Lange Verkaufszyklen: Wie du den wahren Wert deiner Conversions misst

Den wahren Wert einer Conversion bei langen Verkaufszyklen bestimmst du über drei Bausteine: den Customer Lifetime Value als Maßstab, ein Lead Scoring, das die Kaufwahrscheinlichkeit schätzt, und ein Attribution-Modell, das alle Touchpoints einem Deal zuordnet. Wer nur auf Last-Click-Tracking setzt, optimiert auf Klickkosten statt auf Umsatz.

Das Wichtigste in Kürze

• Standard-Analytics versagen bei langen Zyklen, weil Attributionsfenster und Cookie-Laufzeiten kürzer sind als der Verkaufszyklus selbst.
• Der Customer Lifetime Value ist die Grundlage: Ohne ihn hat jede Lead-Wert-Schätzung keinen Boden.
• Multi-Touch-Attribution verteilt den Deal-Wert auf alle Touchpoints – nicht nur auf den letzten Klick.
• Lead Scoring in ActiveCampaign übersetzt Kontaktverhalten in einen tagesaktuellen Zahlenwert für Kaufwahrscheinlichkeit.
• Cohorten-Analyse zeigt, ob sich deine Marketing-Performance verändert, auch wenn Deals erst Monate später schließen.

Warum Standard-Analytics bei langen Verkaufszyklen systematisch versagen

Google Analytics, Meta Pixel und die meisten Ad-Plattformen arbeiten mit festen Attributionsfenstern: 30 Tage für organischen Traffic, 7 Tage für bezahlte Social-Anzeigen. Wenn dein mittlerer Verkaufszyklus neun Monate beträgt, liegt der Abschluss außerhalb jedes dieser Fenster. Das heißt nicht, dass dein Marketing versagt – es heißt, dass dein Tracking das falsche Muster misst.

Das Grundproblem ist der Attributionsbruch. Ein Kontakt lädt im Februar ein Whitepaper herunter, nimmt im April an deinem Webinar teil, spricht im Juli auf einer Messe mit deinem Vertrieb und unterschreibt im November den Vertrag. Google Analytics bucht diesen Umsatz auf „Direktzugriff“ – weil der Kontakt die Demo-Seite vermutlich direkt aufgerufen oder ein Lesezeichen genutzt hat. Dein Content-Marketing vom Februar erscheint in keiner Statistik.

Das zweite Problem ist die Cookie-Laufzeit. Selbst First-Party-Cookies halten in der Praxis selten mehr als 13 Monate. Bei Zyklen von 12 Monaten oder länger bist du an der Grenze. Dazu kommen Browser-Einschränkungen – Safari begrenzt First-Party-Cookies unter bestimmten Tracking-Schutz-Bedingungen auf sieben Tage – und wachsendes Opt-out-Verhalten bei Cookie-Bannern.

Das dritte Problem liegt im Modell selbst. Last-Click-Attribution gewichtet den letzten Kontaktpunkt vor dem Abschluss mit 100 Prozent. Bei einem achtmonatigen Zyklus war das oft ein „Demo buchen“-Klick. Diese Demo kommt nicht aus dem Nichts – sie ist das Ergebnis von mehreren vorgelagerten Touchpoints. Last-Click sagt dir, dass dein Kalender-Tool deinen Umsatz treibt, und schneidet damit systematisch das Budget für Awareness-Kanäle.

Customer Lifetime Value berechnen: Die Grundlage jeder Conversion-Bewertung

Bevor du ein Attribution-Setup aufbaust, brauchst du eine Antwort auf diese Frage: Was ist ein Neukunde für dich wert? Ohne diese Zahl ist jeder Lead-Wert eine Schätzung ohne Anker.

Der Customer Lifetime Value (CLV) setzt sich aus drei Faktoren zusammen: durchschnittlichem Erstauftragswert, Wiederkaufrate und mittlerer Kundenlaufzeit. Bei einem SaaS-Produkt mit Monatsgebühr ist das direkt zu berechnen: mittlerer monatlicher Umsatz pro Kunde mal mittlere Laufzeit bis zum Churn. Bei projektbasiertem Beratungsgeschäft musst du Folgeprojekte, Empfehlungen und Verlängerungen separat erfassen.

