Autonomes Marketing mit ActiveCampaign: KI-Readiness-Scores einsetzen

Ein KI-Readiness-Score bewertet jeden Kontakt in deiner ActiveCampaign-Datenbank kontinuierlich anhand von Verhaltenssignalen, CRM-Daten und – wo verfügbar – externen Marktinformationen. ActiveCampaign nutzt diesen Wert als dynamischen Automationsauslöser: Wer über einem definierten Schwellenwert liegt, erhält automatisch die passende Kampagne, ohne dass jemand manuell sortiert. So entsteht ein System, das Relevanz skaliert statt Versandvolumen zu erhöhen.

Das Wichtigste in Kürze

• Ein Readiness-Score ist ein numerischer Wert (0–100), der die aktuelle Kaufbereitschaft eines Kontakts aus mehreren Datenquellen berechnet – nicht einmalig festgelegt, sondern laufend aktualisiert.
• ActiveCampaign unterstützt diesen Ansatz nativ: Custom Fields speichern den Score, Automationen reagieren auf Schwellenwerte, Active Intelligence verfeinert Sendezeitpunkte und Inhalte.
• Der Score steuert die Kommunikationsfrequenz: Hohe Scores lösen intensive Sequenzen aus, niedrige Scores führen Kontakte in ruhigere Drip-Kampagnen.
• Im DACH-Raum gilt: Jede KI-basierte Kontaktbewertung muss im Verarbeitungsverzeichnis dokumentiert sein; Kontakten steht ein Widerspruchsrecht zu.
• Die wichtigste Designentscheidung ist nicht die KI, sondern die Signalauswahl: Welche drei bis fünf Datenpunkte sagen Kaufbereitschaft in deinem Geschäftsmodell wirklich voraus?

Was ein Readiness-Score ist – und wo er sich vom Lead Scoring unterscheidet

Lead Scoring, wie ActiveCampaign es nativ anbietet, bewertet Kontakte anhand regelbasierter Punktevergaben: Ein E-Mail-Klick gibt fünf Punkte, ein Website-Besuch drei, ein Formular-Ausfüllen zehn. Der Gesamtwert steigt mit der Zeit – und genau das ist sein größtes Problem. Ein Kontakt, der vor neun Monaten intensiv geklickt hat und seitdem inaktiv ist, trägt noch immer seinen hohen Score. Das Signal ist längst veraltet, der Wert stimmt nicht mehr mit der tatsächlichen Kaufbereitschaft überein.

Ein Readiness-Score löst dieses Problem durch zwei strukturelle Anpassungen. Erstens verfällt er: Inaktivität wird aktiv abgezogen. Ein Kontakt, der 60 Tage lang keine Interaktion zeigt, rutscht automatisch in einen niedrigeren Bereich. Zweitens fließen externe Signale ein. Wer nur das Verhalten in der eigenen Plattform misst, sieht lediglich, was Kontakte auf der eigenen Website tun – nicht, was in ihrem Marktumfeld gerade passiert. Ein Readiness-Score kann so konzipiert werden, dass er auf Preisänderungen, Vertragsenden, Unternehmensmeldungen oder andere Ereignisse reagiert, die Kaufbereitschaft außerhalb des eigenen Systems erhöhen.

KI kommt ins Spiel, um diese Signalkombination zu gewichten. Statt jeder Signalart manuell Punkte zuzuweisen, analysiert ein KI-Modell historische Conversion-Daten und identifiziert, welche Signale tatsächlich Kaufbereitschaft vorhersagen – und welche lediglich mit ihr korrelieren, ohne sie zu verursachen. E-Mail-Öffnungen zum Beispiel werden oft durch automatische E-Mail-Client-Vorschauen ausgelöst und korrelieren kaum mit echtem Interesse; Klicks auf spezifische Produktseiten sind ein deutlich belastbareres Signal.

Welche Signale einen belastbaren Score aufbauen

Bevor du irgendetwas in ActiveCampaign baust, brauchst du Klarheit über die Schichten, aus denen dein Score zusammengesetzt wird. Drei Ebenen haben sich in der Praxis als tragend erwiesen.

