Das perfekt kalibrierte Lead-Scoring-System: Demografie 30 Punkte, Verhalten 40 Punkte, Intent-Signale 30 Punkte. Leads über 70 werden priorisiert.
Das System funktioniert. Conversion-Rates bei High-Score-Leads: 24%. Bei Low-Score-Leads: 8%. Klarer ROI. Das Team feiert das perfekte Predictive-Modell.
Bis ein Account Executive aus Langeweile ein paar "hoffnungslose" 35-Punkte-Leads anruft. Und innerhalb von zwei Wochen drei €200k-Deals abschließt.
Das Problem ist nicht das Scoring-System. Das Problem ist die Illusion dass menschliche Kaufentscheidungen vorhersagbar sind.
Lead-Scoring basiert auf Annahmen die nicht stimmen
Lead-Scoring klingt wissenschaftlich. Punkte für Firmengröße. Punkte für Website-Besuche. Punkte für E-Mail-Klicks. Algorithmen berechnen Kaufwahrscheinlichkeit. Aber all das basiert auf einer fundamentalen Annahme:
Menschen kaufen rational und vorhersehbar.
Die Logik: Wenn jemand >500 Mitarbeiter hat + VP-Titel trägt + Pricing-Page 3x besucht hat + Case-Study runtergeladen hat = hohe Kaufwahrscheinlichkeit. Das macht Sinn. Bis du realisierst dass Kaufentscheidungen nicht additiv funktionieren.
Menschen kaufen nicht linear: Eine Kaufentscheidung ist nicht die Summe einzelner Signale. Sie ist emergent – entsteht aus dem Zusammenspiel von Timing, Kontext, Emotionen, internen Politik, Zufall, Budget-Zyklen, persönlichen Beziehungen, Markt-Timing. Ein 35-Punkte-Lead kann kaufen weil der CEO grade einen Podcast gehört hat. Ein 95-Punkte-Lead kauft nicht weil intern gerade Restrukturierung läuft.
Lead-Scoring tut so als könnte man menschliches Verhalten mathematisch modellieren. Das funktioniert für simple Systeme (Thermometer misst Temperatur präzise). Es funktioniert nicht für komplexe Systeme (Menschen in Organisationen mit wechselnden Kontexten).
Lead-Scoring misst Vergangenheit, nicht Zukunft
Lead-Scoring-Modelle werden auf historischen Daten trainiert: Welche Leads haben in der Vergangenheit gekauft? Welche Eigenschaften hatten sie? Daraus baut das System ein Modell.
Das Problem: Die Vergangenheit sagt wenig über die Zukunft wenn sich Kontexte ändern.
Beispiel: Dein Scoring-System hat gelernt dass "VP Marketing, >500 Mitarbeiter, Tech-Branche" = hoher Score. Das basiert darauf dass 80% deiner bisherigen Kunden dieses Profil hatten.
Aber: Was wenn dein nächster großer Markt kleine Agenturen sind? Was wenn C-Level grade mehr kaufen als VPs? Was wenn Non-Tech-Branchen dein Produkt entdecken? Dein perfekt kalibriertes Modell gibt diesen Leads niedrige Scores – weil es aus der falschen Vergangenheit gelernt hat.
Die Pattern-Recognition-Falle: Scoring-Systeme sind exzellent darin, Muster zu erkennen. Aber Muster von gestern sind nicht unbedingt Wahrheiten für morgen. Je perfekter dein Modell auf historische Daten optimiert ist, desto blinder ist es für neue Opportunities die nicht dem alten Muster entsprechen.
Das ist kein Bug – das ist Feature. Machine Learning funktioniert so. Aber wir behandeln die Outputs als Vorhersagen wenn sie eigentlich nur Pattern-Matches sind.
Warum deine wertvollsten Leads niedrige Scores bekommen
Zurück zum Anfangsbeispiel: Drei €200k-Deals mit 35-Punkte-Leads. Warum hat das System sie so niedrig bewertet?
Lead 1: Kleines Unternehmen (15 Mitarbeiter) → niedriger Score. Aber: Stark wachsend, gerade Series-A bekommen, suchen skalierbare Lösungen. Das System sah nur "klein", nicht "wachsend".
Lead 2: Junior Manager (kein VP) → niedriger Score. Aber: CEO's Tochter, hat direkten Zugang zu Entscheidungen, ist intern als Innovation-Champion bekannt. Das System sah nur "Junior Title", nicht "politische Macht".
