Jedes wachsende Unternehmen kennt das Problem: Es kommen mehr Anfragen und Kontakte herein, als der Vertrieb sorgfältig bearbeiten kann. Ohne eine Priorisierung entscheidet dann der Zufall – oder das Bauchgefühl einzelner Mitarbeiter – darüber, welcher Lead angerufen wird und welcher liegenbleibt. Lead Scoring macht diese Priorisierung explizit, nachvollziehbar und wiederholbar. Statt „der Kollege hatte ein gutes Gefühl“ steht ein begründeter Wert, der sich überprüfen und verbessern lässt.
Klassisch bedeutet Scoring: Ein Team legt Regeln fest und vergibt Punkte. Wer eine geschäftliche E-Mail-Adresse hinterlässt, bekommt Punkte. Wer aus der Zielbranche kommt, bekommt Punkte. Wer die Preisseite mehrfach besucht hat, bekommt Punkte – und wer sich abmeldet, verliert welche. Ab einer Schwelle gilt der Lead als „vertriebsreif“. Dieses Verfahren ist transparent und ohne KI umsetzbar, hat aber eine Schwäche: Die Punktwerte beruhen auf Annahmen. Niemand weiß mit Sicherheit, ob drei Preisseiten-Besuche wirklich zehn Punkte wert sind oder nur zwei.
Beim regelbasierten Ansatz definiert das Unternehmen selbst, welche Merkmale und Verhaltensweisen wie stark zählen. Man unterscheidet dabei meist zwei Dimensionen. Die erste ist das explizite Scoring auf Basis von Stammdaten: Passt die Firmengröße, die Branche, die Rolle der Ansprechperson zum idealen Kundenprofil? Die zweite ist das implizite Scoring auf Basis von Verhalten: Welche Seiten wurden besucht, welche E-Mails geöffnet, welche Inhalte heruntergeladen? Beide Werte werden zusammengeführt und ergeben den Gesamt-Score.
Der große Vorteil dieses Verfahrens ist seine vollständige Nachvollziehbarkeit. Jede Punktevergabe ist eine bewusste Entscheidung, die dokumentiert und im Team diskutiert werden kann. Der Nachteil: Es ist statisch und subjektiv. Die Regeln bilden ab, was das Team für relevant hält – nicht notwendigerweise das, was tatsächlich zum Abschluss führt. Und mit jeder neuen Datenquelle, jedem neuen Kanal und jeder Marktveränderung müssen die Regeln von Hand nachgepflegt werden, was in der Praxis oft unterbleibt.
Predictive Lead Scoring dreht die Logik um. Statt dass Menschen vorgeben, welche Merkmale wichtig sind, lernt ein statistisches Modell aus der Vergangenheit: Es betrachtet Leads, die tatsächlich zu Kunden wurden, und Leads, die es nicht wurden, und identifiziert selbstständig, welche Merkmale und Verhaltensmuster die beiden Gruppen unterscheiden. Das Ergebnis ist keine willkürliche Punktzahl, sondern eine aus Daten abgeleitete Abschluss- oder Konversionswahrscheinlichkeit.
Der entscheidende Gewinn liegt in zwei Punkten. Erstens findet das Modell Zusammenhänge, die einem Menschen entgehen – etwa dass eine bestimmte Kombination aus Branche, Unternehmensgröße und Besuchszeitpunkt besonders aussagekräftig ist. Zweitens kann es sich anpassen: Verändern sich Markt oder Verhalten, lässt sich das Modell mit neuen Daten neu trainieren. Der Preis dafür ist, dass die Bewertung schwerer nachvollziehbar wird und dass das Verfahren ohne eine ausreichende Menge sauberer historischer Daten schlicht nicht funktioniert. Ob KI-Scoring sinnvoll ist, muss deshalb im Einzelfall geprüft werden.
Am Anfang steht immer eine schlichte Frage: Was wollen wir eigentlich vorhersagen? Meist ist das die Wahrscheinlichkeit, dass ein Lead innerhalb eines bestimmten Zeitraums zum Kunden wird oder zumindest zu einer echten Verkaufschance reift. Diese Zielgröße muss präzise definiert sein, denn das Modell lernt ausschließlich, genau diese eine Frage zu beantworten. Ist die Frage schwammig, ist auch das Ergebnis schwammig.