Verhaltensignale in der eigenen Plattform

Das ist die Basis: Was macht ein Kontakt in deinem E-Mail-Programm und auf deiner Website? ActiveCampaign erfasst diese Daten nativ – E-Mail-Klicks, Website-Besuche per Site Tracking, Formularausfüllungen, Antworten auf Umfragen. Für den Score relevant sind nicht einzelne Ereignisse, sondern Muster. Wer in den letzten 30 Tagen dreimal dieselbe Produktseite besucht hat, zeigt ein anderes Signal als jemand, der zufällig eine Willkommensmail geöffnet hat. Für die Scoring-Logik bedeutet das: Website-Besuche auf spezifischen Seiten sollten höher gewichtet werden als allgemeine E-Mail-Öffnungen.

CRM-Daten und Transaktionshistorie

Die zweite Ebene kommt aus dem CRM: Kaufhistorie, Support-Anfragen, letztes Bestelldatum, Kundenlebensdauer, Vertragslaufzeiten. Wer zuletzt vor 18 Monaten gekauft hat, steht anders da als jemand, dessen letzter Kauf drei Monate zurückliegt. Diese Daten liegen entweder in ActiveCampaigns CRM-Feldern oder werden per API aus einem externen System synchronisiert. Wichtig: Auch negative Signale müssen abgebildet werden – ein offenes Support-Ticket mit hoher Priorität kann ein gutes Timing für eine Upsell-E-Mail de facto verhindern.

Externe Marktsignale

Die dritte Ebene ist optional, aber oft die entscheidende. Im Energiemarkt ist das ein verfügbarer günstigerer Tarif oder eine angekündigte Preiserhöhung beim Bestandsanbieter. Im SaaS-Bereich könnte es eine Nachricht über einen Wettbewerber sein, im B2B-Bereich eine Personalveränderung beim Entscheider. Solche Signale lassen sich über Webhooks in ActiveCampaign einspielen – sobald ein externes System ein Ereignis feuert, aktualisiert sich der Custom-Field-Score automatisch, und die passende Automation wird ausgelöst.

So richtest du einen Readiness-Score in ActiveCampaign ein – Schritt für Schritt

Das folgende Setup baut einen dreistelligen Score (0–100) auf, der auf E-Mail-Engagement, Website-Verhalten und einem extern aktualisierbaren Signal basiert. Es ist ein Startpunkt, kein Endprodukt – die Gewichtungen wirst du anpassen, sobald du erste Conversion-Daten ausgewertet hast.

1. Custom Field anlegen: Kontakte → Felder verwalten → Neues Feld. Typ: Nummer. Name: "Readiness Score". Standardwert: 0.
2. Basis-Scoring-Automation erstellen: Automationen → Erstellen → Blank Automation. Trigger: "Tag wird hinzugefügt" (z. B. Tag "Produktseite besucht"). Aktion: Feld "Readiness Score" um 8 erhöhen.
3. E-Mail-Klick separat bewerten: Zweite Automation, Trigger: "E-Mail-Link geklickt" – Feld um 5 erhöhen. Öffnungen sind kein eigenständiges Signal; verzichte auf eine separate Öffnungs-Automation.
4. Decay-Automation einrichten: Eine dritte Automation läuft täglich (Trigger: wiederkehrendes Datum). Bedingung: "Letzter E-Mail-Klick ist mehr als 14 Tage her". Aktion: Feld "Readiness Score" um 3 reduzieren, Minimum 0.
5. Schwellenwert-Automation verknüpfen: Automationen → Erstellen. Trigger: "Custom Field ändert sich". Bedingung: "Readiness Score ist größer als 70". Aktion: Kontakt in Segment "Heißer Lead" verschieben und Intensiv-Sequenz starten. Für Scores unter 30: Kontakt in "Niedrig-Intensitäts-Drip" verschieben.
6. Site Tracking aktivieren: Einstellungen → Tracking → Site Tracking. Tracking-Code auf relevanten Produktseiten einbinden. Seitenbesuche fließen dann automatisch als Trigger in die Scoring-Automationen ein.
7. Scores gegen Realität prüfen: Exportiere deine letzten 50 Conversions und prüfe, welchen Score diese Kontakte zum Zeitpunkt der Conversion hatten. Lagen sie tatsächlich über dem Schwellenwert? Falls nicht, passen die Gewichtungen nicht zur Realität deines Geschäftsmodells – passe die Punktwerte an und wiederhole die Validierung nach vier Wochen.

