Die meisten B2B-Revenue-Teams nutzen ein Scoring-Modell, das strukturell zum Scheitern verurteilt ist – und die Lösung ist nicht einfach ein besserer Handoff-Prozess. Das eigentliche Problem ist ein Fehler in der Analyseebene: Einzelne Kontakte werden bewertet, während ignoriert wird, ob der übergeordnete Account strategisch überhaupt passt. Dieser Fehler erzeugt hohe Kontaktvolumina, die der Vertrieb nicht konvertieren kann, bläht die Pipeline auf und verursacht innerhalb von zwei bis drei Jahren messbaren wirtschaftlichen Schaden.
Lead Scoring vs. Account Scoring ist keine Wahl zwischen zwei Tools. Es ist eine Wahl zwischen zwei Fragen. Lead Scoring fragt: Ist diese Person bereit für den Vertrieb? Account Scoring fragt: Lohnt sich bei diesem Unternehmen ein gezieltes Investment? Reife B2B-Revenue-Teams nutzen beides parallel – verknüpft im CRM über eine hybride Architektur.
TL;DR für Revenue Leaders
Zentrale These: Die meisten Lead-Scoring-Modelle scheitern, weil sie die Person bewerten, ohne die Organisation zu betrachten. Die Lösung ist ein zweidimensionales Gate, kein besserer Handoff.
- Ebene 1 — Account Fit Score (statisches Gate): Account Fit ≥ 60, bevor ein Kontakt aktiv angegangen wird
- Ebene 2 — Contact Intent Score (dynamisches Signal): Contact Intent ≥ 50 vor der Kontaktaufnahme durch SDRs
- Ebene 3 — Composite Routing Logic: Beide Schwellenwerte müssen gleichzeitig erfüllt sein
Vier Trigger zur Selbsteinschätzung: (1) ICP nie anhand von Closed-Won-Daten validiert; (2) keine verlässliche CRM-Conversion-Historie; (3) keine gemeinsame Definition eines qualifizierten Accounts; (4) Scoring-Modell seit 18+ Monaten nicht auditiert. Wenn drei oder mehr Trigger zutreffen, ist ein vollständiger Rebuild erforderlich.
Wirtschaftliche Kausalkette: Ein Scoring-Modell, das im ersten Jahr um 20 % danebenliegt, drückt die Net Revenue Retention (NRR) im zweiten Jahr unter 100 %. Bis zum dritten Jahr sinkt das LTV:CAC-Verhältnis auf unter 2:1 und die Pipeline wird strukturell mit Deals aufgebläht, die niemals closen werden.
Was ist der Unterschied zwischen Lead Scoring und Account Scoring?
Lead Scoring bewertet den Fit und die Verhaltenssignale eines einzelnen Kontakts anhand expliziter Daten wie Jobtitel, Unternehmensgröße und Branche sowie impliziter Daten wie Seitenaufrufen, E-Mail-Engagement und Content-Downloads. Account Scoring bewertet ein Unternehmen ganzheitlich, indem es den strategischen Fit, das Umsatzpotenzial, die Tiefe des Buying Centers und Intent-Signale analysiert, um zu bestimmen, ob die Organisation ein gezieltes Vertriebs- und Marketinginvestment rechtfertigt.
| Dimension | Lead Scoring | Account Scoring | Kombinierte ABM-Motion |
|---|---|---|---|
| Analyseeinheit | Individueller Kontakt | Unternehmen / Organisation | Beide, im CRM verknüpft |
| CRM-Objekt | Kontakt- oder Lead-Datensatz | Account- oder Unternehmensdatensatz | Contact Score fließt in den Account ein |
| Wichtigste Dateneingaben | Explizite + implizite Verhaltensdaten | Intent-Daten, Technographics, Buying-Center-Signale | Verhalten auf Kontaktebene gewichtet nach Passgenauigkeit auf Account-Ebene |
| Idealer Use Case | Transaktionale, volumenstarke Funnels oder SMB-Funnels | ABM, Enterprise Sales, komplexe Buying Center | Mid-Market und Enterprise mit Inbound- und Outbound-Motions |
| Hauptverantwortliches Team | Marketing → SDR | Marketing + Sales + Customer Success, ABM-Team | RevOps steuert die einheitliche Scoring-Logik |
| Typen von Scoring-Modellen | Regelbasiert oder prädiktiv | Tier-basiert (A/B/C) oder prädiktiv | Gewichteter Gesamt-Score |
Warum Lead-Scoring bei B2B-Teams versagt
Das häufigste Fehlermuster ist ein Scoring-Modell, das Engagement-Aktivitäten belohnt, ohne den strategischen Fit zu bewerten. Der Vertrieb ignoriert Kontakte, die das Marketing als qualifiziert einstuft, nicht wegen mangelnder Alignment-Kultur, sondern weil diese Kontakte strukturell die falschen sind.
