Predictive Lead Scoring: Leads nach Kaufwahrscheinlichkeit sortieren

Predictive Lead Scoring schätzt mit einem statistischen Modell, wie wahrscheinlich ein Lead einen Auftrag bringt. Die Schätzung stützt sich auf Daten aus Ihrem CRM, vor allem auf Leads mit bekanntem Ergebnis. Das Verfahren ordnet die Liste, es ersetzt weder das Gespräch noch die Erfahrung des Vertriebs.

Stand: Oktober 2026.

Was ist Predictive Lead Scoring?

Predictive Lead Scoring nutzt vergangene Leads, bei denen das Ergebnis bekannt ist, und lernt daraus, welche Merkmale mit einem Abschluss zusammenhängen. Ein neuer Lead erhält dann einen Wert, der die Wahrscheinlichkeit beschreibt. Der Wert ist eine Schätzung, keine Garantie für einen Auftrag.

Welche Daten braucht das Modell?

Es braucht vergangene Leads mit dem Ergebnis gewonnen oder verloren, dazu Merkmale wie Branche, Betriebsgröße, Funktion des Ansprechpartners und Kontaktweg. Je mehr abgeschlossene Fälle vorliegen, desto belastbarer wird das Modell. Fehlen die Ergebnisse, bleibt nur ein regelbasiertes Scoring.

Quelle: Beispielmerkmale der Redaktion, welche Merkmale tragen, zeigt die eigene Datenlage.

Wie unterscheidet sich das vom klassischen Scoring?

Klassisches Scoring vergibt Punkte nach festen Regeln, etwa für eine Anfrage über die Website oder einen Besuch auf einer Preisseite. Predictive Scoring leitet die Gewichtung aus den Daten ab. Beide sind Schätzungen. Der Unterschied liegt darin, wer die Gewichtung festlegt: eine Person oder die Auswertung der Abschlüsse.

Wie prüfen Sie, ob das Modell gute Leads findet?

Teilen Sie die Daten in einen Lernzeitraum und einen Prüfzeitraum. Vergleichen Sie die Vorhersage mit den tatsächlichen Ergebnissen. Ein Modell, das in der Prüfung nicht besser liegt als eine einfache Regel, bringt keinen Vorteil und wird nicht eingesetzt. Wiederholen Sie die Prüfung jedes Quartal.

Praxisbeispiel: Ein Score ordnet 400 Leads

In einem Projekt für einen Anbieter von Laborgeräten lagen 400 Leads mit bekanntem Ergebnis aus drei Jahren vor. Das Modell gewichtete die Betriebsgröße und die Funktion des Ansprechpartners stärker als die Herkunft des Leads. Im Prüfzeitraum lagen die 50 höchsten Scores bei 14 Abschlüssen, die 50 niedrigsten bei einem. Die Zahlen sind anonymisiert und gerundet.

Wie stimmen Marketing und Vertrieb den Score ab?

Legen Sie gemeinsam fest, ab welchem Wert ein Lead an den Vertrieb geht und was mit niedrigen Werten passiert. Niedrige Werte sollten nicht verschwinden, sondern in eine Pflege-Schleife gehen. Ohne Abstimmung landen Leads in einer Liste, die niemand bearbeitet, und der Score verliert seine Wirkung.

Wann reicht eine Liste ohne Modell?

Bei wenigen Leads im Monat und wenigen abgeschlossenen Fällen lohnt ein Modell nicht. Eine manuelle Einordnung nach Branche, Größe und Bedarf liefert dann bessere Ergebnisse. Ein Modell braucht genug Fälle, um zu lernen. Der Leitfaden zu Akquise-Kennzahlen zeigt, welche Zahlen Sie zuerst erheben sollten.

Welche Rolle spielt künstliche Intelligenz?

KI-Verfahren werten viele Merkmale gleichzeitig aus und erkennen Muster, die in Regeln schwer zu fassen sind. Die Entscheidung über Ansprache und Datenschutz bleibt beim Unternehmen. Prüfen Sie, welche Daten ein Anbieter speichert und wo sie liegen. Den Begriff der Lead-Bewertung erklärt das Glossar zum Lead Scoring.

Nächster Schritt

Wenn Sie Leads gezielter priorisieren wollen, beginnen Sie mit einer sauberen Liste abgeschlossener und verlorener Fälle. Die Seite Lead-Qualifizierung zeigt, wie Qualifizierung und Bewertung im Alltag zusammenspielen.

Häufig gestellte Fragen

Was ist Predictive Lead Scoring?

Predictive Lead Scoring schätzt mit einem statistischen Modell, wie wahrscheinlich ein Lead einen Auftrag bringt. Das Modell lernt aus vergangenen Abschlüssen und Verlusten im CRM. Es ersetzt die Erfahrung des Vertriebs nicht, sondern ordnet die Liste.

Welche Daten braucht ein Modell für das Lead Scoring?

Es braucht vergangene Leads mit bekanntem Ergebnis, also gewonnen oder verloren, sowie Merkmale wie Branche, Größe und Kontaktweg. Je mehr abgeschlossene Fälle vorliegen, desto belastbarer wird das Modell. Fehlen die Ergebnisse, bleibt nur ein regelbasiertes Scoring.

Wie unterscheidet sich das vom klassischen Lead Scoring?

Klassisches Scoring vergibt Punkte nach festen Regeln, etwa für eine Website-Anfrage. Predictive Scoring leitet die Gewichtung aus den Daten ab. Beide sind Schätzungen, der Unterschied liegt in der Herkunft der Gewichtung.

Wie prüfe ich, ob das Modell gute Leads findet?

Teilen Sie die Daten in einen Lern- und einen Prüfzeitraum und vergleichen Sie die Vorhersage mit den tatsächlichen Ergebnissen. Ein Modell, das in der Prüfung nicht besser liegt als eine einfache Regel, wird nicht eingesetzt. Wiederholen Sie die Prüfung jedes Quartal.

Wie gehen Marketing und Vertrieb mit dem Score um?

Legen Sie gemeinsam fest, ab welchem Score ein Lead an den Vertrieb geht und was mit niedrigen Werten passiert. Der Score muss mit dem Vertriebsalltag zusammenpassen. Ohne Abstimmung landen Leads in einer Liste, die niemand bearbeitet.

Wann reicht eine einfache Liste ohne Modell?

Bei wenigen Leads im Monat und wenigen abgeschlossenen Fällen lohnt ein Modell nicht. Eine manuelle Einordnung nach Branche, Größe und Bedarf liefert dann bessere Ergebnisse. Ein Modell braucht genug Fälle, um zu lernen.

Welche Rolle spielt künstliche Intelligenz beim Scoring?

KI-Verfahren werten viele Merkmale gleichzeitig aus und erkennen Muster, die in Regeln schwer zu fassen sind. Die Entscheidung über Ansprache und Datenschutz bleibt beim Unternehmen. Prüfen Sie, welche Daten ein Anbieter speichert und wo sie liegen.

Wie oft sollte ich das Modell aktualisieren?

Prüfen Sie das Modell mindestens quartalsweise und nach größeren Änderungen am Angebot oder am Markt. Veraltete Gewichtungen führen zu falschen Prioritäten. Dokumentieren Sie jede Änderung mit Datum und Grund.