Wie ActiveCampaign Active Intelligence den Score ergänzt

Seit Anfang 2026 bietet ActiveCampaign mit Active Intelligence eine KI-Ebene an, die über regelbasiertes Scoring hinausgeht. Active Intelligence analysiert das Engagement-Muster jedes einzelnen Kontakts und passt Sendezeitpunkte automatisch an – unabhängig davon, wann du die Kampagne planst. Das Feature heißt Predictive Sending und ist ab dem Professional-Plan verfügbar. Laut ActiveCampaign verbessert Predictive Sending Click-Through-Raten, weil E-Mails dann ankommen, wenn der jeweilige Empfänger erfahrungsgemäß am aktivsten ist.

Hinzu kommt Autonomous Insights: Seit Januar 2026 erscheinen auf der ActiveCampaign-Homepage proaktive KI-Empfehlungen, die auf Basis deiner tatsächlichen Daten zeigen, welche Segmente gerade ungenutzte Conversion-Potenziale haben. Das ist kein Readiness-Score im engeren Sinne, aber es liefert Hinweise, wo ein manuell aufgebauter Score besonders viel bringen würde. Wer verstehen will, wie Active Intelligence in der Praxis eingesetzt wird, findet im Beitrag darüber, wie ActiveCampaign aus regelbasierter Automation autonomes Marketing gemacht hat, die konzeptionelle Einordnung.

Die Kombination aus einem selbst definierten Custom-Field-Score und den nativen KI-Funktionen ist deshalb stärker als jede Einzellösung: Dein Score definiert, wen die Automation erreicht; Active Intelligence optimiert, wann und in welchem Format.

Praxisbeispiel: Switch Readiness Score in der Energiewirtschaft

Ein US-Energieportal, das Verbraucher mit Energieanbietern verbindet, hat das Modell des KI-Readiness-Scores mit ActiveCampaign umgesetzt. Das Scoring kombiniert mehrere Variablen: Vertragsende-Datum, Website-Besuche, E-Mail-Interaktionen, frühere Wechselhistorie und verfügbare Einsparungen im Vergleich zum aktuellen Tarif.

Der entscheidende Schritt war die Verknüpfung mit externen Marktdaten. Sobald ein Energieanbieter eine Preiserhöhung ankündigte, identifizierte das System automatisch alle Kunden im betroffenen Versorgungsgebiet, filterte nach hohen Switch Readiness Scores und startete eine personalisierte E-Mail-Sequenz – ohne manuelle Eingriffe. Die Kommunikationsfrequenz variierte je nach Score: Kontakte mit hohem Score erhielten bei bevorstehendem Vertragsende eine intensivere Sequenz, Kontakte mit niedrigem Score blieben in einer ruhigeren Drip-Kampagne.

Die Signalauswahl war bewusst induktiv: Statt der KI spezifische Regeln vorzugeben, wurden historische Conversion-Daten hochgeladen und das Modell offen befragt, welche Muster bei konvertierten Kunden sichtbar werden. Die Antworten wurden schrittweise in konkrete Scoring-Kriterien übersetzt – und in mehreren Iterationen verfeinert, bis die Schwellenwerte zuverlässig Kaufbereitschaft vorhersagten.

Was dieses Ergebnis möglich machte, war nicht primär die KI, sondern die Qualität der Signalauswahl. Die KI hilft, Muster zu erkennen; die Entscheidung, welche Datenpunkte überhaupt erfasst und in das System eingespeist werden, trifft das menschliche Team.

Typische Fehler beim Aufbau eines Scoring-Systems

Das häufigste Problem ist die Wahl der falschen Signale. Teams greifen zu Beginn gern auf das zurück, was leicht zu messen ist. E-Mail-Öffnungen sind einfach zu tracken, sagen aber wenig über Kaufbereitschaft aus – sie werden oft durch automatische E-Mail-Client-Vorschauen ausgelöst. Klicks und Seitenbesuche sind aussagekräftiger, brauchen aber Kontext: Ein Klick auf "Abmelden prüfen" ist kein positives Kaufsignal.

Der zweite häufige Fehler ist ein Score ohne Verfallslogik. Wer keine Decay-Automation einbaut, sammelt mit der Zeit Kontakte im hohen Score-Bereich, die dort bleiben, obwohl sie seit Monaten inaktiv sind. Die Folge: Automationen erreichen Kontakte, die sich nicht mehr für das Angebot interessieren, die Abmelderate steigt, und der Score verliert seine Vorhersagekraft – ohne dass das sofort sichtbar wird.