Drei strukturelle Fehlermuster erklären diesen Bruch:
Aktivitätsinflation: Modelle, die Punkte für Seitenaufrufe, E-Mail-Öffnungen und Content-Downloads vergeben, ohne den ICP-Fit zu gewichten, erzeugen Kontakte, die zwar engagiert wirken – aber Unternehmen vertreten, die niemals abschließen werden.
Eindimensionales Scoring: Wenn Du nur den demografischen Fit ohne Verhaltens- oder Intent-Signale bewertest, entsteht eine statische Liste – kein dynamisches Priorisierungssystem.
Fehlender Account-Overlay: Wird der Score eines Kontakts isoliert bewertet – ohne zu prüfen, ob der übergeordnete Account strategisch passt –, erhält Sales Kontakte von Accounts, die weder den nötigen Deal Value erreichen noch expandieren oder gehalten werden können.
In der Praxis: Ein Series-B-HR-Tech-Unternehmen mit rund 80 SDRs nutzte in HubSpot ein regelbasiertes Lead-Scoring-Modell, das Punkte für Whitepaper-Downloads und Webinar-Teilnahmen vergab – ohne jeden Check auf den ICP-Fit. Über 60 % der an den Vertrieb gerouteten Kontakte stammten von Unternehmen außerhalb der definierten Umsatz- und Branchenkriterien. Nach Einführung eines zweidimensionalen Schwellenwerts (Fit Score ≥ 70 UND Intent Score ≥ 50) sank das Kontaktvolumen um 40 %, während sich die Conversion vom ersten Outreach zum gebuchten Meeting mehr als verdoppelte. Die Lösung war eine Anpassung der Scoring-Architektur, keine Prozessänderung. Vergleichbare Richtwerte liefert das Demand-Waterfall-Research von SiriusDecisions zu Lead-to-Opportunity-Conversion-Rates.
Wenn Sales Kontakte ignoriert, die Marketing als qualifiziert einstuft, lautet die erste Diagnosefrage: „Spiegelt das Scoring-Modell das tatsächliche ICP wider oder bildet es lediglich Engagement-Aktivitäten ab?“
Wie verzerrt ein schwaches ICP beide Scoring-Modelle?
Ein Scoring-Modell ist nur so präzise wie das ICP, auf das es kalibriert ist – und ein ICP ist nur so präzise wie die Closed-Won-Daten, aus denen es abgeleitet wurde. Daraus ergibt sich eine klare Reihenfolge: Closed-Won-Analyse → ICP-Attribute → Scoring-Gewichtung → Routing-Schwellenwerte. Überspringst Du einen Schritt, erbt das Modell genau diese Ungenauigkeit.
Minimum Viable Closed-Won-Analyse: Ziehe die letzten 50–100 Closed-Won-Opportunities heran, identifiziere die 4–6 häufigsten firmografischen und technografischen Merkmale (Branche/Vertikale, Umsatzband, Tech-Stack, Mitarbeiterzahl, Geografie, Deal-Trigger) und vergleiche sie anschließend mit gecharnten Accounts, um Unterscheidungsmerkmale zu isolieren. Attribute, die bei Closed-Won- und Churn-Kohorten gleichermaßen vorkommen, besitzen keinen Vorhersagewert und sollten nicht gewichtet werden.
Vier Fragen, die ein echtes ICP beantworten muss:
Welche Accounts closen am schnellsten und welche strukturellen Merkmale teilen sie?
Welche Accounts expandieren nach dem Erstvertrag?
Welche Accounts churnen – und welche Merkmale lagen bereits beim Scoring vor?
Welche Accounts sollten bewusst depriorisiert werden, selbst wenn sie Interesse zeigen?
Ohne Antworten auf diese vier Fragen werden sowohl Lead- als auch Account-Scoring an einer Hypothese kalibriert statt an tatsächlichen Revenue-Ergebnissen. Ein detailliertes Framework findest Du unter: ICPs im CRM operationalisieren.
