Wie sollte Lead Scoring für die SDR-Priorisierung in HubSpot strukturiert sein?
Welche Signale sollte ein B2B-Lead-Scoring-Modell nutzen?
Effektives Lead-Scoring im B2B-Kontext nutzt drei Signaltypen.
Der erste Punkt ist der ICP-Fit: Unternehmensgröße, Branche und Zielmarkt. Das sind demografische Attribute, die bestimmen, ob ein Lead zum passenden Unternehmenstyp gehört – sie verändern sich nicht durch Verhalten und sollten das Fundament des Scores bilden. Ein Lead von einem SaaS-Unternehmen mit 200 Mitarbeitern in einer Zielbranche startet mit einer höheren Baseline als ein Lead aus einem Segment außerhalb des ICPs – unabhängig von den getätigten Aktionen.
Das zweite Signal ist der Persona-Fit: Jobtitel, Senioritätslevel und Einfluss auf die Kaufentscheidung. Im B2B-Vertrieb kann dasselbe Unternehmen Leads von Endnutzern, technischen Evaluatoren und Economic Buyern generieren. Diese erfordern völlig unterschiedliche Follow-up-Maßnahmen und bringen ganz andere Abschlusswahrscheinlichkeiten mit. Eine Führungskraft mit Einkaufsbefugnis muss anders gewichtet werden als ein Endnutzer, der das Produkt nur aus persönlichem Interesse testet.
Das dritte Signal ist Engagement: Formulareinsendungen, Page Views, E-Mail-Klicks, Event-Anmeldungen, Demo-Anfragen. Sie zeigen Kaufabsicht und Momentum. Ein Lead, der drei Produktseiten gelesen, eine Case Study heruntergeladen und eine Demo angefordert hat, zeigt ein ganz anderes Interesse als jemand, der lediglich ein einziges Top-of-Funnel-Formular ausgefüllt hat. Engagement-Signale sollten kumulativ erfasst und nach Intent-Nähe gewichtet werden – eine Demo-Anfrage wiegt schwerer als ein Blog-Abonnement.
Wie sollten Lead Scores mit dem HubSpot-Task-Layer verknüpft werden?
Das überarbeitete Aufgaben-Objekt von HubSpot ermöglicht es, den Lead Score eines Kontakts direkt in den Task-Layer zu synchronisieren. So können SDRs ihre Aufgaben-Queue nach dem Lead Score filtern und Leads mit hoher Passgenauigkeit und hoher Kaufabsicht ganz oben auf der Liste sehen – ohne manuelles Sortieren, externe Tabellen oder Slack-Nachrichten von Führungskräften, die auf heiße Leads hinweisen.
Der praktische Nutzen ist enorm. In einer typischen Inbound-Queue ohne Scoring-Filter sehen alle Tasks identisch aus: gleicher Owner, gleiche Ansicht, scheinbar gleiche Priorität. Ein perfekter ICP-Match mit starkem Buying Intent steht direkt neben einem unpassenden Kontakt, der vor sechs Wochen ein einziges Whitepaper heruntergeladen hat. Ohne sichtbaren Score auf Task-Ebene arbeiten SDRs nach Aktualität oder Bauchgefühl. Mit Score arbeiten sie gezielt nach echten Signalen.
Das Setup ist unkompliziert: Definiere die Scoring-Properties in HubSpot, übertrage den Gesamtscore in eine Kontakt-Property und konfiguriere Deine Task-Views so, dass der Score als filterbare Spalte erscheint. Leads mit hohem Fit wandern nach ganz oben. Leads mit geringem Fit bleiben in der Queue, kosten aber keine wertvolle Zeit mehr für das hochpriorisierte Follow-up.
Was ist die richtige Übergabelogik zwischen Nurturing und vertriebsbereiten Leads?
Lead Scoring sollte nicht nur priorisieren, sondern das Handover steuern. Erreicht ein Lead einen definierten Schwellenwert – eine Kombination aus ausreichendem ICP-Fit, Persona-Fit und Engagement –, sollte die Übergabe vom Marketing Nurturing an das SDR-Team automatisch ausgelöst werden. Dieser Schwellenwert entspricht der MQL-Definition: ein Lead, der genügend Fit und Intent zeigt, um den direkten Sales-Kontakt zu rechtfertigen.
