Lead Scoring System aufbauen: 7-Schritte Anleitung für mehr Conversions

Ein Lead-Scoring-System bewertet jeden Kontakt nach seiner Passung zur Zielgruppe und nach dem Kaufinteresse, das er durch sein Verhalten zeigt. Wer beide Dimensionen getrennt gewichtet und mit einem klaren Schwellwert für die Vertriebsübergabe verbindet, bekommt ein Modell, das zuverlässig unterscheidet, wen der Vertrieb sofort kontaktieren soll und wen weitere Nurturing-Schritte brauchen.

Das Wichtigste in Kürze

• Lead Scoring kombiniert zwei unabhängige Dimensionen: demografische Passung (explizit) und Kaufinteresse aus dem Verhalten (implizit).
• Beide Dimensionen als getrennte Scores zu führen macht das Modell transparenter und leichter zu kalibrieren.
• ActiveCampaign enthält native Lead-Scoring-Funktionen, einschließlich automatischem Punkte-Verfall – wer diesen nicht einbaut, arbeitet bald mit veralteten Werten.
• Ein Übergabe-Schwellwert an den Vertrieb funktioniert nur, wenn Marketing und Sales vorab gemeinsam festlegen, was ein qualifizierter Lead ist.
• Das Modell braucht regelmäßige Kalibrierung anhand echter Kaufdaten – einmal aufgesetzt und danach nicht mehr angefasst führt zu Drift.

Was Lead Scoring von einer einfachen Kontaktliste unterscheidet

Eine Kontaktliste sagt dir, wer in deiner Datenbank ist. Ein Lead-Scoring-Modell sagt dir, wie kaufbereit dieser Kontakt gerade ist und ob er überhaupt zur Zielgruppe gehört. Der Unterschied ist in der Praxis erheblich: Eine Vertriebsbenachrichtigung, die bei jedem Download eines Freebies ausgelöst wird, erzeugt Rauschen. Eine Benachrichtigung, die nur dann ausgelöst wird, wenn ein Kontakt demografisch passt und mehrfach preisrelevante Seiten besucht hat, erzeugt Handlungsimpulse, die einen Abschluss tatsächlich beschleunigen.

Lead Scoring löst ein strukturelles Problem: In jeder wachsenden Kontaktdatenbank gibt es Kontakte, die oberflächlich aktiv wirken – sie öffnen E-Mails, laden Inhalte herunter – aber nie kaufen werden, weil sie nicht zur Zielgruppe gehören. Daneben gibt es Kontakte, die selten interagieren, aber wenn sie es tun, klare Kaufsignale senden. Ohne ein Punktesystem landen beide in derselben Pipeline-Stufe. Mit einem Modell werden sie unterschiedlich behandelt.

Das Ziel eines Scoring-Modells ist nicht, einen möglichst hohen Score für möglichst viele Kontakte zu erzeugen. Das Ziel ist ein Modell, das zuverlässig zwischen Käufern und Nicht-Käufern unterscheidet – und dabei genug Granularität hat, um Prioritäten zu setzen. Ob das gelingt, lässt sich messen: Wenn der durchschnittliche Score der letzten zwanzig Käufer deutlich über dem durchschnittlichen Score der letzten zwanzig Nicht-Käufer liegt, arbeitet das Modell korrekt.

Explizite und implizite Faktoren: Wie du die Balance findest

Jedes Lead-Scoring-Modell basiert auf zwei Klassen von Signalen, die unterschiedliche Fragen beantworten. Wer nur auf eine Klasse setzt, baut ein halbes Modell.

Explizite Faktoren: demografische Passung

Explizite Faktoren beschreiben, ob ein Kontakt grundsätzlich zur Zielgruppe gehört. Diese Informationen gibt er dir direkt: im Formular, im Gespräch oder über CRM-Felder. Typische explizite Faktoren im B2B-Kontext sind Unternehmensgröße, Branche, geografischer Sitz und die Rolle der Person im Unternehmen. Ein Entscheider im relevanten Marktsegment bekommt hohe Punkte. Ein Kontakt aus einer Branche, in der du nicht tätig bist, bekommt Nullpunkte oder Negativpunkte.

Explizite Punkte vergibst du einmalig, sobald das Feld befüllt ist. Sie ändern sich nicht, es sei denn, die Information im CRM ändert sich. Bei Unternehmen mit klar definierten Zielgruppen-Segmenten trägt dieser Faktor oft den größten Teil des Modells. Wichtig ist, dass du die Felder, auf die du dich stützt, auch tatsächlich befüllst – lückenhafte CRM-Daten machen demografisches Scoring unzuverlässig.