Wann solltest Du Lead Scoring nutzen – und wann stößt es an seine Grenzen?
Lead Scoring ist das richtige primäre Modell, wenn:
Der Deal-Wert liegt unter ca. 25.000 $ ACV und der Sales Cycle dauert weniger als 60 Tage
Die Kaufentscheidung betrifft ein oder zwei Stakeholder
Das Inbound-Volumen ist so hoch, dass die Priorisierung einzelner Kontakte den primären Engpass darstellt
Die Sales Motion ist transaktionsbasiert oder Product-led
Im Kontext von Product-Led Growth (PLG) sind Signale aus der individuellen Produktnutzung – etwa die tägliche Nutzung des Free Tiers und die Tiefe der Feature-Aktivierung – oft die stärksten Indikatoren für Kaufabsichten. Nutzer, die innerhalb der ersten sieben Tage drei oder mehr Kernfeatures aktivieren, zeigen deutlich mehr Kaufabsicht als Nutzer, die lediglich Content herunterladen.
Lead Scoring verliert an Effektivität, wenn am durchschnittlichen Deal drei oder mehr Stakeholder beteiligt sind, wenn der Account-Fit innerhalb desselben Kontaktpools stark variiert oder wenn Outbound-Prospecting ein primärer Kanal ist. Im Outbound Sales gibt es typischerweise keine Inbound-Verhaltenssignale, weshalb der Account zuerst auf Basis des firmografischen Fits und externer Kaufsignale bewertet werden muss.
Wann ist Account-Scoring notwendig – und was misst es?
Account Scoring beantwortet eine grundlegend andere Frage: Nicht „Ist diese Person bereit für ein Verkaufsgespräch?“, sondern „Lohnt sich für dieses Unternehmen ein gezieltes Investment über Marketing, Sales und Customer Success hinweg?“
Account Scoring ist strukturell notwendig, wenn:
Der durchschnittliche Deal-Wert übersteigt 25.000 $ ACV und umfasst ein Buying Center aus drei oder mehr Rollen
Die Sales Motion ist Account-basiert und Outbound-getrieben
Die Pipeline stößt an Kapazitätsgrenzen und erfordert ein klares Priorisierungs-Framework
Expansion Revenue ist ein wesentlicher Bestandteil des Wachstumsmodells
Eine datengetriebene Account-Scoring-Strategie misst fünf Dimensionen:
ICP-Fit (statisch): Branche, Umsatzklasse des Unternehmens, Region, Tech-Stack-Kompatibilität
Umsatzpotenzial (statisch): geschätzter ACV, Expansionspotenzial, Indikatoren für Deal-Werte
Tiefe des Buying Centers (dynamisch): Anzahl der engagierten Kontakte, funktionale Vielfalt über Economic Buyer, User, Influencer und Technical Evaluator hinweg sowie die Aktualität der Interaktionen
Intent-Signale (dynamisch): Third-Party-Intent-Daten von Plattformen wie Bombora (Topic-Level Intent) oder G2 (Research-Spikes in Produktkategorien), technografische Signale und Trigger-Events
Engagement-Fit-Scores (dynamisch): Hochwertige Interaktionen auf Account-Ebene – Demo-Anfragen, Preisgespräche, Security-Reviews – nicht bloß Seitenaufrufe
Trigger-Events – etwa Führungswechsel via LinkedIn Sales Navigator, Finanzierungsrunden auf Crunchbase, M&A-Meldungen oder Stack-Änderungen über BuiltWith oder HG Insights – können veränderte Prioritäten im Zielunternehmen signalisieren. Behandle diese Events als dynamischen Multiplikator für Deinen Account Fit Score, nicht als isolierte Signale. Ihr Wert steht und fällt damit, ob der Account die ICP-Schwelle grundsätzlich erreicht.
Ein einzelner engagierter Kontakt ist ein fragiles Signal. Drei engagierte Stakeholder – aufgeteilt auf Economic Buyer, User und Technical Evaluator – bedeuten echte organisationale Traktion. Genau dieser Unterschied entscheidet darüber, ob ein Deal einen realistischen Weg zum Abschluss hat.
