Lead-Scoring

Vertriebsteams erhalten weit mehr Leads, als sie anrufen können, und die meisten davon kaufen nie. Lead-Scoring lernt aus früheren gewonnenen und verlorenen Leads, welche Eigenschaften und welches Verhalten einen Abschluss vorhersagen. Es gibt jedem neuen Lead eine Wahrscheinlichkeit, eine Note und die Gründe hinter dem Score, sodass der Vertrieb mit den besten Leads beginnt und das Marketing die übrigen pflegt. Regelbasierte Punktesysteme gibt es seit 20 Jahren. Neu ist, dass die großen CRM-Systeme das Modell für Sie trainieren, sobald einige Dutzend Ergebnisse vorliegen. Außerdem lesen LLMs jetzt den Freitext und ergänzen fehlende Firmendaten, und Agenten handeln direkt auf Basis des Scores.

Problem & Nutzen

• Heute: Das Marketing qualifiziert Leads (MQL) mit von Hand gepflegten Punkteregeln: +10 für den Besuch der Preisseite, +5 für das Öffnen einer E-Mail, −20 für eine Studierenden-Adresse. Die Regeln laufen auseinander, niemand prüft sie gegen die tatsächlichen Ergebnisse, und der Vertrieb verliert das Vertrauen in sie. Vertriebsmitarbeitende wählen Leads dann nach Bauchgefühl oder einfach in der Reihenfolge des Eingangs.
• KI-Nutzen:
• Scores werden an realen Ergebnissen trainiert und kalibrieren sich selbst neu.
• Eignung (Fit) und Kaufinteresse (Intent) werden getrennt gemessen.
• Begründungscodes machen den Score leicht handhabbar.
• Gute Leads werden schneller weitergeleitet, Leads mit geringer Eignung früh aussortiert, und der Vertrieb verbringt weniger Zeit mit aussichtslosen Leads.
• Niedrige Einstiegshürde: Dynamics 365 Sales braucht nur 40 qualifizierte und 40 disqualifizierte Leads, abgeschlossen in einem Trainingszeitraum von 3 Monaten bis 2 Jahren, um ein Vorhersagemodell zu trainieren. Es kann automatisch alle 15 Tage neu trainiert werden [1]. Die KI-gestützten Fit-/Engagement-Scores von HubSpot setzen Marketing Hub Enterprise und mindestens 50 Kontakte voraus, davon 25 konvertierte und 25 nicht konvertierte [2]. Die prädiktive Wahrscheinlichkeit im Odoo CRM ist immer aktiv und wird mit Naive Bayes aus der Historie gewonnener/verlorener Leads berechnet [3].
• Gemessene Ergebnisse: Veröffentlichte Zahlen stammen fast ausnahmslos von den Anbietern selbst. So berichtet 6sense in seinen Kundendaten von 2025 für seine „6QA"-Accounts eine um 13 % höhere Abschlussquote und einen um 18 % höheren durchschnittlichen Opportunity-Wert als für andere Accounts. Das ist eine Korrelation ohne Kontrollgruppe, kein ursächlicher Effekt [4]. Messen Sie den eigenen Lift mit einer Holdout-Gruppe (siehe Kennzahlen).

Varianten

• B2B-KMU (Mittelstand): Regelbasiertes Fit-Scoring plus Engagement-Scoring im CRM oder in der Marketing-Automatisierung. Das prädiktive Scoring wird eingeschaltet, sobald genügend Ergebnisse abgeschlossen sind. Die Identifikation von Website-Besuchern auf Unternehmensebene ist üblich (z. B. Dealfront, siehe Weg A).
• B2B-Großunternehmen / Account-Based Marketing: Scoring auf Account-Ebene und Kaufphasen mit Intent-Daten aus eigenen und fremden Quellen (6sense, Demandbase, Bombora Company Surge). Die Scores speisen die Sicht auf Buying Groups und Werbezielgruppen [4][5]. Die Extraktion von Auslöseereignissen aus Nachrichten, Stellenanzeigen und Finanzierungsrunden behandelt LANG-017. Das Handeln auf Basis des Scores mit Ansprache ist AGENT-007.
• Product-led Growth (SaaS): Product-Qualified Leads (PQL) werden neben den Firmendaten auch nach der Nutzung im Produkt bewertet (Nutzerplätze, Aktivierung von Funktionen, erreichte Nutzungsgrenzen).
• B2C mit hohem Auftragswert: Immobilien, Autohäuser, Installateure für Solar und Wärmepumpen, Bildungsanbieter und Privatkliniken bewerten Anfragen aus Web-Formularen und Portalen. Das sind personenbezogene Daten von Verbrauchern, siehe daher den Abschnitt zur Regulierung.
• Finanzdienstleistungen: Scoring der Abschlusswahrscheinlichkeit bei Krediten und Versicherungen. Es muss getrennt bleiben von Bonitäts- oder Risikobewertung (PRED-009, PRED-010), die nach der KI-Verordnung (AI Act) als Hochrisiko gilt.
• Gemeinnützige Organisationen: Das Scoring der Spendenbereitschaft folgt demselben Muster. Eine private Nutzung ist nicht relevant.

