Jede Account-Engagement-Org hat ein Scoring-Modell. Kaum eine hat eins, das irgendjemand benutzt. Die Zahl steht auf dem Prospect-Record, der Vertrieb ignoriert sie, und das Marketing reportet still MQL-Volumen, das downstream niemand glaubt.
Die Ursache ist fast immer dieselbe: Das Modell wurde konfiguriert statt entworfen. Jemand hat die Defaults übernommen, ein paar Punktwerte angepasst, und der Schwellenwert wurde dort gesetzt, wo ein angenehmes Volumen herauskam. Nirgendwo steht, was die Zahl eigentlich bedeuten soll.
Key Takeaways
- Score und Grade beantworten verschiedene Fragen. Nur eins von beiden zu nutzen ist die Wurzel der meisten schlechten Übergaben.
- Verhaltensbasiertes Interesse ist verderblich. Ohne Decay sind Ihre Top-Scores die Leute, die letztes Jahr interessiert waren.
- Negativ-Scoring ist schwächer als Suppression. Disqualifikation gehört in eine Regel, nicht in eine Subtraktion.
- Den Schwellenwert aus Vertriebskapazität und beobachteter Conversion ableiten — nicht aus einer runden Zahl.
- Monatlicher Review mit dem Vertrieb. Der Review ist das System; die Punktwerte sind nur sein aktueller Zustand.
Zwei Dimensionen, nicht eine
Account Engagement liefert einen numerischen Score und einen Buchstaben-Grade — und beide existieren, um unterschiedliche Fragen zu beantworten:
- Score = Interesse. Verhalten. Was hat diese Person getan, und wie kürzlich? Absichtlich volatil.
- Grade = Passung. Firmografie und Rolle. Sieht sie aus wie jemand, der bei uns kauft? Träge.
Zusammen ergeben sie vier aussagekräftige Quadranten — und jeder verdient eine andere Aktion:
| Quadrant | Bedeutung | Aktion |
|---|---|---|
| Hoher Grade, hoher Score | Richtige Person, jetzt aktiv | Sofort an den Vertrieb. Das ist der MQL. |
| Hoher Grade, niedriger Score | Richtige Person, noch nicht engagiert | Gezieltes Nurturing. Geduld mit hohem Wert. |
| Niedriger Grade, hoher Score | Sehr aktiv, falsches Profil | Erst prüfen, dann verwerfen — Student, Wettbewerber, oder ein falsch gegradeter Champion einer Tochtergesellschaft. |
| Niedriger Grade, niedriger Score | Weder noch | Kostengünstiges automatisiertes Nurturing — oder raus aus der Datenbank. |
Orgs, die nur den Score nutzen, schicken am Ende den dritten Quadranten an den Vertrieb — hohe Aktivität, falsches Profil. Genau die Erfahrung, die Reps beibringt, MQL-Benachrichtigungen nicht mehr zu öffnen.
Das Grading-Profil entwerfen
Grading ist leichter richtig zu machen und wird trotzdem häufiger vernachlässigt. Bauen Sie es aus Ihren tatsächlichen Closed-Won-Kunden — nicht aus einer aspirativen ICP-Folie.
- Die letzten 50 bis 100 gewonnenen Deals ziehen. Branche, Mitarbeiterzahl, Region und den Jobtitel der Person notieren, die zuerst interagiert hat.
- Die Konzentrationen finden. Sitzen 70 % in drei Branchen und einem Größenband, ist das Ihr A-Grade — evidenzbasiert statt meinungsbasiert.
- Dasselbe für Closed-Lost und Disqualifiziert. Das Negativmuster ist oft schärfer als das positive und sagt Ihnen, was heruntergestuft gehört.
- Das Profil mit wenigen Kriterien bauen. Branche, Größe, Region, Seniorität. Vier Kriterien, die die Realität abbilden, schlagen zwölf aus einem Workshop.
- Fehlende Daten explizit behandeln. Ein Prospect ohne Firmengröße darf nicht still gut graden. Entscheiden Sie, ob „unbekannt” neutral oder abwärts gradet — und bleiben Sie konsistent.
Grading braucht Daten, die Sie vielleicht gar nicht erheben
Wenn Ihre Formulare nur E-Mail und Namen erfassen, hat das Grading-Profil nichts zu arbeiten — jeder Prospect sitzt auf dem Default-Grade. Reparieren Sie den Input vor dem Modell: Progressive Profiling, Anreicherung oder Account-Daten aus dem CRM. Grading ist der Datenerfassung nachgelagert; kein Modell-Design kompensiert leere Felder.
Das Scoring-Modell entwerfen
Die Absicht scoren, nicht die Aktivität
Nicht jedes Engagement ist gleich viel wert — Punktwerte sollten eine echte Hierarchie der Kaufabsicht ausdrücken. Ein Preisseiten-Besuch und ein Newsletter-Open sind nicht dasselbe Ereignis mit verschiedenen Zahlen, sondern verschiedene Arten von Signal. Grob:
| Signalstärke | Beispiele | Relatives Gewicht |
|---|---|---|
| Kaufabsicht | Preisseite, Demo-Anfrage, Kontaktformular, Vergleichs-Content, wiederholte Besuche binnen Tagen | Am höchsten — und Hand-Raiser sollten das Scoring komplett umgehen |
| Lösungsrecherche | Produktseiten, Case Studies, technische Doku, Webinar-Teilnahme | Hoch |
| Problembewusstsein | Blogartikel, Top-of-Funnel-Guides, Newsletter-Klicks | Niedrig bis moderat |
| Passiv | E-Mail-Opens, einzelne Seitenaufrufe aus breiten Kampagnen | Minimal. Gerade Opens sind ein unzuverlässiges Signal. |
Interesse verderblich machen
Die wirksamste Einzeländerung in den meisten Umbauten. Ohne Decay steigen Scores nur — und Ihre höchsten Scores gehören den Leuten, die vor achtzehn Monaten am aktivsten waren und seitdem nichts getan haben.