Welche Scoring-Modelltypen gibt es – und welcher passt zu Deinem Team?
| Modelltyp | Closed-Won | ||
|---|---|---|---|
| Datenvolumen | RevOps-Reifegrad | Ideal für | |
| Punktebasiertes Scoring | Unter 100 Opportunities | Early-Stage / kein dediziertes RevOps | Transparenter Startpunkt; Gewichtung nach fundiertem Ermessen |
| Gewichtetes Formel-Scoring | 100–500 Opportunities | Wachsendes Team mit Teilzeit-RevOps | Validierte Attribut-Bedeutung ohne ML-Overhead |
| Tiered Scoring (A/B/C) | 100–500 Opportunities | Jeder Reifegrad; operativer Fokus | Scores in konkrete Sales-Workflows übersetzen |
| Predictive Scoring | 500+ Opportunities | Reife RevOps mit sauberen CRM-Daten | Mustererkennung im großen Maßstab; reduziert manuelle Kalibrierung |
Punktebasiertes Scoring weist einzelnen Attributen oder Aktionen feste Werte zu (z. B. +20 für eine Demo-Anfrage, +10 für den Besuch der Pricing-Page). Transparent, einfach zu auditieren und der ideale Startpunkt für Teams mit wenig historischen Daten.
Gewichtetes Formel-Scoring weist Attributkategorien prozentuale Gewichtungen zu (z. B. ICP-Fit = 40 %, Intent-Signale = 35 %, Engagement-Tiefe = 25 %). Ideal für Teams mit genügend Closed-Won-Daten, um die relative Relevanz der Attribute zu validieren, aber zu wenig Volumen für ein Machine-Learning-Modell.
Tiered Scoring (A/B/C) ordnet numerische Scores konkreten Prioritäts-Tiers mit eindeutigen Sales-Aktionen zu. Tier A (Account Fit ≥ 80): Sofortiger SDR-Outreach und Einbindung eines Executive Sponsors. Tier B (Account Fit 60–79): Strukturiertes Nurturing mit vierteljährlichem Check-in. Tier C (unter 60): Reine Marketing-Kampagnen bis zum Re-Scoring.
Predictive Scoring nutzt Machine Learning, um Muster in historischen Closed-Won- und Churn-Daten zu erkennen. HubSpots KI-Scoring (Marketing Hub Enterprise) und Salesforce Einstein Lead Scoring (Sales Cloud Einstein) bilden dies nativ ab. Minimales Datenvolumen: 500+ abgeschlossene Opportunities. Unterhalb dieses Schwellenwerts liefert ein gut kalibriertes regelbasiertes Modell bessere Ergebnisse als Predictive Scoring.
Die kontraintuitive Erkenntnis aus Implementierungen: Teams, die ihre Conversion Rates am schnellsten verbesserten, waren nicht diejenigen, die weitere Scoring-Signale hinzufügten – es waren diejenigen, die Signale entfernten und die Schwellenwerte anhoben. Weniger, aber besser gewichtete Attribute schlagen überladene Modelle mit über 20 Kriterien konsistent.
Für Teams, die eine Migration zu Predictive Scoring prüfen: Lasst beide Ansätze ein Quartal lang parallel laufen und vergleicht vor der finalen Entscheidung die Conversion Rates nach Tier. Demandbase bietet ein maßgeschneidertes B2B-Account-Scoring-Modell, das Engagement-Daten über Kontakte und Unternehmen hinweg aggregiert. Factors.ai macht Buying-Center-Signale sichtbar, indem es Intent-Daten auf Kontaktebene über den gesamten Account hinweg trackt und Sales alarmiert, sobald die Engagement-Dichte einen definierten Schwellenwert überschreitet.
Wie greifen Lead Scoring und Account Scoring in einem hybriden Modell ineinander?
Die Frage ist nicht, ob Du Lead Scoring oder Account Scoring nutzen solltest. Sie lautet: Wie baust Du ein System auf, in dem beide Scores ineinandergreifen, um dem Vertrieb ein klares, verlässliches Priorisierungssignal zu liefern?
| Layer | Score-Typ | Owner | Action |
|---|---|---|---|
| Layer 1 | Account Fit Score | ||
| (statisches Gate) | RevOps baut auf; Marketing validiert quartalsweise | Bestimmt, ob ein Account in das adressierbare Universum aufgenommen wird | |
| Layer 2 | Contact Intent Score | ||
| (dynamisches Signal) | Marketing definiert die Signale; SDR agiert bei Überschreiten des Schwellenwerts | Bestimmt, ob ein einzelner Kontakt angesprochen werden sollte | |
| Layer 3 | Zusammengesetzte Routing-Logik | RevOps steuert; Sales Director genehmigt Schwellenwertänderungen | Leitet den Kontakt erst an den Vertrieb weiter, wenn beide Schwellenwerte erreicht sind |
Layer 1 — Account Fit Score (statisches Gate). Wird auf Account- oder Company-Ebene im CRM bewertet. Accounts unterhalb des Fit-Schwellenwerts werden unabhängig vom Verhalten einzelner Kontakte von der aktiven Bearbeitung ausgeschlossen.
