Ausgangslage: Die teure Akquise im UK-Fintech-Markt

Der Kunde, ein wachsendes SaaS-Fintech mit 150 Mitarbeitern im Vereinigten Königreich, stand vor einem klassischen Skalierungsproblem. Die Akquise-Pipeline war stabil, aber die Customer Acquisition Cost (CAC) von 1.200 GBP pro geschlossenen Deal drückte die Profitabilität massiv. Im hochkompetitiven UK-Fintech-Segment, in dem Margen oft knapp kalkuliert sind, war dieser Wert untragbar. Das Hauptproblem lag nicht in der Menge der Leads, sondern in deren Qualität. Viele Leads stammten aus generischen Paid-Ads-Kampagnen, die auf breite Suchbegriffe optimiert waren. Diese Traffic-Generierung brachte zwar Volumen, aber kaum Kaufintent. Das Sales-Team, bestehend aus spezialisierten Account Executives, verbrachte schätzungsweise 40 % seiner wertvollen Arbeitszeit damit, diese Low-Intent-Leads zu qualifizieren oder abzuwimmeln. Das führte nicht nur zu Frustration im Vertrieb, sondern auch zu einer verzögerten Reaktionszeit auf die tatsächlich interessierten Kunden. Die Marketing-Abteilung kämpfte zudem mit steigenden CPC-Werten (Cost per Click), da die generische Zielgruppenauswahl immer teurer wurde, ohne dass die Conversion-Rate im gleichen Maß stieg. Es fehlte ein Mechanismus, der die Intention des Nutzers in Echtzeit erfasste und diese Information direkt in den Vertriebsprozess einspeiste.

Herausforderungen: Präzision vor Quantität

Die Umsetzung solcher Systeme ist selten trivial. Wir identifizierten vier zentrale Herausforderungen, die es zu bewältigen galt, um die erhoffte Effizienzsteigerung zu erzielen.

Erstens war die Datenhygiene in HubSpot ein kritischer Punkt. Vor dem Projektprojekt waren viele Lead-Properties in HubSpot nicht konsistent befüllt oder definiert. Ohne eine saubere Datenbasis hätten die AI-Signale keine verlässliche Grundlage gehabt, um Leads korrekt zu scoren. Zweitens stand die Definierung der Intent-Schwellenwerte im Raum. Was gilt als „hochinteressiert“? Zu niedrige Schwellenwerte hätten das Sales-Team mit zu vielen Alerts überflutet (Alert-Fatigue), zu hohe Schwellenwerte hätten potenzielle Kunden verloren. Drittens musste die technische Latenzzeit minimiert werden. Die Integration der AI-Search-APIs in die HubSpot-Workflows durfte keine nennenswerte Verzögerung in der Lead-Erfassung verursachen, da Geschwindigkeit im B2B-Fintech-Segment entscheidend ist. Viertens war die Zusammenarbeit zwischen Marketing und Sales zu stärken. Beide Abteilungen hatten unterschiedliche Definitionen von „Qualifiziert“ (MQL vs. SQL), was zu Reibungsverlusten in der Übergabe führte.

Der Tech-Stack

Um diese Herausforderungen zu lösen, haben wir einen schlanken, aber leistungsfähigen Tech-Stack aufgebaut:

  • HubSpot Marketing Hub & Sales Hub: Als zentrale CRM-Plattform für die Speicherung, Scoring und Automatisierung der Lead-Daten.
  • AI-Search-API (Semantische Analyse): Ein externes Tool, das Suchanfragen nicht nur stichwortbasiert, sondern kontextuell und semantisch analysiert, um die Kaufnähe zu bewerten.
  • Zapier / Make (Integration Layer): Zur Echtzeit-Anbindung der API-Outputs an die HubSpot-Webhooks und zur Transformation der Datenformate.
  • HubSpot Workflows: Für die automatisierte Auslösung von E-Mail-Sequenzen, Task-Erstellungen im Sales-Team und Status-Updates basierend auf den neuen Intent-Scores.
  • Google Analytics 4: Zur Validierung der Traffic-Quellen und zur korrelen der AI-Signale mit den finalen Conversion-Events.