Decay als geplante Automation umsetzen: Score nach definierter Inaktivität um einen definierten Betrag oder Prozentsatz senken, wiederholt. Die Parameter folgen Ihrem Vertriebszyklus — ein dreiwöchiger Zyklus und ein neunmonatiger Enterprise-Zyklus brauchen sehr verschiedene Halbwertszeiten. Entscheidend ist: Der Score spiegelt aktuelles Interesse, damit die Zahl beim Öffnen des Records von diesem Monat handelt.
Den Trend zeigen, nicht nur den Wert
Die Score-Veränderung der letzten 14 oder 30 Tage auf dem Prospect- und Lead-Record ausweisen. „72, plus 40 diese Woche” ist ein handlungsleitendes Vertriebssignal. „72″ ist Trivia. Dieses eine Feld verändert die Nutzung des Modells stärker als jedes Feintuning der Punktwerte.
Suppression statt Negativ-Scoring
Negative Punkte fühlen sich wie das richtige Werkzeug für Disqualifikation an — sind sie nicht. Punkte können von genügend positiver Aktivität immer überstimmt werden; ein hartnäckiger Wettbewerber auf Ihrer Website überquert die Schwelle irgendwann trotzdem.
Harte Suppression-Regeln für: Wettbewerber-Domains, private Freemail-Domains im reinen B2B, Studierende und Bewerber, eigene Mitarbeiter und Dienstleister, Bestandskunden (gehören ins Account Management) und Länder, die Sie nicht bedienen.
Echtes Negativ-Scoring bleibt reversiblen Abkühlungssignalen vorbehalten — Abmeldung von einem bestimmten Stream, Bounce, lange Inaktivität. Dinge, die nachlassendes Interesse spiegeln, nicht grundsätzliche Uneignung.
Den Schwellenwert setzen
Der Schwellenwert ist eine Kapazitätsentscheidung, nicht nur eine Qualitätsfrage. Drei Inputs:
- Vertriebskapazität. Wie viele neue Leads kann Ihr Team pro Woche wirklich gut bearbeiten? Mehr zu schicken erzeugt keine Pipeline, sondern schlecht bearbeitete Leads.
- Beobachtete Conversion. Rückblickend: Wo standen Score und Grade der Prospects, die zu Opportunities wurden, im Moment der Conversion? Diese Verteilung ist Ihre Evidenz.
- Kosten eines Fehlschlags. High-Value-/Low-Volume-Geschäft setzt die Schwelle niedriger und akzeptiert mehr False Positives. High-Volume-Geschäft setzt sie höher.
Dann öffentlich mit dem Vertrieb committen — und mindestens ein Quartal halten, bevor Sie anpassen. Eine monatlich wandernde Schwelle lässt sich nicht bewerten: Sie sehen nie einen vollen Zyklus bei stabiler Einstellung.
Der Review-Rhythmus ist das eigentliche System
Ein Scoring-Modell ist eine Hypothese. Es ist nur so viel wert, wie Sie es an Ergebnissen prüfen.
Monatlich, 45 Minuten, mit dem Vertrieb im Raum, vier Dinge auf dem Bildschirm:
- MQL-Volumen gegen Kapazität. Schicken wir eine bearbeitbare Menge?
- Disposition-Auswertung. Was sagen die Reps zur Qualität — in kontrollierten Kategorien, nicht als Freitext-Gefühl?
- Conversion nach Score- und Grade-Band. Konvertiert höherer Score wirklich besser? Wenn nein, ist das Modell Dekoration.
- Die Misses. Zwei, drei Opportunities, die nie MQL waren. Was hat das Modell nicht gesehen?
Punkt vier ist der, den alle überspringen — und der, der das Modell am schnellsten verbessert. Opportunities aus Prospects, die das Modell ignoriert hat, zeigen exakt, welches Signal fehlt.
Eine Umbau-Sequenz, die funktioniert
Wer von einem Default- oder degradierten Modell startet, sollte der Versuchung widerstehen, alles auf einmal zu reparieren:
- Woche eins: Suppression-Regeln. Sofortige Qualitätsverbesserung, keine Modelländerung, keine Debatte nötig.
- Woche zwei: Grading-Profil aus Closed-Won-Evidenz. Hier liegt meist der größte Hebel.
- Woche drei: Scoring-Hierarchie und Decay — parallel zum alten Score, damit Sie vergleichen können.
- Woche vier: Schwellenwert aus den Paralleldaten, mit dem Vertrieb vereinbart.
- Laufend: der monatliche Review — mit einer schriftlichen Änderung pro Termin oder der expliziten Entscheidung, nichts zu ändern.
Das Fazit
Ein Scoring-Modell verdient Vertrauen, indem es erklärbar, aktuell und rechenschaftspflichtig ist. Erklärbar: Score und Grade getrennt, mit schriftlicher Definition, was ein MQL verspricht. Aktuell: Decay. Rechenschaftspflichtig: ein monatlicher Review, in dem Vertriebsfeedback sichtbar etwas verändert.
Mit diesen dreien hört die Zahl auf dem Record auf, Dekoration zu sein — und wird der Grund, warum ein Rep zum Hörer greift.
Häufige Fragen
Kennen Sie das aus Ihrer eigenen Org?
Das erste Gespräch ist kostenlos: dreißig Minuten, keine Folien, und eine ehrliche Einschätzung, was eine Lösung kosten würde. Wenn es sich nicht lohnt, hören Sie das auch.