Beispielhafte Gewichtungsverteilung (regelbasiertes Modell):
Match bei Branche/Vertikale: 30 Punkte
Umsatzbereich des Unternehmens: 25 Punkte
Tech-Stack-Kompatibilität: 20 Punkte
Geografie: 15 Punkte
Headcount-Bereich: 10 Punkte
Account Fit Score max: 100 | Mindestschwellenwert für die aktive Bearbeitung: 60
Layer 2 — Contact Intent Score (dynamisches Signal). Wird auf Kontakt-Ebene im CRM bewertet.
Beispielhafte Gewichtungsverteilung:
Demo- oder Test-Anfrage: 40 Punkte
Besuch der Preisseite (innerhalb von 14 Tagen): 25 Punkte
Interaktion mit High-Value-Content (ROI-Rechner, Case Study): 20 Punkte
Webinar-Teilnahme: 10 Punkte
E-Mail-Klick (kein Open): 5 Punkte
Contact Intent Score max.: 100 | Mindestschwellenwert für SDR-Outreach: 50
Layer 3 — Zusammengesetzte Routing-Logik. Ein Kontakt wird erst dann an den Vertrieb geroutet, wenn beide Schwellenwerte gleichzeitig erreicht sind: Account Fit ≥ 60 UND Contact Intent ≥ 50. Dieses zweidimensionale Gate eliminiert die zwei häufigsten Fehlerquellen: Kontakte mit hoher Intent bei Low-Fit-Accounts (Noise) und High-Fit-Accounts ohne aktives Kaufsignal (kalte Targets).
Baue Score-Decay in den Contact Intent Score ein: Punkte für Aktivitäten, die älter als 90 Tage sind, sollten automatisch reduziert oder auf null gesetzt werden.
Buying-Center-Overlay: Wenn drei oder mehr Kontakte desselben Accounts innerhalb eines 30-Tage-Fensters den Intent-Schwellenwert überschreiten, wird der Account priorisiert – unabhängig von individuellen Lead Scores. Ein B2B-Cybersecurity-SaaS-Unternehmen führte dieses Overlay per Workflow-Automation im HubSpot Marketing Hub Professional ein. Zuvor wurden Leads rein nach Einzelkontakten geroutet – mit dem Ergebnis, dass Deals mit nur einem Kontakt regelmäßig im Einkauf steckenblieben. Nach Einführung des Overlays wurden Accounts automatisch auf Tier A hochgestuft und einem Senior Account Executive zugewiesen, sobald ein CISO, ein Einkaufsleiter und ein Security Architect innerhalb von 28 Tagen das Intent-Level erreichten. Der durchschnittliche Sales Cycle verkürzte sich bei diesen Accounts um 35 % im Vergleich zu Single-Contact-Deals. Dies sind beobachtete Ergebnisse aus dieser spezifischen Implementierung, keine allgemeinen Benchmarks.
Eine regelbasierte Version dieser Architektur lässt sich im HubSpot Marketing Hub Professional oder der Salesforce Sales Cloud Enterprise über Standard-Workflow-Automatisierungen abbilden. Die wichtigste Voraussetzung ist dabei nicht die Technologie. Es sind ein validiertes ICP und eine gemeinsame Definition darüber, was ein echtes Kaufsignal ist. Eine Anleitung zum Setup findest Du unter Lead-Scoring-Modell in HubSpot aufbauen.
Wie misst Du, ob Dein Scoring-Modell funktioniert?
Ein Scoring-Modell, das nie an den tatsächlichen Umsatzergebnissen gemessen wird, driftet ab. Vier Metriken bilden ein pragmatisches Dashboard für den quartalsweisen Review:
Conversion Rate nach Account-Score-Tier (vom ersten Outreach bis zum gebuchten Meeting). Separat tracken für Tier A, B und C. Wenn die Conversion Rates von Tier A nicht signifikant über denen von Tier B liegen, differenziert das Modell nicht trennscharf genug.
