Ausgangslage: Der Druck auf die Akquisekosten

Der Kunde war ein etablierter B2B-Logistiker mit 120 Mitarbeitenden, der primär in den Niederlanden und Belgien tätig ist. Wie viele Unternehmen im B2B-Sektor stand er vor der Herausforderung, dass die Kosten pro Lead in den klassischen Suchmaschinenmarketing-Kanälen seit zwei Jahren kontinuierlich anstiegen. Die Klickpreise für relevante Keywords im Logistiksektor waren durch die hohe Konkurrenz stark in die Höhe getrieben worden. Gleichzeitig stagnierte die Conversion Rate auf einem niedrigen Niveau, da die generischen Anfragen oft wenig mit den spezifischen Serviceleistungen des Unternehmens übereinstimmten.

Das eigentliche Kernproblem lag jedoch tiefer: In der mangelnden Sichtbarkeit gegenüber den neu aufkommenden KI-gestützten Suchmaschinen. Diese Systeme, die zunehmend genutzt werden, um komplexe B2B-Fragen zu beantworten, konnten die strukturierten Daten des Unternehmens nicht effizient verarbeiten. Die Website verfügte zwar über hochwertigen Content, aber dieser war in einem Format verfasst, das für Large Language Models (LLMs) schwer zu parsen war. Infolgedessen fehlten die relevanten Informationen in den KI-generierten Antworten, oder das Unternehmen wurde nur in sehr allgemeinen Kontexten erwähnt, was zu einer geringen Relevanz und letztlich zu weniger hochwertigen Leads führte.

Herausforderungen im Projektverlauf

Die Umsetzung war mit mehreren spezifischen Herausforderungen verbunden, die über eine reine technische Anpassung hinausgingen.

  • Datenfragmentierung: Die Servicekataloge und Preislisten waren über verschiedene interne Systeme verteilt. Es gab keine zentrale, maschinenlesbare Quelle der Wahrheit. Wir mussten zunächst einen Datenabgleich zwischen dem ERP-System und der Website-Infrastruktur herstellen.
  • CRM-Integration: Die bestehenden CRM-Prozesse waren auf manuelle Lead-Verarbeitung ausgelegt. Die Integration der Echtzeit-Daten von der Website in das CRM erforderte eine Anpassung der API-Schnittstellen, um sicherzustellen, dass neue Leads aus KI-Suchen sofort korrekt klassifiziert und priorisiert wurden.
  • Scoring-Logik: Das bisherige Lead-Scoring-Modell berücksichtigte nicht den Ursprung des Leads. Da Leads aus KI-Suchmaschinen oft spezifischer und weiter im Funnel waren, musste das Scoring-Modell neu kalibriert werden, um diesen Traffic höher zu gewichten und dem Vertrieb die richtigen Prioritäten zu geben.

Wie wir die Zahlen messen

Um den Erfolg des Projekts objektiv zu belegen, haben wir ein mehrdimensionales Messkonzept entwickelt. Die Akquisekosten pro Lead wurden über einen Zeitraum von drei Monaten vor und nach der Implementierung verglichen, wobei alle Marketingausgaben (SEA, Content, Tooling) durch die Anzahl der qualifizierten Leads geteilt wurden. Die Lead-Qualität wurde anhand der Qualifizierungsrate im CRM gemessen, also dem Anteil der Leads, die als „Sales Qualified“ (SQL) markiert wurden. Die Conversion Rate wurde direkt über die Web-Analytics-Tools erfasst, indem die Anzahl der abgeschlossenen Angebotsanfragen durch die Anzahl der Sitzungen aus dem KI-Referral-Verkehr geteilt wurde. Alle Daten wurden wöchentlich in einem Dashboard konsolidiert, um Trends frühzeitig zu erkennen.

Umsetzung: Struktur für die Maschine

Wir implementierten ein System zur strukturierten Datenbereitstellung für KI-Suchmaschinen in drei klar definierten Phasen, die in acht Wochen abgeschlossen wurden. Der Fokus lag dabei nicht auf dem Content selbst, sondern auf der semantischen Verpackung der bestehenden Informationen.

Projektverlauf in 5 Phasen: Audit der bestehenden Datenstrukturen, Modellierung der Servicekataloge in JSON-LD, API-Integration mit dem CRM-System …

In der ersten Phase, der Datenstrukturierung, haben wir die Servicekataloge und Preislisten in einem maschinenlesbaren Format (JSON-LD) modelliert. Wir haben spezifische Schemas für Service, Offer und FAQPage definiert, die die Kerninformationen wie Preise, Verfügbarkeiten und Spezifikationen eindeutig beschreiben. Dies ermöglichte es den KI-Systemen, die Daten ohne Interpretationsspielraum zu lesen.

Die zweite Phase umfasste die Integration in das CRM. Die strukturierten Daten wurden direkt mit dem CRM-System des Kunden verbunden. Durch eine bidirektionale API-Schnittstelle wurden Echtzeit-Updates sichergestellt. Wenn sich ein Preis oder eine Verfügbarkeit änderte, wurde das Schema automatisch aktualisiert und an die Suchmaschinen-Crawler übermittelt. Dies eliminierte das Risiko veralteter Informationen, die oft zu Fehlklicks und unqualifizierten Leads führen.

Die dritte Phase betraf die Anpassung des Lead Scorings. Wir haben das Lead-Scoring-Modell im CRM erweitert, um Anfragen aus KI-gestützten Suchmaschinen höher zu gewichten. Da diese Leads oft bereits eine spezifische Fragestellung hatten, die von der KI beantwortet wurde, waren sie im Durchschnitt weiter im Kaufprozess. Das neue Scoring-Modell identifizierte diese Leads automatisch und priorisierte sie für den Vertrieb.