Umsetzung: Von der Datenanbindung zur Automatisierung

Die Implementierung erfolgte in einem agilen Prozess über sechs Wochen. Wir begannen nicht mit der Automatisierung, sondern mit der Datenanalyse. In der ersten Woche führten wir ein tiefgehendes Audit der bestehenden Paid-Ads-Kampagnen und der HubSpot-Properties durch. Wir identifizierten die Top 20 Suchbegriffe, die den höchsten Anteil an Low-Intent-Traffic ausmachten. Parallel dazu begannen wir mit der technischen Anbindung der AI-Search-API. Diese API wird so konfiguriert, dass sie bei jeder neuen Lead-Erfassung (z. B. über ein Kontaktformular oder einen Content-Download) die zugehörigen Suchhistorien oder Landingpage-Interaktionen analysiert. Das System erkennt dabei nicht nur, was gesucht wurde, sondern wie gesucht wurde. Eine Suchanfrage wie „best credit card“ wird als niedriges Intent-Signal gewertet, während „credit card for business expense management review“ als hohes Intent-Signal klassifiziert wird.

Projektverlauf in 6 Phasen: Audit der bestehenden Paid-Ads-Kampagnen, Anbindung der AI-Search-APIs an HubSpot, Entwicklung des dynamischen Lead-Scoring-Modells …

Im zweiten Schritt entwarfen wir das dynamische Lead-Scoring-Modell. Anstatt statischer Punktevergabe, die sich nur nach demografischen Daten oder früheren Interaktionen richtet, gewichteten wir die Leads dynamisch basierend auf der Tiefe und Spezifität der Suchanfrage. Leads, die spezifische, kaufnahe Begriffe verwendeten, erhielten sofort einen hohen Basis-Score. Dieser Score wurde dann in HubSpot als Custom Property gespeichert. Basierend auf diesem Score wurden die Leads in zwei Hauptströme unterteilt: „Hot“ und „Nurture“. Der „Hot“-Strom wurde direkt an das Sales-Team übergeben, während der „Nurture“-Strom in eine lange E-Mail-Sequenz geleitet wurde, die darauf abzielte, den Intent über die Zeit zu erhöhen.

Der dritte und wichtigste Schritt war die Konfiguration der automatisierten Journeys. Wir nutzten HubSpot Workflows, um sicherzustellen, dass ein Lead, der als „Hot“ markiert wurde, innerhalb von maximal 5 Minuten eine persönliche E-Mail vom zuständigen Account Executive erhält. Gleichzeitig wird im Sales Hub ein Task mit hoher Priorität erstellt. Diese Geschwindigkeit war entscheidend, um die Konkurrenz auszustechen. In der vierten und fünften Woche lag der Fokus auf dem Feintuning. Wir testeten die System mit simulierten Leads und realen Testdaten, um sicherzustellen, dass keine falschen Positives (False Positives) das Sales-Team belästigten. Wir justierten die Schwellenwerte iterativ an, basierend auf dem Feedback der ersten Testläufe. In der sechsten Woche erfolgte der Live-Go, begleitet von einem intensiven Monitoring der ersten zwei Wochen.

Wie wir die Zahlen messen

Die Messung der Erfolgskennzahlen erfolgte über ein integriertes Dashboard in HubSpot, das Daten aus dem CRM und Google Analytics 4 verknüpfte. Die CAC-Reduktion wurde berechnet, indem die gesamten Marketing- und Sales-Kosten (inkl. Personal- und Tool-Kosten) durch die Anzahl der neu geworbenen Kunden im jeweiligen Zeitraum geteilt wurde. Wir verglichen den Durchschnitt der drei Monate vor der Implementierung mit den drei Monaten nach dem Live-Go. Die SQL-Rate wurde definiert als die Prozentuale Erhöhung an Leads, die den Status „Sales Qualified“ in HubSpot erreichten, im Vergleich zur Baseline. Hier war die Definition der SQL-Kriterien entscheidend: Ein Lead gilt als SQL, wenn er mindestens drei Kaufsignale (z. B. Preisfrage, Terminbuchung, spezifische Produktfrage) innerhalb von 48 Stunden zeigt. Die Response-Time wurde gemessen als die Zeitspanne zwischen der Lead-Erfassung (im CRM) und der ersten menschlichen Interaktion (E-Mail oder Anruf) durch das Sales-Team. Diese Daten wurden automatisch aus den Activity-Logs in HubSpot extrahiert. Zusätzlich trackten wir die Marketing-Kosten pro Lead, um sicherzustellen, dass die Effizienzsteigerung nicht nur durch eine Verschiebung der Kosten, sondern durch eine echte Reduktion der Ausgaben für ineffizienten Traffic erfolgte.