Anschließend läuft ein wiederkehrender Kreislauf ab, der sich in vier Schritte gliedert:
Das Besondere an KI-Scoring ist dieser geschlossene Kreislauf. Ein regelbasiertes System bleibt, wie es einmal eingestellt wurde, bis jemand die Regeln von Hand ändert. Ein lernendes System dagegen kann seine Vorhersagen mit den tatsächlichen Ausgängen abgleichen: Leads, die es als aussichtsreich einstufte – wurden sie wirklich zu Kunden? Aus dieser Rückkopplung lässt sich das Modell periodisch neu trainieren und bleibt so näher an der Realität – vorausgesetzt, die Ergebnisdaten werden im CRM gepflegt.
Genau hier liegt eine oft übersehene Voraussetzung: Der Kreislauf funktioniert nur, wenn das Unternehmen konsequent dokumentiert, was aus den Leads geworden ist. Wenn niemand im CRM pflegt, ob ein Lead gewonnen oder verloren wurde, fehlt dem Modell die Wahrheit, an der es lernen könnte. KI-Scoring ist damit weniger ein Technik- als ein Disziplinthema.
Das Modell liefert typischerweise eine Zahl zwischen 0 und 1 beziehungsweise einen Prozentwert – die geschätzte Wahrscheinlichkeit. Für den Vertrieb ist eine reine Wahrscheinlichkeit aber unhandlich; deshalb übersetzt man sie meist in Stufen oder Ränge, etwa in eine A-, B-, C-Klassifizierung oder in eine sortierte Liste „heißeste Leads zuerst“. Wo die Schwelle zwischen „vertriebsreif“ und „weiter reifen lassen“ liegt, ist keine mathematische, sondern eine geschäftliche Entscheidung: Sie hängt von der Kapazität des Vertriebs und von der Frage ab, ob man lieber keine Chance verpassen oder keine Zeit verschwenden will.
Die wertvollste und rechtlich sauberste Datengrundlage sind First-Party-Daten – also Daten, die das Unternehmen im Rahmen eigener, direkter Beziehungen selbst erhebt: über die eigene Website, eigene Formulare, den eigenen Newsletter, das eigene CRM. Sie sind aktuell, spezifisch für das eigene Geschäft und lassen sich auf Basis nachvollziehbarer Rechtsgrundlagen verarbeiten. In unseren Projekten bilden First-Party-Daten fast immer den Kern eines belastbaren Scorings.
Zugekaufte Fremddaten oder angereicherte Drittdaten können firmografische Lücken füllen, sind aber mit Vorsicht zu behandeln: Sie sind häufig veraltet, nicht immer korrekt und werfen zusätzliche datenschutzrechtliche Fragen auf, insbesondere zur Rechtsgrundlage und zur Herkunft. Ob und in welchem Umfang solche Daten eingesetzt werden dürfen, ist im Einzelfall zu prüfen – fachlich wie rechtlich. Der Grundsatz lautet: lieber wenige, saubere First-Party-Signale als viele fragwürdige Fremddaten.
Rohdaten sind für ein Modell selten direkt brauchbar. Ein einzelner Website-Besuch sagt wenig; die Aussage entsteht erst durch Aufbereitung. Aus „Besuchsprotokoll“ wird etwa das Merkmal „Anzahl Besuche der letzten zwei Wochen“, aus „E-Mail-Log“ das Merkmal „Öffnungsrate der letzten fünf E-Mails“. Diese Übersetzung von Rohdaten in aussagekräftige Merkmale heißt Feature Engineering und ist erfahrungsgemäß der Schritt, der über Erfolg oder Misserfolg entscheidet – weit mehr als die Wahl des Algorithmus.
