Was ist Lead Score Calculator?
▾
Lead Scoring ist eine Methode zur Einstufung von Vertriebsleads (Interessenten) auf der Grundlage des wahrgenommenen Werts, den sie für das Unternehmen darstellen, und ihrer Wahrscheinlichkeit, sich in einen zahlenden Kunden umzuwandeln. Der Lead-Score weist Lead-Attributen (demografische Eignung, Unternehmensmerkmale) und Verhaltenssignalen (Produktinteraktion, Inhaltskonsum, E-Mail-Interaktionen) numerische Punktwerte zu, um einen zusammengesetzten Score zu erstellen, der priorisiert, welche Leads die Aufmerksamkeit des Vertriebs verdienen. Leads mit hoher Punktzahl werden sofort an den Vertrieb weitergeleitet; Leads mit niedrigerer Bewertung werden durch Marketingautomatisierung gepflegt, bis sie eine höhere Absicht zeigen. Das Lead-Scoring löst ein grundlegendes Problem bei der Nachfragegenerierung: Marketingteams generieren weit mehr Leads, als Vertriebsteams effektiv bearbeiten können, und ohne Priorisierung verschwenden Vertriebsmitarbeiter Zeit mit schlecht passenden Leads, während hochwertige Interessenten unterversorgt werden. Die Lead-Score-Formel kombiniert explizite Attribute (firmografische Daten wie Unternehmensgröße, Branche, Titel) mit impliziten Verhaltenssignalen (Website-Besuche, Inhalts-Downloads, Demo-Anfragen, Produkttestaktivitäten). Je nach Fitness und Aktivität werden Punkte vergeben und abgezogen. Zum Beispiel: Unternehmensgröße über 500 Mitarbeiter +25 Punkte, Entscheidertitel +30 Punkte, besuchte Preisseite +40 Punkte, Demo angefordert +80 Punkte. Umgekehrt: Studenten-E-Mail -50 Punkte, Konkurrenzdomain -100 Punkte, falsche Branche -40 Punkte. Lead-Score-Schwellenwerte definieren MQL-Grenzen (Marketing Qualified Lead): Normalerweise lösen Scores über 50 bis 100 den MQL-Status und die Übergabe an Sales Development Reps (SDRs) aus. Dieser Schwellenwert wird durch eine historische Analyse kalibriert: Welches Bewertungsniveau sagt am besten voraus, dass ein Lead innerhalb des Engagement-Fensters des SDR konvertieren wird? Predictive Lead Scoring (unter Verwendung von maschinellem Lernen anhand historischer Conversion-Daten) ergänzt oder ersetzt zunehmend das regelbasierte Scoring, insbesondere in Unternehmen mit großen Lead-Volumina. Tools wie Salesforce Einstein, HubSpot und 6sense bieten KI-gestützte Bewertungsmodelle.
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
Formel
▾
Lead-Score = Summe der positiven Attribut-/Verhaltenspunkte – Summe der negativen DisqualifikationspunkteVariablenbeschreibung
▾
| Symbol | Name | Einheit | Beschreibung |
|---|---|---|---|
| Attribute Points | Festpunkte zugewiesen | — | Ein wichtiger Eingabeparameter für Lead Score Calc, der in der Formel zugewiesene Festpunkte darstellt und sich durch seine mathematische Rolle direkt auf die berechnete Ausgabe auswirkt |
| Behavioral Points | Dynamisch punktebasiert | — | Dynamische Punkte basierend auf den vom Lead ergriffenen Engagement-Aktionen |
| Negative Points | Punktabzüge | — | Ein wichtiger Eingabeparameter für Lead Score Calc, der Punktabzüge in der Formel darstellt und sich durch seine mathematische Rolle direkt auf die berechnete Ausgabe auswirkt |
| MQL Threshold | Mindestpunktzahl erforderlich | — | Mindestpunktzahl erforderlich, um sich als Marketing Qualified Lead zu qualifizieren |
| Score Decay | Reduzierung der Punktzahl | — | Mit der Zeit sinkt die Punktzahl, da die Lead-Aktivität veraltet ist |
Anleitung Lead Score Calculator
▾
- 1Sammeln Sie die erforderlichen Eingabewerte: Zugeteilte feste Punkte, dynamische Punkte basierend, Punktabzüge, erforderliche Mindestpunktzahl.
- 2Wenden Sie die Kernformel an: Lead-Score = Summe der positiven Attribut-/Verhaltenspunkte – Summe der negativen Disqualifikationspunkte.
