Wie man Lead-Scoring aufbaut, das SDRs in HubSpot tatsächlich nutzen

Wie sollte Lead-Scoring für die SDR-Priorisierung in HubSpot strukturiert sein?

Lead-Scoring scheitert in den meisten HubSpot-Implementierungen nicht daran, dass das Scoring-Modell falsch ist, sondern daran, dass die Scores die Menschen, die darauf reagieren müssen, nie erreichen. SDRs arbeiten aus Aufgabenwarteschlangen. Wenn die Aufgaben-Ebene die Lead-Qualität nicht widerspiegelt, sitzen high-fit Leads neben low-fit Leads in derselben Ansicht, hochwertiges Inbound wird vergraben, und die Follow-up-Geschwindigkeit sinkt bei den Kontakten, die am meisten zählen. Dieser Artikel erklärt, wie ein Scoring-Modell aufgebaut wird, das sich direkt mit dem SDR-Workflow in HubSpot verbindet.

Welche Signale sollte ein B2B-Lead-Scoring-Modell verwenden?

Effektives Lead-Scoring im B2B-Kontext nutzt drei Signal-Typen. Das erste ist ICP-Fit: Unternehmensgröße, Branche und Zielmarkt. Das sind demografische Attribute, die bestimmen, ob ein Lead der richtige Unternehmenstyp ist — sie ändern sich nicht auf Basis von Verhalten und sollten die Grundlage des Scores bilden. Ein Lead von einem 200-Personen-SaaS-Unternehmen in einem Ziel-Vertical startet mit einer höheren Basis als ein Lead aus einem Segment außerhalb des ICP, unabhängig davon, welche Aktionen er ausgeführt hat.

Das zweite Signal ist Persona-Fit: Jobtitel, Senioritätsstufe und Kaufeinfluss. Im B2B-Vertrieb kann dasselbe Unternehmen Leads von Endnutzern, technischen Evaluatoren und wirtschaftlichen Entscheidungsträgern generieren. Diese haben sehr unterschiedliche Follow-up-Anforderungen und Abschlusswahrscheinlichkeiten. Ein leitender Entscheidungsträger mit Kaufbefugnis sollte anders gewichtet werden als ein Endnutzer, der das Produkt aus persönlichem Interesse erkundet.

Das dritte Signal ist Engagement: Formularabgaben, Seitenaufrufe, E-Mail-Klicks, Event-Registrierungen, Demo-Anfragen. Diese zeigen Absicht und Momentum an. Ein Lead, der drei Produktseiten gelesen, eine Case Study heruntergeladen und eine Demo angefragt hat, hat ein anderes Interesse demonstriert als jemand, der ein einzelnes Top-of-Funnel-Formular ausgefüllt hat. Engagement-Signale sollten kumulativ verfolgt und nach Nähe zur Kaufabsicht gewichtet werden — eine Demo-Anfrage trägt mehr Gewicht als ein Blog-Abonnement.

Wie sollten Lead-Scores mit der HubSpot-Aufgaben-Ebene verbunden werden?

Das aktualisierte Tasks-Objekt von HubSpot ermöglicht es, den Kontakt-Lead-Score direkt in die Aufgaben-Ebene zu synchronisieren. Das bedeutet, SDRs können ihre Aufgabenwarteschlange nach Lead-Score filtern und high-fit, high-intent Leads ohne manuelles Sortieren, externe Tabellen oder Slack-Nachrichten von Managern an die Spitze der Liste bringen.

Der praktische Nutzen ist erheblich. In einer typischen Inbound-Warteschlange ohne score-basierte Filterung sehen alle Aufgaben identisch aus: derselbe Inhaber, dieselbe Ansicht, dieselbe scheinbare Priorität. Ein perfekter ICP-Match mit starker Absicht sitzt neben einem low-fit Kontakt, der vor sechs Wochen ein einzelnes Asset heruntergeladen hat. Ohne Score-Sichtbarkeit auf Aufgabenebene arbeiten SDRs nach Aktualität oder Instinkt. Mit ihr arbeiten sie nach Signal.

Die Einrichtung ist unkompliziert: Scoring-Eigenschaften in HubSpot definieren, den zusammengesetzten Score auf eine Kontakteigenschaft mappen und Aufgabenansichten so konfigurieren, dass der Score als filterbarer Spalte erscheint. High-fit Leads rücken nach oben. Low-fit Leads bleiben in der Warteschlange, hören aber auf, Zeit von höher priorisierten Follow-ups zu stehlen.

Was ist die richtige Übergabelogik zwischen Nurture und vertriebsbereiten Leads?