Zwei Aspekte verdienen besondere Aufmerksamkeit. Erstens die Aktualität (Recency): Ein Interesse von gestern wiegt schwerer als eines von vor einem Jahr; gute Merkmale bilden diesen Zeitbezug ab. Zweitens die Datenqualität: Fehlende Werte, Dubletten, inkonsistente Schreibweisen und veraltete Einträge verzerren jedes Modell. Datenbereinigung ist deshalb kein lästiges Vorgeplänkel, sondern integraler Bestandteil eines seriösen Scorings.
Der Ausgangspunkt ist eine Tabelle vergangener Leads, bei denen sowohl die Merkmale als auch das Ergebnis bekannt sind: Dieser Lead hatte diese Branche, dieses Verhalten, diese Historie – und wurde am Ende Kunde oder eben nicht. Diese Kombination aus Merkmalen und bekanntem Ergebnis nennt man Trainingsdaten. Das Modell durchsucht diese Beispiele nach statistischen Zusammenhängen: Welche Merkmalskombinationen gingen überdurchschnittlich oft mit einem Abschluss einher? Aus diesen Mustern bildet es eine Regel, die es auf neue, noch unbewertete Leads anwendet.
Wichtig ist das richtige mentale Bild: Das Modell „versteht“ Kunden nicht, es erkennt Korrelationen in den Daten. Es lernt, dass bestimmte Muster in der Vergangenheit mit Abschlüssen zusammenfielen – nicht warum. Diese Unterscheidung ist entscheidend für die spätere Bewertung von Fehlern und für den Umgang mit Verzerrungen.
In der Praxis kommen unterschiedliche Modelltypen zum Einsatz, die sich in Nachvollziehbarkeit und Leistungsfähigkeit unterscheiden. Man muss sie nicht selbst bauen, sollte aber die Grundcharakteristik einordnen können:
Die verbreitete Annahme „je komplexer, desto besser“ trifft im Mittelstand selten zu. Bei überschaubaren Datenmengen liefert ein einfaches, erklärbares Modell häufig ein ähnlich gutes und deutlich transparenteres Ergebnis als ein hochkomplexes. Welches Verfahren im konkreten Fall passt, ist eine Frage der verfügbaren Datenmenge und des Transparenzbedarfs und im Einzelfall zu prüfen.
Ein zentrales Qualitätsprinzip ist die Trennung von Trainings- und Testdaten. Man trainiert das Modell auf einem Teil der historischen Leads und prüft es anschließend an einem anderen Teil, den es nie gesehen hat. Nur so lässt sich beurteilen, ob das Modell wirklich generalisiert oder nur die Trainingsbeispiele auswendig gelernt hat. Letzteres nennt man Überanpassung (Overfitting): Das Modell glänzt auf den bekannten Daten, versagt aber bei neuen Leads. Ein Modell, das nur an denselben Daten geprüft wird, mit denen es trainiert wurde, ist wertlos.
Ebenso wichtig ist die Vermeidung von Datenlecks (Data Leakage): Wenn versehentlich ein Merkmal ins Training gelangt, das den Ausgang bereits verrät (etwa eine Information, die erst nach dem Abschluss entsteht), wirkt das Modell brillant, ist in der Realität aber unbrauchbar. Solche Fallstricke zu erkennen gehört zum Handwerk und ist ein wesentlicher Grund, warum ein seriöses Scoring-Projekt Sorgfalt und Erfahrung erfordert.
Damit Lead Scoring wirkt, muss der Score ein selbstverständlicher Bestandteil des Kontaktdatensatzes im CRM werden – idealerweise als gut sichtbares Feld, nach dem sich Listen sortieren und filtern lassen. Der Vertrieb soll auf einen Blick erkennen, welche Kontakte oben stehen, ohne dafür ein separates Werkzeug öffnen zu müssen. Moderne CRM-Systeme bieten dafür entweder eingebaute Scoring-Funktionen oder Schnittstellen, über die ein externes Modell seine Werte zurückschreibt.
Neben der reinen Zahl ist der Kontext entscheidend. Ein Score von „82“ allein hilft wenig; hilfreich ist, wenn daneben steht, welche Signale den Wert getrieben haben – etwa „mehrfacher Besuch der Preisseite“ oder „passende Branche und Unternehmensgröße“. Diese Begründung schafft Vertrauen beim Vertrieb und liefert gleichzeitig einen konkreten Gesprächsaufhänger.