Ergebnis: Effizienz und Rentabilität

Nach drei Monaten im Live-Betrieb zeigte sich ein deutlicher und messbarer Effizienzgewinn im gesamten Akquise-Funnel. Die Qualität der Leads stieg signifikant, was sich direkt in der Conversion-Rate niederschlug. Die Zahlen sprechen für sich: Die Customer Acquisition Cost (CAC) sank um 25 %, von 1.200 GBP auf 900 GBP pro Deal. Dies bedeutet, dass das Unternehmen für jeden neu gewonnenen Kunden 300 GBP sparte, was bei der Skalierung der Kampagnen einen erheblichen finanziellen Hebel darstellt. Parallel dazu stieg die Rate der Sales-Qualified Leads (SQLs) um 32 %. Das Sales-Team erhielt mehr qualifizierte Anfragen, die tatsächlich zu Terminen führten. Besonders beeindruckend war die Reduktion der Reaktionszeit: Die durchschnittliche Zeit bis zur ersten Kontaktaufnahme mit einem Hot-Lead verkürzte sich von 4 Stunden auf nur noch 15 Minuten. Diese Geschwindigkeit erhöhte die Conversion-Chance pro Lead um ein Vielfaches, da im B2B-Umfeld der erste Kontakt oft den Ausschlag gibt. Zusätzlich sanken die Marketing-Kosten pro Lead um 18 %, da weniger Budget für irrelevante Traffic-Generierung ausgegeben wurde. Das Budget konnte auf die Kampagnen mit dem höchsten Intent-Faktor umverteilt werden.

Wirkung der AI-Search-Integration auf die Akquise-KPIs: Vorher-Nachher-Vergleich der Kennzahlen in %

Das Sales-Team konnte sich nun auf echte Verkaufsgespräche konzentrieren, anstatt Zeit mit der Qualifizierung von „Cold Leads“ zu verschwenden. Die Mitarbeiterzufriedenheit im Vertrieb stieg, da die Arbeitslast qualitativ besser verteilt war. Marketing konnte nachweisen, dass die Investition in die AI-Integration einen direkten ROI von über 400 % in den ersten drei Monaten erzielte, gemessen an den gesparten CAC-Kosten und dem zusätzlichen Umsatz aus den schneller konvertierten Deals.

Learnings: Iteration ist der Schlüssel

Die Integration von AI-Signalen erfordert eine saubere Datenhygiene in HubSpot. Wir haben gelernt, dass die Definition der „Hot-Lead“-Schwellenwerte iterativ angepasst werden muss. Anfangs war die Schwelle zu niedrig, was zu Alert-Fatigue im Sales-Team führte. Nach zwei Wochen Feintuning stabilisierte sich das System. Wichtig ist die enge Zusammenarbeit zwischen Marketing und Sales bei der Definition der Intent-Signale. Nur wenn beide Abteilungen an einem Strang ziehen und die Definitionen von „Qualifiziert“ und „Hot“ teilen, kann das System seinen vollen Wert entfalten. Zudem haben wir festgestellt, dass die Qualität der AI-Modelle stark von der Diversität der Trainingsdaten abhängt. Je mehr verschiedene Suchmuster und Branchenkontexte das System sieht, desto präziser wird die Intent-Erkennung.

Was wir heute anders machen würden

Wenn wir dieses Projekt heute erneut durchführen würden, würden wir zwei Dinge anders angehen. Erstens würden wir die Datenbereinigung in HubSpot als eigenständigen, vorangegangenen Phase mit mindestens zwei Wochen Laufzeit planen. Im aktuellen Projekt war diese Phase in die Implementierungswochen integriert, was zu Zeitdruck und einigen initialen Dateninkonsistenzen führte. Eine saubere Datenbasis ist das Fundament, auf dem alles andere aufbaut, und verdient mehr Zeit und Fokus. Zweitens würden wir A/B-Tests der E-Mail-Sequenzen früher in den Prozess integrieren. Wir haben die Journeys erst nach dem Live-Go optimiert. Durch frühere Tests der Betreffzeilen und CTAs in der „Nurture“-Phase hätten wir die Conversion-Rate dieser Leads noch weiter steigern können. Die Technologie ist gut, aber die kreative Ausgestaltung der Kommunikation bleibt ein ständiger Optimierungsprozess.

Passend dazu