Ergebnis: Effizienz durch Präzision

Nach drei Monaten zeigte die Analyse eine deutliche und messbare Verbesserung der Akquiseeffizienz. Die strukturierten Daten ermöglichten es den KI-Suchmaschinen, genauere und relevantere Ergebnisse anzuzeigen. Dies führte dazu, dass das Unternehmen in mehr KI-generierten Antworten als empfohlener Anbieter genannt wurde, und zwar in einem Kontext, der perfekt zu den Suchintentionen der Nutzer passte.

  • Akquisekosten: Es gelang, die Akquisekosten pro Lead um 25 Prozent im Vergleich zum Vorjahreszeitraum zu reduzieren. Dies geschah bei gleichzeitig stabiler oder steigender Lead-Volumen, was auf eine höhere Effizienz der Kanäle zurückzuführen ist.
  • Lead-Qualität: Die Anzahl der qualifizierten Leads aus KI-Suchmaschinen stieg um 40 Prozent. Der Vertrieb meldete, dass die Anfragen konkreter waren und weniger Vorqualifizierungszeit erforderten.
  • Conversion Rate: Die Conversion Rate aus dem KI-Referral-Verkehr stieg von 2,1 Prozent auf 3,4 Prozent. Dies belegt, dass die Nutzer, die über KI-Systeme auf die Website kamen, eine höhere Absicht hatten, weil sie bereits durch die KI vorqualifiziert worden waren.

Performance-Vergleich vor und nach der Optimierung: Vorher-Nachher-Vergleich der Kennzahlen in %

Diese Zahlen zeigen, dass die Investition in strukturierte Daten sich nicht nur in der Sichtbarkeit, sondern direkt im Bottom-Line-Effekt niederschlägt. Die Reduktion der Kosten pro Lead um ein Viertel ist für ein Unternehmen dieser Größe ein signifikanter Wettbewerbsvorteil, der in die Skalierung weiterer Kanäle reinvestiert werden kann.

Der Tech-Stack

Die folgende Tool-Liste gibt einen Überblick über die Technologien, die in diesem Projekt zum Einsatz kamen:

  • JSON-LD (Schema.org): Das Standardformat für die strukturierte Datenbereitstellung, das von allen großen KI-Suchmaschinen unterstützt wird.
  • Salesforce API: Die Schnittstelle, über die die Echtzeit-Daten zwischen der Website und dem CRM ausgetauscht wurden.
  • Google Search Console: Zur Überwachung der Indexierung der strukturierten Daten und zur Identifikation von Parsing-Fehlern.
  • HubSpot CRM: Das zentrale System zur Lead-Verarbeitung und Anpassung des Scoring-Modells.
  • Python (Custom Scripting): Für die Automatisierung der Daten-Extraktion aus dem ERP-System und die Generierung der JSON-LD-Dateien.

Was wir heute anders machen würden

Trotz des erfolgreichen Projekts gibt es Punkte, die wir bei einer Wiederholung optimieren würden:

  • Früheres Involvieren des Vertriebs: Die Anpassung des Lead Scorings hätte früher im Projekt stattfinden sollen. Die enge Zusammenarbeit mit dem Vertrieb von Anfang an hätte die Kalibrierung der Scoring-Werte beschleunigt und sicherstellen können, dass die Priorisierung den tatsächlichen Arbeitsabläufen im Vertrieb entspricht.
  • Automatisierung der Datenpflege: Wir haben die Datenstrukturierung manuell in der ersten Phase modelliert. Heute würden wir einen stärkeren Fokus auf die Automatisierung der Datenpflege legen, um sicherzustellen, dass die Struktur bei jeder Änderung im Backend automatisch aktualisiert wird, ohne manuellen Eingriff.

Learnings und Ausblick

Dieses Projekt verdeutlicht, dass die strukturierte Bereitstellung von Daten ein entscheidender Faktor für die Sichtbarkeit in KI-gestützten Suchmaschinen ist. Es reicht nicht mehr aus, nur hochwertigen Content zu erstellen; die Maschine muss ihn auch verstehen können.

  • Konsistenz ist König: Regelmäßige Updates der Datenstrukturen sind essenziell. Veraltete Daten führen direkt zu Fehlempfehlungen durch KI-Systeme und damit zu unqualifizierten Leads.
  • Integration schlägt Insellösungen: Eine nahtlose Integration mit dem CRM ermöglicht eine effiziente Lead-Verarbeitung. Die Daten müssen fließen, um den Wert der strukturierten Informationen im gesamten Funnel auszuschöpfen.
  • Monitoring als Dauerprozess: Kontinuierliches Monitoring der Performance in KI-Suchmaschinen hilft, Optimierungspotenziale frühzeitig zu erkennen. Die Algorithmen der KI-Systeme ändern sich ständig, und die Struktur muss sich daran anpassen.

Für B2B-Unternehmen, die in der Logistik, im Maschinenbau oder in anderen spezialisierten Dienstleistungsbranchen tätig sind, ist dies eine klare Handlungsempfehlung: Investieren Sie in die semantische Struktur Ihrer Daten. Es ist eine Investition in die Zukunft Ihrer Akquise, die sich schnell amortisiert und einen nachhaltigen Vorteil gegenüber Wettbewerbern bietet, die noch auf reine Text-Optimierung setzen.

Passend dazu