Lead Scoring B2B: Modelle, Kriterien und Praxis 2026

Lead Scoring im B2B ist die strukturierte Punktbewertung von Leads nach Passung und Verhalten, um jene Kontakte zu priorisieren, die am ehesten kaufbereit sind. Ohne ein solches System landen Leads wahllos beim Vertrieb, der wertvolle Zeit mit unqualifizierten Kontakten verliert. Die Kernbegriffe dabei sind MQL (Marketing Qualified Lead) und SQL (Sales Qualified Lead): Sie markieren die Übergabepunkte zwischen Marketing und Vertrieb und machen den Prozess messbar. Wer diese Bewertung konsequent einsetzt, schafft die Grundlage für effizientes Lead Management und bessere Abschlussquoten.

Wie funktioniert Lead Scoring B2B? Kriterien und Gewichtung

Ein B2B Lead Scoring Modell bewertet Leads gleichzeitig nach zwei Dimensionen: Passung und Engagement. Passung beschreibt, wie gut ein Kontakt zum Zielprofil passt, also Jobtitel, Branche, Unternehmensgröße oder Region. Engagement misst das tatsächliche Verhalten, zum Beispiel Seitenbesuche, heruntergeladene Whitepaper oder eine Demo-Anfrage.

Empfohlene Punkteverteilung für ein 100-Punkte-Modell sieht so aus:

Kategorie	Punkte	Beispielkriterien
Demografischer Fit	25	Jobtitel, Entscheidungsebene
Firmografischer Fit	25	Branche, Unternehmensgröße, Umsatz
Engagement	40	Seitenbesuche, Demo-Anfrage, E-Mail-Klicks
Negative Signale	bis -10	Abmeldung, Freemail-Adresse

Ein Lead gilt ab 65 Punkten als MQL und gehört damit zu den Top 15–20 % aller Leads mit dem höchsten Kaufpotenzial. Das ist keine willkürliche Zahl, sondern ein Schwellenwert, der sicherstellt, dass der Vertrieb nur mit wirklich relevanten Kontakten arbeitet.

Besonders wirkungsvoll sind Verhaltenssignale mit hoher Kaufabsicht. Eine Demo-Anfrage bringt bis zu 75 Punkte, mehrfache Besuche der Preisseite signalisieren konkretes Interesse. Negatives Scoring ist dabei kein optionales Extra. Wer Abzüge für Abmeldungen oder Wettbewerberkontakte weglässt, riskiert, dass der Vertrieb Zeit mit Kontakten verschwendet, die nie kaufen werden.

Profi-Tipp: Beschränke dein Modell auf 8–12 Kriterien. Mehr Kriterien erhöhen die Komplexität, verbessern aber selten die Genauigkeit. Fang mit den Signalen an, die in deinen bisherigen Abschlüssen am häufigsten vorkamen.

Wichtig ist auch die Trennung von explizitem und implizitem Scoring. Explizites Scoring basiert auf Angaben, die ein Lead selbst gemacht hat, etwa beim Ausfüllen eines Formulars. Implizites Scoring leitet sich aus dem Verhalten ab, das der Lead gezeigt hat, ohne es direkt zu kommunizieren. Beide Dimensionen zusammen ergeben ein deutlich vollständigeres Bild als jede einzelne für sich.

Warum sind MQL und SQL so entscheidend für die Vertriebsübergabe?

MQL und SQL sind keine internen Buzzwords. Sie sind verbindliche Statusdefinitionen, die festlegen, wann ein Lead vom Marketing an den Vertrieb übergeben wird und wann der Vertrieb aktiv werden soll. Fehlt diese gemeinsame Definition, arbeiten beide Teams mit unterschiedlichen Erwartungen, was regelmäßig zu Frustration und verlorenen Abschlüssen führt.

Die Übergabe funktioniert dann gut, wenn Marketing und Vertrieb gemeinsam festgelegt haben, welche Kriterien ein MQL erfüllen muss. Das klingt selbstverständlich, ist es aber nicht. Eine zu niedrige Sales-Akzeptanzrate von unter 20 % ist ein klares Warnsignal: Das Modell ist falsch kalibriert, und der Vertrieb bekommt Leads, die noch nicht bereit sind.