Ein Score entfaltet seinen Nutzen erst, wenn er Handlungen auslöst. In der Praxis koppelt man Score-Schwellen an klar definierte Abläufe: Überschreitet ein Lead die Vertriebsschwelle, entsteht automatisch eine Aufgabe für den zuständigen Mitarbeiter oder eine Benachrichtigung. Leads darunter bleiben in der automatisierten Marketing-Betreuung, um weiter zu reifen. Sinkt ein Score wieder – weil das Interesse abflaut –, kann der Kontakt automatisch zurückgestuft werden.
Diese Verknüpfung von Score und Prozess ist der eigentliche Hebel. Sie verhindert, dass die Bewertung eine hübsche, aber folgenlose Zahl bleibt. Gleichzeitig gilt: Automatisierte Aufgaben und Priorisierungen sind Vorschläge, keine Zwänge. Der Vertrieb muss die Möglichkeit behalten, im Einzelfall bewusst abzuweichen – und diese Abweichungen sind wertvolles Feedback für die Modellpflege.
Lead Scoring berührt fast immer die empfindliche Schnittstelle zwischen Marketing und Vertrieb. Marketing erzeugt und pflegt Leads, Vertrieb bearbeitet sie – und beide Seiten haben oft unterschiedliche Vorstellungen davon, wann ein Lead „reif“ ist. Ein gemeinsames Scoring zwingt zur Einigung: Man muss zusammen definieren, was einen qualifizierten Lead ausmacht und ab welcher Schwelle die Übergabe erfolgt. Häufig hält man diese Einigung in einer Übergabe-Vereinbarung fest, die Kriterien, Schwellen und Reaktionszeiten regelt.
Aus unserer Erfahrung ist genau diese erzwungene Abstimmung einer der größten Nebeneffekte eines Scoring-Projekts – manchmal wertvoller als die Technik selbst. Wenn Marketing und Vertrieb erstmals eine gemeinsame Sprache für Lead-Qualität finden, sinkt die Reibung an der Übergabe spürbar, unabhängig davon, wie ausgefeilt das Modell dahinter ist.
Ein lernendes Modell lernt aus der Vergangenheit – und übernimmt dabei auch deren Verzerrungen. Wenn der Vertrieb bisher etwa bevorzugt große Unternehmen einer bestimmten Region bearbeitet hat, dann sind genau diese in den historischen Abschlüssen überrepräsentiert. Das Modell schließt daraus, dass solche Leads besonders wertvoll sind – und stuft abweichende, tatsächlich aber aussichtsreiche Kontakte systematisch niedriger ein. So entsteht eine sich selbst erfüllende Prophezeiung: Wer nie bearbeitet wurde, kann nie als Kunde in den Daten auftauchen, und das Modell lernt, ihn weiter zu ignorieren.
Dieser Bias ist die tückischste Gefahr, weil er unsichtbar und plausibel wirkt. Gegenmaßnahmen sind bewusste Aufmerksamkeit für die Zusammensetzung der Trainingsdaten, das regelmäßige Hinterfragen, welche Merkmale das Modell stark gewichtet, und eine gewisse Portion Skepsis gegenüber „das war schon immer so“. Vollständig ausräumen lässt sich Bias nie, aber man kann ihn erkennen und begrenzen – ein weiterer Grund, warum menschliche Kontrolle unverzichtbar bleibt.
Der zweite große Fehler ist ein Denkfehler: den Score als objektive Wahrheit zu behandeln. Ein Score ist eine statistische Schätzung mit Unsicherheit, kein Urteil. Ein niedriger Score bedeutet nicht „dieser Lead ist wertlos“, sondern „auf Basis der bisherigen Muster ist ein Abschluss weniger wahrscheinlich“. Es kann gute Gründe geben, trotzdem tätig zu werden – strategische Bedeutung, eine persönliche Beziehung, ein Signal, das das Modell nicht kennt. Der Score unterstützt die Entscheidung, er ersetzt sie nicht.
