Leitfaden für Lead Scoring in HubSpot

Lead Scoring 101: was es leistet und was nicht

Lead Scoring beginnt mit einem vertrauten Problem: Im Portal liegen mehr Kontakte, als dein Team bearbeiten kann, und alle sehen gleich wichtig aus. Ein Score bringt Ordnung hinein. Er reiht Personen (und Accounts) danach, wie wahrscheinlich sie bald kaufen. Das funktioniert in SaaS genauso wie in Immobilien oder im Bau, weil überall dieselbe Frage offen ist: Welche Leads verdienen jetzt deine Aufmerksamkeit, und womit gewinnt dein Vertrieb am meisten? Gute Signale bekommen positive Punkte, Ausschlusskriterien negative. Eine Kristallkugel ist das nicht. Es ist eine gemeinsame Sprache, mit der Marketing, Vertrieb und Customer Success ihr Handeln danach ausrichten, wo der Käufer gerade steht.

Dafür wertet der Score zwei Arten von Daten systematisch aus: wer jemand ist (demografische Merkmale) und was jemand tut (Verhalten). Aus beidem ergibt sich, wie viel ein Lead voraussichtlich wert ist. So erkennst du die Sales Qualified Leads früher und setzt dein Marketing dort ein, wo es wirkt.

‍

Warum sich das lohnt

• Du reagierst schneller, wenn echte Kaufabsicht da ist
• Leads landen beim richtigen Rep, und der weiß, worauf er sich konzentriert
• Sauberere Übergaben und ein genauerer Forecast
• Relevantere Botschaften und passende Nurturing-Strecken

In HubSpot richtest du Lead Scoring selbst ein und passt es an dein Geschäft an. Damit priorisierst du Leads einfacher, und Marketing und Vertrieb arbeiten nach derselben Reihenfolge.

‍

> Kostenloses Template herunterladen

Die Bausteine: Eigenschaften im Lead Scoring

Ein Score ist nur so gut wie die Merkmale, auf denen er steht. In HubSpot heißen sie Eigenschaften (Properties): die konkreten Merkmale und Verhaltensweisen, an denen du ablesen kannst, wie wahrscheinlich ein Lead zum Kunden wird. Du legst sie selbst fest und passt sie an. Typische Beispiele sind Jobtitel und Unternehmensgröße, Branche, Website-Aktivität oder E-Mail-Engagement. So bauen Marketing und Vertrieb ein Modell, das ihre eigenen Prioritäten abbildet.

Sind die Eigenschaften sauber aufgesetzt, erkennt dein Marketing die vielversprechendsten Leads schnell und zuverlässig. Dein Vertrieb verbringt seine Zeit dann mit Kontakten, die wahrscheinlich kaufen, statt mit unqualifizierten Interessenten. Und weil sich dein Geschäft verändert, lassen sich die Eigenschaften in HubSpot jederzeit nachjustieren. Das Modell bleibt so an deinen aktuellen Zielen und an deiner Zielgruppe ausgerichtet.

Wer seine Eigenschaften kennt und nutzt, arbeitet gezielter: Marketing und Vertrieb setzen die guten Leads nach oben und holen spürbar mehr aus dem Scoring heraus.

‍

Die drei Score-Typen, die du brauchst

• MQL-Score (Marketing Qualified Lead): für neue Leads aus dem Marketing.
• SQL-Score (Sales Qualified Lead): für Deals in der Pipeline, an denen der Vertrieb arbeitet.
• PQL-Score: für Nutzer, die im Produkt Kaufabsicht zeigen.

Laufen mehrere Scores parallel, etwa MQL, SQL und PQL, segmentierst und priorisierst du deine Interessenten genauer. Jeder Score rechnet mit den Engagement-Werten und Kriterien, die zu seiner Phase passen: E-Mail-Öffnungen, Website-Besuche oder Produktnutzung. So erkennst du Marketing Qualified Leads und Sales Qualified Leads zuverlässig und leitest sie an das richtige Team weiter.

