen aus Webinar, Empfehlung, Website und Veranstaltungen. Bisher verteilt das Team nach Eingang. Künftig soll ein hybrides Modell zuerst das bestätigte Unternehmensfit prüfen und danach innerhalb der passenden Leads zusätzliche Signale bewerten.

Im Schattenbetrieb landet ein bekannter Firmenname weit oben. Die Erklärung zeigt: Branche passend, Rolle passend, hohe Aktivität. Der Verkäufer prüft den Datensatz und erkennt, dass die Aktivität von mehreren Personen desselben Unternehmens stammt. Das ist interessant, aber noch kein bestätigter Bedarf.

Ein kleinerer Lead steht niedriger, obwohl eine konkrete Projektfrage vorliegt. Ursache: Das entscheidende Freitextfeld war nicht strukturiert erfasst. Das Team ergänzt kein blindes „Bonusmerkmal“, sondern verbessert zuerst den Eingabeprozess.

Genau dafür ist der Pilot da. Nicht um zu beweisen, dass die KI recht hat. Sondern um Daten, Prozess und Modell gemeinsam zu prüfen.

Die vier größten Fehler

Erfolg mit Korrelation verwechseln. Das Modell sieht, was gemeinsam auftrat. Es beweist keine Ursache.

Niedrige Scores ignorieren. Dadurch bekommt das Modell später keine neuen Erkenntnisse über diese Gruppe. Eine kontrollierte Stichprobe bleibt notwendig.

Verkäufer nicht einbeziehen. Wenn Gründe und Übersteuerung unklar sind, entsteht Schattenpriorisierung außerhalb des CRM.

Scoring mit Ansprache verbinden. Die Bewertung eines Leads ist keine Erlaubnis zur Kontaktaufnahme. Für Recherche und Personalisierung gelten eigene Regeln; der Leitfaden zu KI in der Kaltakquise trennt beides sauber.

So startest du ohne Datenprojekt aus dem Elfenbeinturm

Beginne nicht mit einem Modell. Beginne mit einer ehrlichen Frage: Nach welchen Kriterien priorisiert dein bestes Team heute — und welche davon stehen verlässlich im System?

Dann baust du die Datenbasis, ein transparentes Grundmodell und einen Schattenbetrieb. Erst wenn das neue Scoring bessere Entscheidungen vorbereitet und seine Gründe sichtbar macht, wird es Teil der Arbeitsreihenfolge.

Für Text, Recherche und Gesprächsvorbereitung brauchst du andere Werkzeuge. Vergleiche sie im Beitrag zu KI-Tools im Vertrieb und nutze ChatGPT im Vertrieb als konkreten Assistenten-Workflow.

Willst du eine KI-gestützte Pipeline statt eines isolierten Scores aufbauen, hol dir die KI-Anleitung. Für automatisierte Lead-Generation, Qualifizierung und Terminbuchung prüfst du anschließend die Akquisemaschine.

Häufige Fragen zu Lead Scoring mit KI

Wie viele historische Leads braucht KI-Scoring?

Es gibt keine seriöse allgemeine Mindestzahl für jedes Unternehmen. Sie hängt von Modell, Ziel, Datenqualität, Ergebnisverteilung und Zahl der Merkmale ab. Lass den Anbieter die Voraussetzungen für deinen konkreten Fall belegen und starte sonst mit transparenten Regeln.

Kann die KI automatisch unpassende Leads aussortieren?

Technisch ist das möglich, aber für den Einstieg riskant. Nutze niedrige Bewertungen zunächst als Hinweis und prüfe Stichproben. Harte Ausschlüsse sollten auf klaren, fachlich begründeten Regeln beruhen und nicht auf einem undurchsichtigen Modellwert.

Was ist wichtiger: Unternehmensfit oder Kaufabsicht?

Beides beantwortet eine andere Frage. Fit zeigt, ob der Lead grundsätzlich zu deinem Angebot passt. Verhaltenssignale können aktuelle Aktivität anzeigen. Erst das Gespräch bestätigt Bedarf, Wirkung, Entscheidungskreis und Zeitplan.

Ersetzt Lead Scoring die Qualifizierung?

Nein. Es sortiert die Reihenfolge vor der Qualifizierung und kann Prüffragen liefern. Ein Verkäufer muss die entscheidenden Angaben im Gespräch bestätigen und dokumentieren. Der Score ist Startpunkt, kein Abschlussurteil.