Ausgangslage: Die Vertriebspipeline im Chaos
Ein schwedisches Fintech mit 120 Mitarbeitenden stand vor einem klassischen Problem des digitalen Wachstums: Die Menge an Leads stieg, die Qualität sank. Das Unternehmen nutzte HubSpot als zentrale CRM-Plattform, um Anfragen aus verschiedenen Kanälen – darunter Paid Search, Content Marketing und Partnernetzwerke – zu erfassen. Das monatliche Lead-Volumen hatte sich auf ca. 2.500 Anfragen stabilisiert. Auf den ersten Blick eine starke Zahl, die jedoch der Realität im Vertriebteam nicht standhielt.
Die Analyse der Pipeline ergab, dass 60 % dieser Anfragen keine relevanten B2B-Kontakte waren. Ein Großteil stammte von automatisierten Scrapern, die auf öffentlichen Verzeichnissen basierten, oder von Privatpersonen, die versehentlich über B2B-Formulare eingereicht hatten. Für das Vertriebsteam bedeutete dies einen enormen administrativen Overhead. Sales-Manager verbrachten durchschnittlich 4 Stunden pro Woche damit, die Pipeline manuell zu bereinigen, doppelte Einträge zu löschen und offensichtlich unqualifizierte Leads zu archivieren. Diese Zeit fehlte für echte Akquise und Kundenbetreuung.
Darüber hinaus litten die A-Leads unter dem sogenannten „Data Flood“-Effekt. Relevante Entscheider, wie CTOs oder CFOs aus der Finanzbranche, gingen in der Flut an Spam unter. Die Reaktionszeit auf eine qualifizierte Anfrage betrug im Durchschnitt 24 Stunden – im B2B-Fintech-Markt ein kritischer Nachteil, da Wettbewerber oft innerhalb weniger Minuten reagieren. Das Ziel des Projekts war daher klar definiert: Eine automatisierte Filterung und Priorisierung der Leads, um die Vertriebsleistung zu steigern und das Team von Routineaufgaben zu befreien.
Herausforderungen: Transparenz und Geschwindigkeit
Die Implementierung einer solchen Lösung war mit spezifischen Herausforderungen verbunden, die über die reine technische Integration hinausgingen.
Compliance und Erklärbarkeit: Als Fintech unterliegt das Unternehmen strengen Datenschutz- und Compliance-Vorgaben (GDPR und lokale Bankenaufsicht). Komplexe KI-Modelle, die als „Black Box“ agieren, sind hier oft problematisch, da die Gründe für die Bewertung eines Leads nicht immer transparent nachvollziehbar sind. Das Scoring-Modell musste daher so gestaltet sein, dass jeder Punkt und jede Abwertung klar dokumentiert und erklärt werden konnte.
Datenqualität am Eingang: Die bestehenden Daten im CRM waren über Jahre hinweg akkumuliert und wiesen eine hohe Fehlerquote auf. Fehlende Firmennamen, private E-Mail-Adressen und unvollständige Firmenprofile erschwerten die automatische Zuordnung. Ohne eine saubere Basisdatenstruktur hätte das Scoring-Modell nur Müll in und Müll aus produziert.
Akzeptanz im Vertrieb: Ein häufiger Stolperstein bei Automatisierungen ist die Skepsis der Endanwender. Das Vertriebsteam hatte Angst, dass durch automatische Filterung potenzielle Chancen verloren gehen könnten. Es musste sichergestellt werden, dass das Modell nicht nur filtert, sondern auch intelligent priorisiert, ohne wichtige Nuancen zu übersehen.
Der Tech-Stack
Um die genannten Herausforderungen zu meistern, setzten wir auf einen schlanken, aber robusten Stack, der nahtlos in die bestehende Infrastruktur integrierte:
- HubSpot CRM: Die zentrale Plattform für die Speicherung, Berechnung und Anzeige der Lead-Scores sowie das Routing der Anfragen.
- Clearbit (oder vergleichbare Firmen-Verifizierungs-API): Diente zur Anreicherung von Kontaktdaten mit Firmendaten (Branche, Mitarbeiterzahl, Website), um die Zuordnung zu Fintech-Kunden sicherzustellen.
- Slack: Das Kommunikations-Tool für das Echtzeit-Routing. Qualifizierte A-Leads wurden direkt im Team-Channel als Notification gesendet.
- Custom Webhooks: Zur Verbindung der externen APIs mit dem CRM, ohne dass eine schwere Middleware-Lösung installiert werden musste.