So funktioniert es

1. CRM + Marketing-Automatisierung + Web-/Produktereignisse (+ Intent-Daten, Anreicherung)
2. Identitätsauflösung (Lead ↔ Kontakt ↔ Account, Dublettenbereinigung)
3. Merkmalsbildung: Fit (Firmendaten, Rolle), Engagement (Aktualität/Häufigkeit, Abklingen), Textsignale
4. Definition des Labels (Lead
5. qualifiziert / Opportunity / gewonnen innerhalb von N Tagen)
6. Modell: Gradient Boosting oder tabellarisches Foundation-Modell, zeitbasierte Aufteilung, Kalibrierung der Wahrscheinlichkeit
7. Erklärung: wichtigste Faktoren je Lead (SHAP / Begründungscodes)
8. Score-Bänder + Routing-Regeln
9. CRM-Felder, Warteschlange der Vertriebsmitarbeitenden, SLA, Nurturing-Strecke
10. Rückkopplung: Ergebnisse fließen zurück
11. Überwachung (AUC, Lift, Drift)
12. geplantes Nachtrainieren

• Kernmodell: Ein binärer Klassifikator auf tabellarischen Daten. Üblich sind LightGBM, XGBoost, CatBoost oder bei kleinen Datensätzen logistische Regression. Tabellarische Foundation-Modelle wie TabPFN erreichen auf kleinen und mittleren Datensätzen ohne Feinabstimmung eine hohe Genauigkeit [6].
• Fit und Engagement als getrennte Scores: Das A–C × 1–3-Raster von HubSpot zeigt das Muster. Der Buchstabe steht für den Fit, die Zahl für das Engagement, und Engagement-Punkte klingen nach 1, 3, 6 oder 12 Monaten ab [2].
• Rolle des LLM (unterstützend, nicht zentral):
• Freitextfelder in Formularen und E-Mails klassifizieren (Budget genannt? Studierende(r)? Wettbewerber?).
• Unternehmensbeschreibungen dem idealen Kundenprofil (ICP) zuordnen, mit Embeddings für ähnliche Unternehmen.
• Fehlende Firmendaten von der Unternehmenswebsite ergänzen.
• Eine einzeilige Zusammenfassung „Warum dieser Lead" für den Vertrieb schreiben.
• Das LLM sollte die Wahrscheinlichkeit nicht selbst erzeugen. Kalibrierte tabellarische Modelle sind genauer und leichter prüfbar.
• Mensch-in-der-Schleife (Human-in-the-Loop):
• Vertriebsmitarbeitende können Noten überschreiben und Gründe für eine Disqualifikation angeben. Diese werden zu Trainingslabels.
• Marketing und Vertrieb legen gemeinsam Schwellenwert und SLA fest (wann aus einem MQL ein SQL wird).
• Die Ansprache bei hohen Scores wird von einer Person geprüft oder folgt einem freigegebenen Leitfaden.

Datenaufbereitung

Das Modell lernt aus historischen Leads mit bekanntem Ergebnis (qualifiziert, gewonnen, verloren); die Kernquelle ist daher das CRM (HubSpot, Pipedrive, Salesforce, oft ergänzt um Excel-Listen, das Marketing-Automatisierungs-Tool, Web-Analyse und das Postfach). Typische Lücken im Mittelstand: Ergebnisse werden nicht gepflegt (Verlustgründe leer), doppelte Accounts und Kontakte, Freitextfelder für die Branche, von Hand ohne Quelle angelegte Leads und Gesprächsnotizen, die in persönlichen Postfächern oder Notizbüchern liegen. Einwilligungs- und Opt-in-Status sind oft über Formulare und Newsletter-Tools verstreut.