Der dritte Fehler ist das Übergeben zu viel Verantwortung an das Modell, ohne es regelmäßig zu validieren. Märkte und Kundenverhalten ändern sich; ein Score, der im ersten Quartal gut funktioniert hat, kann im dritten Quartal falsch kalibriert sein. Eine Validierung alle sechs bis acht Wochen – Score der konvertierten Kontakte rückwirkend prüfen – ist kein Aufwand, sondern eine Pflicht.

Ein vierter Fehler, der im DACH-Kontext besonders relevant ist: das System ohne datenschutzrechtliche Prüfung produktiv zu schalten. Eine KI-basierte Kontaktbewertung ist eine automatisierte Verarbeitung personenbezogener Daten – das erfordert mehr als einen technischen Test.

Wann ein KI-Readiness-Score nicht das richtige Werkzeug ist

Ein Readiness-Score setzt voraus, dass genug historische Daten vorhanden sind, um Muster zu erkennen. Wer unter 500 Kontakte in der Datenbank hat oder bisher wenige Conversions dokumentiert hat, bekommt von einem KI-Modell statistisch unzuverlässige Signale. In diesem Stadium sind einfache regelbasierte Lead-Scoring-Modelle in ActiveCampaign oft treffsicherer, weil sie explizit auf bekannte Kaufsignale reagieren statt Muster zu schätzen.

Ein weiteres Indiz, dass ein Readiness-Score in dieser Form nicht passt: Wenn dein Vertriebsprozess stark von persönlicher Beziehung oder individueller Beratung abhängt, steuert ein Score möglicherweise in die falsche Richtung. Wer nach einem Score von 72 automatisch eine intensive E-Mail-Sequenz erhält, obwohl er eigentlich ein Telefonat mit einem Berater erwartet, reagiert oft mit Abmeldung statt mit Kauf. In solchen Fällen ist der Score besser als interner Hinweis für den Vertrieb geeignet – als Trigger für eine CRM-Aufgabe statt für eine automatische E-Mail-Kampagne.

Auch bei stark saisonalem Geschäft braucht der Score eine angepasste Konfiguration. Wenn Kaufbereitschaft in deiner Branche im Herbst grundsätzlich höher ist als im Frühjahr, muss die Decay-Logik das berücksichtigen – sonst sinken Scores in der Hochsaison zu schnell, weil normale Saisonalität als Inaktivität gewertet wird.

DSGVO-konforme Umsetzung im DACH-Raum

KI-basierte Kontaktbewertung ist in Deutschland, Österreich und der Schweiz kein rechtsfreier Raum. Wer Kontakte automatisch nach einem Score sortiert und auf Basis dieses Scores Kommunikation steuert, muss das als automatisierte Datenverarbeitung in sein Verarbeitungsverzeichnis aufnehmen. Das gilt auch dann, wenn ein Mensch die finalen Kampagnen freigegeben hat – die Auswahlentscheidung, wer eine E-Mail erhält, trifft das System.

Vier Anforderungen sind im DACH-Kontext besonders relevant. Erstens Transparenz in den Datenschutzhinweisen: Kontakte müssen erfahren können, dass ein Score berechnet wird und welche Datenkategorien einfließen. Zweitens Zweckbindung: Ein Score, der für E-Mail-Marketing berechnet wurde, darf nicht ohne Weiteres für Preisdifferenzierung oder andere Zwecke verwendet werden. Drittens Widerspruchsrecht: Kontakte müssen aus der automatisierten Bewertung optieren können, ohne dadurch alle Kommunikation zu verlieren – das erfordert eine manuelle Übersteuerungsoption im Setup. Viertens Löschfristen: Scores aus veralteten Daten müssen automatisch zurückgesetzt oder gelöscht werden; eine Retention-Policy von zwölf Monaten ist in vielen Fällen sinnvoll und sollte als eigene Automation laufen.

ActiveCampaign bietet für DACH native Compliance-Features: Double Opt-in, Suppression-Listen, Felder zur Einwilligungsverwaltung und ein Recht-auf-Vergessen-Feature. Die Scoring-Logik selbst ist jedoch Teil deiner Konfiguration – sie muss organisationsseitig dokumentiert und, je nach Komplexität, datenschutzrechtlich geprüft werden. Stand 2026 sind die Transparenzanforderungen bei KI-generiertem oder KI-gesteuertem Inhalt in der EU gestiegen; auch für E-Mail-Automationen, die auf KI-Scores basieren, sollte das in der Datenschutzkommunikation an Kontakte abgebildet sein.