Ein funktionierender Übergabeprozess folgt diesen Schritten:

Marketing und Vertrieb definieren gemeinsam MQL-Kriterien und Punkteschwellenwerte.
Das CRM-System routet MQLs automatisch an den zuständigen Vertriebsmitarbeiter.
Der Vertrieb prüft den Lead qualitativ nach BANT (Budget, Authority, Need, Timing).
Bei Ablehnung gibt der Vertrieb strukturiertes Feedback zurück ans Marketing.
Marketing passt das Modell auf Basis dieses Feedbacks monatlich an.

Automatisiertes Scoring filtert potenzielle Leads zuverlässig vor, aber die finale Qualifikation zum SQL bleibt menschliche Aufgabe. Kein Algorithmus kann einschätzen, ob ein Gesprächspartner wirklich Entscheidungsbefugnis hat oder ob das Budget im laufenden Quartal noch verfügbar ist.

Profi-Tipp: Vereinbare ein Service Level Agreement zwischen Marketing und Vertrieb: Der Erstkontakt nach MQL-Status sollte innerhalb von 4 Stunden erfolgen. Wer länger wartet, verliert den Moment, in dem das Interesse am höchsten ist.

Die klare Abstimmung von MQL- und SQL-Kriterien ist oft der größte Hebel für vertriebliche Effizienz in B2B-Unternehmen. Nicht das Scoring-Modell selbst, sondern die gemeinsame Sprache zwischen den Teams macht den Unterschied.

Wie verändert KI das Lead Scoring im B2B?

KI-gestützte Scoringmodelle analysieren mehr als 12 Kriterien gleichzeitig, einschließlich Echtzeitdaten wie Funding-Events, Einstellungssignale oder Intent Data aus dem Web. Manuelle Modelle arbeiten typischerweise mit 4–5 Kriterien und aktualisieren sich selten. Das ist der entscheidende Unterschied.

KI-Modelle erreichen eine Conversion-Genauigkeit von 78–88 %, während manuelle Modelle auf 60–72 % kommen. Diese Lücke bedeutet in der Praxis: Mehr Leads, die tatsächlich kaufen, landen beim Vertrieb, und weniger Zeit geht für ungeeignete Kontakte verloren.

Besonders wertvoll ist die Account-Ebene. Wenn mehrere Mitarbeiter eines Unternehmens gleichzeitig Interesse zeigen, steigt die Kaufwahrscheinlichkeit erheblich. Positive Signale von mehreren Kollegen innerhalb eines Accounts können die Conversion-Wahrscheinlichkeit um das 3- bis 5-fache steigern. Manuelle Systeme erkennen dieses Muster kaum, weil sie Leads einzeln betrachten.

Folgende Signaltypen fließen in moderne KI-Modelle ein:

Intent Data: Suchanfragen und Content-Konsum auf Drittseiten zeigen Kaufabsicht, bevor ein Lead die eigene Website besucht.
Hiring-Signale: Wenn ein Unternehmen gezielt für eine Rolle sucht, die dein Produkt erfordert, ist das ein starkes Kaufsignal.
Funding-Events: Frisch finanzierte Unternehmen haben Budget und Wachstumsdruck zugleich.
CRM-Verhaltensdaten: E-Mail-Öffnungen, Klicks und Gesprächsnotizen fließen in Echtzeit ins Scoring ein.

Profi-Tipp: Integriere dein Scoring-Modell direkt ins CRM, damit Scores automatisch aktualisiert werden, wenn neue Verhaltensdaten eingehen. Ein Score, der einmal vergeben wird und nie mehr sich ändert, ist kein Scoring, sondern eine Momentaufnahme.

KI ist dabei kein Ersatz für menschliches Urteil. Die finale Qualifizierung bleibt ein menschlicher Prozess, der qualitatives Wissen und Gesprächsdynamik einbezieht. KI liefert die Priorisierung, der Mensch liefert die Einschätzung.