Darum geht es: Jedes Team bekommt einen Score, der zu seiner Arbeitsweise passt, und RevOps behält trotzdem den Gesamtblick.

Das Kernmodell: Fit × Engagement × Produkt

Ein einzelner Punktwert sagt dir, dass jemand heiß ist, aber nicht, warum. Deshalb trennst du drei Fragen: Passt die Person zu dir? Zeigt sie gerade Interesse? Zieht sie schon Nutzen aus deinem Produkt?

Fit (wer jemand ist)

Firmografische und technografische Merkmale, die zu deinem ICP passen.

• Branche, Unternehmensgröße, Region oder Vertriebsgebiet
• Rolle und Seniorität, Zugehörigkeit zur Buying Group
• Signale aus dem Tech-Stack, etwa ergänzende Tools, die schon im Einsatz sind

‍

Engagement (was jemand mit dir macht)

Verhalten, das du über alle Kanäle deines Go-to-Market beobachtest.

• Seiten mit hoher Kaufabsicht (Preise, Integrationen, ROI)
• Demo-Anfragen, Teilnahme an Events oder Webinaren
• E-Mail-Klicks, Content-Downloads, Gespräche im Chatbot
• Ausgefüllte Formulare

Aus diesen Aktivitäten baust du Engagement-Scores, die zeigen, wie groß das Interesse eines Leads ist.

‍

Produkt (was jemand in deinem Produkt macht)

Nutzung und Ergebnisse, bei Freemium, in Testphasen oder bei Bestandskunden.

• Neuer Workspace angelegt, Meilensteine bei der Nutzung von Features erreicht
• Logins in den letzten 7–14 Tagen, Planlimits oder Überschreitungen erreicht
• Support-Anfragen, die auf Dringlichkeit oder Ausbaupotenzial hindeuten

Warum das funktioniert: Fit beantwortet die Frage „Sollten wir an sie verkaufen?“, Engagement die Frage „Sind sie gerade interessiert?“ und Produkt die Frage „Ziehen sie schon Nutzen daraus?“

‍

So baust du dein Scoring-Modell, Schritt für Schritt

Bevor du Punkte vergibst, brauchst du einen Maßstab, an dem du später ablesen kannst, ob das Modell etwas bewirkt. Deshalb steht die Messung am Anfang und nicht am Ende.

1) Zuerst die Conversion messen

Miss die aktuellen Raten für Lead → SQL → Closed-Won und deine Speed-to-Lead, also wie schnell ein neuer Lead die erste Reaktion bekommt. Diese Ausgangswerte werden deine Erfolgskriterien.

2) Positive und negative Signale sammeln

• Positiv: Leg fest, welche Merkmale Punkte bringen und welche Punkte kosten. Zu den positiven gehören eine Demo-Anfrage und Besuche der Preisseite. Ebenso zählen die passende Zielrolle, eingeladene Teammitglieder oder ein besuchtes Webinar.
• Negativ: Domains von Studierenden, Beratern oder Wettbewerbern führen zu Abzügen. Dasselbe gilt für gebouncte E-Mails, Abmeldungen und eine falsche Region. Zieh für solche Ausschlusskriterien Punkte ab, dann wird deine Qualifizierung genauer.

3) Skala wählen und nach Wirkung gewichten

Nimm 0–100 oder 0–10. Starke Signale bekommen viel Gewicht, schwache wenig. Ein Beispiel:

• Demo-Anfrage (+30) > E-Book-Download (+5).
• Wettbewerber-Domain (−50) > generische Gmail-Adresse (−5).

4) Schwellenwerte und „harte Trigger“ festlegen

• MQL, wenn Fit ≥ B UND Engagement ≥ Schwellenwert. Erreicht ein Lead einen bestimmten Score, kann das automatisch Aktionen auslösen, etwa eine Benachrichtigung oder das Routing.
• Automatisch routen bei harten Triggern, zum Beispiel bei einer gebuchten Demo oder bei Preisseite plus Chatbot.
• SQL, sobald die Qualifizierung erfasst und ein Deal angelegt ist.