Pipeline-to-Close-Rate nach Tier. Tier-A-Accounts sollten mit einer höheren Rate und schneller abschließen als Tier B. Ist das nicht der Fall, prognostiziert der Account Fit Score die Deal-Qualität nicht zuverlässig.
Durchschnittliche Sales-Cycle-Länge nach Tier. Ein gut kalibriertes Modell verkürzt den Sales Cycle für High-Fit-Accounts. Längere Sales Cycles in Tier A sind ein verlässlicher Frühindikator für einen ICP-Drift.
Prozentsatz des Closed-Won-Umsatzes, der auf Tier-A-Accounts entfällt. Die direkteste Kennzahl für die Effektivität des Scoring-Modells. CAC und LTV nach Tiers sind sekundäre Ergebnisse: Ein gut kalibriertes Modell führt zu niedrigeren CAC und höherem LTV in Tier A, weil sich die Sales-Aktivitäten auf Accounts konzentrieren, die schneller abschließen, stärker expandieren und seltener abwandern.
Prüfe diese vier Metriken quartalsweise. Zeigen zwei oder mehr über zwei aufeinanderfolgende Quartale hinweg eine Verschlechterung, ist ein strukturiertes Scoring-Audit fällig, bevor andere GTM-Maßnahmen ergriffen werden.
Wie oft sollte ein Scoring-Modell auditiert werden?
Quartalsweiser Rekalibrierungs-Check: Vergleiche die aktuelle Score-Verteilung mit den Closed-Won- und Churn-Daten des Vorquartals. Prüfe, ob Tier-A-Accounts eine höhere Close-Rate erzielen als Tier-B-Accounts und ob einzelne Attributkategorien an prognostischer Aussagekraft verloren haben. Passe die Gewichtung einzelner Attribute an, wenn die Daten es belegen; baue das Modell aber nicht wegen eines einzelnen Quartals komplett um.
Jährlicher Komplett-Review des Modells: Revalidiere alle ICP-Attribute anhand der Closed-Won-Daten der letzten 12 Monate. Justiere die Gewichtungen anhand des gewichteten Formelansatzes neu, sofern das Datenvolumen es hergibt. Sortiere veraltete Signale aus und führe neue ein, die das aktuelle Kaufverhalten widerspiegeln. Überprüfe die Einstellungen für den Score-Verfall mindestens einmal jährlich. Ein 90-tägiges Verfallsfenster kann zum Start sinnvoll sein, sollte aber angepasst werden, wenn sich der durchschnittliche Sales-Cycle verlängert oder verkürzt.
Welche Governance hält ein Scoring-Modell dauerhaft präzise?
Ein Scoring-Modell verliert ohne klare Ownership und regelmäßige Rekalibrierung schnell an Wert. Die operative Lösung ist ein gemeinsames Scoring Committee aus RevOps, Marketing und Sales. Dieses Komitee sollte sich quartalsweise treffen, um die vier Kernmetriken zu überprüfen, Schwellenwert-Anpassungen zu beschließen und ICP-Updates freizugeben.
Das Dokument, das dieses Komitee arbeitsfähig macht, ist eine Scoring Governance Charter: ein gemeinsames Dokument, das aktuelle ICP-Attribute und deren Gewichtung, Schwellenwerte für jeden Scoring-Layer, Decay-Regeln samt Review-Zeitplan sowie Entscheidungsrechte für jede Rolle definiert. Ohne dieses Dokument erfolgen Schwellenwertanpassungen informell, Gewichtungen verschieben sich je nachdem, wer zuletzt am lautesten argumentiert hat, und das Modell spiegelt interne Politik statt Closed-Won-Muster wider.
Durch die Charta lässt sich das Scoring-Modell auch von externer RevOps-Unterstützung auditieren, falls dem internen Team die Kapazitäten oder die Dateninfrastruktur fehlen, um das Quartals-Review eigenständig durchzuführen.
Welche typischen Fehler beim Account Scoring solltest Du vermeiden?
1. Scoring ohne validierten ICP. Ein Account-Scoring-Modell vor einer fundierten Closed-Won-Analyse aufzusetzen bedeutet, dass das Modell auf Annahmen statt auf realen Ergebnissen basiert.