Schritte der Aufbereitung: (1) Accounts und Kontakte bereinigen und zusammenführen (eingebaute CRM-Werkzeuge, OpenRefine), (2) Pflichtfelder für Quelle, Status und Verlustgrund durchsetzen und mindestens 12–24 Monate Historie nachtragen, (3) Branche (NACE) und Unternehmensgröße vereinheitlichen, (4) Web- und E-Mail-Engagement-Ereignisse den Kontakten zuordnen, (5) personenbezogene Daten von den tatsächlich benötigten Merkmalen trennen und Exporte pseudonymisieren, (6) ein jüngeres Zeitfenster als Testmenge zurückhalten. Nützliche PREP-Anwendungsfälle: PREP-005, PREP-011, PREP-020, PREP-022, PREP-025. Siehe auch DATA-003 zur Dublettenbereinigung.

Grober Aufwandsanteil: etwa 40–50 Prozent des Projekts. Viele Unternehmen im Mittelstand haben zu wenige abgeschlossene Deals (weniger als einige Hundert) für ein trainiertes Modell; dann ist ein gemeinsam mit dem Vertrieb aufgebauter regelbasierter Score der ehrliche Start. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU — Weg A: Ins CRM integriertes Scoring (HubSpot, Pipedrive, Zoho, Salesforce) mit Hosting in der EU ist ausgereift und günstig, und der Prozess ist Standard.
• Großunternehmen — Weg B: Scores sollten eigene CRM-, Produktnutzungs- und Intent-Daten verwenden und in eine eigene Routing-Logik einfließen, was ein generisches Produkt selten abdeckt.
• Entwickler — Weg C: Gradient-Boosting-Modelle (LightGBM, scikit-learn) laufen auf HW1 und geben volle Kontrolle über Merkmale und Begründungscodes.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

• Im CRM eingebaut:
• Prädiktives Lead- und Opportunity-Scoring von Microsoft Dynamics 365 Sales, mit bis zu 10 Modellen je Organisation und einer AUC-Schranke vor der Veröffentlichung [1].
• HubSpot Lead-Scoring: regelbasiert in Professional, KI-gestützt in Marketing Hub Enterprise [2].
• Salesforce Sales Cloud Einstein Lead Scoring, jetzt Teil der Agentforce-/Einstein-Pakete.
• Prädiktives Lead-Scoring im Odoo CRM (belgischer Anbieter, EU) [3], Zoho CRM (Zia), Pipedrive.
• Mautic-Punkte für regelbasiertes Scoring [7].
• Intent- und ABM-Plattformen: 6sense [4], Demandbase, Bombora (Genossenschaft für Intent-Daten) [5] und Dealfront (EU; Dealfront Group GmbH, entstanden aus Leadfeeder und Echobot, „built & hosted in EU") zur Identifikation von Besuchern auf Unternehmensebene und für Intent [8].
• Wählen Sie A, wenn:
• Das CRM für Ihre Lizenzstufe bereits prädiktives Scoring anbietet.
• Die Leads überwiegend eingehend sind.
• Pro Jahr weniger als einige Tausend Ergebnisse abgeschlossen werden.
• Prüfen Sie, wo die Daten gehostet werden, ob Sie eigene Felder nutzen können, ob Begründungscodes angezeigt werden und ob Sie den Score für Auswertungen exportieren können.

