Ausgangslage: Das Wachstum mit der Schattenseite

Der Kunde, ein wachsendes B2B-Fintech in London mit 150 Mitarbeitern, stand vor einer paradoxen Situation. Die aggressive Skalierung der Performance-Marketing-Aktivitäten, insbesondere der Launch einer umfassenden Affiliate-Strategie, hatte zu einem signifikanten Anstieg der Lead-Zahlen geführt. Auf dem Papier sah der Funnel gesund aus. Doch hinter den Zahlen verbarg sich ein wachsendes Problem: Die Conversion Rate stagnierte trotz höherem Volumen.

Das Sales-Team meldete zunehmend Frust. Ein Großteil der eingehenden Anfragen war technisch fehlerhaft, enthielt unvollständige Daten oder stammte offensichtlich von dubiosen Quellen. Für die Vertriebsmitarbeiter bedeutete dies, dass wertvolle Zeit mit der qualitativen Aussortierung von Spam verbracht wurde, anstatt potenzielle Kunden zu betreuen. Die Analyse der Datenströme offenbarte schnell die Ursache: Affiliate-Partner nutzten Click-Fraud und Bot-Traffic, um Provisionen für ungültige Klicks zu erhalten. Diese Praxis belastete nicht nur das CRM mit Mülleintrag, sondern verfälschte auch die Reporting-Daten der Kampagnen erheblich. Ohne eine saubere, automatisierte Validierungslösung war es dem Marketing-Team unmöglich, die tatsächliche Leistung der Partner zu messen und die Customer Acquisition Cost (CAC) realistisch zu bewerten.

Herausforderungen: Präzision ohne Verlust

Die technische Umsetzung war mit mehreren spezifischen Herausforderungen verbunden, die über eine einfache Filterung hinausgingen.

  1. Minimierung von False Positives: Eine zu aggressive Blockierung hätte auch legitime Leads aussortiert, was den Umsatz direkt geschädigt hätte. Die Schwellenwerte mussten extrem präzise kalibriert werden.
  2. Echtzeit-Anforderung: Die Prüfung musste synchron erfolgen, bevor das Lead in das CRM geschrieben wurde. Asynchrone Prozesse hätten zu spät reagiert und die Datenbank weiterhin verschmutzt.
  3. Datenkonsistenz: Die Abgleichung technischer Metadaten (IP, Browser) mit semantischen Daten (Formularfelder) erforderte komplexe Logik, um Widersprüche zu identifizieren, ohne die Benutzererfahrung zu stören.
  4. Partner-Akzeptanz: Die Einführung strengerer Regeln riskierte Konflikte mit den Affiliate-Partnern. Es musste eine technische Lösung sein, die gleichzeitig als transparentes Beweismittel für die Vertragspartner diente.

Der Tech-Stack

Um diese Anforderungen zu erfüllen, haben wir einen schlanken, aber effektiven Stack aufgebaut, der nahtlos in die bestehende Infrastruktur des Kunden integriert wurde:

  • Marketing-Automation-Plattform: Die zentrale Instanz für Workflow-Orchestrierung und Entscheidungslogik.
  • Fraud-Detection-API: Externe Dienstleister für IP-Reputation und Device-Fingerprinting, um bekannte Bot-Signaturen in Echtzeit zu erkennen.
  • CRM-Integration: Custom Connectors, um validierte Leads direkt in den richtigen Pipeline-Stadium zu routen und Metadaten für die Analyse zu speichern.
  • Affiliate-Tracking-Tool: Die Schnittstelle, über die verdächtige Sessions rückwirkend markiert und mit den Partnern abgerechnet wurden.

Umsetzung: Vom Audit zur Echtzeit-Prüfung

Unser Ansatz bestand darin, ein mehrstufiges Validierungs-Setup direkt in die bestehende Marketing-Automation-Plattform zu integrieren. Der Fokus lag klar auf der Echtzeit-Prüfung von Leads, bevor sie an das CRM übergeben werden. Wir haben nicht versucht, das Rad neu zu erfinden, sondern die vorhandenen Datenpunkte intelligent kombiniert.

Projektverlauf in 6 Phasen: Audit bestehender Affiliate-Flows, Integration IP- & Device-Fingerprinting, Konfiguration Konsistenz-Prüfungen …

Die technische Implementierung erfolgte in vier Kernphasen. Zuerst wurde eine umfassende Analyse der historischen Daten durchgeführt, um die typischen Muster der Fraud-Traffic zu identifizieren. Darauf aufbauend haben wir die IP- und Device-Fingerprinting-Module konfiguriert. Jeder eingehende Lead wurde nun auf Anomalien geprüft, wie z. B. zu schnelle Klicks, die Nutzung bekannter Fraud-IPs oder das Fehlen gängiger Browser-Fingerprints, die bei menschlichen Nutzern standardmäßig vorhanden sind.

Ein entscheidender Baustein war die Konsistenzprüfung. Wir haben automatisierte Abgleiche zwischen den Formularfeldern und den Cookie-Daten implementiert. Ein Beispiel: Wenn ein Lead angibt, in einem Unternehmen mit über 500 Mitarbeitern zu arbeiten, die E-Mail-Adresse jedoch von einer kostenlosen Webmail-Domain stammt und die IP-Adresse aus einem Rechenzentrum stammt, wird das Lead sofort als verdächtig eingestuft. Diese Basis-Prüfungen sind oft wirkungsvoller als komplexe KI-Modelle.

Anschließend haben wir ein Dynamic Lead Scoring eingeführt. Ein Punktesystem, das Leads mit hohem Fraud-Risiko sofort in einen separaten Review-Flow schickte, während saubere Leads den normalen Weg ins CRM nahmen. Abschließend erfolgte die API-Anbindung zum Affiliate-Tracking-Tool. Diese direkte Schnittstelle ermöglichte es, verdächtige Sessions rückwirkend zu markieren und den Partnern konkrete Daten vorzulegen.