Ein hypothetisches Rechenbeispiel zur Veranschaulichung: Ein Beratungsunternehmen hat einen durchschnittlichen Projektwert von 30.000 Euro. Rund 55 Prozent der Kunden kaufen innerhalb von zwei Jahren erneut, mit einem Folgeauftrag von im Schnitt 20.000 Euro. Die mittlere Kundenbeziehung dauert vier Jahre. Daraus ergibt sich: 30.000 Euro Erstauftrag plus zwei Folgeprojekte zu 20.000 Euro bei 55 Prozent Wiederkaufrate ergibt einen CLV von rund 52.000 Euro. Das ist der Wert, den ein Neukunde statistisch bringt – und damit der Maßstab für alle Touchpoints, die zu diesem Kunden geführt haben.

Wenn du weißt, dass Demo-Buchungen bei dir historisch zu einem bestimmten Prozentsatz zu Kunden werden, kannst du einer Demo-Buchung einen erwarteten Wert zuweisen. Das macht alle vorgelagerten Touchpoints messbar – auch wenn der Deal erst in neun Monaten schließt. Verwende für deinen CLV ausschließlich deine eigenen historischen Abschlussdaten. Branchen-Benchmarks variieren so stark nach Segment, Preislage und Vertriebsmodell, dass sie als Grundlage unbrauchbar sind.

Cohorten-Analyse als Frühindikator

Du musst nicht warten, bis alle Deals eines Monats geschlossen sind, bevor du etwas über deine Marketing-Performance weißt. Cohorten-Analyse gruppiert Leads nach ihrem Akquisitionsmonat und verfolgt ihren Weg durch die Pipeline. Wenn die Januar-Kohorte nach vier Monaten in der Pipeline weiter ist als die Januar-Kohorte des Vorjahres, ist das ein frühes Signal, dass deine Maßnahmen wirken – lange bevor der erste Deal der Kohorte schließt.

Attribution-Modelle im Vergleich: Welches passt bei langen Zyklen?

Es gibt fünf verbreitete Attribution-Modelle. Ihre Stärken und Schwächen hängen direkt vom Charakter des Verkaufszyklus ab.

Last-Touch-Attribution

Der letzte Touchpoint vor dem Abschluss bekommt 100 Prozent des Credits. Das ist der Standard in Google Analytics und den meisten E-Commerce-Tools. Es passt gut für impulsgetriebene Kaufentscheidungen mit kurzer Recherchephase – und damit fast nie für komplexe B2B-Deals.

First-Touch-Attribution

Der erste Kontakt bekommt den vollen Credit. Das ist das andere Extrem. Vorteil: Es zeigt, welche Kanäle echten Erstkontakt generieren und damit den Trichter öffnen. Für Unternehmen, die in Awareness-Kanäle investieren und wissen wollen, ob ihr Content neue Namen in die Pipeline bringt, ist das der direkteste Indikator. Nachteil: Alles, was danach passiert, zählt nicht.

Lineare Attribution

Jeder Touchpoint bekommt den gleichen Anteil. Bei fünf Touchpoints bekommt jeder 20 Prozent. Das ist fair in der Gewichtung, aber unscharf in der Aussage: Ein einmaliger Social-Post wird gleichgewichtet wie die Demo, die den Deal entschieden hat. Für die Budgetoptimierung liefert das kaum Steuerungsinformationen.

Time-Decay-Attribution

Je näher ein Touchpoint am Abschluss liegt, desto mehr Credit bekommt er. Das entspricht der Intuition, dass Interesse kurz vor dem Abschluss konkreter ist als der Erstkontakt. Nachteil: Es unterschätzt systematisch die Wirkung der frühen Awareness-Phase und führt dazu, dass Awareness-Budget als ineffizient erscheint.

Position-Based-Attribution (W-Shaped)

Drei Schlüsselpunkte bekommen mehr Gewicht: erster Touchpoint, Lead-Conversion-Moment (z.B. MQL-Schwelle überschritten) und letzter Touchpoint vor dem Abschluss – häufig je 30 Prozent, der Rest verteilt sich auf mittlere Touchpoints. Das Modell passt gut für Zyklen mit einem definierten MQL-Moment, etwa einer Demo-Anfrage, die formal zum SQL wird.

Für die meisten B2B-Setups mit langen Zyklen empfiehlt sich ein Hybridansatz: First-Touch und Position-Based parallel berichten. First-Touch zeigt, welche Kanäle die Pipeline öffnen. Position-Based zeigt, welche Touchpoints zu echten Verkaufsgesprächen führen. Beide Zahlen zusammen ergeben ein vollständigeres Bild als jedes Modell allein. Kein Modell ist dabei die Wahrheit – jedes ist ein vereinfachtes Bild, das bestimmte Fragen beantwortet und andere ausblendet.