Implizite Faktoren: verhaltensbasierte Signale

Implizite Faktoren beschreiben, was ein Kontakt tatsächlich tut – und damit, wie aktiv sein Kaufinteresse gerade ist. Das umfasst Website-Besuche auf preisrelevanten Seiten, E-Mail-Klicks, Content-Downloads, Webinar-Teilnahmen und Interaktionen mit Angebots-E-Mails. Nicht jedes Signal hat dasselbe Gewicht: Der Besuch einer Preisseite signalisiert mehr Kaufabsicht als das Öffnen eines Newsletters.

Diese Signale sind zeitgebunden: Ein Seitenbesuch gestern trägt mehr als einer vor sechs Monaten. Deshalb brauchen verhaltensbasierte Punkte einen Verfall. In ActiveCampaign lässt sich das über automatische Score-Anpassungen in Automationen abbilden. Ohne Verfall akkumuliert ein Kontakt Punkte aus vergangener Aktivität und wirkt im Score besser als er aktuell ist – der Score zeigt dann Vergangenheit, nicht Gegenwart.

Wie du die Gewichtung festlegst

Eine Aufteilung, die sich in der Praxis häufig bewährt: die eine Hälfte des Gesamtmodells für demografische Passung, die andere Hälfte für Verhaltens-Engagement. Diese Balance verhindert zwei häufige Verzerrungen: Ein rein demografisches Modell priorisiert Kontakte, die passend wirken, aber nie reagieren. Ein rein verhaltensbasiertes Modell priorisiert Kontakte, die viel klicken, aber nicht zur Zielgruppe gehören.

Aus der Kombination beider Dimensionen entsteht eine Matrix aus vier Quadranten, die unmittelbar handlungsleitend ist: Hohe Passung und hohes Engagement steht für sofortige Vertriebspriorität. Hohe Passung und niedriges Engagement steht für aktives Nurturing. Niedrige Passung und hohes Engagement erfordert tiefere Qualifizierung. Niedrige Passung und niedriges Engagement bleibt im Hintergrund und benötigt keine aktive Bearbeitung.

Wann Lead Scoring nicht der richtige Ansatz ist

Lead Scoring setzt voraus, dass du genug Kontakte in der Datenbank hast, um Muster statistisch abzubilden, und genug Tracking-Daten, um Verhalten zu messen. Für Unternehmen mit sehr kleinen Datenbanken und kurzen Verkaufszyklen ist der Aufwand eines formalen Scoring-Modells oft nicht gerechtfertigt – dort reicht ein manueller Blick auf die letzten Aktivitäten eines Kontakts.

Auch bei sehr gleichförmigen Angeboten, bei denen nahezu jeder Interessent dieselbe Entscheidungsstruktur durchläuft, bringt ein Scoring-Modell wenig zusätzliche Erkenntnisse. Wenn dagegen der Vertriebszyklus lang ist, mehrere Entscheider involviert sind oder die Zielgruppe heterogen ist, rentiert sich der Aufbau eines Modells deutlich schneller.

Ein weiterer Fall, in dem Lead Scoring scheitert, ist nicht technischer Natur: Das Modell läuft, aber der Vertrieb nutzt die Scores nicht. Das passiert, wenn Scores nicht in den täglichen Workflow eingebettet sind – als Prioritätsliste, als Auslöser für Benachrichtigungen, als Filterkriterium in der Pipeline. Ein Scoring-Modell, das in der Software existiert, aber in keinem Arbeitsablauf auftaucht, ist kein System – es ist ein ungenutztes Datenfeld.

Das Lead-Scoring-Modell aufsetzen – Schritt für Schritt

Das folgende Vorgehen beschreibt den Aufbau eines Modells von Grund auf. Wer ein bestehendes Modell überarbeitet, überprüft zunächst die Kalibrierung (Abschnitt weiter unten) und setzt dort an, wo das Modell falsch unterscheidet.