Genau diese Haltung ist auch datenschutzrechtlich relevant und leitet über zu Kapitel 09: Sobald eine Bewertung Entscheidungen mit erheblicher Wirkung für Personen faktisch vorwegnimmt, betritt man den Bereich automatisierter Einzelentscheidungen und des Profilings – mit besonderen Pflichten. Die gesunde fachliche Haltung „Score als Vorschlag“ und die rechtliche Anforderung „bedeutsame menschliche Einbindung“ zeigen hier in dieselbe Richtung.
Ein bewährtes Vorgehen ist der Parallelbetrieb: Man lässt ein neues Scoring zunächst mitlaufen, ohne dass es sofort die Vertriebssteuerung übernimmt, und vergleicht seine Vorhersagen über einige Wochen mit der Realität. So gewinnt das Team Vertrauen, und man erkennt Schwächen, bevor sie Schaden anrichten. Erst wenn das Modell sich bewährt hat, bekommt es eine steuernde Rolle. Dieser vorsichtige Übergang ist deutlich klüger, als ein neues System über Nacht scharf zu schalten.
Ebenso wichtig ist eine realistische Erwartungshaltung. KI-Lead-Scoring ist kein Knopf, der Umsatz produziert, sondern ein Werkzeug zur besseren Priorisierung. Der Nutzen zeigt sich schrittweise und hängt stark von Datenqualität, Disziplin bei der Pflege und der Bereitschaft ab, dem Modell tatsächlich zu folgen. Wer diese Voraussetzungen nüchtern prüft, vermeidet Enttäuschungen – und trifft die ehrliche Entscheidung, ob und wann KI-Scoring für das eigene Haus überhaupt der richtige Schritt ist.
Erfolg zeigt sich zuerst darin, dass der Vertrieb seine Zeit anders verteilt: Hochbewertete Leads werden schneller und konsequenter bearbeitet, während offensichtlich unpassende Kontakte weniger Aufwand binden. Ein zweites Signal ist die Trefferqualität – ob die als aussichtsreich eingestuften Leads tatsächlich überdurchschnittlich oft zu echten Chancen und Abschlüssen führen. Ein drittes, oft unterschätztes Zeichen ist die gesunkene Reibung zwischen Marketing und Vertrieb: weniger Streit darüber, ob ein Lead „gut“ war.
Um das beurteilen zu können, braucht es einen Vergleichsmaßstab. Bewährt hat sich, den Zustand vor der Einführung ehrlich zu dokumentieren und nach einigen Monaten gegen den neuen Zustand zu halten – idealerweise ergänzt um eine Kontrollbetrachtung, bei der ein Teil der Leads bewusst nach altem Muster bearbeitet wird. Nur so lässt sich unterscheiden, ob eine Verbesserung dem Scoring zuzuschreiben ist oder ob ohnehin gerade ein guter Markt herrschte. Wir empfehlen, solche Vergleichsgrößen zu Projektbeginn festzulegen, nicht erst im Nachhinein.
Sinnvolle Kennzahlen bewegen sich entlang des Lead-Wegs: Wie viele bewertete Leads werden zu qualifizierten Chancen, wie viele davon zu Abschlüssen, wie schnell reagiert der Vertrieb auf hochbewertete Leads? Entscheidend ist, diese Größen im Zeitverlauf und im Vergleich zu betrachten – nicht als absolute Zielmarke. Eine allgemeingültige „gute“ Konversionsrate gibt es nicht; was gut ist, bestimmen Branche, Angebot und Vertriebsmodell. Deshalb nennen wir hier bewusst keine Zahlen, sondern raten, die eigenen Ausgangswerte zum Maßstab zu machen.
So nützlich Lead Scoring ist, es bleibt eine Schätzung auf Basis der Vergangenheit – mit allen daraus folgenden Grenzen:
Diese Grenzen sind kein Argument gegen Lead Scoring, sondern gegen dessen Überhöhung. Ein Score ist ein hilfreicher Kompass, keine Landkarte mit Garantie. Menschliches Urteil, Marktkenntnis und der bewusste Umgang mit den Fällen, die das Modell nicht kennt, bleiben unverzichtbar – ein Gedanke, der unmittelbar in die datenschutzrechtliche Betrachtung des nächsten Kapitels führt.
