Predictive Analytics für B2B-Leads: Wann es sich lohnt

Fehlen diese Daten, bringt ein Modell nur eine Sortierung, die gut aussieht und wenig trifft.

Stand: Oktober 2026. Die Schwellen und Beispielwerte unten sind Annahmen, keine Branchenwerte.

Was macht ein Vorhersagemodell mit Ihren Leads?

Das Modell vergleicht Firmen, die kaufen, mit Firmen, die nicht kaufen, und sucht Merkmale, die beide Gruppen trennen. Typische Merkmale sind Branche, Betriebsgröße, Region und die Art des letzten Kontakts. Ein Modell ergibt damit eine Punktzahl je Firma. Ein Mensch muss diese Zahl prüfen, bevor er Entscheidungen trifft.

Das Verfahren kennt zwei Varianten. Lead Scoring vergibt feste Punkte nach Regeln, die Ihr Team festlegt. Predictive Analytics lernt die Gewichte aus Daten. Die erste Variante braucht wenig Daten und ist leicht zu erklären. Die zweite braucht viele Ergebnisse.

Welche Daten braucht ein Modell?

Sie brauchen je Firma drei Dinge: Merkmale, einen Zeitpunkt der Ansprache und ein Ergebnis. Das Ergebnis muss eindeutig sein, etwa "Gespräch geführt", "Termin vereinbart", "Angebot erstellt" oder "Abschluss". Notizen wie "interessant" helfen dem Modell nicht.

Erfahrungsgemäß sind mehrere hundert Firmen mit erfasstem Ergebnis der Mindestbedarf für einen ersten Test. Diese Zahl ist eine Faustregel, kein geprüfter Wert. Entscheidend ist, dass Ergebnisse aus derselben Zielgruppe stammen.

Praxisbeispiel: 400 Firmen, zwei Gruppen

In einem Projekt für einen Hersteller von Industrieverpackungen lagen 1.240 Firmen im CRM mit erfasster Reaktion aus dem Vorjahr. Das Team bewertete jede Firma nach Branche, Größe und Reaktion auf die letzte Ansprache. Die obersten 200 Firmen ergaben 31 Gespräche, die untersten 200 ergaben 4. Der Vertrieb rief danach zuerst die oberen Firmen an und hielt die Reihenfolge drei Monate lang ein.

Die Zahlen stammen aus einem anonymisierten Praxisfall. Sie zeigen einen Unterschied in der Sortierung, keinen sicheren Erfolg.

Eine einfache Rechnung zum Einstieg

Die folgende Rechnung zeigt, warum die Sortierung Geld spart. Alle Werte sind Annahmen.

Wenn Ihr Team in einer Woche 100 Anrufe schafft, bringt die Reihenfolge deutlich mehr Gespräche als eine zufällige Liste. Wie groß der Effekt bei Ihnen ist, zeigt nur Ihr eigener Test.

Wann lohnt sich Predictive Analytics nicht?

Wenn Ihr CRM weniger als einige hundert Firmen mit erfasstem Ergebnis enthält, lernt das Modell Zufall statt Muster. Ebenso wenig lohnt es sich, wenn Ihre Zielgruppe sehr klein ist oder sich jedes Jahr stark verändert. Dann liefern feste Regeln mehr Nutzen, weil Ihr Team jeden Punkt versteht und hinterfragen kann.

Auch bei der Datenschutzfrage gibt es eine Grenze. Wer Angaben über einzelne Ansprechpartner speichert und auswertet, braucht eine klare Rechtsgrundlage. Klären Sie das vorher, nicht nachher.

Wie beginnen Sie ohne Software?

Legen Sie fünf Merkmale fest, zum Beispiel Branche, Größe, Region, Zugang über Empfehlung und Erreichbarkeit der Entscheider. Vergeben Sie je Merkmal ein bis drei Punkte. Führen Sie die Punkte in einer Tabelle und erfassen Sie das Ergebnis jeder Ansprache. Nach drei Monaten prüfen Sie, welche Merkmale tatsächlich trennen, und passen die Punkte an.

Die Methode ist Teil der Lead-Qualifizierung. Den Ablauf für das Erstgespräch beschreibt die Checkliste Lead-Qualifizierungsfragen. Eine Übersicht zu Scoring-Regeln finden Sie im Leitfaden zum Lead Scoring.

Nächster Schritt

KRAUSS übernimmt die Telefonebene und die Terminierung, bei der die Sortierung ihren Nutzen zeigt. Wenn Sie wissen wollen, wie wir Firmenlisten für Anrufe aufbereiten, lesen Sie die Seite zur B2B-Leadgenerierung. Wer eher einen Ansprechpartner für Anrufe sucht, findet ihn unter Terminvereinbarung.

Häufig gestellte Fragen

Was ist Predictive Analytics in der Leadgenerierung?

Predictive Analytics schätzt auf Basis historischer Daten, wie wahrscheinlich eine Firma kauft oder ein Gespräch annimmt. Die Werte sortieren Ihre Liste, bevor ein Anruf erfolgt. Ein Modell ist nur so gut wie die Daten, aus denen es lernt.

Welche Daten braucht ein Vorhersagemodell im B2B?

Sie brauchen Firmen mit Merkmalen wie Branche, Größe und Region sowie das Ergebnis je Firma: Gespräch, Termin, Angebot, Abschluss. Ohne ausreichend Ergebnisse mit Vergleichsgruppe lässt sich kein verlässliches Muster finden.

Lohnt sich Predictive Analytics für kleine Vertriebe?

Oft nicht. Wenige Abschlüsse im Jahr reichen für kein belastbares Modell. Bei kleineren Datenmengen funktionieren einfache Punktesysteme aus Branche, Größe und Reaktion besser, weil sie nachvollziehbar sind.

Ist Predictive Analytics mit der DSGVO vereinbar?

Die Verarbeitung personenbezogener Daten braucht eine Rechtsgrundlage nach Art. 6 DSGVO. Klären Sie mit Ihrem Datenschutzbeauftragten, welche Daten Sie verwenden dürfen, bevor Sie ein Modell bauen. Dieser Beitrag ist keine Rechtsberatung.

Wie messe ich, ob das Modell besser sortiert?

Teilen Sie die Liste in Gruppen nach Punktzahl und vergleichen Sie die Gesprächsquote je Gruppe. Liegt die obere Gruppe deutlich über der unteren, sortiert das Modell brauchbar. Testen Sie das über mehrere Monate, nicht über eine Woche.

Kann KRAUSS die Sortierung für mich übernehmen?

KRAUSS bietet keine Analytics-Software an. Wir arbeiten mit den Listen und Ergebnissen, die Sie uns geben, und melden zurück, welche Firmen im Gespräch reagiert haben. Die Auswertung der Daten bleibt bei Ihnen.

Was ist der einfachste Einstieg?

Ein Punktesystem mit fünf Merkmalen, das Ihr Vertrieb in einer Tabelle führt. Nach drei Monaten vergleichen Sie die Gesprächsquoten je Punktgruppe und ersetzen die Gewichte durch Ihre Ergebnisse.

Welche Begriffe muss ich kennen?

Lead Scoring vergibt Punkte nach festen Regeln. Predictive Analytics lernt die Gewichte aus Daten. Beide helfen nur, wenn das Ergebnis je Firma sauber erfasst wird.