Lead 3: Niedrige Website-Aktivität → niedriger Score. Aber: Hatte offline 3 Kunden-Referenzen eingeholt, war intern schon überzeugt, wollte nur Vertrag unterschreiben. Das System sah nur "wenig Engagement", nicht "bereits entschieden".
Was Scoring nicht sieht:
Das Offline-Gespräch beim Kaffee, bei dem der CEO plötzlich sagt "Lass uns das mal angehen." Die interne Politik, bei der ein Junior Manager tatsächlich mehr Macht hat als drei VPs zusammen. Die persönliche Beziehung aus der alten Firma, die plötzlich zu Vertrauen führt. Der Zufall, dass gerade Budget frei wurde weil ein anderes Projekt gecancelt wurde. Die Wachstums-Trajektorie die noch nicht in Zahlen sichtbar ist. Der Cultural Fit der nicht in demografischen Daten existiert. Die Empfehlung eines Freundes, die mehr wiegt als zehn Case Studies.
Kurz: Alles was menschlich ist, lebt außerhalb deines Dashboards. Und genau diese Faktoren entscheiden oft über Kaufentscheidungen – nicht deine sauber kalibrierten Scores.
Je mehr du dich auf Scores verlässt, desto systematischer ignorierst du die Leads die nicht ins Muster passen. Und oft sind das genau die interessantesten.
Warum wir trotzdem an Scoring glauben
Wenn Lead-Scoring so problematisch ist – warum investieren Unternehmen Millionen in Scoring-Software? Warum bauen Data-Scientists komplexe Predictive-Modelle?
Weil Unsicherheit unerträglich ist. Besonders für Sales-Teams die Targets erreichen müssen.
Ein Account Executive mit 200 Leads hat ein Problem: Welche 50 soll er zuerst kontaktieren? Ohne System: Bauchgefühl, Willkür, Stress. Mit Scoring: Klare Priorisierung. Das Dashboard sagt "Diese 50 Leads haben die höchste Kaufwahrscheinlichkeit."
Das gibt Kontrolle. Oder zumindest das Gefühl davon.
Variante A (ohne Scoring): "Ich habe 200 Leads und keine Ahnung wo ich anfangen soll. Fühlt sich chaotisch an."
Variante B (mit Scoring): "System sagt: Diese 50 Leads sind hot. Ich starte hier. Fühlt sich systematisch an."
Scoring als psychologische Sicherheit: Lead-Scoring erfüllt eine soziale Funktion – es legitimiert Priorisierung. "Das System sagt..." ist eine akzeptable Begründung. "Mein Bauchgefühl sagt..." nicht. Scoring gibt uns Struktur in einer chaotischen Welt. Das ist wertvoll. Aber es ist nicht dasselbe wie Vorhersage-Präzision.
Das Problem entsteht nicht durch Scoring an sich. Das Problem entsteht wenn wir vergessen dass es Heuristik ist, keine Wahrheit. Wenn wir "Score 73" behandeln wie eine Tatsache statt wie eine grobe Orientierung.
Lead-Scoring als Werkzeug, nicht als Orakel
Das alles heißt nicht: "Nutze kein Lead-Scoring." Es heißt: "Verstehe was es ist und was nicht."
Lead-Scoring ist nützlich für Priorisierung. Es hilft bei der Frage "Wo fange ich an?" Es ist nicht nützlich für Präzisions-Vorhersagen. Es beantwortet nicht "Wird dieser Lead kaufen?"
Gute Nutzung:
"Diese 50 Leads zeigen starke Signale basierend auf historischen Mustern. Sales sollte hier starten – aber mit eigenem Urteil jeden Lead bewerten."
Gefährliche Nutzung:
"Leads unter 50 Punkten werden automatisch ignoriert. Scoring-System entscheidet wer Sales-Attention bekommt."
Praktische Richtlinien (ohne Bullshit):
- • Scores sind Startpunkte, keine Urteile. Dein Sales-Team muss jeden Lead mit Kontext bewerten, nicht blind Scores folgen.
- • Tracke was falsch lief. Wenn Low-Score-Leads konvertieren, ist das kein Zufall – es ist ein Hinweis dass dein Modell blind ist.
- • Teste deine Annahmen aktiv. Kontaktiere bewusst Low-Score-Leads. Miss die Ergebnisse. Lerne wo dein System versagt.
- • Zahlen allein sind dumm. Kombiniere quantitative Scores mit echten Kundengesprächen, Feedback, menschlichem Urteil.