Der Schwellenwert muss in enger Abstimmung mit Sales definiert werden. Liegt die MQL-Hürde zu niedrig, erhalten SDRs nur Noise – Leads, die noch nicht bereit für ein Verkaufsgespräch sind. Liegt sie zu hoch, verweilen wirklich interessierte Leads zu lange im Nurturing und kühlen ab. Die richtige Kalibrierung ergibt sich aus der Analyse von Conversion-Daten: Welche Score-Kombinationen konvertieren historisch von MQL zu SQL und welche nicht?
Sobald die Übergabelogik definiert ist, sollte sie automatisiert werden. Ein Lead, der die MQL-Schwelle überschreitet, erstellt eine Aufgabe, benachrichtigt die zuständige SDR-Person und triggert die passende Sequenz. Manuelle Übergabeprozesse – Tabellen, Slack-Benachrichtigungen, E-Mail-Flags – sorgen für Verzögerungen und Inkonsistenzen genau an dem Punkt im Funnel, an dem es am meisten auf Geschwindigkeit ankommt.
FAQ: Lead Scoring und SDR-Priorisierung in HubSpot
Ab wann sind es zu viele Scoring-Kriterien?
Ein Scoring-Modell mit mehr als acht bis zehn Kriterien lässt sich nur schwer kalibrieren und dem Vertrieb kaum vermitteln. Starte mit den drei Signaltypen – ICP-Fit, Persona-Fit, Engagement – und gehe erst dann mehr ins Detail, wenn Conversion-Daten belegen, dass es die Treffsicherheit erhöht. Komplexität in einem Scoring-Modell ist ein Wartungsrisiko; halte es so einfach, wie es Deine Daten zulassen.
Sollte negatives Scoring eingesetzt werden?
Ja, aber selektiv. Negatives Scoring ist nützlich, um eindeutig unpassende Leads herauszufiltern – falsche Branche, unpassende Unternehmensgröße, E-Mail-Domains von Studierenden oder Wettbewerbern, abgemeldete Kontakte. Wende es auf Signale an, die verlässlich auf einen schlechten Fit hinweisen, nicht auf jedes Verhalten mit geringem Engagement. Ein übertriebenes negatives Scoring sortiert sonst Leads aus, die eigentlich Potenzial hätten.
Wie oft sollte das Scoring-Modell neu kalibriert werden?
Mindestens quartalsweise. Vergleiche die MQL-zu-SQL-Conversion-Rates nach Score-Segmenten und passe Schwellenwerte an, wenn das Modell über- oder unterqualifiziert. Ein Scoring-Modell, das nie aktualisiert wird, entkoppelt sich mit der Zeit von der Realität, da sich Produktpositionierung, ICP-Definition und Käuferverhalten kontinuierlich verändern.
Funktioniert Lead Scoring auch ohne Marketing Automation?
Ein grundlegendes Scoring-Modell lässt sich bereits mit HubSpot-Workflows und Kontakt-Properties aufbauen – auch ohne kompletten Marketing-Automation-Stack. Die Genauigkeit steigt jedoch deutlich durch Verhaltens-Tracking über E-Mails, Content und Events. Das Minimum Viable Setup ist ein ICP- und Persona-Scoring auf Basis demografischer Daten, das sukzessive um Engagement-Scoring erweitert wird, sobald das Tracking steht.
Was ist der Unterschied zwischen MQL und SQL im Kontext von HubSpot-Scoring?
Ein MQL (Marketing Qualified Lead) ist ein Lead, der einen definierten Score-Schwellenwert erreicht hat, was ausreichenden Fit und Intent für den Sales-Kontakt signalisiert – typischerweise der Moment, in dem ein SDR-Task erstellt wird. Ein SQL (Sales Qualified Lead) ist ein Lead, der vom Vertrieb geprüft und als echte Verkaufschance bestätigt wurde, meist nach einem ersten Discovery Call. Das Scoring-Modell bestimmt die MQL-Definition; die SQL-Qualifizierung ist eine menschliche Entscheidung des SDRs oder AEs.
