Der Mensch handelt oft völlig irrational. In seinem Inneren tobt ein ständiger Kampf zwischen Abwägung und Versuchung. Wie kann es da gelingen, Kundenanfragen zu bewerten? Ein gängiges Verfahren nennt sich Lead Scoring!
Was ist Lead Scoring?
Lead Scoring hilft dir dabei, die Spreu vom Weizen zu trennen und die Reife und Relevanz eines Leads zu bewerten. Dazu werden Erfahrungswerte wie z. B. das Informations- und Kaufverhalten bestehender Kunden herangezogen. Auf Lead Scoring (alternative Schreibweise: Leadscoring) folgt häufig die Lead-Qualifizierung.
Zum Einsatz kommt das Bewerten von Leads vor allem im B2B-Umfeld. Hier variiert die Qualität der Leads häufig sehr stark.
Explizites Scoring vs. implizites Scoring
Beim expliziten Scoring bedienst du dich der Informationen, welche Du von Webseiten-Besuchern direkt erhältst, wie z. B. die Position, Branche und Unternehmensgröße.
Hingegen greifst Du beim impliziten Scoring auf Daten zu, welche durch das Nutzerverhalten anfallen. Dazu gehören zum Beispiel
- die Klicks auf bestimmte Seiten
- die Verweildauer auf bestimmten Seiten
- die Anzahl Downloads
- die Quelle bzw. der Kanal des Leads
- der genutzte Client (Desktop/Mobile)
Was ist ein Lead-Scoring-Modell?
Ein Lead-Scoring-Modell ist ein vordefinierter Algorithmus, auf dessen Basis sich ein Lead Score berechnet. Ein simples Lead-Scoring-Modell kann so aussehen:
Wie funktioniert Lead Scoring?
Schritt 1: Bewertungskriterien bestimmen
Lege Dir zunächst die Bewertungskriterien für die Leads fest und vergebe Punkte für explizites und implizites Scoring.
Exkurs: Prädiktoren
Beim treaditionellen Lead Scoring muss der Mensch im Vorwege bestimmen, welche Faktoren überhaupt in einem kausalen Zusammenhang mit der Kaufwahrscheinlichkeit stehen und sich für Vorhersagen eignen. Diese Faktoren werden auch Prädiktoren genannt.
Beispiel: Die vorhergesagte Tageshöchstemperatur ist ein guter Prädiktor zur Kalkulation des Speiseis-Umsatzes.
Schritt 2: Lead Score berechnen
Berechnet anschließend den Lead Score für Eure Leads.
Besucher A: 20 Punkte + 30 Punkte + 50 Punkte = 100 Punkte
Besucher B: 0 Punkte + 30 Punkte + 0 Punkte = 30 Punkte
Schritt 3: Leads gemäß Score weiterleiten
Sofern der ermittelte Lead-Score einen festgelegten Schwellenwert überschritten hat, wird er zu einem Marketing Qualified Lead (MQL) und kann dem Vertrieb zur weiteren Verarbeitung gereicht werden.
Achtung: Da so ein festes Regelwerk von heuristischen Annahmen ausgeht, ist es ziemlich anfällig für Fehler und Ungenauigkeiten.
Exkurs: Heuristik
Heuristik bezeichnet die Kunst, mit begrenztem Wissen und wenig Zeit zu wahrscheinlichen Aussagen oder praktikablen Lösungen kommen. Eine große spielen dabei Erfahrungen. Eine heuristische Annahme könnte sein, dass Wohnungseigentümer sich naturgemäß für eine Gebäudeschutzversicherung interessieren.
Technische Umsetzung
Implementiert werden Lead-Scoring-Modelle normalerweise in CRM-Systemen und Marketing Clouds. Hier lassen sich fast immer Events definieren, welche der User potenziell auslösen kann. Zum Beispiel der Download eines Whitepapers. Jedem dieser Events werden dann manuell Punkte für das Scoring vergeben.
Plattformen wie Salesforce ermöglichen auch Predictive Lead Scoring auf Basis von KI. Entweder über externe API Service wie BigML oder mithilfe von Salesforce Einstein.
Was sind die Grenzen des Lead Scorings?
Obwohl Lead Scoring viele Vorteile bietet, gibt es auch einige Nachteile:
- Komplexität: Lead Scoring kann komplex sein und erfordert eine umfassende Kenntnis der Zielgruppe, ihrer Interessen und ihres Verhaltens.
- Subjektivität: Lead Scoring kann auf subjektiven Annahmen basieren, die auf individuellen Meinungen und Erfahrungen beruhen. Dadurch können Ungenauigkeiten und Fehler bei der Bewertung von Leads entstehen.
- Begrenzte Daten: Wenn nicht genügend Daten über einen potenziellen Kunden verfügbar sind, kann es schwierig sein, eine genaue Bewertung durchzuführen.
- Technische Herausforderungen: Die Implementierung von Lead Scoring erfordert oft die Verwendung spezialisierter Tools und Technologien, die möglicherweise nicht immer verfügbar oder kosteneffektiv sind.
- Zeit- und Arbeitsaufwand: Die Erstellung und Pflege eines Lead-Scoring-Modells erfordert Zeit und Ressourcen, um effektiv zu sein. Ohne kontinuierliche Überwachung und Anpassung kann die Genauigkeit des Modells im Laufe der Zeit abnehmen.
Fazit
Konventionelles Lead Scoring (auf Basis heurtistischer Annahmen) ist fehleranfällig. Häufig werden auch unbrauchbare Prädiktoren herangezogen. Mehr Erfolg verspricht Lead Scoring auf Basis von Stochastik oder selbstlernenden Systemen ("Machine Learning"). Dazu werden große Datenmengen nach Mustern durchsucht.
Ergänzende Artikel
Moin aus Hamburg!
Mein Name ist Frank und ich bin bereits seit 1996 in der Digitalbranche unterwegs. Du benötigst Hilfe bei der Auswahl und Einführung von Tools oder einer Marketing Cloud? Gern bin ich dein unabhängiger MarTech-Berater!