Warum scheitern Lead-Score-Modelle im DACH-Mittelstand nach 90 Tagen?
Lead Scoring ist kein Setup, das du einmal baust. Es ist ein Loop, den du woechentlich faehrst. Wer das nicht so betreibt, hat nach drei Monaten ein Modell, das auf alte Personas, vergangene Pillar-Themen und tote Branchen optimiert.
Forrester Pipeline Velocity Research zeigt: B2B-Buying-Cycles im Mittelstand verschieben sich pro Quartal um durchschnittlich 11 bis 14 Prozent in Touchpoint-Zusammensetzung. Wer den Score nicht nachzieht, scort gegen die Vergangenheit.
Die Bridge Group SDR Metrics 2024 dokumentiert das Symptom auf der anderen Seite: 54 Prozent der SDRs verfehlen ihre Quota. Der haeufigste Grund laut Report sind veraltete Lead-Scoring-Modelle, die Hot-Leads markieren, die in Wahrheit kalt sind.
Im DACH-Mittelstand kostet das doppelt. Du hast weniger Volumen als US-SaaS, also faellt jeder False Positive staerker ins Gewicht. Ein einziger blind verschickter Warm-DM-Burst auf 30 schlecht gescortete Profile kann deine Account-Reply-Rate fuer zwei Wochen ruinieren — und im schlimmsten Fall den LinkedIn-Account direkt mit.
Welche Signal-Kombinationen korrelieren mit Closed-Won?
Einzelsignale sind unzuverlaessig. Cluster sind die Einheit, die du scoren musst.
Aus 90 Tagen Pipeline-Daten von 14 GrowSocials-Kunden (anonymisiert, 2025) stechen drei Cluster heraus, die mit Closed-Won korrelieren:
Cluster A — Decider-Stillarbeiter: Profilbesuch + DM-Antwort + zweite Profilansicht binnen 21 Tagen, ohne oeffentlichen Kommentar. Schliessrate: 18 Prozent. Typisch fuer DACH-Geschaeftsfuehrer, die nicht oeffentlich reagieren wollen.
Cluster B — Pain-Sprache-Cluster: Kommentar mit expliziter Pain-Formulierung ("Wir haben genau das Problem") plus Stellenanzeige fuer eine relevante Rolle innerhalb von 14 Tagen. Schliessrate: 24 Prozent.
Cluster C — Wettbewerber-Wechsler: Like auf Wettbewerber-Post + Engagement auf deinem differenzierenden Pillar-Post + Connection Request mit Notiz. Schliessrate: 31 Prozent.
Was nicht korreliert: einzelne Likes (Schliessrate 0,4 Prozent), Reaktionen auf Karussell-Posts ohne weiteren Kontext (0,8 Prozent), Profilbesuche aus Recruiting-Kontexten (negativ korreliert).
Forrester berichtet: 67 Prozent der B2B-Kaufentscheidungen sind getroffen, bevor der Vertrieb spricht. Wer Cluster nicht erkennt, kommt in den falschen 33 Prozent zu spaet.
Wie filterst du False Positives aus dem Score?
False Positives sind Punkte, die im Score wie Pipeline aussehen, aber niemals konvertieren. Drei Filter halten sie raus.
Filter 1 — Recruiter-Filter: Profilbesuche von Personen mit Titel "Recruiter", "Talent", "HR" oder "Personalberater" automatisch auf 0,1x multiplizieren. Diese Leute scoren oberflaechlich hoch (Profilbesuch + Connection Request), aber 99 Prozent davon sind Headhunter-Outreach.
Filter 2 — Studenten- und Praktikanten-Filter: Profile mit "Student", "Werkstudent", "Praktikant" oder "Trainee" im aktuellen Titel multiplizieren mit 0x. Brutal, aber notwendig im DACH-Markt, wo viele BWL-Studenten Founder-Content liken fuer ihre eigene Personal Brand.
Filter 3 — Wettbewerber- und Insider-Filter: Engagement von eigenen Mitarbeitern, Wettbewerbern und Lieferanten markieren und vom Score ausschliessen. Klingt selbstverstaendlich, ist es nicht. In der GrowSocials-Datenbasis sind im Schnitt 12 Prozent aller Engagement-Punkte auf eine dieser drei Gruppen entfallen.
Die Bitkom Studie Digital Sales B2B 2025 zeigt: 43 Prozent der DACH-B2B-Mittelstaendler qualifizieren Lead-Daten manuell. Das heisst, False Positives kosten doppelt — einmal Vertriebszeit, einmal Modellverzerrung.
Wie sieht der 4-Schritt-Kalibrierungs-Prozess konkret aus?
Vier Schritte, eine Disziplin pro Schritt. Keine Magie.
Schritt 1 — Win-Loss-Analyse pro Signal-Cluster (woechentlich, 30 Min): Exportiere alle Closed-Won- und Closed-Lost-Deals der letzten 90 Tage, gruppiert nach dominantem Signal-Cluster (A, B, C oder Mischform). Berechne Close-Rate pro Cluster. Identifiziere den Cluster mit der hoechsten Schliessrate als Anker fuer die Punktwert-Anpassung.