- 3Berechnen Sie ggf. Zwischenwerte wie den demografischen Score.
- 4Stellen Sie sicher, dass alle Einheiten konsistent sind, bevor Sie Begriffe kombinieren.
- 5Berechnen Sie das Endergebnis und überprüfen Sie es auf Plausibilität.
- 6Prüfen Sie, ob für Ihre Eingaben Sonderfälle oder Randbedingungen gelten.
- 7Interpretieren Sie das Ergebnis im Kontext und vergleichen Sie es mit Referenzwerten, falls verfügbar.
Gelöste Beispiele
▾
Dieses Beispiel demonstriert eine typische Anwendung von Lead Score Calc und zeigt, wie die Eingabewerte durch die Formel verarbeitet werden, um das Ergebnis zu erzeugen.
Dieses Beispiel demonstriert eine typische Anwendung von Lead Score Calc und zeigt, wie die Eingabewerte durch die Formel verarbeitet werden, um das Ergebnis zu erzeugen.
Dieses Beispiel demonstriert eine typische Anwendung von Lead Score Calc und zeigt, wie die Eingabewerte durch die Formel verarbeitet werden, um das Ergebnis zu erzeugen.
Dieses Beispiel demonstriert eine typische Anwendung von Lead Score Calc und zeigt, wie die Eingabewerte durch die Formel verarbeitet werden, um das Ergebnis zu erzeugen.
Praktische Anwendungen
▾
Fachleute im Ingenieur- und Elektrobereich nutzen Lead Score Calc als Teil ihres standardmäßigen Analyseworkflows, um Berechnungen zu überprüfen, Rechenfehler zu reduzieren und konsistente Ergebnisse zu erzielen, die dokumentiert, geprüft und aus Compliance-Gründen mit Kollegen, Kunden oder Aufsichtsbehörden geteilt werden können.
Universitätsprofessoren und Dozenten integrieren Lead Score Calc in Kursmaterialien, Hausaufgaben und Ressourcen zur Prüfungsvorbereitung, sodass Studierende manuelle Berechnungen überprüfen, ein Gespür für Input-Output-Beziehungen entwickeln und sich auf konzeptionelles Verständnis statt auf Arithmetik konzentrieren können.
Berater und Berater verwenden Lead Score Calc, um bei Kundenbesprechungen schnell verschiedene Szenarien zu modellieren und so Was-wäre-wenn-Fragen in Echtzeit zu untersuchen, für die sie sonst für eine detaillierte tabellenbasierte Analyse und Berichterstattung ins Büro zurückkehren müssten.
Einzelne Benutzer verlassen sich bei persönlichen Planungsentscheidungen auf Lead Score Calc – beim Vergleich von Optionen, beim Überprüfen von Angeboten von Dienstleistern, beim Überprüfen von Berechnungen Dritter und beim Aufbau der Gewissheit, dass die Zahlen hinter einer wichtigen Entscheidung korrekt und konsistent berechnet wurden.
Sonderfälle
▾
ABM (Account-Based Marketing): Bewertung auf Kontoebene (Summe der Kontaktbewertungen).
ABM (Account-Based Marketing): Bewertung auf Kontoebene (Summe der Kontaktbewertungen gewichtet nach Rolle/Titel) statt auf Ebene einzelner Kontakte. In der Praxis erfordert dieser Grenzfall sorgfältige Überlegungen, da Standardannahmen möglicherweise nicht zutreffen. Wenn dieses Szenario bei Berechnungen des Lead-Score-Rechners auftritt, sollten Praktiker die Randbedingungen überprüfen, auf Division-durch-Null-Risiken prüfen und prüfen, ob die Annahmen des Modells unter diesen extremen Bedingungen gültig bleiben.
PLG-Leads: Priorisieren Sie produktinterne Nutzungssignale gegenüber Marketing-Engagement
PLG-Leads: Priorisieren Sie produktinterne Nutzungssignale gegenüber Marketing-Engagement-Signalen. Erstellen Sie eine PQL-Bewertung getrennt von der herkömmlichen MQL-Bewertung. In der Praxis muss dieser Randfall sorgfältig geprüft werden, da Standardannahmen möglicherweise nicht zutreffen. Wenn dieses Szenario bei Berechnungen des Lead-Score-Rechners auftritt, sollten Praktiker die Randbedingungen überprüfen, auf Division-durch-Null-Risiken prüfen und prüfen, ob die Annahmen des Modells unter diesen extremen Bedingungen gültig bleiben.