Lead Scoring in ActiveCampaign als Proxy für Kaufwahrscheinlichkeit

Weil Deals in langen Zyklen nicht sofort schließen, brauchst du eine laufende Bewertung, die anzeigt, wie nah ein Kontakt einem Kaufentscheid ist. Lead Scoring übersetzt Kontaktverhalten in einen numerischen Wert, der täglich aktuell ist – und damit eine Attribution ermöglicht, bevor der Deal schließt.

ActiveCampaign bietet ein integriertes Scoring-Modul unter Kontakte → Scoring. Du kannst mehrere Score-Modelle parallel anlegen: eines für Engagement (wie aktiv interagiert der Kontakt mit deinen Inhalten?) und eines für Fit (wie gut passt das Unternehmen zu deinem Zielprofil?). Beide zusammen ergeben ein aussagekräftigeres Bild als jedes Modell einzeln.

So baust du ein zweigeteiltes Score-Modell in ActiveCampaign auf:

1. Gehe zu Kontakte → Scoring → Neuen Score erstellen. Benenne ihn „Engagement“. Vergib positive Punkte für Aktionen wie E-Mail-Öffnung, Link-Klick in E-Mail, Seitenbesuche über Site Tracking, Formular-Ausfüllung, Webinar-Teilnahme, Demo-Anfrage. Gewichte höher, was mehr Commitment signalisiert – eine Demo-Anfrage ist deutlich wertvoller als eine E-Mail-Öffnung. Vergib Verfallspunkte für Inaktivität: Wenn ein Kontakt über 30 Tage keine Interaktion zeigt, zieht das automatisch Punkte ab.
2. Erstelle einen zweiten Score „Fit“. Weise Punkte anhand von Feld-Daten zu: Unternehmensgröße über einem Schwellenwert, Zielbranche, Entscheider-Funktion. Diese Punkte vergibst du über Automationen, die bei Feldänderungen ausgelöst werden – wenn jemand in einem Formular seine Rolle als Geschäftsführer angibt, wird der Fit-Score sofort aktualisiert.
3. Lege eine Automation an, die täglich läuft und ein Custom-Field „Gesamtscore“ aktualisiert: Engagement-Score plus Fit-Score. Über diesen kombinierten Wert segmentierst und priorisierst du.
4. Definiere deinen MQL-Schwellenwert auf Basis eigener historischer Daten. Analysiere deine letzten abgeschlossenen Deals: Wie hoch war der Gesamtscore der Kontakte, als sie zum ersten Verkaufsgespräch übergingen? Dieser Wert ist dein Schwellenwert – kein Branchenbenchmark, deine Zahl.
5. Lege eine MQL-Automation an: Wenn der Gesamtscore den Schwellenwert überschreitet, erstellt ActiveCampaign automatisch einen Deal im CRM, benachrichtigt den zuständigen Vertriebsmitarbeiter und setzt das Tag „MQL“ auf den Kontakt.

Kalibriere das Modell alle sechs Monate: Schau dir die Scores der Kontakte an, die zu Closed Won wurden, und vergleiche sie mit Closed Lost. Verschieben sich die Muster, passe die Gewichtungen an. Ein Score-Modell, das du einmal aufgebaut und nicht mehr angefasst hast, verliert über Zeit seine Treffsicherheit. Mehr zum Aufbau eines vollständigen Score-Modells findest du im Leitfaden zu Lead Scoring in ActiveCampaign.

Das Attribution-Setup in ActiveCampaign aufbauen

Das CRM-Modul von ActiveCampaign (Deals) und das Site-Tracking-System bilden zusammen das Werkzeug für Revenue-Attribution. Hier bündelst du alle Informationen über einen Verkaufsprozess, verknüpfst sie mit dem ursprünglichen Marketing-Touchpoint und stellst sicher, dass das Tracking auch ohne Third-Party-Cookies verlässlich funktioniert.

