Lead Scoring hat den Ruf, etwas zu sein, das nur Unternehmen mit Data-Team und Marketing-Automation-Plattform richtig betreiben können. Ein einfaches, manuell gepflegtes Scoring-Modell, das jeden Monat von Hand überprüft und angepasst wird, schlägt gar kein Scoring — und schlägt oft auch ein überkonstruiertes Modell, das zu kompliziert ist, als dass irgendjemand ihm vertrauen oder es aktualisieren würde.
Was Scoring tatsächlich löst
Ohne Scoring bearbeitet ein Vertriebsteam Leads ungefähr in der Reihenfolge ihres Eintreffens oder nach dem Bauchgefühl, welcher Firmenname vielversprechend klingt. Beide Ansätze ignorieren das klarste verfügbare Signal: was ein Lead tatsächlich getan hat. Ein einfacher Score existiert, um „Demo angefragt" vor „einen Leitfaden heruntergeladen und nie wiedergekommen" zu setzen — nicht um eine präzise Abschlusswahrscheinlichkeit zu berechnen.
Verhalten schlägt Jobtitel — meistens
Jobtitel und Unternehmensgröße sind nützlich, um Leads auszusortieren, die nie passen werden, sagen aber wenig über Kaufabsicht aus — ein „Marketing Director", der einen Guide heruntergeladen und nie wieder etwas getan hat, ist nicht kaufbereiter als ein Kontakt mit kleinerem Titel, der diese Woche dreimal die Preisseite besucht hat. Verhalten — was jemand tatsächlich auf der Website, in E-Mails, bei einer Demo-Anfrage getan hat — spiegelt eine gerade laufende Entscheidung wider; ein Titel spiegelt eine Rolle wider, die existierte, bevor der Lead dem Unternehmen überhaupt begegnet ist, und würde gleich aussehen, egal ob aktuell Interesse besteht.
Ein Modell, das einfach genug ist, um es von Hand zu führen
Ein brauchbares Startmodell braucht nur eine Handvoll gewichteter Aktionen: Besuch der Preisseite, Anfrage einer Demo oder eines Anrufs, mehrere E-Mails hintereinander öffnen versus die letzten drei ignorieren, und Rückkehr zur Website kurz nach einem vorherigen Besuch. Weisen Sie jeder einen groben Punktwert zu — eine Demo-Anfrage überwiegt eine E-Mail-Öffnung deutlich — und legen Sie eine Schwelle fest, ab der ein Lead noch am selben Tag einen Anruf statt einer Nurturing-Sequenz bekommt. Dafür braucht es nichts weiter als eine Tabelle oder die Felder, die das CRM ohnehin schon hat; es braucht nur jemanden, der die Punktwerte tatsächlich aktualisiert, wenn sie nicht mehr zur Realität passen.
Das Modell monatlich zu überprüfen schlägt es einmalig perfekt zu machen
Ein Modell, das einmal gebaut und nie wieder angefasst wird, driftet schnell von der Unternehmensrealität ab — besonders sobald der Vertrieb bemerkt, dass bestimmte „hoch bewertete" Leads nie abschließen, und beginnt, den Score im Stillen zu ignorieren. Eine kurze monatliche Überprüfung — welche bewerteten Leads konvertiert sind, welche nicht, welche Verhaltensweisen sich der Vertrieb stärker gewichtet wünschte — hält den Score so vertrauenswürdig, dass danach gehandelt wird, was der ganze Sinn seines Aufbaus ist.
Die Falle der Überkonstruktion
Ein Scoring-Modell mit zwanzig gewichteten Variablen und Schwellenwerten auf die Dezimalstelle wirkt rigoroser als eine Fünf-Variablen-Tabelle, ist es aber meist nicht — es ist nur schwerer für irgendjemanden zu erklären, zu vertrauen oder anzupassen, wenn es nicht mehr funktioniert. Ein Modell, das der Vertrieb in einem Satz beschreiben kann, wird genutzt. Eines, das niemand erklären kann, wird beim ersten Mal, wenn es einen schlechten Lead nach oben schickt, still ignoriert.
Unser Software-Team kann helfen, ein Scoring-Modell passend zu der Art, wie Ihr Vertrieb Leads tatsächlich durchsieht, aufzubauen und mit der Art zu verknüpfen, wie Leads bereits ankommen — einschließlich solcher, die durch laufende SEO-Arbeit gewonnen werden —, ohne dass dafür ein Data-Team nötig wäre.