Weg B — Auf Cloud-KI-Diensten aufbauen

• AutoML / tabellarisches ML in EU-Regionen:
• Azure Machine Learning AutoML (Klassifikation).
• Google BigQuery ML oder Vertex AI Tabular (EU-Multi-Region).
• Amazon SageMaker Canvas/Autopilot (Frankfurt).
• Databricks oder Snowflake ML, wenn das Data Warehouse die CRM-Daten bereits enthält.
• LLM-Anreicherung und Textmerkmale: Eine in der EU gehostete Modell-API (Mistral La Plateforme, Azure OpenAI EU Data Zone, Claude oder Gemini über EU-Regionen auf Bedrock/Vertex) mit strukturierten Ausgaben. Sie klassifiziert Formulartexte, ordnet Unternehmen dem ICP zu und schreibt Begründungszusammenfassungen.
• Integration:
• Reverse-ETL oder eine CRM-API schreibt den Score in ein eigenes Feld zurück.
• n8n, Make oder Power Automate übernimmt das Routing.
• Halten Sie die Trainings-Pipeline im Data Warehouse (dbt), damit Absatzprognose (PRED-002) und Abwanderung (PRED-003) dieselben Merkmalstabellen wiederverwenden können.
• Wählen Sie B, wenn:
• Sie mehrere Datenquellen haben, etwa Produktnutzung, ERP-Auftragshistorie oder Offline-Ereignisse.
• Das CRM-Modell eine Black Box ist, die Sie nicht anpassen können.
• Sie eine Scoring-Schicht über mehrere CRM-Systeme hinweg wollen.

Weg C — Selbst betreiben (Open Source)

• Modelle:
• LightGBM, XGBoost oder CatBoost mit scikit-learn-Pipelines.
• Optuna zur Feinabstimmung und SHAP für Begründungscodes.
• TabPFN für kleine Datensätze. Der Code steht unter Apache 2.0, aber neuere Gewichte (2.5–3.5) sind nur für nichtkommerzielle Nutzung lizenziert; klären Sie daher die kommerziellen Bedingungen mit Prior Labs. Nur die TabPFN-2-Gewichte tragen eine auf Apache basierende Lizenz [6].
• MLOps: MLflow (Registry), Evidently (Drift-Berichte), Feast (optionaler Feature Store) sowie Airflow oder Dagster für die Ablaufplanung.
• CRM-/MA-Stack: Odoo Community CRM [3], Mautic Marketing-Automatisierung [7], SuiteCRM oder Twenty. Website-Analyse ohne Cookies von Drittanbietern über Matomo.
• LLM-Anreicherung On-Premises: Ein kleines Open-Weight-Modell (z. B. Mistral Small, Qwen3 8B–32B) über vLLM oder Ollama zur Textklassifikation. Ein Satz-Embedding-Modell (z. B. multilingual-e5 oder bge-m3) für die Ähnlichkeit zum ICP.
• Hardware:
• HW1 genügt. Gradient Boosting trainiert auf einer CPU in Minuten, selbst mit Hunderttausenden Leads.
• TabPFN läuft bei kleinen Datensätzen nur auf der CPU. Für größere hilft eine GPU mit etwa 8–16 GB [6].
• HW2 brauchen Sie nur, wenn ein lokales LLM auch die Anreicherung übernimmt.
• Betriebsaufwand: Gering bis mäßig: ein wöchentlicher Nachtrainingsjob, Überwachung und Pflege des CRM-Extrakts.

Weg D — Eigenes Training

Das Training eines eigenen Modells ist Weg B und C. Lead-Scoring wird immer auf den eigenen Ergebnissen trainiert. „Eigenes Training" bedeutet hier, darüber hinauszugehen: - Feintuning eines kleinen LLM oder Encoders (BERT-Klasse), um Ihre Formular- und E-Mail-Texte in der Sprache Ihrer Branche zu klassifizieren. - Training von Sequenzmodellen auf Account-Ebene mit Ereignisströmen. - Uplift-Modelle, die vorhersagen, wer wegen des Vertriebskontakts reagiert, und nicht nur, wer ohnehin abschließt (siehe REC-003, causal-inference).

Das lohnt sich nur bei Tausenden Ergebnissen pro Jahr und mit einem Analytics-Team.

Stand der Technik (2026)