Schritt 2 — Punktwerte justieren (monatlich, 60 Min): Erhoehe Punktwerte fuer Signale, die im Anker-Cluster vorkommen, um maximal 20 Prozent. Senke Punktwerte fuer Signale mit Closed-Lost-Korrelation um maximal 20 Prozent. Dokumentiere jede Aenderung im Changelog mit Datum, altem Wert, neuem Wert und Hypothese.
Schritt 3 — ICP-Multiplikator nachschaerfen (quartalsweise, 90 Min): Nimm alle Closed-Won-Deals der letzten 12 Wochen, vergleiche ICP-Felder (Branche, Mitarbeiterzahl, Region, Rolle) mit deinem aktuellen Multiplikator-Modell. Passe den 0,5x-bis-2,0x-Korridor an die Realitaet an.
Schritt 4 — Backtest auf alten Pipeline-Daten (quartalsweise, 60 Min): Wende das neue Modell auf 180 Tage Pipeline-Historie an. Wuerde es die echten Closed-Won-Deals ueber die Schwelle bringen? Wenn nicht, ist das Modell zu eng. Wenn alle Closed-Lost-Deals ebenfalls ueber die Schwelle waeren, ist es zu locker.
DACH-Beispiel: SaaS fuer Steuerkanzleien aus Frankfurt
SaaS-Anbieter fuer DATEV-nahe Steuerkanzlei-Workflows, 12 Mitarbeiter, Frankfurt-Bockenheim, durchschnittlicher Deal Value EUR 18.000 ARR. Zielgruppe: Steuerkanzleien mit 8 bis 40 Mitarbeitern in DACH.
Vor der Kalibrierung (Q3 2025): 67 Leads im 30-Punkte-Bucket, davon 4 Closed-Won. Close-Rate 6 Prozent. Ein einzelner Pillar-Post zu Belegerfassungs-Automation hatte 380 Likes generiert — 12 davon waren als Hot-Leads markiert. Conversion daraus: 0.
Backtest deckte den Fehler auf: Die 12 Hot-Leads kamen ueberwiegend aus IT-Dienstleister-Profilen, nicht aus Kanzlei-Profilen. Der ICP-Multiplikator unterschied IT-Dienstleister nicht ausreichend von Kanzleien — beide Branchen liefen mit 1,5x.
Nach der Kalibrierung (Q4 2025): - IT-Dienstleister-Multiplikator: von 1,5x auf 0,5x - Kanzlei-Multiplikator: von 1,5x auf 2,0x - Kommentar mit Belegerfassungs-Pain: von 5 auf 7 Punkte - Like ohne weiteres Engagement: von 1 auf 0,5 Punkte
Ergebnis nach 8 Wochen: 41 Leads im 30-Punkte-Bucket (kleinerer Funnel), davon 9 Closed-Won. Close-Rate 22 Prozent. Pipeline-Volumen stieg von EUR 72.000 auf EUR 162.000. Der Funnel wurde enger, der Output groesser. Genau das soll Kalibrierung leisten.
Wann wird Kalibrierung selbst zum Anti-Pattern?
Mehr Kalibrierung ist nicht besser. Es gibt einen klaren Anti-Pattern: Over-Calibration.
Symptom: Du justierst woechentlich Punktwerte, ICP-Multiplikator und Schwellen gleichzeitig. Drei Wochen spaeter weisst du nicht mehr, welche Aenderung welchen Effekt hatte. Variance laesst sich nicht zuordnen, weil zu viele Variablen gleichzeitig veraendert wurden.
Faustregel: maximal 20 Prozent Aenderung pro Iteration, eine Variable pro Woche. Wer Punktwerte und Multiplikator und Schwelle gleichzeitig anfasst, verliert die Lernschleife.
Zweiter Anti-Pattern: Kalibrierung ohne Datenbasis. Unter 30 Closed-Won-Deals in 90 Tagen ist die Datenbasis zu duenn fuer statistische Anpassung. In dem Fall ist Bauchgefuehl plus halbjaehrliche Reviews ehrlicher als monatliche Pseudo-Praezision. Der LinkedIn State of Sales Report 2025 zeigt: 62 Prozent der B2B-Sales-Teams ueberschaetzen die Verlaesslichkeit ihrer eigenen Daten.
Dritter Anti-Pattern: Cherry-Picking. Wer nur Closed-Won-Deals analysiert und Closed-Lost ignoriert, optimiert auf Survivorship-Bias. Closed-Lost-Deals mit hohem Score sind die wertvollsten Kalibrierungs-Daten — sie zeigen, wo das Modell sich selbst betruegt.
Tooling-Empfehlung: Airtable oder Notion fuer das Changelog. Kein Hubspot-Custom-Field-Dschungel, der den Loop unsichtbar macht.