Häufige Fragen

Wie viele Signale brauche ich für einen belastbaren Readiness-Score?

Drei bis fünf Signale reichen als Ausgangspunkt. Mehr ist nicht automatisch besser: Jedes zusätzliche Signal erhöht die Komplexität und das Risiko, dass ein einzelner Datenpunkt das Modell in die falsche Richtung zieht. Beginne mit den zwei oder drei Faktoren, die in deiner Branche nachweislich mit Kaufbereitschaft korrelieren, und erweitere das Modell erst, wenn du erste Validierungsdaten hast und weißt, was bei deinen Kontakten tatsächlich vorhersagt.

Ab welchem ActiveCampaign-Plan kann ich Custom Fields und Scoring nutzen?

Custom Fields für einen numerischen Score sind ab dem Lite-Plan verfügbar. Das native Lead Scoring mit regelbasierter Punktevergabe ist ab dem Plus-Plan zugänglich. Predictive Sending als Teil von Active Intelligence setzt den Professional-Plan voraus. Für ein vollständiges autonomes Setup – Custom-Score, Schwellenwert-Automationen und KI-optimierter Versandzeitpunkt – ist Professional die Mindestvoraussetzung.

Wie oft sollte ein Readiness-Score aktualisiert werden?

Verhaltensbasierte Scores sollten in Echtzeit bei jedem Trigger-Ereignis aktualisiert werden – Klick, Seitenbesuch, Formular-Ausfüllen. Die Decay-Routine läuft täglich. Wenn externe Signale einfließen – Preisänderungen, CRM-Updates aus einem Drittsystem – sollte der Score bei jedem solchen Ereignis automatisch per Webhook aktualisiert werden. Starre Wochen- oder Monatsintervalle sind zu langsam; bis dahin kann sich Kaufbereitschaft grundlegend verändert haben.

Kann ich den Score auch für Bestandskunden nutzen, nicht nur für Neukunden?

Ja – und oft lohnt es sich dort mehr, weil mehr Verhaltensdaten vorliegen. Relevant sind dann andere Signale: Produktnutzung, Support-Anfragen, Vertragsverlängerungstermine, Upgrade-Interesse. ActiveCampaign unterstützt das über dasselbe Custom-Field-Setup; du brauchst eine separate Scoring-Logik, die auf Bestandskunden-Signale ausgerichtet ist, und eigene Schwellenwert-Automationen, die auf die andere Customer Journey abgestimmt sind.

Was ist der Unterschied zwischen einem Readiness-Score und dem nativen Lead Scoring in ActiveCampaign?

Das native Lead Scoring in ActiveCampaign addiert Punkte regelbasiert und kumulativ – der Score steigt, fällt aber nicht automatisch ab. Ein Readiness-Score ist dynamisch: Er berücksichtigt Inaktivität durch Decay-Logik, externe Signale durch Webhook-Updates und kann durch ein KI-Modell gewichtet werden, das aus historischen Conversion-Daten lernt. Das native Lead Scoring ist ein solider Einstieg; ein Readiness-Score ist der nächste Schritt, sobald genug Daten vorliegen und die Automation von Verhaltensmustern statt von einzelnen Ereignissen abhängig gemacht werden soll.

Wer den Readiness-Score als Kern eines autonomen Marketing-Systems aufbaut, kommt an einer sorgfältig konfigurierten Lead-Scoring-Grundlage in ActiveCampaign nicht vorbei – das Basis-Setup und die Regel-Logik dahinter erklärt der Lead-Scoring-Guide für ActiveCampaign im Detail. Wer darüber hinaus verstehen will, wie sich das native Active Intelligence-Layer mit einem eigenen Custom-Score kombinieren lässt, findet konkrete Prompt-Ansätze im Beitrag zu Active Intelligence Prompts für das E-Mail-Marketing. Der nächste sinnvolle Schritt nach der Lektüre ist die Validierung der eigenen Signalauswahl: Welche drei Datenpunkte sagten bei deinen letzten zwanzig Conversions tatsächlich voraus, dass jemand kauft?