5) Score-Verfall einbauen

Kaufabsicht verblasst. Zieh Engagement-Punkte nach 7–14 Tagen ohne Aktivität wieder ab. Setz die Produkt-Punkte zurück, wenn es über einen festgelegten Zeitraum keine Logins gab.

6) Routing und SLAs abstimmen

Leg fest, wem der Lead bei jedem Schwellenwert gehört und wie schnell die Reaktion kommen muss (zum Beispiel ≤ 1 Stunde während der Geschäftszeiten für MQLs, sofort bei Demo-Anfragen).

7) Das Modell dokumentieren

Eine Seite. Klare Sprache. Mit Beispielen, Schwellenwerten, Verfallsregeln, Routing und SLAs. Jeder neue Rep lernt das Modell in seiner ersten Woche.

Account Scoring: Gekauft wird im Team

Selten entscheidet im B2B eine Person allein, deshalb reicht der Score eines einzelnen Kontakts nicht aus. Fass die Signale der Kontakte auf Unternehmensebene zusammen:

• Bilde die Summe oder den Durchschnitt der Top-3-Kontakte je Account, damit ein einzelner Power-User das Ergebnis nicht verzerrt.
• Markier die Buying Group und eine Hauptentscheidungsperson, damit dein Outreach die richtigen Leute erreicht.
• Nutz den Account-Score für ABM-Tiers, Vertriebsgebiete und Plays zum Ausbau bestehender Kunden.

‍

Lead Scoring mit externen Daten schärfen

Was nur in HubSpot passiert, zeigt dir einen Ausschnitt des Bildes. Holst du externe Datenquellen dazu, hebst du dein Modell auf die nächste Stufe. Informationen aus deinem CRM, aus Social Media oder aus anderen Marketing-Automation-Tools erweitern deine Kriterien um Einblicke, die HubSpot allein nicht erfasst.

Ein Beispiel: Social-Media-Engagement zeigt dir Leads, die online aktiv mit deiner Marke interagieren. CRM-Daten verraten Kaufhistorie, Deal-Größe oder frühere Kontakte mit deinem Vertrieb. Mit diesem Kontext verfeinerst du das Modell, erkennst neue Muster und vergibst die Punkte für Verhalten und Merkmale genauer.

Mit externen Daten bleiben deine Kriterien vollständig und aktuell. Du findest die vielversprechendsten Leads schneller und setzt Marketing und Vertrieb dort ein, wo sie am meisten bewirken.

‍

So richtest du Lead Scoring in HubSpot ein

Fang manuell an. Ein Modell, das dein Team versteht und selbst nachjustieren kann, bringt dir mehr als ein automatischer Wert, dem im Vertrieb niemand traut.

‍

Manuelles Scoring (der empfohlene Einstieg)

1. Richte in HubSpot ein manuelles Lead Scoring ein. Leg dafür einen HubSpot Score an oder nutz den vorhandenen, alternativ eigene Scores wie „Fit Score“, „Engagement Score“ und „Product Score“. Beim manuellen Lead Scoring wählen Marketing und Vertrieb gemeinsam die passenden Merkmale aus und vergeben die Punkte.
2. Das Sales- und Marketing-Team bewertet die Leads gemeinsam, nach vereinbarten Kriterien zu Demografie, Verhalten und Online-Aktivität. Ergänze positive und negative Kriterien mit Punkten.
3. Leg berechnete Eigenschaften an, wenn du einen einzigen Total Score aus Fit + Engagement + Produkt willst.
4. Bau aktive Listen: „MQL – bereit für Sales“, „PQL – hohe Produktabsicht“ und „Ausgeschlossen – disqualifiziert“.
5. Leg Workflows an, um:

• die Lifecycle Stage zu setzen, sobald Schwellenwerte überschritten sind (Lead → MQL → SAL → SQL).
• Owner automatisch zuzuweisen, per Round Robin mit einer Auffang-Queue.
• in Slack Alarm zu schlagen, wenn ein Score sprunghaft steigt oder ein SLA verpasst wird.
• den Verfall anzuwenden, also zum Beispiel Engagement-Punkte abzuziehen, wenn 10 Tage lang keine Aktivität kam.
• Leads aus dem Nurturing zu nehmen, solange der Vertrieb aktiv an ihnen arbeitet.