Kanal-/Partner-Leads: Von Partnern stammende Leads erzielen möglicherweise eine andere Bewertung – passen Sie diese an
Kanal-/Partner-Leads: Von Partnern stammende Leads erzielen möglicherweise eine andere Bewertung – passen Sie den Schwellenwert basierend auf historischen Daten zur Partner-Lead-Qualität an. In der Praxis erfordert dieser Grenzfall sorgfältige Überlegungen, da Standardannahmen möglicherweise nicht zutreffen. Wenn dieses Szenario bei Berechnungen des Lead-Score-Rechners auftritt, sollten Praktiker die Randbedingungen überprüfen, auf Division-durch-Null-Risiken prüfen und prüfen, ob die Annahmen des Modells unter diesen extremen Bedingungen gültig bleiben.
Referenzdaten von Lead Score Calc
▾
| Lead-Aktion/Attribut | Typische Punkte | Begründung |
|---|---|---|
| Demo-/Testanfrage | +75 bis +100 | Höchstes Conversion-Absichtssignal |
| Preisseite besuchen | +40 bis +60 | Aktive Kaufbewertung |
| Kontakt-/RFP-Formular | +50 bis +80 | Direktverkaufsabsicht |
| Inhalt herunterladen | +10 bis +25 | Engagement in der Forschungsphase |
| C-Suite-/VP-Titel | +30 bis +50 | Signal der Haushaltsbehörde |
| Unternehmen mit mehr als 500 Mitarbeitern | +20 bis +35 | ICP-Größe passt |
| E-Mail-Domäne eines Mitbewerbers | -50 bis -100 | Wahrscheinlich Wettbewerbsforschung |
| Student/Kostenlose E-Mail | -30 bis -60 | Geringe Kaufabsicht |
Häufig gestellte Fragen
▾
Was ist Lead Scoring und wie funktioniert es?
Beim Lead-Scoring werden Leads anhand der Wahrscheinlichkeit, dass sie zu Kunden werden, numerische Werte zugewiesen. Punkte werden vergeben für: demografische Eignung (Berufsbezeichnung +10, Unternehmensgröße +5, Branchenübereinstimmung +15), verhaltensbezogenes Engagement (besuchte Preisseite +20, heruntergeladenes Whitepaper +10, geöffnete 5+ E-Mails +5, angeforderte Demo +30) und negative Signale (E-Mail-Abmeldung -20, E-Mail-Domain des Mitbewerbers -10, E-Mail-Adresse des Studenten -15). Wenn ein Lead einen Schwellenwert überschreitet (z. B. 50 Punkte), wird er als Marketing Qualified Lead (MQL) an den Vertrieb weitergeleitet. Dadurch wird sichergestellt, dass sich der Vertrieb auf die vielversprechendsten Leads konzentriert und nicht mit einer unqualifizierten Liste arbeitet.
Wie baue ich ein effektives Lead-Scoring-Modell auf?
Beginnen Sie mit der Analyse Ihrer geschlossenen Kunden: Welche Titel, Unternehmensgrößen, Branchen und Verhaltensweisen teilten sie? Erstellen Sie Bewertungskriterien auf der Grundlage tatsächlicher Muster, nicht auf Annahmen. Bewerten Sie Verhaltenssignale stark – jemand, der Ihre Preisseite dreimal besucht hat, ist weitaus verkaufsbereiter als jemand, der Ihrem idealen Unternehmensprofil entspricht, sich aber noch nie engagiert hat. Beginnen Sie einfach mit 5–10 Bewertungskriterien und verfeinern Sie diese im Laufe der Zeit. Monatliche Überprüfung: Wenn der Vertrieb MQLs ablehnt, ist Ihr Schwellenwert zu niedrig oder die Kriterien sind falsch. Wenn Leads konvertieren, bevor sie den Punkteschwellenwert erreichen, legen Sie die Messlatte höher. Die besten Modelle nutzen Predictive Scoring (maschinelles Lernen), das automatisch Muster aus Ihren CRM-Daten identifiziert.
Was ist ein guter Lead-Score-Schwellenwert für die Qualifizierung von Leads?
Der Schwellenwert für einen guten Lead-Score kann je nach Organisation variieren, ein üblicher Bereich liegt jedoch zwischen 50 und 100 Punkten. Wenn ein Lead beispielsweise einen Wert von 75 oder höher hat, gilt er möglicherweise als qualifiziert und bereit für die Kontaktaufnahme mit dem Vertrieb. Dieser Schwellenwert kann durch die Analyse historischer Daten und die Ermittlung des Scores ermittelt werden, bei dem Leads am wahrscheinlichsten konvertieren. Ein Schwellenwert von 50–100 Punkten ermöglicht ein Gleichgewicht zwischen Qualität und Quantität der Leads.
