Wie baue ich in 12 wochen ein datengetriebenes lead-scoring mit hubspot auf, das nur qualifizierte b2b-kontakte an vertrieb übergibt

In diesem Beitrag schildere ich, wie ich in 12 Wochen ein datengetriebenes Lead-Scoring in HubSpot aufgebaut habe, das nur wirklich qualifizierte B2B-Kontakte an den Vertrieb übergibt. Ich fokussiere mich auf praxiserprobte Schritte, konkrete Metriken und die organisatorischen Entscheidungen, die den Unterschied machen. Das Ziel war klar: weniger Lärm für Sales, höhere Conversion-Raten und nachweisbare Priorisierung von Zeit und Ressourcen.

Woche 0: Ausgangslage und Zieldefinition

Bevor ich irgendetwas technischen implementiere, definiere ich gemeinsam mit Vertrieb und Marketing die Akzeptanzkriterien: Welche Merkmale muss ein Lead mindestens erfüllen, damit Sales ihn kontaktiert? Für mich sind das typischerweise:

• Unternehmensgröße (Mitarbeiter oder Umsatz)
• Branche (Fit / Nicht-Fit)
• Verhalten (z.B. Produktdemo, Pricing-Seitenbesuche)
• Engagement (E-Mail-Clicks, wiederholte Website-Besuche)

Ich dokumentiere diese Kriterien in einem einfachen SLA-Dokument (1 Seite) und stimme die KPIs ab: Lead-to-MQL-Rate, MQL-to-Opportunity-Rate, Zeit bis Reaktion von Sales.

Woche 1–2: Dateninventur und Bereinigung

Ein datengetriebenes Scoring lebt von sauberer Datenbasis. Ich prüfe:

• Kontakt- und Unternehmensfelder in HubSpot (Standard + Custom Fields)
• Integrationen (CRM-Synchronisation, Website-Tracking, Marketing-Automation, Zoom/Calendly)
• Dubletten, unvollständige Einträge, veraltete Datensätze

Praktisch habe ich eine Tabelle erstellt, die zeigt, welche Felder vorhanden, wie vollständig sie sind und welche ergänzt werden müssen. Anschließend setze ich Standardvalidierungen (z.B. Pflichtfelder bei Formularen) und richte deduplizierende Regeln in HubSpot ein.

Woche 3–4: Hypothesen und Scoring-Framework

Ich entwickle ein erstes Scoring-Modell auf Basis von Hypothesen: Welche Signale sind kaufrelevanter? Ich unterscheide zwei Kategorien:

• Firmographic Score — feste Unternehmensmerkmale (Branche, Größe, Region)
• Behavioral Score — dynamische Verhaltenssignale (Downloads, Seitenaufrufe, Event-Teilnahmen)

Beispiel für Gewichtung (erste Version):

Ich definiere außerdem Schwellenwerte: Ab 60 Punkten = MQL, 80+ = SQL (Sales Qualified Lead). Diese Werte sind iterativ und datengetrieben anzupassen.

Woche 5–6: Technische Umsetzung in HubSpot

Jetzt setze ich die Felder, Workflows und Listen in HubSpot um:

• Custom Properties für Score-Bereiche (firmographic_score, behavioral_score, total_score)
• Workflows zur Zuweisung von Punkten bei Ereignissen (Seitenbesuche, Formulare, Event-Teilnahmen)
• Berechnung des Gesamt-Scores als Summe der Subscores
• Smart Lists, die MQLs/SQLs automatisch filtern

Wichtig: Ich benutze HubSpot-Events (Tracking Codes) und integriere Google Analytics sowie Webinar-/Event-Tools, damit alle Engagement-Daten zentral landen. Für komplexere Signale habe ich bei Bedarf HubSpot Operations Hub oder Zapier eingesetzt, um Daten aus anderen Systemen zu synchronisieren.