- • Modelle altern. Historische Muster sind nicht ewig gültig. Wenn sich Märkte ändern, muss sich dein Scoring anpassen – oder sterben.
- • ML ist keine Kristallkugel. Was du "Predictive" nennst ist Pattern-Recognition. Das ist nicht dasselbe wie Zukunftsvorhersage.
Der gefährlichste Moment ist wenn du denkst du kannst Käuferverhalten vorhersagen. Scoring-Systeme geben dieses Gefühl. Echtes Verständnis kommt aus der Akzeptanz dass Menschen komplex und kontextabhängig entscheiden – nicht algorithmisch berechenbar.
System-Denken statt Score-Gläubigkeit
Bei CURTN bauen wir AI- und Automation-Systeme. Wir lieben Daten. Wir lieben Scoring-Modelle. Aber wir wissen auch: Nicht alles was messbar ist, ist wichtig. Und nicht alles was wichtig ist, ist messbar.
Lead-Scoring ist ein perfektes Beispiel für die Grenzen quantitativer Systeme. Menschliches Kaufverhalten ist emergent, nicht linear. Es ist kontextabhängig, nicht regelbasiert. Es ist komplex, nicht kompliziert.
Die Lösung ist nicht bessere Scoring-Algorithmen. Die Lösung ist ein besseres Verständnis dafür, wofür Scoring gut ist (Priorisierung) und wofür nicht (Präzisions-Vorhersagen). Und die Bereitschaft, mit Unsicherheit umzugehen statt sie wegzurechnen.
Nutze Scoring als Werkzeug. Behandle es nicht als Orakel. Vertraue Sales-Urteilskraft über System-Output. Lerne von "falschen" Scores. Akzeptiere dass die besten Opportunities oft nicht ins Muster passen.
Häufige Fragen
Scoring ist wie ein Kompass bei schlechter Sicht – nicht präzise, aber besser als nichts. Nutze es als Heuristik für Priorisierung, nicht als Orakel für Kaufvorhersagen. Gut für: "Diese 50 Leads brauchen mehr Aufmerksamkeit." Gefährlich für: "Lead hat 73 Punkte, also kauft er mit 73% Wahrscheinlichkeit." Der Unterschied zwischen Orientierung und Illusion der Präzision.
Nicht weil sie Kausalität messen, sondern weil sie Korrelation nutzen. Wenn 80% deiner Kunden >500 Mitarbeiter haben, ist "500+ Mitarbeiter = 30 Punkte" eine vernünftige Heuristik. Problem: Das ist keine Vorhersage, sondern historisches Pattern-Matching. Funktioniert bis dein Markt sich ändert, dein Produkt pivotiert, oder dein ICP sich verschiebt. Dann hast du ein perfekt kalibriertes System für die falsche Realität.
ML macht aus vielen schwachen Signalen ein komplexeres Modell – aber es löst nicht das fundamentale Problem. ML findet Korrelationen in historischen Daten. Kaufentscheidungen sind emergent und kontextabhängig. Ein Algorithmus der aus Vergangenheit lernt, kann Zukunft nicht vorhersagen wenn sich Kontexte ändern. Predictive Scoring ist besser als Rule-Based – aber es ist immer noch Pattern-Recognition, keine Kausalitäts-Messung.
Scoring ist Input, nicht Antwort. Sales sollte jeden Lead mit eigenem Urteil bewerten – Score ist Orientierung, keine Direktive. Wenn regelmäßig Low-Score-Leads konvertieren: Das sind nicht Fehler – das sind Lernmöglichkeiten. Warum kaufen sie trotz niedrigem Score? Was sieht das System nicht? Oft sind das die wertvollsten Insights über dein Geschäft.
Es gibt keine perfekte Alternative – aber ehrlichere Ansätze: Kombiniere Score mit qualitativen Signalen (Sales-Gespräche, Kunden-Feedback). Nutze Scores für Priorisierung, nicht für binäre Entscheidungen (nicht "Score <50 = ignorieren"). Teste regelmäßig Annahmen mit echten Experimenten (Kontaktiere bewusst Low-Score-Leads, miss Ergebnisse). Akzeptiere Unsicherheit statt sie wegzurechnen. Am Ende: Scoring ist Werkzeug, nicht Wahrheit.
Lass uns über dein Lead-System sprechen
Nicht über Scoring-Algorithmen. Nicht über Predictive-Features. Über das System dahinter. Über ehrliche Priorisierung statt Vorhersage-Illusion. Über Tools die helfen, nicht täuschen.