• Genauigkeit: Gradient-Boosted Trees bleiben das Arbeitspferd. Tabellarische Foundation-Modelle haben den Punkt erreicht, an dem sie ohne Feinabstimmung mithalten: TabPFN-3.5 verarbeitet bis zu 1 Mio. Zeilen und 20.000 Merkmale [6]. Beim Lead-Scoring zählen jedoch Labelqualität und Datenleckage mehr als die Wahl des Algorithmus.
• Eingebaute CRM-Modelle mit wenig Daten: Die nötige Mindestdatenmenge ist auf Dutzende Ergebnisse gesunken [1][2], was prädiktives Scoring für den Mittelstand realistisch macht.
• Signale:
• Der Trend geht zu Intent auf Account-Ebene und Engagement der Buying Group (6sense, Demandbase) und weg von Scores einzelner Kontakte [4].
• Intent-Daten stammen aus Genossenschaften von Publishern (Bombora nennt 5 Mio. Unternehmensdomains und über 25.300 Themen) [5].
• Einwilligungsregeln der Werbetechnik begrenzen, wie diese Daten in der EU genutzt werden dürfen.
• LLM-native Abläufe: LLMs extrahieren heute Merkmale aus unstrukturiertem Text, schreiben die Erklärung und übergeben den Lead an KI-SDR-Agenten (AGENT-007) oder Qualifizierungs-Chatbots (CONV-005). Diese schreiben dann neue Engagement-Ereignisse zurück, eine Rückkopplungsschleife, die man im Blick behalten sollte.
• Grenzen und Fehlerbilder:
• Label-Leckage: Felder, die erst nach der Qualifizierung gefüllt werden, blähen die Offline-AUC auf.
• Sich selbst erfüllende Prophezeiung: Nur hoch bewertete Leads werden angerufen, also konvertieren nur sie. Behalten Sie eine zufällige Holdout-Gruppe.
• Kaltstart: Neue Märkte oder Produkte haben keine Historie.
• Drift: Kampagnen, Preise und Änderungen am ICP verschieben die Daten.
• Bot-Verkehr: Bots blähen Engagement-Scores auf.
• Einwilligungslücken: Die Ablehnung von Cookies hinterlässt Lücken in den Verhaltensdaten.

Gemeinsame Bausteine & Kombinationen

• Gleicher Tabular-ML-Stack und Feature Store (CRM + Ereignisse):
• PRED-002 (Absatzprognose und Gewinnvorhersage, die nächste Stufe im Trichter).
• PRED-003 (Abwanderung) und PRED-004 (CLV): eine Merkmalsschicht im Data Warehouse, eine MLflow-Registry und ein Nachtrainings-Planer auf HW1 bedienen alle.
• REC-004 (Segmentierung) und REC-010 (B2B-Cross-/Upselling).
• Vorgelagerte Daten:
• AGENT-011 (CRM-Anreicherung und -Pflege). Lead-Scoring ist nur so gut wie die bereinigten, angereicherten Datensätze.
• LANG-017 (Auslöseereignisse und Marktbeobachtung) als Merkmale.
• web-scraping für Firmendaten.
• Nachgelagerte Aktionen:
• AGENT-007 (KI-SDR-Ansprache der Accounts mit den höchsten Scores).
• CONV-005 (Chatbot-Qualifizierung liefert Engagement-Ereignisse).
• REC-006 (Nurturing-E-Mails und Versandzeitpunkt bei niedrigen Scores).
• REC-003 (Next-Best-Action).
• Gemeinsames LLM: Die EU-API oder das selbst betriebene kleine LLM und Embedding-Modell anderer Anwendungsfälle kann die Textmerkmale übernehmen.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis wenige Wochen. Die Kosten liegen vor allem in den Lizenzstufen: KI-Scoring gibt es meist nur in den höchsten CRM-/MA-Editionen [1][2]. Intent-Plattformen sind Jahresverträge zu Unternehmenspreisen.
• Weg B: 1–3 Monate, einschließlich Datenpipeline und Rückschreiben ins CRM. Die Rechenkosten sind vernachlässigbar. Der Hauptkostenpunkt ist die Datenengineering-Arbeit.
• Weg C: 2–3 Monate plus etwa 0,1–0,2 VZÄ für den laufenden Betrieb (Schätzung, nicht belegt). Die Hardware ist ein vorhandener Server.
• Kennzahlen:
• Modell: AUC/PR-AUC, Lift im obersten Dezil, Kalibrierung.
• Trichter: MQL→SQL- und Lead→Opportunity-Konversion nach Score-Band, gegenüber einer zufälligen oder nicht bewerteten Holdout-Gruppe.
• Geschwindigkeit und Effizienz: Speed-to-Lead bei Leads der Note A, Zeitaufwand der Vertriebsmitarbeitenden je abgeschlossenem Deal.
• Datenqualität und Akzeptanz: Anteil der Leads, die mit vollständigen Daten bewertet wurden, Quote der Überschreibungen durch den Vertrieb.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsführung und der Vertriebsleitung (Prozessverantwortung), um sich auf das Ziel zu einigen: Vertriebsmitarbeitende priorisieren, nicht ersetzen. Binden Sie die Anwender (Vertriebsmitarbeitende) von Anfang an ein, denn ihre CRM-Disziplin entscheidet über die Datenqualität und ihr Vertrauen über die Akzeptanz. Die IT kümmert sich um die CRM-Integration und die Konten; der Dateneigner des CRM klärt die Felddefinitionen. Beziehen Sie die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten früh ein: Scoring ist Profiling natürlicher Personen (Einzelunternehmer, Ansprechpartner), prüfen Sie also Rechtsgrundlage, Transparenz in der Datenschutzerklärung, einen AVV mit dem Anbieter und ob eine DSFA nötig ist (GUIDE-005).

