Lead Scoring in der Praxis: Ab wann ist ein Lead ein MQL - und wann ein SQL
Lead Scoring ist im B2B kein Marketing-Spielzeug, sondern der Vertrag zwischen Marketing und Vertrieb darüber, welche Leads überhaupt zählen. Solange MQL und SQL nur Begriffe aus einem Tool-Onboarding sind, streitet ihr jeden Monat über dieselbe Frage: Warum ruft der Vertrieb die Hälfte der Übergaben nie an? In komplexen Verkäufen mit sechs bis zehn Personen im Buying Center und Sales-Cycles von vier bis achtzehn Monaten entscheidet die Definition, ob dein Pipeline-Reporting belastbar ist oder Fiktion. Dieser Leitfaden zeigt dir, wie du ein Scoring-Modell baust, das aus echten Abschlussdaten kalibriert ist, wie du Fit und Intent trennst und ab welchem Punkt du ein Modell besser abschaltest als weiterpflegst. Inklusive Richtwerten für Schwellen, Zerfallsraten und Kosten, wenn du das Thema auslagerst.
Warum Lead Scoring im B2B anders funktioniert als im E-Commerce
Im B2B kaufst du keine Person, sondern ein Gremium. Nach den gängigen Buying-Center-Modellen sind bei Investitionen ab etwa 50.000 Euro regelmäßig sechs bis zehn Personen beteiligt: Anwender, Fachverantwortliche, IT, Einkauf, Datenschutz, Geschäftsführung. Das hat eine unangenehme Konsequenz für dein Scoring: Der Mensch mit dem höchsten Engagement-Score ist fast nie der mit dem größten Einfluss. Der Werkstudent im Fachbereich lädt drei Whitepaper herunter und klickt jede Mail, der CFO taucht einmal auf der Preisseite auf und entscheidet. Wenn du nur personenbasiert scorst, priorisierst du systematisch die Falschen. Deshalb brauchst du zwei Ebenen: einen Account-Score für die Firma (Passung, Signaldichte über alle Kontakte, Branche, Reifegrad) und einen Kontakt-Score für die Rolle im Buying Center. Erst die Kombination ergibt eine sinnvolle Reihenfolge für den Vertrieb. Der zweite Unterschied ist die Zeitachse: Ein Warenkorb-Abbruch ist nach 48 Stunden kalt, ein Ausschreibungsprozess in der Industrie läuft neun Monate. Modelle, die auf E-Commerce-Logik gebaut sind, verbrennen dir genau diese Leads.
Fit und Intent trennen: die zwei Achsen, die niemand vermischen sollte
Der häufigste Fehler ist ein einziger Zahlenwert, in dem Firmengröße und Newsletter-Klicks zusammenaddiert werden. Ein Lead mit 80 Punkten kann dann entweder der perfekte Zielkunde ohne jedes Kaufsignal sein oder jemand, der aus Neugier alles anklickt. Trenne stattdessen sauber: Fit (explizite Daten) beantwortet, ob die Firma überhaupt zu deinem Wunschkundenprofil passt - Mitarbeiterzahl, Umsatz, Branche, Tech-Stack, Standort, Rolle des Kontakts. Intent (implizite Daten) beantwortet, ob gerade etwas passiert - Preisseite, Case Study zur eigenen Branche, Demo-Anfrage, zweiter Kontakt aus derselben Domain innerhalb von 14 Tagen, Rückkehr nach längerer Pause. Denk in einer Vier-Felder-Matrix: hoher Fit plus hoher Intent geht sofort an den Vertrieb, hoher Fit plus niedriger Intent geht ins Nurturing mit account-bezogenen Inhalten, niedriger Fit plus hoher Intent bekommt Self-Service statt teurer Vertriebszeit, der Rest bleibt liegen. Diese Trennung macht auch interne Diskussionen konkret: Ihr streitet dann nicht mehr über den Score, sondern über die Frage, ob Fit oder Intent zu großzügig bewertet wird. Bewährt hat sich, Fit als Buchstaben (A bis D) und Intent als Zahl (1 bis 4) zu führen - ein A2 liest sich anders als ein C4, und genau das ist der Punkt.