1. Zielgruppe scharf definieren: Notiere die drei bis fünf Merkmale, die deine besten bestehenden Kunden gemeinsam haben – Branche, Unternehmensgröße, Rolle, Region. Diese Merkmale sind die demografischen Eckpfeiler des Modells.
2. Ausschlusskriterien festlegen: Bestimme, welche Kontakte grundsätzlich nicht kaufen können oder werden – zum Beispiel Kontakte außerhalb des Vertriebsgebiets oder mit einem Budget, das deutlich unter deinem Mindestpreis liegt. Für diese Kontakte vergibst du Negativpunkte oder filterst sie aus der Scoring-Pipeline heraus.
3. Verhaltenssignale kategorisieren: Liste alle Berührungspunkte auf, die ein Kontakt mit deinen Marketing-Inhalten haben kann. Ordne jeden Berührungspunkt einer von drei Kategorien zu: starkes Kaufsignal, mittleres Interesse, allgemeines Interesse. Die Preisseite gehört in die erste Kategorie, der Newsletter-Klick in die zweite, der Blog-Besuch in die dritte.
4. Punktewerte festlegen: Weise jeder Kategorie einen Punktwert zu – zum Beispiel starkes Kaufsignal 10–15 Punkte, mittleres Interesse 4–7 Punkte, allgemeines Interesse 1–3 Punkte. Beginne eher konservativ; du kannst die Werte nach der ersten Kalibrierungsrunde anpassen.
5. Caps definieren: Lege Obergrenzen fest, damit ein einziger Signaltyp das Modell nicht dominiert. Eine übliche Regel: maximal 15–20 Punkte aus E-Mail-Öffnungen innerhalb von 30 Tagen, unabhängig davon, wie oft jemand öffnet.
6. Punkte-Verfall konfigurieren: Verhaltensbasierte Punkte verfallen nach 60 bis 90 Tagen ohne erneute Aktivität. Demografische Punkte verfallen nicht, weil sie keine zeitgebundenen Signale abbilden.
7. Zwei getrennte Scores anlegen: Führe einen Fit-Score für demografische Passung und einen Engagement-Score für Verhalten getrennt. Das ermöglicht dir, in Automationen die Kombination beider Scores als Bedingung zu nutzen und einzelne Dimensionen unabhängig zu justieren.
8. Schwellwerte für die Vertriebsübergabe definieren: Lege gemeinsam mit dem Vertrieb fest, ab welchem kombinierten Score ein Lead als vertriebsreif gilt. Dieser Schwellwert ist die wichtigste Schnittstelle zwischen Marketing und Vertrieb und muss gemeinsam verabschiedet werden, nicht einseitig gesetzt.
9. Modell rückwirkend validieren: Wende das Scoring auf die letzten zwanzig abgeschlossenen Deals an. Überprüfe, ob diese Kontakte nach dem Modell tatsächlich hohe Scores erreicht hätten. Falls nicht, justiere die Gewichtungen, bevor du das System live schaltest.

Lead Scoring in ActiveCampaign einrichten

ActiveCampaign enthält eine native Lead-Scoring-Funktion, die zwischen Kontakt-Scores und Deal-Scores unterscheidet. Für die Qualifizierung von Leads vor der Vertriebsübergabe arbeitest du mit Kontakt-Scores. Wie du Automationen in ActiveCampaign grundsätzlich aufbaust, beschreibt der Leitfaden zum Erstellen von ActiveCampaign-Automationen.

Kontakt-Score anlegen

Öffne in ActiveCampaign das Menü Kontakte → Lead Scoring → Score hinzufügen. Vergib einen sprechenden Namen – zum Beispiel "Fit-Score" für demografische Passung und "Engagement-Score" für verhaltensbasierte Signale. Du kannst mehrere Scores parallel betreiben; jeder Kontakt trägt dann mehrere Punktwerte, die du in Segmenten und Automationen unabhängig auswerten kannst.

Demografische Regeln konfigurieren

Wähle innerhalb des Fit-Scores die Option "Regel hinzufügen" und wähle "Kontaktfeld" als Bedingungstyp. Damit kannst du Punkte vergeben, sobald ein Feld einen bestimmten Wert enthält. Konkrete Beispielregeln für einen DACH-Fokus:

• Feld "Land" enthält "Deutschland", "Österreich" oder "Schweiz" → 5 Punkte beim ersten Treffer.
• Feld "Unternehmensgröße" enthält "11–50" → 15 Punkte beim ersten Treffer.
• Feld "Position" enthält "Geschäftsführer" oder "Leiter" → 20 Punkte beim ersten Treffer.
• Feld "Branche" entspricht deiner Zielbranche → 10 Punkte beim ersten Treffer.

Demografische Regeln laufen einmalig oder bei Datenänderung. Kein Verfall ist notwendig, weil diese Punkte eine statische Passung abbilden, keine zeitgebundene Aktivität.