‍

Predictive Scoring (wenn genug Daten da sind)

Manuell oder Predictive: Welche Variante du brauchst, ist selten Geschmackssache. Ein manueller Score bildet das Modell ab, das du gerade entworfen hast, sichtbar und änderbar. Ein Predictive Score lässt HubSpots KI Muster aus den Kontakten ableiten, die schon konvertiert haben. Laut HubSpot Knowledge Base gibt es ihn nur in den Enterprise-Editionen von Marketing Hub und Sales Hub, und er braucht eine Mindestmenge an konvertierten und nicht konvertierten Kontakten. Dein Abo und deine Closed-Won-Historie entscheiden also für dich.

Hast du noch wenig Abschlusshistorie oder nur Professional, bau den manuellen Score. Mit Enterprise und einem Jahr sauberer Closed-Won-Daten läuft der Predictive Score als zweite Meinung daneben, nie als Ersatz. Einen KI-Score kannst du einem Rep, der ihm widerspricht, nicht erklären. Und sind deine Kontaktdaten unsauber oder voller Dubletten, räum zuerst das CRM auf: Beide Score-Typen erben jeden Fehler, den die Datenbank schon hat.

• Nutz die eingebaute Abschlusswahrscheinlichkeit (Likelihood to Close) als zweites Signal daneben. HubSpots Predictive Lead Scoring vergleicht Ähnlichkeiten und Verhaltensmuster mit bisherigen Kunden und gibt jedem Lead eine Wahrscheinlichkeit, dass er konvertiert.
• Knüpf Aktionen an beide Werte, zum Beispiel „Routen, wenn Total Score ≥ 70 ODER Likelihood to Close ≥ 70 %“. Den HubSpot Lead Score berechnet HubSpots eigener KI-Algorithmus automatisch, er bewertet das Potenzial eines Leads ohne manuelle Anpassung.
• Behalte die manuellen Scores, auch wenn du Predictive nutzt. Dein Team braucht Stellschrauben, die es nachvollziehen kann.

‍

Was du bewerten kannst: Beispiele aus der Praxis

Die Theorie ist schnell erklärt. Schwierig wird es bei der Frage, wie viele Punkte ein Signal wert ist.

Jedes Beispiel unten ist ein konkreter Datenpunkt, an dem du die Qualität eines Leads misst. Mit positiven und negativen Werten für Verhalten und Demografie schärfst du dein Modell Schritt für Schritt.

Fit (Beispiele)

• Branche aus dem ICP (+10)
• 50–500 Mitarbeitende (+10); 500–2000 (+15)
• Seniorität: Director (+10), VP/CXO (+15)
• Zielregion (+5); ausgeschlossene Region (−15)
• Domain eines Wettbewerbers (−50)

Engagement (Beispiele)

• Demo-Anfrage (+30)
• Preisseite in den letzten 7 Tagen (+15)
• Für ein Webinar angemeldet (+10), teilgenommen (+15)
• E-Mail-Klick auf ein Produktfeature (+7)
• Abmeldung (−20); Hard Bounce (−40)

Produkt (Beispiele)

• Kostenloser Workspace angelegt (+20)
• ≥ 3 Logins in den letzten 7 Tagen (+15)
• Premium-Feature genutzt (+15)
• Kontingent oder Limit überschritten (+20)
• 14 Tage kein Login (−10)

Schwellenwerte (zur Veranschaulichung)

• MQL: Fit ≥ 20 UND Engagement ≥ 20 ODER Demo-Anfrage
• PQL: Produkt ≥ 25 UND Fit ≥ 15
• An den AE routen: Total ≥ 70 ODER Demo-Anfrage ODER Preisseite + Chatbot

(Passe die Werte an deine Vertriebsbewegung an und prüf sie nach 30 Tagen erneut.)