Lead-Scoring sollte die Übergabe steuern, nicht nur die Priorisierung. Wenn ein Lead einen definierten Schwellenwert überschreitet — eine Kombination aus ausreichend ICP-Fit, Persona-Fit und Engagement — sollte die Übergabe vom Marketing-Nurturing zum SDR-Outreach automatisch ausgelöst werden. Dieser Schwellenwert ist die MQL-Definition: ein Lead, der ausreichend Fit und Absicht demonstriert hat, um direkten Vertriebskontakt zu rechtfertigen.

Der Schwellenwert muss in Zusammenarbeit mit dem Vertrieb definiert werden. Ist die MQL-Hürde zu niedrig, erhalten SDRs Rauschen — Leads, die noch nicht für ein Vertriebsgespräch bereit sind. Ist sie zu hoch, sitzen genuinely interessierte Leads zu lange im Nurturing und kühlen ab. Die richtige Kalibrierung ergibt sich aus der Überprüfung von Konversionsdaten: Welche Score-Kombinationen konvertieren historisch von MQL zu SQL, und welche nicht.

Sobald die Übergabelogik definiert ist, sollte sie automatisiert werden. Ein Lead, der den MQL-Schwellenwert überschreitet, erstellt eine Aufgabe, benachrichtigt den zugewiesenen SDR und löst die passende Sequenz aus. Manuelle Übergabeprozesse — Tabellen, Slack-Benachrichtigungen, E-Mail-Markierungen — führen Verzögerungen und Inkonsistenz genau an dem Punkt im Funnel ein, an dem Geschwindigkeit am meisten zählt.

Häufig gestellte Fragen: Lead-Scoring und SDR-Priorisierung in HubSpot

Wie viele Scoring-Kriterien sind zu viele?‍

Ein Scoring-Modell mit mehr als acht bis zehn Kriterien wird schwer zu kalibrieren und dem Vertriebsteam zu erklären. Mit den drei Signal-Typen beginnen — ICP-Fit, Persona-Fit, Engagement — und Granularität nur dort hinzufügen, wo Konversionsdaten zeigen, dass es die Genauigkeit verbessert. Komplexität in einem Scoring-Modell ist eine Wartungsverbindlichkeit — so einfach halten, wie die Daten es unterstützen.

Sollte negatives Scoring eingesetzt werden?‍

Ja, selektiv. Negatives Scoring ist nützlich, um klar disqualifizierte Leads herauszufiltern — falsche Branche, falsche Unternehmensgröße, Studenten- oder Wettbewerber-E-Mail-Domains, abgemeldete Kontakte. Es auf Signale anwenden, die zuverlässig auf schlechten Fit hinweisen, nicht auf jedes Niedrig-Engagement-Verhalten. Zu starkes negatives Scoring unterdrückt ansonsten viable Leads.

Wie oft sollte das Scoring-Modell rekalibriert werden?‍

Mindestens quartalsweise. MQL-zu-SQL-Konversionsraten nach Score-Band vergleichen und Schwellenwerte anpassen, wo das Modell über- oder unterqualifiziert. Ein Scoring-Modell, das nie aktualisiert wird, driftet von der Realität weg, während sich Produktpositionierung, ICP-Definition und Käuferverhalten weiterentwickeln.

Kann Lead-Scoring ohne Marketing-Automatisierung funktionieren?‍

Ein grundlegendes Scoring-Modell kann mit HubSpot-Workflows und Kontakteigenschaften ohne einen vollständigen Marketing-Automatisierungs-Stack aufgebaut werden. Die Genauigkeit verbessert sich jedoch erheblich mit verhaltensbasiertem Tracking über E-Mail, Content und Events. Das minimal viable Setup ist ICP- und Persona-Scoring auf demografischen Daten, mit Engagement-Scoring, das hinzugefügt wird, wenn die Tracking-Infrastruktur aufgebaut ist.

Was ist der Unterschied zwischen MQL und SQL im HubSpot-Scoring-Kontext?‍

MQL (Marketing Qualified Lead) ist ein Lead, der einen definierten Score-Schwellenwert erreicht hat, der ausreichend Fit und Absicht für Vertriebskontakt anzeigt — typischerweise der Punkt, an dem eine SDR-Aufgabe erstellt wird. SQL (Sales Qualified Lead) ist ein Lead, der vom Vertrieb überprüft und als echte Vertriebsmöglichkeit bestätigt wurde, in der Regel nach einem ersten Discovery-Call. Das Scoring-Modell regelt die MQL-Definition; die SQL-Qualifikation ist ein menschliches Urteil des SDR oder AE.