Pipeline-Stages und Revenue-Attribution einrichten

So richtest du die Attribution über die Deal-Pipeline ein:

1. Lege deine Pipeline unter Deals → Pipelines an. Für lange Zyklen empfehlen sich klar definierte Stufen: MQL, SQL, Opportunity, Proposal, Negotiation, Closed Won, Closed Lost. Mehr als sieben Stufen verlangsamen die Deal-Pflege; der Vertrieb beginnt, Stufen zu überspringen, und die Datenqualität sinkt.
2. Tracke die Erstquelle über UTM-Parameter und Site Tracking. Beim ersten Seitenbesuch liest ActiveCampaign Site Tracking den UTM-Parameter aus der URL und speichert ihn in einem Kontakt-Custom-Field „Erstquelle“. Schütze das Feld gegen Überschreiben: Nur befüllen, wenn das Feld leer ist. Sonst überschreibt jede neue UTM-Interaktion den Ursprung, und du verlierst First-Touch-Attribution für alle Kontakte, die mehr als einmal mit deinem Marketing in Berührung kommen.
3. Erstelle bei jeder MQL-Auslösung automatisch einen Deal und übertrag das Feld „Erstquelle“ in das Deal-Feld „Marketing-Ursprung“. Das verknüpft den Deal dauerhaft mit seinem Akquisitionskanal.
4. Dokumentiere alle Content-Touchpoints über Tags konsistent: „Whitepaper Q1“, „Webinar Juni“, „Demo gebucht“. Die Tag-Historie zeigt dir nachträglich die vollständige Journey jedes Kontakts und macht manuelle Attribution-Überprüfungen möglich.
5. Wenn ein Deal zu Closed Won wechselt, läuft eine Automation, die das tatsächliche Revenue auf den Kanal zurückführt. Im einfachsten Setup schreibst du den Wert in ein Custom-Field „Revenue-Kanal“ und kannst darüber in den ActiveCampaign-Berichten filtern: Welcher Kanal hat in den letzten zwölf Monaten wie viel Umsatz gebracht?

Das Ergebnis dieses Setups: Du siehst nicht nur, dass LinkedIn dreißig Leads gebracht hat, sondern welche davon zu Kunden wurden und wie viel Umsatz sie erzeugt haben. Eine Schritt-für-Schritt-Anleitung für die Automatisierung der Deal-Pipeline findest du im Artikel zu ActiveCampaign Deals automatisieren.

Cross-Channel-Tracking ohne Third-Party-Cookies

Third-Party-Cookies liefern in den meisten modernen Browsern kaum noch verlässliche Daten. Die Lösung für saubere Attribution unter diesen Bedingungen ist eine First-Party-Data-Strategie, die auf Opt-in basiert und die E-Mail-Adresse als identifizierenden Anker nutzt.

Der Mechanismus funktioniert so: Sobald ein Kontakt ein Formular ausfüllt, ist er in ActiveCampaign identifizierbar. Ab diesem Moment verknüpft Site Tracking alle weiteren Seitenbesuche – egal von welchem Gerät – mit diesem Kontakt, solange die Person denselben Browser nutzt und dem Tracking-Cookie zugestimmt hat. Das deckt nicht jeden Touchpoint ab, aber es erfasst alle Interaktionen nach dem ersten Opt-in zuverlässig.

UTM-Parameter sind die zweite Säule. Alle Verlinkungen aus externen Kanälen (Social, Ads, Newsletter) bekommen systematisch UTM-Tags. ActiveCampaign speichert diese Parameter beim ersten Besuch automatisch, wenn du Site Tracking und das passende Automation-Setup betreibst. Dokumentiere deine UTM-Konvention schriftlich und mach sie im Team verbindlich – inkonsistente UTM-Vergabe ist der häufigste Grund, warum Attribution-Daten nach wenigen Monaten unbrauchbar werden.

Die DSGVO-Anforderung bei diesem Ansatz: Dein Einwilligungsmanagement muss ActiveCampaign Site Tracking als Tracking-Werkzeug ausweisen. Marketing-Cookies müssen separat einwilligungspflichtig sein. Ohne explizites Opt-in darf Site Tracking keine personenbezogenen Daten speichern. Server-Side Tracking über die ActiveCampaign API ergänzt das Setup für kaufrelevante Aktionen, die du selbst auslöst (Demo-Buchungen, Preisanfragen über dein eigenes Formular): Diese lassen sich direkt per API in ActiveCampaign schreiben, unabhängig vom Cookie-Status des Browsers.

Typische Fehler und Grenzen des Setups

Conversion-Werte ohne eigene CLV-Basis setzen

Wer einer Demo-Buchung einen pauschalen Wert zuweist, der aus einem Branchen-Benchmark stammt, rechnet mit einer Zahl, die nichts mit der eigenen Realität zu tun hat. Der einzige belastbare Ausgangspunkt ist dein eigener durchschnittlicher Kundenwert. Ohne diese Zahl ist jede Attribution dekorativ.