Verhaltensbasierte Punkte per Automation vergeben

Verhaltensbasierte Punkte vergibst du zuverlässiger über Automationen als über die nativen Score-Regeln, weil du in Automationen auch den Verfall steuern kannst. Gehe zu Automationen → Erstellen → Auslöser wählen. Für Website-Tracking-basierte Scores wähle den Auslöser "Seite besucht". Für E-Mail-Engagement wähle "Link in E-Mail wurde geklickt".

Eine Automation für den Besuch der Preisseite könnte so aufgebaut sein:

1. Auslöser: Kontakt besucht die URL deiner Preisseite.
2. Aktion: Engagement-Score um 12 Punkte erhöhen.
3. Wartezeit: 90 Tage.
4. Aktion: Engagement-Score um 12 Punkte senken (automatischer Verfall, falls kein erneuter Besuch stattgefunden hat).

Für das Website-Tracking musst du den ActiveCampaign Site-Tracking-Code auf deiner Website eingebunden haben. Das Tracking läuft ab dem Moment der Installation; rückwirkende Daten stehen nicht zur Verfügung.

Scores kombinieren und Aktionen auslösen

In Automationen kannst du Bedingungen aus mehreren Scores kombinieren: "Fit-Score ist größer als 30" UND "Engagement-Score ist größer als 20". Wenn diese Kombination zutrifft, erstellst du automatisch einen Deal in der CRM-Pipeline oder sendest dem Vertrieb eine Benachrichtigung über Automationen → Aktion → Benachrichtigung senden. Wie du Deals in ActiveCampaign automatisch anlegst und in den Vertriebsprozess einbindest, erklärt der Artikel über automatisierte ActiveCampaign-Deals im CRM.

Typische Fehler beim Lead Scoring

Das Modell wird zu komplex gestartet

Wer mit vierzig Scoring-Regeln und mehreren Unterscores beginnt, verliert schnell den Überblick darüber, warum ein Kontakt einen bestimmten Score hat. Zu viele Regeln machen das Modell schwer zu verstehen und schwer zu justieren. Ein besser funktionierender Ansatz: Mit acht bis zwölf Regeln starten, das Modell vier bis sechs Wochen in Betrieb nehmen und erst nach der ersten Kalibrierungsrunde erweitern.

Punkte-Caps fehlen

Ohne Caps kann ein Kontakt, der täglich E-Mails öffnet, in kurzer Zeit so viele Punkte sammeln, dass sein Engagement-Score jeden demografisch schwach passenden Lead überstrahlt. Das Ergebnis: Der Vertrieb bekommt Kontakte präsentiert, die viel klicken, aber nicht zur Zielgruppe gehören. Ein Cap von zum Beispiel maximal 15 Punkten aus E-Mail-Öffnungen innerhalb von 30 Tagen verhindert diese Verzerrung.

Punkte-Verfall wird nicht konfiguriert

Ein Kontakt, der vor acht Monaten regelmäßig Preisseiten besucht hat und seitdem keine einzige E-Mail mehr geöffnet hat, trägt ohne Verfall immer noch den Score von damals. Das verzerrt die Prioritätslisten und frustriert den Vertrieb, der auf Leads stößt, die längst kalt sind. Engagement-Punkte sollten nach spätestens 90 Tagen verfallen, wenn keine neue Aktivität des Kontakts eintrifft.

Score und Vertriebsprozess laufen parallel, ohne sich zu berühren

Das häufigste Scheitern von Lead-Scoring-Projekten ist nicht technischer Natur. Das Scoring-Modell läuft in ActiveCampaign, aber der Vertrieb arbeitet mit einer eigenen Liste und ignoriert die Scores. Das passiert, wenn Scores nicht aktiv in den Workflow eingebettet sind – als täglich aktualisierte Prioritätsliste, als automatischer Deal-Trigger, als Filter in der Pipeline. Die technische Konfiguration deckt nur die Hälfte des Projekts ab; die zweite Hälfte ist der Vertriebsprozess, der auf den Scores aufbaut. Wie das Zusammenspiel von Scoring und ActiveCampaign CRM im Vertriebsalltag konkret aussieht, beschreibt der entsprechende Leitfaden.

Scores auswerten und das Modell kalibrieren

Ein Lead-Scoring-Modell ist nicht fertig, wenn es technisch läuft. Es ist fertig, wenn die Scores tatsächlich vorhersagen, wer kauft. Diese Vorhersagegüte überprüfst du durch regelmäßige Kalibrierung – sinnvollerweise alle vier bis sechs Wochen in der Einführungsphase, danach quartalsweise.