Umsetzung: Regelbasiertes Scoring in 6 Wochen
Die technische Umsetzung erfolgte in zwei klar abgegrenzten Phasen über einen Zeitraum von 6 Wochen. Der Fokus lag dabei auf der schrittweisen Einführung, um Risiken zu minimieren und das Team schulen zu können.
Phase 1: Datenbereinigung & Negatives Scoring (Woche 1–3)
Bevor positive Bewertungen stattfanden, mussten die offensichtlich schlechten Daten eliminiert werden. Wir definierten ein Regelwerk für Negativ-Scores, die einen Lead automatisch aus dem aktiven Vertriebsfluss herausnahmen oder stark abwerteten. Dazu gehörten:
- Free-Mail-Domains: Adressen von gmail.com, yahoo.se, hotmail.com etc. erhielten einen hohen Negativ-Score, da diese im B2B-Fintech-Kontext selten auf Entscheider hindeuten.
- Fehlende Firmendaten: Leads ohne Firmennamen oder ohne gültige Firmen-Domain wurden als „Unqualified“ markiert.
- IP-Blocklisten: Wir integrierten Listen bekannter Bot-Netzwerke und Proxy-Server, um automatisierte Scraping-Versuche bereits auf technischer Ebene zu erkennen.
- Firmenverifizierung: Über die integrierte API wurde jede neue Anfrage mit der Branchen-Zugehörigkeit abgeglichen. Nur Firmen aus den Sektoren Fintech, Banking, Insurance oder Payment Processing wurden als potenziell relevant eingestuft.
Phase 2: Positives Scoring & Intelligente Routing (Woche 4–6)
Nach der Bereinigung wurde das positive Scoring-Modell implementiert. Hier wurde zwischen harten und weichen Kriterien unterschieden:
- Harte Kriterien (Jobtitel): Titel wie CTO, CFO, Head of Operations oder VP Sales erhielten +50 Punkte. Diese Gewichtung basierte auf der Historie, dass diese Rollen die kürzesten Sales-Cycles aufwiesen.
- Weiche Kriterien (Interaktion): Das Downloaden von Whitepapers, die Teilnahme an Webinaren oder das Ansehen von Demo-Videos im CRM generierten +20 Punkte pro Aktion. Mehrere Interaktionen führten zu einer Kumulierung, was ein starkes Kaufsignal darstellte.
- Schwellenwerte & Routing:
- Unter 30 Punkten: Der Lead wurde automatisch in eine „Nur-Newsletter“-Liste versetzt und erhielt nur allgemeine Marketing-Kommunikation, aber keine persönliche Kontaktaufnahme durch Sales.
- 30–70 Punkte: Der Lead wurde dem Vertrieb im CRM angezeigt, aber nicht priorisiert. Die Kontaktaufnahme erfolgte nach Standard-SLA.
- Über 70 Punkte: Der Lead wurde als „Hot Lead“ klassifiziert. Das System löste sofort einen Slack-Alert beim zuständigen Account Executive aus, der den Lead innerhalb von 2 Stunden kontaktieren sollte.
Die technische Integration erfolgte über Webhooks und native CRM-Trigger. Dies garantierte, dass die Berechnung in Echtzeit stattfand und keine manuellen Export-Import-Schritte nötig waren.
Wie wir die Zahlen messen
Um den Erfolg des Projekts objektiv zu belegen, definierten wir vor Projektstart klare Metriken und Messmethoden. Die Datenerhebung erfolgte direkt aus dem HubSpot-Report-Center und den Slack-Logs.
- Spam-Rate: Gemessen als prozentualer Anteil der Leads, die den Negativ-Score-Schwellenwert überschritten und automatisch in die „Nur-Newsletter“-Liste verschoben wurden. Vorher wurde dieser Wert manuell durch Stichproben geschätzt, nachher automatisch protokolliert.
- Conversion Rate (Lead zu Demo): Der Anteil der qualifizierten Leads, die innerhalb von 30 Tagen eine Demo-Buchung im Kalender hatten. Diese Zahl wurde aus den Kalendereinträgen im CRM abgeleitet.
- Reaktionszeit: Die durchschnittliche Zeitdifferenz zwischen der Lead-Erstellung (Time of Creation) und dem ersten logierten Kontaktversuch (First Response Time) durch ein Sales-Mitglied.
Diese Kennzahlen wurden wöchentlich in einem Dashboard visualisiert, das dem CRO und dem Head of Sales zur Verfügung stand, um bei Abweichungen sofort gegensteuern zu können.