‍

Automatisierung: vom Score zur Aktion

Ein Score, auf den nichts folgt, bleibt eine Zahl im Datensatz. Wirkung entsteht erst, wenn ein Schwellenwert eine Handlung auslöst.

• Sofort routen: Eine Demo-Anfrage legt einen Deal an und weist einen Owner zu. Dazu kommt ein Alert in Slack, und wer gebucht hat, bekommt eine E-Mail zur Vorbereitung.
• Aufgaben-Queues: Springt die Score-Eigenschaft eines Leads (etwa der HubSpot Score) innerhalb von 24 Stunden um ≥ 20 Punkte, entsteht eine Anrufaufgabe für denselben Tag. Automationen lassen sich auch auslösen, wenn der Score einen bestimmten Schwellenwert erreicht.
• Nurturing pausieren: Sobald ein Lead SAL oder SQL ist, stoppen alle Marketing-Strecken.
• Recyceln: Bewegt sich 30 Tage nach SAL nichts, verschiebst du den Lead nach „Recycled“ und startest ein leichteres Nurturing.
• Datenhygiene: Dubletten automatisch zusammenführen, Freitext bei der Lead-Quelle sperren und Pflichtfelder je Phase erzwingen.

Weil das Lead-Scoring-Tool von HubSpot direkt mit den Workflows verbunden ist, qualifizierst und priorisierst du Leads ohne Umweg über Tabellen oder Handarbeit.

‍

Messung: Zeig, dass es wirkt

Ohne Vorher-nachher-Vergleich weißt du nicht, ob das Modell hilft oder nur beschäftigt. Miss deshalb diese Werte vor und nach dem Rollout:

Wenn du Verhalten, Interaktionen und demografische Merkmale vor und nach dem Rollout erfasst, siehst du, wie gut dein Modell arbeitet.

• Conversion von MQL → SQL und Zeit bis zum ersten Kontakt
• Abschlussquote und Zykluslänge für bewertete gegenüber unbewerteten Kohorten
• Meetings aus Aktionen mit hoher Kaufabsicht (Demo, Preisseite, Testphasen)
• Beeinflusster Umsatz durch bewertete Leads

Prüf im ersten Monat wöchentlich, danach reicht ein monatlicher Blick.

‍

Der 30/60/90-Plan zum Nachkalibrieren

Kein Modell stimmt beim ersten Wurf. Plan die Korrekturen deshalb von Anfang an ein:

• Tag 30: Streich Kriterien mit schwachem Signal und justier die Schwellenwerte um ±5–10 Punkte.
• Tag 60: Bau Verfall dort ein, wo sich Reps über „alte heiße Leads“ beschweren.
• Tag 90: Vergleich die Kohorten nach Segment (SMB/MM/ENT) und führ bei Bedarf eigene Gewichte je Segment ein.

‍

Typische Fehler und wie du sie schnell behebst

• Nur ein großer Score: Teil ihn in Fit, Engagement und Produkt auf, damit das Team weiß, warum jemand heiß ist.
• Das Scoring-Tool nicht ausschöpfen: Wer Funktionen und Anpassungsmöglichkeiten des Tools liegen lässt, verschenkt Chancen, das Modell zu verbessern.
• Kein Verfall: Kaufabsicht verdirbt. Zieh mit der Zeit Punkte ab.
• Freitext bei der Quelle: Stell die Lead-Quelle auf ein Dropdown um und blende interne Werte aus.
• Keine Feedbackschleife: Triff dich in den ersten 60 Tagen alle zwei Wochen mit den Teamleitungen deiner SDRs und AEs.
• Scoring ohne Routing: Passiert an den Schwellenwerten nichts, ist der Score nur eine Zahl fürs Ego.