Praxisleitfaden: Ein wirkungsvolles Scoring-Modell aufbauen

Der häufigste Fehler beim Aufbau eines Scoring-Modells ist Überkomplexität. Wer 30 Kriterien definiert, verliert den Überblick und macht das Modell schwer wartbar. Die Empfehlung lautet: 8–12 aussagekräftige Kriterien auswählen, die nachweislich mit Abschlüssen korrelieren.

Schritt für Schritt zum funktionierenden Modell

Beginne mit einer Analyse deiner letzten 20–30 gewonnenen Deals. Welche Jobtitel, Branchen und Verhaltensweisen tauchen immer wieder auf? Diese Muster bilden die Grundlage deiner Kriterien. Dann trennst du explizites Scoring (Formularangaben) von implizitem Scoring (Verhalten), weil beide unterschiedlich gewichtet werden sollten.

Negatives Scoring gehört von Anfang an ins Modell. Freemail-Adressen wie Gmail oder GMX, Wettbewerberkontakte und Abmeldungen vom Newsletter sind klare Disqualifikationssignale. Wer diese Abzüge weglässt, pumpt den Vertrieb mit Leads voll, die nie kaufen werden.

Die Metriken, die du monatlich prüfen solltest:

MQL-to-SQL-Akzeptanzrate: Zielwert liegt bei über 60 %.
SQL-to-Opportunity-Conversion: Zielwert über 30 %.
Zeit bis Erstkontakt: unter 4 Stunden nach MQL-Status.
Anteil abgelehnter MQLs mit Feedback: je höher, desto besser für die Modellverbesserung.

Monatliche Review-Meetings mit Vertrieb und Marketing sind keine Kür, sondern Pflicht. Veraltete Kriterien, die vor zwei Jahren noch funktioniert haben, können heute das Modell verzerren. Märkte verändern sich, und das Modell muss mithalten.

Profi-Tipp: Baue eine einfache Feedback-Schleife ein: Der Vertrieb markiert abgelehnte MQLs mit einem Grund (zu früh, falsches Profil, kein Budget). Diese Daten sind Gold wert für die nächste Modellüberarbeitung.

Lead Scoring ist kein einmaliges Projekt. Es ist ein kontinuierlicher Prozess entlang der Customer Journey, der Marketing und Vertrieb dauerhaft verbindet. Wer es als statisches Dokument behandelt, verliert schnell den Anschluss an die Realität.

Wichtige Erkenntnisse

Ein funktionierendes B2B Lead Scoring Modell kombiniert Fit-Kriterien, Verhaltensdaten und negatives Scoring, um den Vertrieb auf die kaufbereitesten Leads zu fokussieren.

Thema	Details
Modellaufbau	Ein 100-Punkte-Modell mit 25 Punkten für Fit, 40 für Engagement und negativen Abzügen ist der empfohlene Standard.
MQL-Schwellenwert	Ab 65 Punkten gilt ein Lead als MQL und gehört zu den kaufbereitesten 15–20 % aller Kontakte.
MQL-SQL-Übergabe	Marketing und Vertrieb müssen Kriterien gemeinsam definieren; eine Akzeptanzrate unter 20 % zeigt Kalibrierungsbedarf.
KI-Vorteil	KI-Modelle erreichen 78–88 % Conversion-Genauigkeit gegenüber 60–72 % bei manuellen Ansätzen.
Laufende Pflege	Monatliche Reviews mit Vertriebsfeedback sind notwendig, um das Modell aktuell und wirksam zu halten.

Meine Einschätzung: Scoring ist kein Tool, sondern eine Denkweise

Ich habe in den letzten Jahren viele B2B-Unternehmen gesehen, die Lead Scoring als einmaliges Setup betrachten. Modell gebaut, ins CRM geladen, fertig. Das ist der sicherste Weg, nach sechs Monaten wieder mit denselben Problemen dazustehen.