Die gesamte Implementierung dauerte 6 Wochen, inklusive einer kritischen Testphase mit historischen Daten. In dieser Phase haben wir die False-Positive-Rate minimiert, indem wir die Schwellenwerte iterativ angepasst haben, bis das System nur noch eindeutig ungültige Traffic blockierte.

Wie wir die Zahlen messen

Die Validierung der Ergebnisse basierte auf einer strengen A/B-Vergleichsmethode über einen Zeitraum von drei Monaten nach der Stabilisierung des Systems. Wir haben die Kennzahlen der Vor-Phase (mit manuellen, unzuverlässigen Filtern) mit der Nach-Phase (mit automatisierter Echtzeit-Validierung) verglichen.

  • Lead-Volumen & Qualität: Wir differenzierten zwischen „Inbound-Leads“ (vor Validierung) und „Sales Qualified Leads“ (nach Validierung und Sales-Feedback). Die SQL-Rate wurde durch die Conversion von MQL zu SQL im CRM gemessen.
  • CAC-Berechnung: Die Customer Acquisition Cost wurde neu berechnet, indem nur die Kosten für die validierten Leads in die Formel einbezogen wurden. Durch die Eliminierung teurer, aber wertloser Klicks sank der Nenner (Kosten) bei gleichzeitig stabilerem Zähler (Neukunden).
  • Fraud-Identifikation: Die 42 % blockierten Leads wurden durch die Summe der automatisierten Blocks und der manuellen Bestätigungen im Review-Flow ermittelt. Jeder Block wurde mit einem Grundcode (z. B. „IP-Anomalie“, „Konsistenzbruch“) versehen, um die Effektivität der einzelnen Regeln zu analysieren.

Ergebnis: Transparenz und Effizienz

Nach der Stabilisierung des Systems konnten wir klare und messbare Verbesserungen in der Datenqualität und der operativen Effizienz feststellen. Die Filterung erfolgte nun vollautomatisch, ohne jeglichen manuellen Aufwand im Support- oder Sales-Team. Die Daten im CRM waren sauber, was die Reporting-Akcuratecy erheblich verbesserte.

Lead-Qualität und Kosten nach Implementierung: Vorher-Nachher-Vergleich der Kennzahlen in %

Die Kern-KPIs nach den ersten drei Monaten im Live-Betrieb zeigten einen deutlichen Erfolg:

  • Reduktion ungültiger Leads: 42 % der eingehenden Leads wurden als Fraud oder Duplikate identifiziert und blockiert, bevor sie die Vertriebsmitarbeiter erreichten.
  • Steigerung der SQL-Rate: Die Qualität der an das Sales-Team übergebenen Leads stieg um 28 %. Die Vertriebsmitarbeiter meldeten, dass sie nun mehr Zeit für echte Gespräche hatten.
  • Senkung der CAC: Durch die Eliminierung teurer, aber wertloser Klicks sank die Customer Acquisition Cost um 15 %. Das Budget konnte effizienter auf qualitativ hochwertige Kanäle umverteilt werden.
  • Transparenz für Partner: Der Kunde konnte erstmals konkrete, datenbasierte Beweise für Fraud-Vorfälle den Affiliate-Partnern vorlegen. Dies führte zu einer sauberen Vertragsanpassung und einem gesünderen Partner-Ökosystem.

Learnings: Einfache Regeln schlagen komplexe KI

Das vielleicht wichtigste Learning aus diesem Projekt war, dass der größte Hebel nicht die komplexe KI-Erkennung war, sondern die einfache Konsistenzprüfung zwischen technischem Datenpunkt und Formularangabe. Viele Fraud-Tools auf dem Markt sind auf die Erkennung von Bot-Signaturen spezialisiert, übersehen aber diese Basis-Prüfungen, die oft die größten Lücken im System schließen. Die Kombination aus technischem Fingerprinting und semantischem Abgleich ist der Sweet Spot.

Zudem zeigte sich, dass eine klare Kommunikation mit den Affiliate-Partnern essenziell ist. Wer die Regeln für gültige Leads transparent macht und die Filterkriterien teilt, reduziert Konflikte und fördert eine ehrliche Partnerschaft. Automatisierung allein löst das Problem nicht, wenn die Prozesse im Hintergrund nicht sauber definiert sind und die Stakeholder nicht im Bilde sind. Die technische Lösung muss immer von einer klaren Governance-Strategie begleitet werden.

Was wir heute anders machen würden

Obwohl das Projekt erfolgreich war, gibt es Punkte, die wir bei einer Wiederholung optimieren würden:

  1. Frühere Partner-Kommunikation: Wir hätten die Affiliate-Partner noch früher in den Prozess einbinden sollen. Die Transparenz der Filterkriterien hätte von Tag 1 an bestehen sollen, um Widerstände zu minimieren und das Vertrauen in die neue Systematik aufzubauen.
  2. Granularere Reporting-Tools: Das Dashboard zur Überwachung der Fraud-Metriken war anfangs etwas zu technisch. Heute würden wir ein spezifisches, für Marketing-Manager optimiertes Dashboard erstellen, das die Einsparungen und die Blockier-Raten in Echtzeit visualisiert, um die Business-Value-Kommunikation zu stärken.
  3. Modularität der Regeln: Die Regel-Engine war anfangs etwas starr konfiguriert. Eine modularere Architektur, die es ermöglicht, einzelne Prüfungsregeln ohne Code-Änderungen zu aktivieren oder zu deaktivieren, hätte die Anpassung an neue Fraud-Muster noch schneller ermöglicht.

Passend dazu