Ein einzelnes Attribution-Modell als absolute Wahrheit behandeln

Kein Attribution-Modell ist korrekt – jedes ist ein vereinfachtes Bild der Realität, das bestimmte Fragen beantwortet und andere ausblendet. Wer Last-Click-Zahlen als alleinige Grundlage für Budget-Entscheidungen nimmt, kürzt systematisch Kanäle, die das Awareness-Fundament für spätere Deals legen. Besser: Mindestens zwei Modelle parallel berichten und die Diskrepanz als Managementinformation nutzen.

Score-Modelle nie kalibrieren

Ein Lead-Scoring-Modell, das du einmal aufgebaut und danach nicht mehr angefasst hast, verliert schnell an Treffsicherheit. Wenn sich dein Content-Mix, dein Vertriebsprozess oder dein Zielprofil verändert, verändert sich auch die Bedeutung einzelner Signale. Plane eine Kalibrierung alle sechs Monate: Welche Scores hatten Kontakte, die im letzten Halbjahr zu Closed Won wurden? Welche Kontakte blieben trotz hohem Score bei Closed Lost?

Das Feld „Erstquelle“ nicht gegen Überschreiben sichern

Wenn du das Custom-Field „Erstquelle“ nicht mit der Bedingung „nur befüllen, wenn leer“ absicherst, überschreibt jede neue UTM-Interaktion den Ursprung. Du verlierst First-Touch-Attribution für alle Kontakte, die mehr als einmal mit deinem Marketing in Berührung kommen – also die überwiegende Mehrheit bei langen Zyklen.

Pipeline-Stages nicht konsequent pflegen

Attribution-Daten sind nur so gut wie die manuellen Einträge im CRM. Wenn der Vertrieb Deals nicht zeitnah auf die richtige Stage schiebt oder Stages überspringt, stimmen alle abgeleiteten Attribution-Zahlen nicht. Führe im Team eine klare Definition ein, was jede Stage bedeutet und wann ein Deal verschoben wird. Ohne diese Definition schleichen sich über Wochen Inkonsistenzen ein, die rückwirkend nicht zu korrigieren sind.

Empfehlungs-Deals als „Direktzugriff“ buchen

Deals, die aus persönlichen Empfehlungen kommen, haben keinen digitalen Touchpoint als Erstquelle. Wenn du sie nicht aktiv als „Empfehlung“ klassifizierst, tauchen sie in Analytics als Direktzugriff auf. Das verzerrt alle Kanal-Auswertungen. Lege ein Custom-Field „Lead-Quelle“ mit dem Wert „Empfehlung“ an und fülle es bei der Deal-Erstellung manuell. So erscheinen Empfehlungen als eigener Kanal in deinen Berichten.

Wann lohnt sich dieses Setup nicht?

Das hier beschriebene Attribution-Setup macht Aufwand beim Aufbau und im laufenden Betrieb. Es lohnt sich erst ab einer bestimmten Größenordnung.

Wer weniger als zwanzig qualifizierte Neukunden pro Jahr gewinnt, hat zu wenig Datenbasis, um aus historischen Conversion-Raten belastbare Score-Schwellenwerte abzuleiten. Bei zehn bis fünfzehn Deals pro Jahr sind zufällige Schwankungen so groß, dass quantitative Modelle keine verlässlichen Aussagen liefern. Hier ist eine qualitative Analyse jedes Deals aussagekräftiger: Woher kam dieser Kontakt? Was hat die Kaufentscheidung ausgelöst? Diese Informationen geben mehr Orientierung als ein Scoring-Modell auf dünner Datenbasis.

Das Setup passt außerdem nicht, wenn dein Team die Deal-Pipeline nicht konsequent pflegen kann oder will. Attributions-Daten sind nur so gut wie die Eingaben, auf denen sie basieren. Ein halbgepflegtes CRM liefert halbrichtige Zahlen – und halbrichtige Zahlen sind gefährlicher als gar keine, weil sie Entscheidungssicherheit suggerieren, die nicht da ist.

Schließlich passt das Modell nicht für Produkte mit stark impulsgetriebenem Kaufverhalten – etwa Marketing-Tools unter 100 Euro Monatsgebühr, bei denen ein Testaccount direkt zur Kaufentscheidung führt. Hier sind Last-Touch-Attribution und Standard-Analytics deutlich effizienter, weil der Kaufzyklus kurz genug ist, um in den Attributionsfenstern zu bleiben. Die Komplexität eines Multi-Touch-Setups ist in diesen Fällen nicht gerechtfertigt.

Häufige Fragen

Ab welcher Zykluslänge lohnt sich ein eigenes Attribution-Setup?