2. Ignorieren von Score Decay. Ein Kontakt, der vor sechs Monaten die Preisseite besucht hat und seitdem nicht mehr interagiert hat, liefert kein aktives Kaufsignal. Modelle ohne Decay-Mechanismus sammeln veraltete Scores an, die die scheinbare Qualität der Pipeline künstlich aufblähen.
3. Einen einzelnen engagierten Kontakt als organisatorische Traktion werten. Ein einzelner involvierter Stakeholder bedeutet noch kein Alignment im Buying Committee. Demandbase und Factors.ai machen diese Unterscheidung explizit sichtbar.
4. Zu starke Gewichtung von Third-Party-Intent ohne First-Party-Bestätigung. Ein Account, der zu einer Themenkategorie recherchiert, evaluiert noch lange keinen konkreten Anbieter. Third-Party-Intent von Plattformen wie Bombora sollte den Account Fit Score als Multiplikator verstärken – und nicht First-Party-Engagement-Daten ersetzen.
5. Das Modell wird nie mit Closed-Won-Daten abgeglichen. Ein Scoring-Modell, das 18 Monate lang nicht rekalibriert wurde, liegt fast sicher daneben. Ohne regelmäßige Audit-Zyklen wird es zum historischen Artefakt statt zu einem lebendigen Tool für die Priorisierung.
Wann erfordert das Redesign eines Scoring-Modells externe RevOps-Unterstützung?
Bewerte Dein aktuelles Modell anhand dieser vier Trigger:
Das ICP wurde nie mit Closed-Won-Daten validiert – es existiert nur als Präsentationsfolie statt als operativer Datensatz im CRM.
Das CRM enthält keine verlässlichen historischen Conversion-Daten: Opportunity-Datensätzen fehlen konsistente Stage-Definitionen, Close Dates oder verknüpfte Contact-to-Account-Zuordnungen.
Sales und Marketing können sich nicht auf eine einheitliche Definition eines qualifizierten Accounts einigen.
Das aktuelle Scoring-Modell ist seit mehr als 18 Monaten im Einsatz, ohne dass ein strukturiertes Audit anhand von Conversion-Daten durchgeführt wurde.
So interpretierst Du Dein Ergebnis: 0–1 Trigger erfüllt: Optimiere das bestehende Modell intern. 2–3 Trigger erfüllt: Vor einem Redesign ist ein strukturiertes Scoring-Audit erforderlich. 4 Trigger erfüllt: Das Modell muss komplett neu aufgebaut werden – externer RevOps-Support ist hier der schnellere Weg.
Diese Zustände sind die Regel bei B2B-SaaS-Unternehmen, die über den Product-Market-Fit hinaus skaliert sind, ohne in RevOps-Infrastruktur zu investieren. Ein Scoring-Modell, das im ersten Jahr um 20 % danebenliegt, summiert sich vorhersehbar: Im zweiten Jahr churnen Non-ICP-Accounts und drücken die NRR unter 100 %; im dritten Jahr explodieren die CAC, das LTV:CAC-Verhältnis fällt unter 2:1 und die Pipeline ist künstlich mit Deals aufgebläht, die niemals closen werden. Strukturierte Scoring-Audits und Modell-Redesigns sind fester Kern von RevOps as a Service.
Was sind die wirtschaftlichen Folgen eines fehlerhaft ausgerichteten Scoring-Systems?
Ein schlecht abgestimmtes Scoring-System verursacht messbaren wirtschaftlichen Schaden im gesamten Revenue-Modell – nicht nur bei den Conversion Rates.
CAC-Inflation nach Segment: Vertriebskapazitäten werden durch Kontakte und Accounts gebunden, die ohnehin nicht abschließen – was die CAC im Kern-ICP-Segment künstlich in die Höhe treibt.
Pipeline-Inflation: Kontakte und Accounts, die niemals abschließen werden, blähen die Pipeline künstlich auf, verzerren die Forecast-Genauigkeit und erzeugen eine trügerische Sicherheit bei den Umsatzprognosen.
Verschlechterung der Sales Velocity: Deals, die nicht in die Pipeline gehören, binden Sales-Kapazitäten und verzögern den Fokus auf High-Fit-Accounts.
Verzerrung der Product Roadmap: Bad-Fit-Kunden erzeugen Support-Tickets und Feature Requests, die nicht den Kernbedürfnissen des ICP entsprechen – und lenken Produktinvestitionen in die falsche Richtung.