‍

So bereitest du dein Marketing-Team vor

Das beste Modell scheitert, wenn das Team nicht weiß, wofür es gebaut wurde. Setz deshalb zuerst klare Ziele: höhere Conversion Rates, bessere Lead-Qualität oder eine engere Abstimmung zwischen Marketing und Vertrieb. Danach legen beide Teams gemeinsam fest, wie ein qualifizierter Lead in deinem Geschäft aussieht. Dieses gemeinsame Verständnis ist die Grundlage für ein Modell, das deine Ziele stützt, statt nur Punkte zu verteilen.

Wähl die Kriterien gemeinsam mit dem Vertrieb aus und vergib Punkte, die zu deinem Idealkundenprofil und zu deinen Kaufsignalen passen. Schul dein Marketing-Team laufend, damit es das System sicher nutzt, Scores richtig liest und seine Strategie bei Bedarf anpasst. Regelmäßige Abstimmungen zwischen Marketing und Vertrieb halten das Modell aktuell, und dein Vertrieb bekommt weiter qualifizierte Leads.

Wenn du in das richtige Setup und in eine gute Begleitung investierst, nutzt dein Marketing-Team das Scoring wirksam. Marketing und Vertrieb erzielen dann gemeinsam bessere Ergebnisse.

‍

Wohin sich Lead Scoring entwickelt

Lead Scoring verändert sich schnell, getrieben von künstlicher Intelligenz, Machine Learning und Predictive Analytics. Die nächsten Modelle nutzen diese Technologien, um noch genauer und dynamischer vorherzusagen, welche Leads am wahrscheinlichsten konvertieren. Predictive Lead Scoring gibt es in Plattformen wie HubSpot bereits. Es wertet historische Daten und Echtzeit-Signale aus, erkennt gute Leads automatisch und zeigt Marketing und Vertrieb, wo sich ihr Einsatz am meisten lohnt.

Je ausgefeilter die Predictive-Modelle werden, desto stärker fließen externe Daten und Echtzeit-Daten ein. Du kannst dann sofort reagieren, wenn sich das Verhalten eines Leads ändert. Die Zukunft gehört schlaueren, anpassungsfähigeren Modellen, mit denen Marketing und Vertrieb einen Schritt voraus bleiben und die richtigen Interessenten zur richtigen Zeit ansprechen.

‍

Das Wichtigste in Kürze

• Ein starkes Lead-Scoring-Modell ist die Grundlage, um Leads zu priorisieren und zu qualifizieren. Ohne es fehlt deiner Vertriebs- und Marketingstrategie das Fundament.
• Ein Scoring, das zu deinem Geschäft passt, kann Conversion Rates, die Abstimmung zwischen Marketing und Vertrieb und die Effizienz insgesamt deutlich verbessern.
• HubSpot bietet solide Werkzeuge für manuelle und für Predictive-Modelle. Dein Marketing-Team baut damit ein System, das zu seinen Anforderungen passt.
• Externe Daten und ein gut vorbereitetes Marketing-Team sind die wichtigsten Hebel, um mehr aus deinem Scoring herauszuholen.
• Die Zukunft liegt in Predictive Lead Scoring, KI und Machine Learning. Diese Technologien liefern noch genauere Erkenntnisse, auf die Marketing und Vertrieb direkt reagieren können.

Für dich heißt das: Fang mit einem manuellen Modell aus Fit, Engagement und Produkt an, knüpf an jeden Schwellenwert eine Aktion und prüf nach 30 Tagen nach. So entsteht ein Scoring, das verlässlich qualifizierte Leads liefert und Marketing und Vertrieb beim Wachstum hilft.

‍

SalesPlaybook ist HubSpot Diamond Solutions Partner mit 39+ 5-Sterne-Bewertungen im HubSpot Solutions Directory und setzt Scoring immer an die Buyer Journey, nie an eine Punkteliste. Bei Cargoo war die gesamte Buyer Journey in 6 Monaten in HubSpot abgebildet, mit einer 7-stelligen Enterprise-Sales-Pipeline als Ergebnis.