Als Richtwert gilt: Sobald dein mittlerer Verkaufszyklus länger ist als das Standard-Attributionsfenster deines Analyse-Tools (in der Regel 30 bis 90 Tage), verlierst du systematisch Touchpoints. Bei Zyklen ab drei Monaten lohnt sich ein eigenes CRM-basiertes Tracking. Kürzere Zyklen lassen sich mit angepassten Fenstern in Google Analytics 4 abbilden, ohne ein vollständiges Pipeline-Attribution-Setup aufzubauen.

Kann ich Attribution vollständig in ActiveCampaign abbilden oder brauche ich ein weiteres Tool?

ActiveCampaign kann First-Touch-Attribution, Lead Scoring und Pipeline-basiertes Tracking intern abbilden, wenn du Custom Fields, Site Tracking und Automationen konsequent nutzt. Für Multi-Touch-Attribution mit gewichteten Modellen (W-Shaped, Time Decay) brauchst du entweder manuelle Berechnungen oder eine externe Attribution-Lösung, die per API mit ActiveCampaign verbunden wird. Für die meisten B2B-Setups unter hundert Deals im Quartal reicht First-Touch kombiniert mit Pipeline-Tracking aus.

Wie gehe ich mit Deals um, die aus Empfehlungen kommen und keinen digitalen Touchpoint haben?

Empfehlungs-Deals sind einer der wichtigsten Akquisitionskanäle im B2B – und gleichzeitig der am häufigsten falsch gebuchte. Pflege sie als eigene Quelle: Custom-Field „Lead-Quelle“ mit dem Wert „Empfehlung“, manuell bei der Deal-Erstellung gesetzt. So erscheinen Empfehlungen als eigener Kanal in deinen Berichten, statt als Direktzugriff zu verschwinden und die Zahlen aller anderen Kanäle zu verzerren.

Was ist der Unterschied zwischen Lead Scoring und Pipeline-Tracking?

Lead Scoring bewertet, wie wahrscheinlich ein Kontakt in naher Zukunft kaufbereit ist. Pipeline-Tracking dokumentiert, wo ein konkreter Deal im Vertriebsprozess steht. Beides ergänzt sich: Scoring bestimmt, wann ein Kontakt in die Pipeline kommt. Pipeline-Tracking zeigt, was danach passiert. Wer nur scored, aber nicht trackt, verliert den Überblick über den Abschlussfortschritt. Wer nur trackt, aber nicht scored, füllt die Pipeline zu früh mit Leads, die noch nicht reif genug für ein Verkaufsgespräch sind.

Wie lange dauert es, bis meine Attributionsdaten belastbar sind?

Das hängt von deiner Zykluslänge ab. Belastbare Daten hast du erst, wenn mindestens ein vollständiger Kohortenjahrgang durch die Pipeline gelaufen ist. Bei einem mittleren Zyklus von neun Monaten brauchst du von Tracking-Aufbau bis zur ersten verlässlichen Attribution mindestens zwölf Monate. Plant dein Team Budget-Entscheidungen auf Basis dieser Daten, kommuniziere die Einschränkung in der Aufbauphase klar: In den ersten sechs bis neun Monaten sind die Zahlen ein Näherungswert, kein Urteil.

Wie häufig sollte ich mein Lead-Scoring-Modell überprüfen?

Alle sechs Monate ist ein realistischer Rhythmus. Schau dir an, welche Scores die Kontakte hatten, die im letzten Halbjahr zu Closed Won wurden, und vergleiche sie mit Closed Lost. Wenn sich die Muster verschieben – zum Beispiel, weil ein neues Content-Format wie Webinare überproportional viele Punkte erzeugt, ohne dass die Abschlussrate steigt – dann passe die Gewichtung an. Ein ungekalibriertes Modell sortiert dir irgendwann aktive aber kaufunreife Kontakte nach oben und lässt echte Kaufsignale untergehen.

Ein sauberes Attribution-Setup für lange Verkaufszyklen ist kein einmaliges Projekt, sondern ein laufendes System. Der erste Schritt ist immer derselbe: den eigenen Customer Lifetime Value aus historischen Abschlussdaten berechnen und damit eine Grundlage schaffen, auf der alle weiteren Messungen aufbauen. Wer darüber hinaus verstehen will, welche Kennzahlen im B2B-Marketing wirklich Steuerungsinformationen liefern, findet im Artikel über B2B Lead-Generierung richtig messen einen konkreten nächsten Schritt.