Woche 7: Validierung mit historischen Daten

Bevor ich das System live schalte, teste ich das Modell mit historischen Daten. Ich exportiere Leads aus den letzten 12 Monaten und simuliere das Scoring, um zu prüfen:

• Wie viele ehemalige Kunden/Opportunities wären als MQL/SQL erkannt worden?
• Wie viele Low-Quality-Leads würden fälschlicherweise hochgestuft?
• Sensitivität und Spezifität der Schwellenwerte

Auf Basis dieser Analyse passe ich die Gewichtungen an — z.B. erhöhtes Gewicht für Pricing-Seiten-Besuche, wenn historisch diese Nutzer deutlich höhere Conversion hatten.

Woche 8–9: Sales-Handoff und Prozesse

Technik ist nur eine Seite — der Handoff muss funktionieren. Ich erarbeite gemeinsam mit Sales:

• Ein klares Handoff-Trigger: Bei Statuswechsel zu SQL wird automatisch ein Aufgaben-Ticket an den zuständigen Account-Manager erstellt.
• Prioritätskennzeichnung (Hot, Warm, Cold) basierend auf Score und letzter Aktivität.
• SLA: Sales bestätigt Lead innerhalb 24 Stunden, gibt Rückmeldung im CRM (z.B. Kontakt aufgenommen, nicht erreichbar, nicht relevant).

Ich richte zudem eine kurze Feedback-Schleife ein: Wenn Sales einen Lead als „nicht relevant“ markiert, wird ein Workflow getriggert, der den Lead zur weiteren Qualifizierung an Marketing zurückgibt und den Ablehnungsgrund als Property speichert.

Woche 10: Monitoring, Dashboards und KPIs

Ein Scoring ist nur sinnvoll, wenn es gemessen wird. Ich erstelle Dashboards in HubSpot und im BI-Tool (z.B. Looker/Power BI), die folgende KPIs zeigen:

• Anzahl MQLs/SQLs pro Woche
• MQL → Opportunity Conversion
• Durchschnittlicher Score bei konvertierten Leads
• Response Time von Sales
• False Positive Rate (Sales-Markierungen)

Diese Dashboards nutze ich in wöchentlichen Reviews mit Marketing und Sales, um schnell Anpassungen vorzunehmen.

Woche 11: Training und Change Management

Ich schule Sales und Marketing in kurzen, praktischen Sessions (max. 60 Minuten):

• Was bedeutet der Score? Welche Signale sind wichtig?
• Wie wird ein Lead verarbeitet? (Step-by-Step im CRM)
• Wie gebe ich Feedback und warum ist das wichtig?

Bei mir hat es sich bewährt, kurze Cheatsheets und Video-Screencasts bereitzustellen, damit neue Teammitglieder schnell onboarden können.

Woche 12: Livegang und iterative Optimierung

Für den Produktivstart empfehle ich ein gestaffeltes Rollout: Zuerst ein Pilot mit ausgewählten Vertriebsteams, dann Vollausrollen. In den ersten 4 Wochen nach Livegang beobachte ich:

• Reaktionen von Sales (Akzeptanz, Probleme)
• Qualität der übergebenen Leads (Conversion-Metriken)
• Systemfehler oder fehlende Datenquellen

Wichtig ist die Bereitschaft, Gewichtungen schnell anzupassen. Ein datengetriebenes Scoring ist kein One-and-Done: ich plane monatliche Reviews für die ersten 6 Monate und quartalsweise Anpassungen danach.

Tipps aus der Praxis

• Starte mit wenigen, starken Signalen statt mit zu vielen Features — das schafft Klarheit und bessere Validierung.
• Nutze Feedback von Sales als Datenquelle — ihre Verneinungen sind Gold wert für das Feintuning.
• Automatisiere, aber behalte menschliche Kontrollpunkte: Automatische Übergaben + manuelle Qualitätskontrolle.
• Dokumentiere alle Regeln und Versionen des Scoring-Modells, damit Änderungen nachvollziehbar bleiben.
• Skaliere Integrationen schrittweise: Erst die wichtigsten Datenquellen (Website, Formulare, Events), dann ERP/Finance oder externe Datenanbieter.

Wenn Sie möchten, kann ich Ihnen eine Checkliste und die HubSpot-Property-Definitionen als Vorlage bereitstellen — das beschleunigt den Aufbau erheblich und reduziert Implementierungsfehler.