Ein Lead-Scoring, das nur 1 von 10 qualifizierten Leads an den Vertrieb übergibt, klingt radikal — und ist genau das Ziel, wenn Vertriebskapazitäten begrenzt sind und die Qualität der Übergaben maximiert werden muss. In den letzten Jahren habe ich mehrere Scoring-Modelle in HubSpot aufgebaut und optimiert. Hier teile ich eine pragmatische, achtwöchige Roadmap mit konkreten Schritten, Messgrößen und Fallen, die Sie vermeiden sollten.

Was ich vorab kläre

Bevor ich technisch einsteige, stelle ich drei Fragen, die über Erfolg oder Misserfolg entscheiden:

  • Wer ist unser idealer Kunde (ICP) und wie sieht ein verkaufsbereiter Lead konkret aus?
  • Welche Kapazität hat der Vertrieb (Anzahl qualifizierbarer Leads pro Woche/Monat)?
  • Welche Datenquellen liefern zuverlässige Signale (Formulare, Website-Behavior, Marketing Automation, CRM, Drittanbieter)?

    • Erst wenn diese Antworten präzise sind, beginne ich mit dem Scoring-Design. Ohne klare Erwartung an Conversion-Raten und Vertriebskapazität bleibt Scoring ein hübsches Dashboard, aber kein Hebel zur Effizienzsteigerung.

    Wochenplan — Überblick

    Meine Struktur für acht Wochen folgt einem iterativen Ansatz: Definieren, implementieren, testen, anpassen, roll-out. Jede Woche hat ein klares Ziel:

  • Woche 1: ICP- und Qualifizierungs-Workshops mit Vertrieb und Marketing
  • Woche 2: Datenaudit & Mapping (HubSpot + externe Daten)
  • Woche 3: Scoring-Logik entwerfen (Behavioral & Firmographic)
  • Woche 4: Technische Umsetzung in HubSpot (Properties, Workflows, Lists)
  • Woche 5: Testphase mit Backtest auf historischem Datenbestand
  • Woche 6: Feinjustierung & Threshold-Definition (Top 10% = Übergabe)
  • Woche 7: Pilot mit Live-Traffic & Vertrieb-Feedback
  • Woche 8: Roll-out, Governance & Monitoring-Dashboards

    • Woche 1–2: Qualifikation und Datenbasis

    Ich organisiere einen halbtägigen Workshop mit Sales, Marketing und ggf. Customer Success. Ziel: Ein verbindliches Profil für "vertriebsfertig" (MQL -> SQL) und eine Liste mit Must-have-Attributen. Typische Felder, die wir klären:

  • Unternehmensgröße (Employees oder Annual Revenue)
  • Branche (SIC/NAICS oder benutzerdefinierte Kategorien)
  • Position des Kontakts (Titel-Slicing: Entscheider, Influencer, User)
  • Behavioral-Signale: Pageviews (Produktseite), Docs-Downloads, Pricing-Seiten, Demo-Anfrage
  • Intent-Signale: E-Mail-Engagement, Webinar-Teilnahme, Third-party intent data

    • Parallel führe ich ein Datenaudit in HubSpot durch: Welche Properties sind gefüllt? Wo gibt es Dubletten? Welche Quellen liefern Traffic- und Engagement-Daten? Oft ist das Ergebnis ernüchternd — aber das ist gut, denn man kann nur mit guten Daten ein gutes Scoring bauen.

    Woche 3–4: Scoring-Logik & technische Umsetzung

    Ich teile Scoring in zwei Säulen: Firmographic (MAP: Market, Account, Persona) und Behavioral (Action, Intent, Recency). Jede Säule bekommt Gewichtungen, die ich aus Workshop-Inputs ableite:

  • Firmographic: bis zu 40 Punkte (Branche 10, Unternehmensgröße 15, Region 5, Fit-Titel 10)
  • Behavioral: bis zu 60 Punkte (Demo-Request 30, Pricing-Page 20, >5 Produktseiten in 7 Tagen 10)

    • In HubSpot realisiere ich das über benutzerdefinierte Properties (z.B. "Score_Firmographic", "Score_Behavioral", "Total_Score") und Workflows, die Punkte addieren/abziehen. Wichtig: Ich dokumentiere jede Regel und lege eine Versionierung an — damit spätere Anpassungen nachvollziehbar sind.

    Woche 5: Backtest auf historischem Datenbestand

    Bevor ich live gehe, teste ich die Regeln retroaktiv auf die letzten 6–12 Monate. Ziel ist zu prüfen, ob die Leads, die früher zu Deals geführt haben, auch heute hohe Scores bekommen würden.