Wie oft sollten Lead-Scores aktualisiert und aktualisiert werden?
Lead-Scores sollten regelmäßig aktualisiert und aktualisiert werden, um Änderungen im Lead-Verhalten und den demografischen Informationen widerzuspiegeln. Eine gute Faustregel besteht darin, die Lead-Bewertungen mindestens alle 30–60 Tage oder immer dann zu aktualisieren, wenn ein wichtiges Ereignis eintritt, beispielsweise wenn ein Lead an einem Webinar teilnimmt oder eine Demo anfordert. Dadurch wird sichergestellt, dass die Lead-Bewertungen korrekt und relevant bleiben und dass Vertriebsteams die vielversprechendsten Leads gezielt ansprechen. Wenn ein Lead beispielsweise an einem Webinar teilnimmt, könnte sich seine Punktzahl um 10–20 Punkte erhöhen, um sein gesteigertes Engagement widerzuspiegeln.
Welche häufigen Lead-Attribute werden in Lead-Scoring-Modellen verwendet?
Zu den gängigen Lead-Attributen, die in Lead-Scoring-Modellen verwendet werden, gehören demografische Informationen wie Berufsbezeichnung, Unternehmensgröße und Branche sowie Verhaltensdaten wie E-Mail-Engagement, Social-Media-Aktivitäten und Inhaltsdownloads. Beispielsweise kann ein Lead, der ein Whitepaper herunterlädt, 5–10 Punkte erhalten, während ein Lead, der eine Messe besucht, 20–30 Punkte erhalten kann. Auch andere Attribute wie Firmendaten und technische Daten können zur Erstellung eines umfassenden Lead-Scoring-Modells genutzt werden. Ein typisches Lead-Scoring-Modell kann 10–20 Attribute umfassen, jedes mit seiner eigenen gewichteten Bewertung.
Häufige Fehler vermeiden
▾
- !Zuweisen von Punktwerten basierend auf Intuition und nicht auf historischen Konvertierungskorrelationsdaten
- !Ohne Negativ-/Disqualifikationspunkte können schlecht geeignete Leads durch verhaltensbezogenes Engagement hohe Punktzahlen erzielen
- !Verwendung des gleichen Bewertungsmodells für alle Produkte, Segmente oder Regionen – die Bewertung sollte von ICP angepasst werden
- !Niemals das Modell neu kalibrieren – statische Modelle weichen ab, wenn sich ICP und Marktbedingungen ändern
- !Da der Lead-Score das einzige Routing-Kriterium ist, sollte der Score neben Aktualität und expliziten Absichtssignalen berücksichtigt werden
- !Keine Implementierung des Score-Verfalls – alte Highscores von Leads, die in Vergessenheit geraten sind, sollten nicht auf unbestimmte Zeit bestehen bleiben
Profi-Tipp
Validieren Sie Ihr Scoring-Modell monatlich, indem Sie den durchschnittlichen Lead-Score von „gewonnenen“ Opportunities mit „verlorenen“ Opportunities und Nicht-Entscheidungen vergleichen. Erfolgreiche Deals sollten deutlich höhere historische Spitzenwerte aufweisen. Wenn die Lücke klein ist, ist Ihr Modell nicht prädiktiv – bauen Sie es mit besseren Verhaltenssignalen neu auf.
Wussten Sie?
Die HubSpot-Analyse von über 30.000 Unternehmen ergab, dass Unternehmen, die Lead-Scoring nutzen, einen um 77 % höheren ROI bei der Lead-Generierung erzielten als Unternehmen, die kein Scoring nutzten, vor allem weil Vertriebsmitarbeiter Zeit auf 20 % der Leads verwendeten, die 80 % des Umsatzes generierten, anstatt alle Leads gleich zu behandeln.
Regional Guides
▾
Global▾
Referenzen
- ›Marketo – Der ultimative Leitfaden zur Lead-Bewertung
- ›HubSpot – Best Practices für die Lead-Bewertung
- ›Salesforce – Lead-Scoring und -Bewertung
- ›MadKudu – Prädiktive Lead-Scoring-Forschung
Holen Sie sich wöchentliche Mathe-Tipps
Schließen Sie sich 12.000+-Abonnenten an, die jede Woche Taschenrechner-Tipps erhalten.