Betriebsrat: abhängig vom Einzelfall. Ein reines Lead-Modell überwacht keine Beschäftigten, aber CRM-Aktivitätsdaten und Dashboards zur „Leistung der Vertriebsmitarbeitenden" eignen sich zur Verhaltensüberwachung, sodass häufig §87 Abs. 1 Nr. 6 BetrVG greift; §90 Abs. 1 Nr. 3 verlangt eine frühzeitige Unterrichtung. Vereinbaren Sie ausdrücklich, dass Scores nicht zur Beurteilung der individuellen Leistung verwendet werden (GUIDE-004).

Fördern Sie die KI-Kompetenz (Art. 4 KI-Verordnung) mit einer kurzen Schulung dazu, was ein Score bedeutet und wo er versagt (GUIDE-006). Starten Sie mit einem freiwilligen Pilotteam, zeigen Sie die Begründungscodes und vergleichen Sie mit dem eigenen Bauchgefühl-Ranking. Typische Bedenken: „Die Maschine ignoriert meine Erfahrung" (Vertriebsmitarbeitende können überschreiben, und Überschreibungen werden als Feedback protokolliert) und Benachteiligung kleiner Kunden (Score-Bänder regelmäßig prüfen). Über jeden Kontakt entscheiden Menschen. Siehe GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Minimales Risiko im typischen B2B- und Marketing-Einsatz. Die Priorisierung von Leads ist kein Anwendungsfall nach Anhang III, aber die KI-Kompetenz (Art. 4) gilt. Die Transparenzpflicht nach Art. 50 gilt nur, wenn ein Chatbot oder KI-generierte Ansprache mit dem Lead spricht (CONV-005, AGENT-007).
• Grenze: Entscheidet ein „Lead-Score" darüber, ob eine natürliche Person Zugang zu Krediten oder zu Lebens-/Krankenversicherungen erhält, wird daraus eine Bonitäts- oder Risikobewertung. Diese ist nach Anhang III Nr. 5 Buchst. b/c Hochrisiko [9] und gehört zu PRED-009/PRED-010.
• Lead-Scoring im Personalwesen (Bewertung von Bewerbern) ist nach Anhang III Nr. 4 Hochrisiko und hier nicht abgedeckt.
• DSGVO:
• depends, weil reines Scoring von Unternehmen auf Account-Ebene (juristische Personen) keine personenbezogenen Daten betrifft. Das Scoring identifizierbarer Kontakte, der häufige Fall, ist Profiling. Die übliche Rechtsgrundlage ist das berechtigte Interesse (Art. 6 Abs. 1 Buchst. f) mit einer dokumentierten Interessenabwägung.
• Die betroffene Person kann dem Profiling für Direktwerbung jederzeit widersprechen, und die Verarbeitung muss dann enden (Art. 21 Abs. 2–3) [10]. Bauen Sie ein Sperrkennzeichen in die Pipeline ein.
• Art. 22 beschränkt Entscheidungen, die „ausschließlich auf einer automatisierten Verarbeitung" beruhen und rechtliche oder ähnlich erhebliche Wirkung haben [11]. Die B2B-Priorisierung bleibt in der Regel unter dieser Schwelle. Das automatische Ablehnen von Verbraucheranfragen unter Umständen nicht.
• Befolgen Sie die Leitlinien von WP29/EDSA zum Profiling [12]. Führen Sie bei Profiling von Verbrauchern in großem Umfang eine DSFA durch, nutzen Sie Datenminimierung und verwenden Sie keine besonderen Kategorien personenbezogener Daten.
• ePrivacy / Deutschland:
• Verhaltens-Tracking, das Daten auf dem Endgerät der Nutzer ausliest oder speichert, braucht nach §25 TDDDG eine Einwilligung [13]; Engagement-Scores haben daher Lücken bei Besuchern, die ihre Einwilligung verweigern.
• Ausgehende E-Mail- oder Telefonkontakte, die der Score auslöst, müssen §7 UWG einhalten (Opt-in für Werbe-E-Mails an Verbraucher und in der Praxis auch an die meisten B2B-Kontakte).
• Intent- und Besucheridentifikationsdaten von Drittanbietern: Prüfen Sie die Rechtsgrundlage des Anbieters, ob die Daten nur auf Unternehmensebene vorliegen und wo sie gehostet werden.
• Fairness und Verzerrung: Schließen Sie Stellvertretermerkmale für geschützte Eigenschaften (namensbasiertes Geschlecht, Staatsangehörigkeit) aus B2C-Modellen aus.
• Gegenmaßnahmen: Zufällige Holdout-Gruppe, Begründungscodes, menschliche Überschreibung, Umgang mit Widersprüchen und Sperrungen sowie ein Prüfprotokoll der Modellversionen.