Ergebnis: Deutliche Verbesserung der Vertriebsqualität
Nach 3 Monaten im Live-Betrieb zeigten die KPIs eine deutliche und nachhaltige Verbesserung der Vertriebsqualität. Die automatisierte Filterung hatte den gewünschten Effekt erzielt.
| Metrik | Vorher | Nachher | Veränderung |
|---|---|---|---|
| Spam-Leads (Anteil) | 60 % | 10 % | -50 % |
| Conversion Rate (Lead zu Demo) | 4,5 % | 6,0 % | +33 % |
| Zeit bis zur ersten Kontaktaufnahme | 24 Std. | 2 Std. | -92 % |
Die manuelle Aufwandszeit im Vertrieb für die Lead-Bearbeitung sank um 75 %. Das bedeutet, dass das Team statt 4 Stunden pro Woche nur noch ca. 1 Stunde für administrative Aufgaben aufwenden musste. Diese frei gewordene Kapazität wurde direkt in neue Akquise-Aktivitäten investiert.
Besonders hervorzuheben ist die Senkung der Reaktionszeit von 24 auf 2 Stunden. Durch das sofortige Slack-Routing der A-Leads konnten die Account Executives in der kritischen „Goldenen Stunde“ nach dem Erstkontakt handeln. Dies führte nicht nur zu mehr gebuchten Demos, sondern auch zu einem besseren Eindruck bei den potenziellen Kunden, da diese sich schnell und kompetent betreut fühlten.
Learnings: Was wir mitnehmen
Die Zusammenarbeit mit dem Fintech hat mehrere wertvolle Erkenntnisse hervorgebracht, die über die reine technische Umsetzung hinausgehen.
Regelbasiertes Scoring ist oft effektiver als KI: In regulierten Branchen wie dem Fintech ist Transparenz entscheidend. Ein regelbasiertes Modell, bei dem jede Punktzahl erklärt werden kann, wird von Compliance-Abteilungen und internen Stakeholdern viel leichter akzeptiert als ein Black-Box-Algorithmus. Zudem sind regelbasierte Systeme in der Pflege einfacher und weniger fehleranfällig, da sie keine ständige Re-Training-Zyklen benötigen.
Starte mit Negativ-Filtern: Der schnellste ROI entsteht nicht durch das komplexe Belegen von guten Leads, sondern durch das konsequente Entfernen von offensichtlichem Spam. Die ersten 3 Wochen des Projekts, die fast ausschließlich der Datenbereinigung gewidmet waren, waren der Schlüssel zum Erfolg. Ohne diese saubere Basis hätte das positive Scoring keine verlässlichen Ergebnisse liefern können.
Kommunikation ist entscheidend: Das Scoring-Modell ist kein „Set-and-Forget“-Projekt. In den ersten 3 Monaten haben wir wöchentlich mit den Account Executives Kalibrierungs-Workshops durchgeführt. Wir haben Fälle besprochen, in denen das Modell falsch lag, und die Gewichtung der Kriterien angepasst. Diese enge Zusammenarbeit hat die Akzeptanz im Team massiv erhöht und die Qualität der Daten kontinuierlich verbessert.
Was wir heute anders machen würden
Rückblickend gibt es zwei Punkte, die wir bei einem ähnlichen Projekt heute anders angehen würden.
Erstens hätten wir die Integration der Firmenverifizierungs-API bereits in Woche 1 starten sollen, parallel zur Definition der Negativ-Scores. In der ursprünglichen Planung war dies sequenziell angesetzt, was den Zeitplan leicht verzögerte. Eine parallele Verarbeitung hätte die Phase 1 um ca. 5 Tage verkürzt.
Zweitens hätten wir ein klareres Feedback-Loop-System für die „False Positives“ (fälschlicherweise als Spam markierte gute Leads) von Anfang an integriert. In der Praxis kam es vor, dass einige kleinere, aber hochinteressante Start-ups durch die strikte Firmenverifizierung herausgefiltert wurden. Heute würden wir einen manuellen Override-Button im CRM einbauen, der es dem Vertrieb ermöglicht, einen Lead mit einem Klick manuell zu qualifizieren und gleichzeitig das Modell für zukünftige Korrekturen zu füttern.
Fazit
Die Implementierung des regelbasierten Lead-Scoring-Modells war für das schwedische Fintech ein Wendepunkt. Die Kombination aus harten Ausschlusskriterien und weichen Interaktionsdaten hat eine saubere, priorisierte Pipeline geschaffen, die den Vertrieb entlastet und die Conversion-Rate messbar gesteigert hat. Für B2B-Unternehmen in regulierten Branchen ist dieser Ansatz eine bewährte Strategie, um aus Datenflut wertvolle Geschäftsopportunities zu destillieren.