MQL-Definition: die Schwelle, die ihr gemeinsam unterschreibt
Ein MQL ist kein Lead, der genug Punkte hat, sondern einer, den der Vertrieb tatsächlich anrufen will. Formuliere die Definition deshalb als Satz, nicht als Zahl: "Ein MQL ist ein Kontakt aus einem Unternehmen mit mehr als 100 Mitarbeitenden in der DACH-Region, in einer Fach- oder Führungsrolle, der innerhalb von 30 Tagen mindestens zwei kaufnahe Interaktionen gezeigt hat." Die Punkte sind nur die technische Übersetzung davon. Setze die Schwelle nicht nach Gefühl, sondern nach Kapazität: Wenn eine Vertriebsperson pro Monat 25 neue Leads sauber bearbeiten kann und ihr zu fünft seid, darf das Modell rund 125 MQL liefern - alles darüber senkt die Bearbeitungsqualität, nicht die Pipeline. Definiere zusätzlich harte Ausschlüsse, die jeden Score überschreiben: Wettbewerber-Domains, Bewerbungen, Freemail-Adressen bei Enterprise-Angeboten, Bestandskunden im laufenden Projekt, Studierende und Dienstleister, die für Dritte recherchieren. Ein sauberer MQL-Prozess hat außerdem ein Verfallsdatum: Wird ein MQL nicht innerhalb von 48 Stunden kontaktiert, fällt er automatisch zurück ins Nurturing statt still zu verrotten. Und er kennt eine Ablehnungspflicht - der Vertrieb muss jeden zurückgewiesenen MQL mit einem von fünf Gründen versehen. Ohne diese Rückmeldung lernt dein Modell nie.
SQL-Definition: erst wenn der Vertrieb den Bedarf bestätigt hat
Der Übergang von MQL zu SQL ist der Punkt, an dem ein Mensch mit dem Lead gesprochen und Bedarf, Zuständigkeit und Zeitrahmen bestätigt hat. Alles davor ist Vermutung. Nutze dafür ein leichtgewichtiges Raster: BANT ist im modernen B2B oft zu starr, weil Budget in frühen Phasen schlicht noch nicht existiert. Praktikabler ist ein Dreiklang aus Problem (es gibt einen benannten, möglichst bezifferten Schmerz), Prozess (die Firma weiß, wie sie so etwas beschafft) und Person (du sprichst mit jemandem, der mindestens Zugang zum Entscheider hat). Unterscheide zusätzlich SAL und SQL: Ein Sales Accepted Lead ist angenommen, aber noch nicht qualifiziert, ein Sales Qualified Lead steht im Forecast. Diese Zwischenstufe beendet die klassische Schuldzuweisung, weil sichtbar wird, ob Leads an der Annahme oder an der Qualifizierung scheitern. Als grobe Orientierung in erklärungsbedürftigen Angeboten: Aus 100 MQL werden je nach Reife 30 bis 60 SAL, daraus 10 bis 25 SQL und daraus 2 bis 6 Abschlüsse. Liegt deine MQL-zu-SQL-Rate dauerhaft unter 10 Prozent, ist selten der Vertrieb das Problem, sondern die zu niedrige MQL-Schwelle.
Punkte vergeben, ohne dich zu verzetteln: konkrete Startwerte
Fang klein an: Zwölf bis fünfzehn Kriterien reichen, alles darüber wird unwartbar. Für den Fit-Teil funktionieren diese Werte als Startpunkt: Zielbranche plus 20, Mitarbeiterzahl im Zielkorridor plus 20, Entscheider- oder Fachverantwortungsrolle plus 15, Standort in DACH plus 10, Freemail-Adresse minus 25, Firmengröße unter der Untergrenze minus 30. Bei Intent zählt Nähe zur Kaufentscheidung, nicht Menge: Demo- oder Angebotsanfrage plus 40, Preisseite plus 25, Case Study der eigenen Branche plus 15, Webinar bis zum Ende verfolgt plus 15, Whitepaper-Download plus 5, Karriereseite minus 15. Zwei oder mehr Kontakte aus derselben Domain innerhalb von 14 Tagen sind eines der stärksten realen Kaufsignale im B2B - dafür lohnt ein Bonus von 20 bis 30 Punkten auf den Account-Score. Entscheidend ist der Zerfall: Intent-Punkte sollten mit einer Halbwertszeit von etwa 30 bis 45 Tagen verfallen, Fit-Punkte nie. Ohne diesen Decay sammelt jeder treue Newsletter-Leser nach zwei Jahren automatisch MQL-Status an. Und negative Punkte sind kein Detail, sondern der Hebel für Trennschärfe - die meisten Modelle scheitern daran, dass sie nur addieren können.