Häufig gestellte Fragen zu Lead Scoring vs. Account Scoring
Was ist der Unterschied zwischen Lead Scoring und Account Scoring?
Lead Scoring weist einem einzelnen Kontakt basierend auf expliziten Daten (Jobtitel, Unternehmensgröße, Branche) und impliziten Daten (Seitenaufrufe, E-Mail-Engagement, Content-Downloads) einen numerischen Wert zu, um zu bestimmen, ob die Person vertrieblich kontaktiert werden sollte. Account Scoring bewertet ein gesamtes Unternehmen anhand von ICP-Fit, Intent-Daten und Signalen des Buying Centers, um festzustellen, ob die Organisation ein gezieltes Vertriebsinvestment rechtfertigt. Die beiden Modelle beantworten unterschiedliche Fragen und setzen auf unterschiedlichen CRM-Objekten auf.
Wann solltest Du Account Scoring anstelle von Lead Scoring nutzen?
Account Scoring ist notwendig, wenn an einem durchschnittlichen Deal drei oder mehr Stakeholder beteiligt sind, der Deal-Wert rund 25.000 $ ACV übersteigt oder die Sales Motion Account-basiert und Outbound-getrieben ist. Unter diesen Bedingungen führt die Bewertung einzelner Kontakte ohne vorherige Qualifizierung des übergeordneten Accounts zu hohen Kontaktvolumina, die der Vertrieb nicht konvertieren kann.
Können Lead Scoring und Account Scoring zusammenarbeiten?
Ja – und in den meisten reifen B2B-Revenue-Teams ist das auch so. Das Hybridmodell nutzt den Account Fit als statisches Gate (Qualifiziert sich dieses Unternehmen?) und den Kontakt-Intent als dynamisches Signal (Zeigt diese Person gerade Kaufabsichten?). Ein Kontakt wird erst dann an den Vertrieb übergeben, wenn beide Schwellenwerte erreicht sind: Account Fit ≥ 60 UND Kontakt-Intent ≥ 50.
Welche Daten nutzt das Account Scoring?
Account Scoring nutzt statische firmografische Daten (Branche, Umsatzklasse, Region), technografische Daten (aktueller Tech-Stack, jüngste Tool-Wechsel), Intent-Signale von Drittanbietern wie Bombora oder G2 sowie dynamische Engagement-Daten wie die Anzahl der interagierenden Kontakte, die funktionale Vielfalt des Buying Centers und die Aktualität hochrelevanter Interaktionen.
Wie setzt Du Lead Scoring in HubSpot auf?
Das native Scoring-Tool von HubSpot, verfügbar ab Marketing Hub Professional, unterstützt regelbasiertes Scoring auf Basis von Kontakteigenschaften und Verhaltensereignissen. Definiere positive und negative Scoring-Kriterien, lege einen Schwellenwert fest, der das Routing an SDRs auslöst, und verknüpfe den Contact Score über ein berechnetes Feld oder einen Workflow mit dem übergeordneten Company-Objekt, um ein Overlay auf Account-Ebene zu ermöglichen. HubSpots KI-basiertes Predictive Scoring, verfügbar in Marketing Hub Enterprise, trainiert auf Deinen eigenen Closed-Won-Daten – ein sinnvolles Upgrade, sobald Dein Team mehr als 500 abgeschlossene Opportunities vorweisen kann. Wie HubSpots Scoring-Properties mit der Workflow-Aufnahme interagieren, ist in der HubSpot Knowledge Base mit allen Konfigurationsschritten für jeden Scoring-Ansatz dokumentiert.
Woran erkennst Du, dass ein Scoring-Modell neu aufgesetzt werden muss?
Ein Scoring-Modell erfordert ein strukturiertes Audit, wenn: (1) der Vertrieb Kontakte konsequent ignoriert, die das Marketing als qualifiziert einstuft, (2) das Modell seit mehr als 12 Monaten nicht mehr anhand von Closed-Won-Daten rekalibriert wurde, (3) sich das ICP durch einen Pivot oder den Eintritt in ein neues Segment verändert hat oder (4) die Conversion Rates vom Erstkontakt zum gebuchten Meeting über zwei aufeinanderfolgende Quartale ohne ersichtlichen Prozessgrund gesunken sind.
