Warum Lead-Scoring-Modelle an der Datenqualität scheitern

Warum Lead-Scoring in der Praxis oft falsche Prioritäten setzt

Lead-Scoring-Modelle scheitern in den meisten Fällen nicht an der Gewichtung einzelner Kriterien, sondern an der Datenbasis, auf der sie rechnen. Fehlen Pflichtfelder, sind Zeitstempel veraltet oder werden Leads aus unterschiedlichen Quellen uneinheitlich erfasst, liefert auch ein mathematisch sauber aufgebautes Modell falsche Prioritäten. Vertrieb und Marketing diskutieren dann über Schwellenwerte und Punktzahlen, obwohl das eigentliche Problem schon vorher entsteht: in der Qualität der Daten, die in das Modell einfließen.

Für RevOps-Teams bedeutet das: Bevor an der Scoring-Logik selbst gearbeitet wird, lohnt sich ein Blick auf die Datengrundlage. Ein Modell kann nur so differenziert urteilen wie die Felder, auf denen es basiert. Wer zuerst die Gewichtung anpasst und die Datenqualität ignoriert, verschiebt das Problem lediglich auf die nächste Scoring-Version.

Welche Datenprobleme Lead-Scoring am häufigsten verfälschen

In der Praxis lassen sich die meisten Scoring-Probleme auf eine überschaubare Zahl von Ursachen zurückführen.

• Unvollständige Pflichtfelder: Firmengröße, Branche oder Jobtitel fehlen bei einem relevanten Teil der Datensätze. Das Modell vergibt dann Nullwerte oder Durchschnittswerte, wo eigentlich differenziert werden müsste.
• Veraltete Aktivitätsdaten: Ein Lead, der vor acht Monaten eine Preisseite besucht hat, wird oft genauso bewertet wie ein Lead, der das gestern getan hat, wenn kein Verfallsmechanismus für Aktivitätspunkte hinterlegt ist.
• Uneinheitliche Quellenerfassung: Leads aus Formular, Import und manueller Eingabe tragen häufig unterschiedliche Werte im selben Feld, etwa abweichende Schreibweisen bei Branche oder Unternehmensgröße. Das Modell kann diese Varianten nicht automatisch zusammenführen.
• Dubletten und fragmentierte Datensätze: Existiert eine Person mit zwei Kontakten im CRM, verteilen sich Aktivitäten auf beide Datensätze. Keiner der beiden erreicht allein die Schwelle, ab der ein Lead als sales-ready gilt.

Jedes dieser Probleme wirkt für sich betrachtet klein. In Kombination führen sie dazu, dass Scoring-Ergebnisse systematisch verzerrt sind, meist in Richtung einer Unterschätzung tatsächlich relevanter Leads.

Welche Datenvoraussetzungen ein belastbares Scoring-Modell braucht

Drei Anforderungen entscheiden darüber, ob ein Lead-Scoring-Modell in der Praxis trägt oder nur auf dem Papier funktioniert.

• Pflichtfelder, die technisch erzwungen werden: Felder, die für das Scoring relevant sind, dürfen nicht optional bleiben. Formulare, Importprozesse und manuelle Eingaben im CRM müssen dieselbe Validierung durchlaufen. Wer Pflichtfelder nicht nur im Formular, sondern auch bei jedem Schreibzugriff über die API erzwingen will, kommt an den neuen CRM-API-Validierungsregeln von HubSpot nicht vorbei, die ab September 2026 greifen.
• Aktualität statt Einmal-Erfassung: Aktivitätsdaten brauchen einen Verfallsmechanismus. Ein Besuch, der mehrere Monate zurückliegt, darf nicht denselben Punktwert tragen wie eine Aktivität aus der laufenden Woche.
• Quellenklarheit: Jeder Kontakt braucht eine nachvollziehbare, konsistent erfasste Quelle. Ohne diese Klarheit lässt sich später nicht prüfen, welche Kanäle tatsächlich zu sales-ready Leads führen, und das Scoring-Modell kann nicht lernen, welche Quellen verlässlich sind.