Kalibrieren statt raten: das Modell aus echten Abschlüssen ableiten
Ein Scoring-Modell, das im Workshop erfunden wurde, ist eine Hypothese. Kalibriere es rückwärts: Nimm die letzten 30 bis 50 gewonnenen Deals plus mindestens ebenso viele verlorene und früh abgesprungene Leads und prüfe, welche Merkmale in der Gewinnergruppe deutlich häufiger auftreten. Oft überlebt nur die Hälfte deiner Wunschkriterien diesen Test - und es tauchen unerwartete auf, etwa dass Leads mit vorheriger Webinar-Teilnahme doppelt so häufig abschließen wie solche mit fünf Downloads. Für eine belastbare Auswertung brauchst du Masse: Unter etwa 100 abgeschlossenen Deals pro Jahr ist statistische Signifikanz Illusion, dann arbeite bewusst mit Erfahrungswerten und überprüfe sie quartalsweise. Miss anschließend nicht den Score, sondern die Wirkung: MQL-zu-SQL-Rate, SQL-zu-Deal-Rate, Zeit bis zum Erstkontakt und Ablehnungsgründe je Quelle. Ein gutes Modell erkennst du daran, dass die Abschlussquote der besten 20 Prozent mindestens drei- bis viermal so hoch ist wie die der unteren Hälfte. Plane feste Reviews alle drei Monate ein, denn Modelle altern mit Angebot, Preis und Markt. Und dokumentiere jede Änderung mit Datum und Begründung, sonst weiß in zwölf Monaten niemand mehr, warum die Preisseite 25 Punkte wert ist.
Warnsignale, Kosten und wann sich Auslagern lohnt
Es gibt klare Anzeichen, dass dein Modell mehr schadet als nützt: Der Vertrieb führt eine eigene Excel-Liste neben dem CRM. Über 60 Prozent der MQL werden nie kontaktiert. Die Ablehnungsgründe lauten zu 90 Prozent "kein Interesse", was heißt, dass niemand sie ernsthaft ausfüllt. Oder das Modell hat 40 Regeln, aber keiner kann erklären, warum ein bestimmter Lead 72 Punkte hat. In allen vier Fällen ist Vereinfachen die richtige Reaktion, nicht Verfeinern. Für das Auslagern gelten in Deutschland 2026 grob folgende Richtwerte: Ein einmaliges Scoring- und Lifecycle-Konzept inklusive Datenanalyse und Workshops liegt meist bei 6.000 bis 18.000 Euro, die technische Umsetzung in HubSpot, Salesforce oder vergleichbaren Systemen je nach Datenlage bei 8.000 bis 30.000 Euro. Laufende Betreuung mit Reporting, Nurturing-Strecken und Modellpflege bewegt sich üblicherweise zwischen 2.500 und 8.000 Euro pro Monat, Tagessätze spezialisierter B2B-Beratungen bei 1.200 bis 2.000 Euro. Achte bei der Auswahl darauf, ob eine Agentur eigene Zahlen zu MQL-zu-SQL-Raten ihrer Kunden nennen kann und ob sie bereit ist, an SQL statt an Leadmengen gemessen zu werden - das ist der ehrlichste Prüfstein. Hier auf b2bagentur.de findest du Anbieter nach Fachrichtung sortiert; die Reihenfolge ergibt sich aus einem neutralen Score, Bezahlung beeinflusst die Rangfolge nie.
