Lead Scoring ohne ML: warum eine Scorecard mit fünf Regeln für die meisten Teams gewinnt

Jedes Quartal kommt wieder ein Sales-Team und sagt, es brauche AI Lead Scoring. Wir graben nach, und was sie eigentlich brauchen ist eine saubere Scorecard mit fünf Regeln, negativen Gewichten und einer Decay-Funktion. Das ML-Modell ist die Schlagzeile, der Hebel sitzt aber in der Basis, die fast niemand zuerst aufgesetzt hat.

Das ist keine gegenläufige Meinung. Genau das findest du am Ende jedes ehrlichen ML-Leitfadens. Das Problem ist, dass die Rules-Version langweilig klingt, also überspringen Teams sie und zahlen für ein Modell, das aus dreckigen Daten das Falsche lernt.

Das mathematische Problem, das die meisten Teams zuerst haben

Ein prädiktives Modell braucht genug Closed-Won- und Closed-Lost-Beispiele, aus denen es lernen kann. Die meisten B2B-Teams haben dieses Volumen schlicht noch nicht. Laut Prospeo guide on AI versus traditional lead scoring liegt die praktische Untergrenze bei etwa 1.000 Leads pro Jahr, 100 abgeschlossenen Deals und 12 bis 24 Monaten sauberer CRM-Daten, bevor ein ML-Modell einen verteidigbaren Score liefert. Darunter schlägt ein gut gebautes regelbasiertes Modell jedes Mal ein schlecht trainiertes AI-Modell.

Das ist der Teil, den Vendor-Decks weglassen. Ein Modell, das auf 60 Conversions und einem Jahr inkonsistenter Phasen-Definitionen trainiert wurde, lernt nicht deinen Käufer, es lernt dein Datenhygiene-Problem.

Warum die Rules-Version meistens gewinnt

Forrester ist da seit Jahren deutlich. Das Forrester piece on what lead scoring actually is bringt es auf den Punkt: Die meisten produktiven Scoring-Modelle basieren auf Annahmen und zufälligen Schätzungen der Kaufneigung, nicht auf echter Analyse. Das durch ein ML-Modell zu ersetzen, das auf denselben wackligen Inputs trainiert wurde, repariert die Inputs nicht, es macht den Score nur schwerer angreifbar.

Eine einfache Scorecard ist auditierbar, schnell zu ändern und zwingt Sales und Marketing dazu, sich auf eine Definition von "qualified" zu einigen, bevor sie sie ausliefern. Aus diesem Alignment kommt der meiste echte Hebel. Die Clueless Company breakdown of failing lead scoring models bringt es gut auf den Punkt: Der häufigste Grund, warum Scoring-Projekte scheitern, ist nicht schlechte Logik, es ist, dass Sales dem Score nicht traut, also arbeiten die Reps weiter mit denen, mit denen sie sowieso schon gearbeitet haben.

Vertrauen in eine Black Box lässt sich nicht aufbauen. Vertrauen in fünf Regeln, die du von einem Whiteboard ablesen kannst, schon.

Die Scorecard mit fünf Regeln

Hier ist die Version, die wir jedem LeadGrid-Kunden unter der ML-Schwelle empfehlen. Sie passt auf einen Bildschirm und erklärt sich selbst.

fit_score:
  icp_company_size:    { match: +20, miss: -15 }
  icp_industry:        { match: +15, miss: -10 }
  decision_maker_role: { match: +20, miss: -10 }
 
intent_score:
  pricing_page_visit:  +20
  demo_request:        +30
  three_emails_opened: +5
  inactivity_per_week: -5
 
threshold_for_sales_handoff: 50

Fünf Regeln, zwei negative Gewichte, eine Decay-Regel. Das war's. Die Struktur ist aus dem Reform guide on common lead scoring mistakes übernommen, der die zwei Failure-Modes klar benennt, die eine Basis-Scorecard fixen muss: Zu viele Signale verfolgen erzeugt Rauschen, und nur positive Scores vergeben füllt das CRM mit kalten Leads, die niemand mehr rausnimmt.

Die Decay-Regel wiegt schwerer, als die Leute denken. Das Breadcrumbs B2B lead scoring framework for 2026 empfiehlt, für jede Woche Inaktivität Punkte abzuziehen, genau damit Zombie-MQLs nicht oben in der Warteschlange hängen, während ein heißerer Lead von heute Morgen darunter liegt. Ohne Decay ist deine Scorecard eine Highscore-Liste, keine Warteschlange.

Wann auf ML wechseln

Es gibt eine echte Schwelle, an der ML-Scoring seine Komplexität verdient. Du hast sie überschritten, wenn drei Dinge gleichzeitig wahr sind.

Du hast mindestens 100 saubere Closed-Won- und 100 saubere Closed-Lost-Datensätze, mit konsistenten Phasen-Definitionen über diese gesamte Historie. Der Landbase lead scoring statistics roundup zitiert Forrester-Daten mit 38% höherer Conversion und 28% kürzeren Sales Cycles für Teams mit AI-Scoring, aber diese Zahlen stammen von Teams, die die Datenhygiene zum Trainieren hatten. Ohne diese Hygiene lernt das Modell dein chaotisches CRM, nicht deinen Käufer.

Dein Sales Cycle ist komplex genug, dass Menschen die Variablen nicht mehr im Kopf halten können. Multi-Stakeholder-Enterprise-Deals mit 18+ Touchpoints über sechs Monate sind ein anderes Problem als ein Self-Serve-SaaS-Funnel mit Free-Trial-Gate. ML rechtfertigt seine Kosten an der komplexen Form, nicht an der einfachen.

Du hast die regelbasierte Version bereits live und kannst exakt benennen, welche Regel das ML-Modell schlagen wird. Wenn du das nicht benennen kannst, löst das ML-Modell kein Problem, das du hast, sondern eines, das ein Vendor hat.

Der ehrliche Hybrid

Das Muster, das funktioniert, ist regelbasiertes Scoring als Basisschicht und ML als Overlay obendrauf, sobald du die Daten hast, um das zu rechtfertigen. Die Regeln geben dir einen Score, dem Reps ab Tag eins trauen. Das ML-Overlay justiert den Score anhand von Mustern, die die Regeln nicht sehen, aber der menschenlesbare Score bleibt im UI.

Genau darauf zielt auch die SiriusDecisions data on lead scoring adoption ab: 68% der Unternehmen betrieben Lead Scoring, aber nur 40% der Vertriebler sahen einen Wert darin. Die Teams in den 40% hatten ein Modell, das die Reps erklären konnten. Die in den anderen 60% hatten eines, dem die Reps nicht glaubten.

Bau zuerst die Version mit fünf Regeln. Verdiene das ML-Upgrade, sobald deine Daten und dein Sales-Team bereit dafür sind. Die meisten Teams müssen diesen zweiten Schritt nie gehen, und das ist in Ordnung.

Kostenlos starten →