Was wirklich funktioniert, ist eine andere Haltung: Scoring als lebendiges System, das sich mit dem Markt und dem eigenen Vertrieb weiterentwickelt. Die besten Modelle, die ich kenne, werden nicht von einem Tool gebaut. Sie entstehen aus echten Gesprächen zwischen Marketing und Vertrieb, aus Daten über gewonnene und verlorene Deals, und aus der Bereitschaft, unbequeme Erkenntnisse umzusetzen.

KI ist dabei ein echtes Werkzeug, kein Hype. Aber ich erlebe immer wieder, dass Teams KI-Scoring einführen, ohne die Grundlagen zu klären. Wenn Marketing und Vertrieb nicht mal eine gemeinsame MQL-Definition haben, hilft kein Algorithmus der Welt. Die Technologie verstärkt, was schon da ist, gut oder schlecht.

Was mich am meisten überrascht hat: Die größten Effizienzgewinne kommen selten aus besseren Scoring-Algorithmen. Sie kommen aus schnelleren Reaktionszeiten. Ein Lead, der innerhalb von 4 Stunden kontaktiert wird, schließt deutlich häufiger ab als einer, der zwei Tage wartet. Das ist kein Scoring-Problem. Das ist ein Prozess-Problem, das Scoring sichtbar macht.

Mein Rat: Fang einfach an. Ein schlichtes Modell mit 8 Kriterien, das konsequent genutzt und monatlich überprüft wird, schlägt jedes komplexe System, das niemand versteht.

— Kai

Wemaco unterstützt dich beim Aufbau deines Scoring-Modells

Wer qualifizierte Leads generiert und gleichzeitig bewertet, spart dem Vertrieb Zeit und steigert die Abschlussrate spürbar. Wemaco begleitet B2B-Unternehmen seit 2007 dabei, genau das umzusetzen: von der Kampagnensteuerung über Google Ads und Social Media bis hin zur Entwicklung und Integration von Scoring-Modellen in bestehende CRM-Systeme.

Als Leadgenerierung-Agentur für B2B verbindet Wemaco Kampagnenperformance mit strukturierter Leadbewertung, damit nicht nur Traffic entsteht, sondern Kontakte, die tatsächlich kaufbereit sind. Kunden berichten von Umsatzsteigerungen von bis zu 500 % nach der Zusammenarbeit. Sprich Wemaco direkt an und lass dir zeigen, wie ein auf dein Unternehmen zugeschnittenes Scoring-Modell aussehen kann.

FAQ

Was ist Lead Scoring im B2B?

Lead Scoring im B2B ist die numerische Bewertung von potenziellen Kunden anhand von Passung und Verhalten, um kaufbereite Leads für den Vertrieb zu priorisieren. Ein Lead gilt ab einem definierten Schwellenwert, typischerweise 65 von 100 Punkten, als MQL.

Wie viele Kriterien sollte ein Scoring-Modell haben?

Ein B2B Scoring-Modell sollte 8–12 Kriterien umfassen, um Komplexität zu vermeiden und die Wartbarkeit zu sichern. Mehr Kriterien verbessern selten die Genauigkeit, erhöhen aber den Pflegeaufwand erheblich.

Was ist der Unterschied zwischen MQL und SQL?

Ein MQL (Marketing Qualified Lead) hat den Scoring-Schwellenwert erreicht und wird ans Marketing übergeben. Ein SQL (Sales Qualified Lead) hat zusätzlich die qualitative Prüfung durch den Vertrieb bestanden, etwa nach dem BANT-Rahmen.

Wie genau ist KI-gestütztes Lead Scoring?

KI-Modelle erreichen eine Conversion-Genauigkeit von 78–88 %, während manuelle Modelle auf 60–72 % kommen. Der Vorteil liegt in der simultanen Analyse von mehr als 12 Kriterien inklusive Echtzeitdaten.

Wie oft sollte ein Scoring-Modell überprüft werden?

Monatliche Review-Meetings mit Metriken zur MQL-to-SQL-Akzeptanzrate und Vertriebsfeedback sind der empfohlene Rhythmus. Zielwerte sind eine Akzeptanzrate über 60 % und ein Erstkontakt innerhalb von 4 Stunden nach MQL-Status.