Vergleiche dazu den durchschnittlichen Score der Kontakte, die in den vergangenen Wochen gekauft haben, mit dem durchschnittlichen Score der Kontakte, die kontaktiert wurden, aber nicht gekauft haben. Liegt der Abstand zwischen beiden Gruppen bei weniger als 20 Punkten, unterscheidet das Modell zu schwach.

Aus dieser Analyse ziehst du konkrete Anpassungen: Manche Signale, die du zu hoch bewertet hast, reduzierst du. Signale, die du bisher nicht erfasst hast, nimmst du neu auf. Das ist kein einmaliges Projekt, sondern ein kontinuierlicher Verbesserungsprozess. Jede Anpassungsrunde macht das Modell genauer.

Häufige Fragen

Wie viele Scoring-Regeln sind ein sinnvoller Startpunkt?

Für die meisten Unternehmen reichen zu Beginn acht bis zwölf Regeln aus – vier bis fünf für demografische Passung, fünf bis sieben für verhaltensbasierte Signale. Diese Anzahl ist groß genug, um relevante Unterschiede abzubilden, und klein genug, um das Modell in der ersten Betriebsphase zu verstehen und gezielt anzupassen. Mehr Regeln kommen nach der ersten Kalibrierungsrunde, wenn du weißt, welche Signale wirklich unterscheiden.

Kann ich Lead Scoring auch ohne CRM-Anbindung sinnvoll nutzen?

Ja, aber mit einer wesentlichen Einschränkung. Ohne CRM fehlt dir die Rückmeldung, welche Kontakte tatsächlich Kunden geworden sind. Damit entfällt die Möglichkeit, das Modell anhand echter Kaufdaten zu kalibrieren. Du kannst Scores trotzdem nutzen, um Automationen zu steuern oder Vertriebsbenachrichtigungen auszulösen – die Vorhersagegüte des Modells kannst du dann aber nicht systematisch verbessern.

Wie unterscheidet sich ein Kontakt-Score von einem Deal-Score in ActiveCampaign?

Kontakt-Scores laufen auf der Ebene der Person und bewerten die demografische Passung sowie das persönliche Engagement. Deal-Scores laufen auf der Ebene einer konkreten Verkaufschance in der Pipeline und bilden ab, wie weit ein Deal fortgeschritten ist und wie wahrscheinlich ein Abschluss erscheint. Im B2B-Prozess setzt du typischerweise zuerst den Kontakt-Score ein, um Leads zu qualifizieren, und wechselst dann auf Deal-Scores, sobald ein Kontakt als vertriebsreif gilt und in die Pipeline übergeben wird.

Was tue ich, wenn mein Vertrieb die Scores ignoriert?

Das ist ein Prozess- und kein Technologieproblem. Wenn der Vertrieb Scores ignoriert, fehlt meist die Integration in den täglichen Workflow. Sorge dafür, dass die tägliche Arbeitsliste des Vertriebs nach Score sortiert ist, dass neu qualifizierte Leads automatisch als Aufgabe oder Benachrichtigung ankommen und dass der Übergabe-Schwellwert gemeinsam mit dem Vertrieb festgelegt wurde – nicht einseitig vom Marketing.

Wie gehe ich mit Kontakten um, die hohe Scores haben, aber nie auf Kontaktversuche reagieren?

Starte nach zwei bis drei erfolglosen Kontaktversuchen eine Re-Engagement-Sequenz. Wenn auch diese ohne Reaktion bleibt, vergib Negativpunkte für die anhaltende Nicht-Reaktion und entferne den Kontakt aus der aktiven Vertriebspriorität. Ein hoher Score aus vergangener Aktivität rechtfertigt keine unbegrenzte Vertriebspräsenz. Scoring bedeutet auch, Leads loszulassen, die trotz anfänglich hohem Score nicht konvertieren – das hält die Prioritätsliste aktuell und zuverlässig.

Ein gut kalibriertes Lead-Scoring-Modell ist kein einmaliges Setup, sondern ein Werkzeug, das mit jedem Kalibrierungszyklus präziser wird. Wer die Ergebnisse seiner Käufe systematisch in das Modell zurückspielt, bekommt mit der Zeit eine Prioritätsliste, die der Vertrieb tatsächlich nutzt. Der Einstieg lohnt sich schon mit einem einfachen Modell – Präzision entsteht durch Betrieb, nicht durch Planung.