Erste Schritte

1. Legen Sie gemeinsam mit dem Vertrieb das Ergebnis („innerhalb von 90 Tagen zur Opportunity konvertiert") und die Stufen von MQL bis SQL fest. Bereinigen Sie im CRM den Lead-Status und die Disqualifikationsgründe.
2. Prüfen Sie die Daten: mindestens 40 + 40 bzw. 25 + 25 abgeschlossene Ergebnisse für eingebaute Modelle [1][2]. Prüfen Sie Dublettenquote, Vollständigkeit der Felder und Einwilligungsstatus.
3. Schalten Sie das eingebaute prädiktive Scoring im vorhandenen CRM ein oder bauen Sie auf einem CRM-Export eine LightGBM-Baseline. Vergleichen Sie sie auf einer zeitbasierten Holdout-Menge mit Ihren bisherigen Punkteregeln.
4. Veröffentlichen Sie Scores mit Begründungscodes. Legen Sie Routing und SLAs je Note fest und lassen Sie 5–10 % der Leads unbewertet oder zufällig zuweisen, um den Lift zu messen.
5. Prüfen Sie Lift und Drift monatlich. Ergänzen Sie Merkmale zu Produktnutzung, Intent oder Anreicherung erst, wenn der Baseline vertraut wird.

Quellen

1. Microsoft Learn — Configure predictive lead scoring (Dynamics 365 Sales) — https://learn.microsoft.com/en-us/dynamics365/sales/configure-predictive-lead-scoring
2. HubSpot Knowledge Base — Understand the lead scoring tool — https://knowledge.hubspot.com/scoring/understand-the-lead-scoring-tool
3. Odoo documentation — Predictive lead scoring — https://www.odoo.com/documentation/18.0/applications/sales/crm/track_leads/lead_scoring.html
4. 6sense — Predictive analytics (vendor-reported 6QA comparison) — https://6sense.com/platform/predictive-analytics/
5. Bombora — Company Surge intent data and Data Co-op — https://www.bombora.com/
6. Prior Labs — TabPFN repository (versions, limits, licences) — https://github.com/PriorLabs/TabPFN
7. Mautic documentation — Points — https://docs.mautic.org/en/5.x/points/points.html
8. Dealfront (Leadfeeder/Echobot) — https://www.leadfeeder.com/dealfront/
9. European Commission AI Act Service Desk — Annex III — https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-3
10. GDPR Art. 21 — Right to object — https://gdpr-info.eu/art-21-gdpr/
11. GDPR Art. 22 — Automated individual decision-making, including profiling — https://gdpr-info.eu/art-22-gdpr/
12. EDPB — Guidelines on automated decision-making and profiling (WP251, endorsed 2018) — https://www.edpb.europa.eu/our-work-tools/our-documents/guidelines/automated-decision-making-and-profiling_en
13. §25 TDDDG (German Telecommunications Digital Services Data Protection Act) — https://www.gesetze-im-internet.de/ttdsg/__25.html
14. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj