Ausgangslage: Ineffiziente Budgetallokation im B2B-Umfeld

Der Kunde, ein mittelständischer Logistikanbieter mit 250 Mitarbeitern und Sitz in Rotterdam, stand vor einer klassischen Wachstumsfalle. Das Werbebudget war in den vergangenen Quartalen stark gestiegen, um den wettbewerbsintensiven Markt im Benelux-Raum zu bedienen. Dennoch fehlte die entscheidende Transparenz: Das Marketing-Team konnte nicht eindeutig nachvollziehen, welche Kanäle tatsächlich zu qualifizierten, zahlenden Kunden führten und welche nur oberflächlichen Traffic generierten.

Die Komplexität der B2B-Kaufentscheidung im Logistiksektor machte die Analyse besonders schwierig. Entscheider – oft Einkaufsleiter oder Operations Manager – nutzten eine heterogene Mischung aus Kanälen. Sie informierten sich zunächst über Suchmaschinen, engagierten sich auf LinkedIn, interagierten mit E-Mail-Nurture-Sequenzen und pflegten schließlich den direkten Kontakt zum Vertrieb. Das bisherig genutzte First-Click-Attributionsmodell wies einen fundamentalen Fehler auf: Es vergab den gesamten Umsatz auf den ersten Touchpoint, also oft auf eine generische Suchanfrage oder eine Social-Media-Interaktion. Dabei ignorierte es die entscheidende Rolle des organischen Traffics und des E-Mail-Marketings, die Leads über Wochen hinweg „nähren“ und reif für den Kauf machen.

Die Konsequenz war eine stagnierende Conversion Rate und ein ineffizienter Einsatz der Mittel. Budgets flossen in Kanäle, die zwar viel Traffic brachten, aber kaum qualifizierte Leads hervorbrachten. Gleichzeitig wurden Kanäle unterfinanziert, die zwar weniger Volumen, aber eine höhere Lead-Qualität und einen kürzeren Sales-Cycle boten. Das Marketing-Team benötigte dringend ein robustes, datenbasiertes System, um den wahren Beitrag jedes Kanals zu messen und die Budgets entsprechend umzuschichten.

Herausforderungen: Daten-Silos und lange Sales-Cycles

Die Umsetzung eines solchen Modells war mit mehreren spezifischen Herausforderungen verbunden, die über die reine technische Implementierung hinausgingen.

Erstens standen wir vor dem Problem der Daten-Silos. Die Interaktionsdaten lagen verteilt in verschiedenen Systemen: Web-Tracking in GA4, Marketing-Aktivitäten in HubSpot und der finale Sales-Prozess in Salesforce. Ohne eine saubere Identifizierung und Verknüpfung dieser Daten über einen einheitlichen Lead-Identifier wäre jede Attribution spekulativ geblieben.

Zweitens erforderte die Definition der „Qualität“ eines Leads eine enge Abstimmung zwischen Marketing und Vertrieb. Was für Marketing ein „MQL“ (Marketing Qualified Lead) ist, muss für den Vertrieb ein „SQL“ (Sales Qualified Lead) sein. Diese Definitionen waren historisch vage und führten zu Diskussionen über die Wirksamkeit der Kampagnen.

Drittens war die lange Dauer der B2B-Kaufprozesse im Logistiksektor eine analytische Hürde. Viele Deals liefen über mehrere Wochen oder sogar Monate. Kurze Betrachtungszeiträume, wie sie in klassischen E-Commerce-Attributionen üblich sind, führten hier zu falschen Schlüssen und einer Unterbewertung der oberen Trichter-Phasen.

Der Tech-Stack

Um diese Herausforderungen zu lösen, setzten wir auf einen bewährten, aber sorgfältig konfigurierten Stack:

  • Google Analytics 4 (GA4): Diente als zentrale Quelle für Web-Interaktionen, Session-Daten und erste Touchpoints.
  • HubSpot Marketing Hub: Verwaltete die E-Mail-Kampagnen, Formulare und das Lead-Nurturing. Hier wurden die dynamischen Scoring-Regeln hinterlegt.
  • Salesforce CRM: Die Quelle der Wahrheit für Sales-Status, Deal-Größen und finale Conversion-Daten.
  • Middleware (Custom ETL-Lösung): Eine maßgeschneiderte Datenpipeline, die die Daten aus GA4 und HubSpot bereinigte, deduplizierten und in Salesforce einspielte, um eine 1:1-Zuordnung der Leads sicherzustellen.

Umsetzung: Aufbau der Multi-Touch-Infrastruktur

Die Implementierung erfolgte in enger Zusammenarbeit mit dem internen IT-Team des Kunden. Unser Ziel war es, nicht nur ein Reporting-Tool zu installieren, sondern eine datengetriebene Kultur im Unternehmen zu etablieren. Die Basis bildete eine saubere Datenpipeline, die alle Interaktionen zentral erfasste und in Echtzeit verarbeitete.

Projektverlauf in 6 Phasen: Datenpipeline & Tracking-Setup (GA4, HubSpot), CRM-Anbindung & Lead-Identifizierung, Dynamisches Lead-Scoring entwickeln …

Die technischen Schritte gliederten sich in drei Hauptphasen. Zunächst erfolgte die Tracking-Optimierung. Wir haben GA4, HubSpot und Salesforce über die Middleware angebunden. Dabei lag der Fokus auf der sauberen Implementierung von UTM-Parametern und der korrekten Zuordnung von Custom-Events, um sicherzustellen, dass jede Interaktion einem eindeutigen Lead zugeordnet werden konnte. Parallel dazu entwickelten wir ein dynamisches Lead-Scoring-Modell. Dieses Modell gewichtete nicht nur demografische Merkmale, sondern auch das Verhalten auf der Website (z. B. Seitenaufrufe auf Preisseiten), E-Mail-Interaktionen (Öffnungsrate, Klicks) und Engagement auf LinkedIn. Leads mit hohen Scores wurden automatisch an den Vertrieb übergeben, während niedrigere Scores in Nurturing-Sequenzen flossen.

Ein weiterer Kernpunkt war der Aufbau automatisierter Nurturing-Journeys. Für Leads, die noch nicht kaufbereit waren, definierten wir spezifische Content-Pfade, die auf ihre Branche und ihre Pain Points zugeschnitten waren. Dies beschleunigte den BANT-Prozess (Budget, Authority, Need, Timing) erheblich, da die Leads mit relevantem Content versorgt wurden, bevor der Vertrieb kontaktierte.

Die Implementierung dauerte insgesamt acht Wochen. In den ersten zwei Wochen erfolgte die Datenmigration und das Setup der Tracking-Pixel. Hier war die Datenqualität entscheidend; wir haben bestehende Dubletten bereinigt und die Identitätsauflösung konfiguriert. Die folgenden vier Wochen dienten der Konfiguration der Journeys und der Validierung der Datenqualität. Wir haben Test-Leads durch den gesamten Prozess laufen lassen, um sicherzustellen, dass die Daten in Salesforce korrekt ankommen und die Scores logisch sind. In den letzten zwei Wochen wurde das Attribution-Modell kalibriert. Wir haben historische Daten nachberechnet, um die Baseline zu etablieren, und das Vertriebsteam intensiv geschult, um die Akzeptanz der neuen Daten zu sichern.

Wie wir die Zahlen messen

Um die Wirksamkeit des Modells objektiv zu belegen, haben wir einen klaren Messrahmen definiert. Die ROAS-Steigerung wurde berechnet, indem der Umsatz, der auf spezifische Kanäle zurückgeführt wurde, durch die entsprechenden Werbeausgaben geteilt wurde. Dabei nutzten wir das Time-Decay-Attributionsmodell, das den Touchpoints näher an der Conversion ein höheres Gewicht zuweist. Die Conversion Rate wurde als Verhältnis von geschlossenen Deals zu qualifizierten Leads (MQLs) definiert. Der CAC (Customer Acquisition Cost) wurde ermittelt, indem die gesamten Marketing- und Vertriebskosten eines Quartals durch die Anzahl der neuen Kunden geteilt wurde. Alle Kennzahlen wurden in Salesforce als benutzerdefinierte Reportings hinterlegt und monatlich mit dem Vorjahreszeitraum verglichen.

Ergebnis: Datengestützte Effizienzsteigerung

Nach drei Monaten Betrieb des neuen Systems zeigte sich ein deutlicher Anstieg der Effizienz. Das Unternehmen konnte erstmals die reale Wirkung jedes Kanals auf die Pipeline-Generierung nachvollziehen. Die Ergebnisse waren signifikant und übertrafen die Erwartungen des Management-Teams.

Entwicklung der Marketing-KPIs nach Implementierung: Vorher-Nachher-Vergleich der Kennzahlen in %

Die wichtigsten Kennzahlen verbesserten sich wie folgt: Der Return on Ad Spend (ROAS) stieg um 42 % durch eine gezieltere Budgetallokation. Kanäle, die zuvor als „Traffic-Generatoren“ galten, wurden als Pipeline-Treiber erkannt und entsprechend finanziert. Die Lead-zu-Kunde-Conversion Rate stieg um 18 %, da die Nurturing-Journeys die Leads besser auf den Sales-Kontakt vorbereiteten. Schließlich sanken die Customer Acquisition Costs (CAC) um 25 % im Vergleich zum Vorjahreszeitraum, da weniger Budget für ineffiziente Kanäle ausgegeben wurde.

Besonders aufschlussreich war die Erkenntnis bezüglich des organischen Marketings. Das Modell zeigte, dass organischer Traffic der stärkste Treiber für High-Value-Leads war. Diese Leads hatten eine höhere Lebensdauer und einen höheren Deal-Size. Durch die Umverteilung von 15 % des Performance-Budgets in Content-Marketing und SEO konnte die Qualität der Leads nachhaltig gesteigert werden, was den langfristigen Wachstumspfad sicherte.

Was wir heute anders machen würden

Trotz des Erfolgs gibt es Punkte, die wir in zukünftigen Projekten optimieren würden. Erstens hätten wir die Schulung des Vertriebs noch früher im Prozess starten sollen. Die Akzeptanz der neuen Daten war in den ersten Wochen noch nicht vollständig, was zu Diskussionen über die Zuverlässigkeit der Attribution führte. Eine frühere Einbindung der Sales-Leads in die Definition der Scoring-Regeln hätte diese Reibungsverluste minimiert.

Zweitens hätten wir die Middleware-Lösung noch modularer gestalten können. Die starre Kopplung an spezifische API-Endpunkte machte spätere Anpassungen etwas aufwendiger. Heute würden wir auf eine Event-basierte Architektur setzen, die skalierbarer und fehlerresistenter ist.

Learnings: Langfristiger Blick und Datenvorverarbeitung

Der Erfolg dieses Projekts basierte auf der engen Zusammenarbeit zwischen Marketing und Vertrieb. Regelmäßige Reviews der Attribution-Daten sicherten die Akzeptanz im Unternehmen und schufen ein gemeinsames Verständnis für die Customer Journey.

Ein zentraler Punkt war die Datenvorverarbeitung. Ohne saubere Identifizierung von Leads über verschiedene Kanäle hinweg wäre das Modell nicht funktionsfähig gewesen. Wir haben gelernt, dass 80 % des Erfolgs in der Datenbereinigung und -verknüpfung liegen, nicht in der komplexen mathematischen Modellierung.

Zudem zeigte sich, dass B2B-Kaufprozesse im Logistiksektor oft mehrere Wochen dauern. Kurze Betrachtungszeiträume für die Attribution führen zu falschen Schlüssen. Ein langfristiger Blick auf den Customer Lifecycle ist essenziell, um die wahren Treiber des Wachstums zu identifizieren. Die Investition in die technische Infrastruktur hat sich innerhalb der ersten sechs Monate amortisiert. Die gewonnenen Erkenntnisse ermöglichen es dem Kunden, zukünftige Kampagnen präziser zu planen und Risiken zu minimieren. Dieses Projekt bestätigt, dass im B2B-Marketing nicht die Menge, sondern die Qualität der Leads und die Transparenz der Prozesse über den Erfolg entscheiden.

Passend dazu