Passende Anbieter vergleichen
Geprüft, neutral nach echtem Score sortiert - direkt zu den relevanten Vergleichen:
Häufige Fragen
Es gibt keine allgemeingültige Zahl, weil jede Punkteskala anders geeicht ist. Leite die Schwelle aus der Kapazität deines Vertriebs ab: Zähle, wie viele Leads dein Team pro Monat wirklich sauber bearbeiten kann, und setze den Schwellenwert so, dass genau diese Menge herauskommt. Prüfe danach, ob die MQL-zu-SQL-Rate über 15 Prozent liegt. Liegt sie darunter, ist die Schwelle zu niedrig. Werden dagegen kaum Leads abgelehnt und der Vertrieb fragt aktiv nach mehr, kannst du sie senken.
Ein MQL ist eine datenbasierte Vermutung des Marketings, dass ein Kontakt kaufbereit sein könnte - ohne dass jemand mit ihm gesprochen hat. Ein SAL ist ein Lead, den der Vertrieb formal angenommen hat und bearbeiten wird. Ein SQL ist ein Lead, bei dem Bedarf, Zuständigkeit und Zeitrahmen im Gespräch bestätigt wurden. Die Zwischenstufe SAL lohnt sich, weil sie zeigt, ob Leads an der Annahme scheitern (dann stimmt die Definition nicht) oder an der Qualifizierung (dann stimmt die Datenqualität nicht).
Für die meisten Mittelständler reicht ein regelbasiertes Modell, und zwar aus einem simplen Grund: Predictive Scoring braucht Trainingsdaten. Unter etwa 300 bis 500 abgeschlossenen Deals pro Jahr findet ein Algorithmus keine belastbaren Muster, sondern Rauschen. Dazu kommt Erklärbarkeit: Bei Regeln sieht dein Vertrieb, warum ein Lead oben steht, und vertraut dem System eher. Sinnvoll wird KI erst, wenn du hohe Volumina hast und die Regelpflege zum Vollzeitjob wird.
Der größte Teil deiner Datenbank wird die Schwelle nie erreichen, und das ist normal. Trenne nach Fit: Kontakte mit hohem Fit und niedrigem Intent gehören in ein langfristiges Nurturing mit branchenspezifischen Inhalten, weil bei langen Sales-Cycles der Zeitpunkt entscheidet, nicht die Person. Kontakte mit niedrigem Fit bekommen Self-Service-Inhalte, Webinare oder gar nichts mehr. Räume mindestens jährlich auf: Kontakte ohne jede Interaktion über 24 Monate kosten nur Tool-Gebühren und verzerren deine Kennzahlen.
Schreibt eine kurze, unterschriebene Vereinbarung mit vier Punkten: die wörtliche MQL-Definition, die Reaktionszeit des Vertriebs (üblich sind 24 bis 48 Stunden), die Pflicht zur Angabe eines Ablehnungsgrunds aus einer festen Liste und ein monatliches Review, in dem zehn abgelehnte Leads gemeinsam durchgesprochen werden. Dieses Review ist der eigentliche Lernmechanismus - dort entstehen die Regeländerungen, nicht am Schreibtisch. Ohne Ablehnungsgründe hat dein Modell keine Rückkopplung und bleibt für immer eine Hypothese.
Rechne mit drei bis sechs Monaten bis zu belastbaren Aussagen, bei langen Beschaffungsprozessen in Industrie und Mittelstand eher mit zwölf. Der Grund ist schlichte Arithmetik: Solange dein durchschnittlicher Sales-Cycle länger ist als der Beobachtungszeitraum, misst du Zwischenstände. Setze deshalb Frühindikatoren, die schneller reagieren - Reaktionszeit auf MQL, Annahmequote durch den Vertrieb und Terminquote pro 100 Leads. Diese drei bewegen sich innerhalb weniger Wochen und zeigen dir, ob das Modell in die richtige Richtung läuft.
Vergleiche geprüfte Anbieter neutral und kostenlos - Anbieter gesucht? Der engere Kreis.
Anbieter vergleichenPassende Anbieter vergleichen
Du suchst den richtigen Anbieter? Vergleiche geprüfte Anbieter neutral nach Leistung und Stadt - kostenlos und unverbindlich.