Wie RevOps-Teams die Datenbasis vor dem Scoring prüfen

Bevor ein Scoring-Modell aufgesetzt oder überarbeitet wird, lohnt sich ein systematischer Daten-Check in vier Schritten.

• Vollständigkeitsreport pro Pflichtfeld: Wie viel Prozent der aktiven Kontakte haben die scoring-relevanten Felder tatsächlich befüllt?
• Dubletten-Analyse: Wie viele Kontakte lassen sich eindeutig derselben Person oder demselben Unternehmen zuordnen, obwohl sie als separate Datensätze geführt werden? Das ist nach Fusionen oder Systemwechseln besonders relevant, weil zusammengeführte Datenbestände oft die größte Fehlerquelle sind, wie die Checkliste zur CRM-Konsolidierung nach M&A zeigt.
• Quellenabgleich über Systeme hinweg: Stammen Leaddaten aus mehreren Systemen, etwa Marketing-Automation, Produktnutzung und CRM, lohnt sich die Frage, ob eine zusätzliche Konsolidierungsschicht wie ein CDP sinnvoll ist, oder ob das CRM allein die nötige Datentiefe liefern kann. Die Abwägung dazu ist im Artikel CDP vs. CRM: Wann B2B-Unternehmen wirklich beides brauchen beschrieben.
• Aktualitätsprüfung: Wie alt sind die Aktivitätsdaten, die aktuell in die Punktzahl einfließen, und existiert bereits ein Verfallsmechanismus?

Erst wenn diese vier Punkte belastbar beantwortet sind, lohnt sich die Diskussion über Gewichtungen, Schwellenwerte oder KI-gestützte Scoring-Varianten.

Erst die Daten, dann der Algorithmus

Viele Unternehmen investieren zuerst in ein neues Scoring-Modell und erst danach in die Datenqualität, wenn die Ergebnisse nicht überzeugen. Der wirtschaftlichere Weg ist der umgekehrte: Datenvoraussetzungen klären, Pflichtfelder technisch absichern, Aktualität und Quellenklarheit herstellen, und erst dann an der Gewichtung feilen. In der Praxis zeigt sich häufig, dass ein bestehendes, eher simples Scoring-Modell nach einer sauberen Datenbasis bessere Priorisierungen liefert als ein komplexes Modell auf lückenhaften Daten.

Häufig gestellte Fragen

Wie oft sollte man die Datengrundlage für Lead-Scoring überprüfen?

Ein vollständiger Daten-Check lohnt sich mindestens einmal jährlich sowie bei jeder größeren Änderung an Formularen, Importprozessen oder der Systemlandschaft. Vollständigkeits- und Dublettenquoten lassen sich darüber hinaus über laufende Reports im CRM kontinuierlich beobachten.

Welche Felder sind für Lead-Scoring wirklich Pflicht?

Das hängt vom Geschäftsmodell ab, typischerweise zählen aber Firmengröße, Branche, Jobtitel und die Lead-Quelle zu den Feldern, ohne die eine differenzierte Bewertung kaum möglich ist. Entscheidend ist weniger die Anzahl der Pflichtfelder als deren konsequente, technisch erzwungene Befüllung.

Löst ein CDP automatisch die Datenqualitätsprobleme beim Scoring?

Nein. Ein CDP kann Daten aus mehreren Systemen zusammenführen, ersetzt aber keine sauberen Erfassungsprozesse. Fließen bereits fehlerhafte oder unvollständige Daten aus den Quellsystemen ein, führt die Zusammenführung nur zu einer größeren, aber weiterhin fehlerhaften Datenbasis.

Woran erkennt man, dass ein Scoring-Modell an Datenqualität statt an der Gewichtung krankt?

Ein typisches Anzeichen ist, dass Vertrieb und Marketing die Scoring-Ergebnisse unabhängig von den eingestellten Gewichtungen als unzuverlässig empfinden. Ein genauerer Blick auf Vollständigkeits-, Dubletten- und Aktualitätsquoten der zugrunde liegenden Felder bringt in solchen Fällen meist schneller Klarheit als eine erneute Anpassung der Scoring-Formel.