  • Ergebnisanalyse: Prozentuale Abdeckung (wie viele won-deals hätten den Threshold erreicht?)
  • Fehlklassifikationen identifizieren: falsche Negatives (Deals mit niedrigem Score) vs. falsche Positives

    • Typische Erkenntnis: Behavioral-Signale brauchen Gewicht, aber einige Firmographic-Kriterien müssen moderater gewichtet werden, weil sie Leads ausschließen, die dennoch konvertieren.

    Woche 6: Threshold definieren — das 1:10-Prinzip

    Um nur 1 von 10 qualifizierten Leads an Sales zu geben, definiere ich zwei getrennte Schwellen:

  • Qualifiziertes Marketing-Lead (MQL) — breitere Gruppe für Nurturing
  • Sales-Übergabe (SQL) — Top 10% der MQLs nach Score

    • Ich berechne den SQL-Threshold so, dass historisch nur ~10% der früheren MQLs diesen Wert erreicht hätten. Wichtig: Das ist ein dynamischer Wert. Wenn Marketing mehr Volumen erzielt, kann der absolute Anzahl der übergebenen Leads trotzdem steigen. Daher ergänze ich Regeln zur Drosselung (z. B. Max-Übergaben pro Tag/Woche).

    Woche 7: Pilotphase mit Live-Feedback

    Ich starte einen zweiwöchigen Pilot mit einem kleinen Vertriebsteam. Ablauf:

  • Leads mit SQL-Flag werden über ein kurzes Sales-Handover-Formular in HubSpot übergeben (Kontext: Score-Zusammensetzung, relevante Interaktionen)
  • Sales bewertet jeden Lead innerhalb von 24–48 Stunden (Reason Codes: Ready, Not-Ready, Nurture, Unqualifiziert)
  • Wöchentliche Review-Session: Wir prüfen die Rückmeldungen, korrigieren Score-Regeln, passen Gewichtungen an

    • Dieses unmittelbare Feedback ist Gold wert. Oft zeigt sich, dass bestimmte Content-Signale (z. B. Case Study-Seiten) im Scoring zu wenig Gewicht hatten.

    Woche 8: Roll-out, Governance & Monitoring

    Beim Roll-out implementiere ich:

  • Ein Dashboard in HubSpot mit KPIs: Anzahl SQLs, Conversion SQL→Opportunities, Sales-Antwortzeit, % Leads, die Sales ablehnt
  • EScalation-Mechanismus: Falls Conversion-Raten unter Ziel fallen, wird der Threshold automatisch angepasst
  • Governance: Wer darf Scores ändern? Welche Änderungen sind testing-pflichtig?

    • Ich definiere außerdem ein 30-/60-/90-Tage-Review. Scoring ist kein Set-and-forget. Marktveränderungen, Kampagnen oder neue Produkte erfordern Anpassungen.

    Messgrößen, auf die ich achte

    Erfolg messe ich nicht nur an der Zahl übergebener Leads, sondern an der Effizienz:

  • SQL-to-Opportunity-Rate (Ziel: deutlich höher als bei früheren MQLs)
  • Deal-Wert und Sales-Cycle-Länge (höhere Qualität sollte beide verbessern)
  • Sales-Antwortzeit (metrisch wichtig für Validität des Scorings)
  • False Negative Rate (Leads, die verkauft hätten, aber nicht an Sales gingen)
  • Anzahl Übergaben pro Vertriebsmitarbeiter (Kapazitätsprüfung)

    • Häufige Fehler, die ich beobachte

    Aus meiner Praxis sind das die üblichen Fallen:

  • Zu viele Kriterien ohne Priorisierung → Scoring verwässert
  • Keine Backtests → man verlässt sich auf Bauchgefühl
  • Fehlende Governance → Marketing ändert Regeln ohne Abstimmung mit Sales
  • Studien-Fokus statt Operativität: komplexe Predictive-Modelle, die niemand pflegt

    • Mein Tipp: Lieber mit 8–12 klaren, getesteten Regeln starten als mit einem Blackbox-Modell, das niemand versteht.

    Tools & Integrationen

    Ich setze primär auf HubSpot (CRM + Marketing Hub), weil Workflows, Properties und Reporting integriert sind. Ergänzend nutze ich:

  • Clearbit/ZoomInfo für Firmographic-Enrichment
  • 6sense oder Bombora für Intent-Daten (wenn Budget vorhanden)
  • Zapier oder HubSpot-Integrationen zu Salesforce, falls Sales in Salesforce bleibt

    • Wichtig ist: Daten sollten zentral in HubSpot verfügbar und eindeutig sein. Enrichment hilft, aber ersetzt keine gute Logik.

    Wenn Sie möchten, kann ich Ihnen die Workshop-Vorlage, ein Beispiel-Score-Sheet (CSV) und ein HubSpot-Workflow-Template zuschicken — so können Sie das Projekt in Ihrem Team sofort starten.