Sobald personenbezogene Daten automatisiert ausgewertet werden, um persönliche Aspekte zu bewerten – etwa das voraussichtliche Kaufverhalten oder Interessen –, spricht die DSGVO von Profiling. Lead Scoring fällt damit fast immer unter diesen Begriff. Das ist nicht per se verboten, löst aber besondere Pflichten aus: Es braucht eine tragfähige Rechtsgrundlage, die betroffenen Personen sind transparent zu informieren, und der Zweck der Verarbeitung ist von vornherein festzulegen. Werden für das Scoring Verhaltensdaten aus Tracking herangezogen, kommen zusätzlich die Einwilligungsanforderungen für Cookies und ähnliche Technologien ins Spiel.
Als Rechtsgrundlage kommt je nach Ausgestaltung insbesondere die Einwilligung oder das berechtigte Interesse in Betracht. Beim berechtigten Interesse ist eine dokumentierte Abwägung zwischen den Interessen des Unternehmens und den Rechten der betroffenen Personen erforderlich. Welche Grundlage im konkreten Fall trägt und welche Anforderungen zu erfüllen sind, ist eine rechtliche Frage, die im Einzelfall zu prüfen ist.
Der wichtigste Sonderfall ist Artikel 22 DSGVO. Er betrifft Entscheidungen, die ausschließlich auf einer automatisierten Verarbeitung beruhen und die betroffene Person rechtlich oder in ähnlich erheblicher Weise beeinträchtigen. Solche rein automatisierten Entscheidungen sind grundsätzlich nur unter engen Voraussetzungen zulässig. Für ein Lead Scoring, das dem Vertrieb lediglich eine Priorisierung vorschlägt und bei dem am Ende ein Mensch entscheidet, greift diese Verschärfung typischerweise nicht – weil eben keine rein automatisierte Entscheidung mit erheblicher Wirkung vorliegt.
Genau darin liegt jedoch der Grat: Wird der Score so verwendet, dass er faktisch die Entscheidung vorwegnimmt – etwa indem niedrig bewertete Personen automatisch und ohne jede menschliche Prüfung vollständig aussortiert werden und ihnen dadurch spürbare Nachteile entstehen –, kann der Anwendungsbereich von Artikel 22 berührt sein. Die praktische Konsequenz deckt sich mit der guten fachlichen Praxis aus den vorigen Kapiteln: eine bedeutsame menschliche Einbindung vorsehen, den Score als Vorschlag und nicht als Urteil behandeln und die Möglichkeit begründeter Abweichung bewahren. Ob eine konkrete Ausgestaltung unter Artikel 22 fällt, ist im Einzelfall rechtlich zu bewerten.
Betroffene Personen haben ein Recht darauf zu erfahren, dass und in welcher Form ihre Daten für ein Scoring verarbeitet werden. Die Datenschutzhinweise sollten das Profiling verständlich erläutern – Zweck, Grundzüge der Logik und die möglichen Folgen. Hinzu kommen die allgemeinen Betroffenenrechte: Auskunft über die verarbeiteten Daten, Berichtigung falscher Angaben, Löschung, Einschränkung und – je nach Rechtsgrundlage – Widerspruch gegen die Verarbeitung. Diese Rechte müssen praktisch abbildbar sein, das heißt: Das System muss so gestaltet sein, dass ein Unternehmen ihnen tatsächlich nachkommen kann.
Praktisch bedeutet das, Datenschutz von Beginn an mitzudenken (Datenschutz durch Technikgestaltung): nur erforderliche Daten verarbeiten, Löschkonzepte vorsehen, Zugriffe auf den Score angemessen beschränken und den gesamten Vorgang dokumentieren. Je nach Umfang und Risiko der Verarbeitung kann außerdem eine Datenschutz-Folgenabschätzung angezeigt sein. Auch dies ist im Einzelfall zu bewerten.
