Ausgangslage: Hoher Ad-Spend, geringe Resonanz
Der Kunde, ein etablierter B2B-SaaS-Anbieter für Supply-Chain-Software mit 120 Mitarbeitern in Schweden, stand vor einer klassischen Wachstumsfalle: Die Akquise in den angrenzenden DACH- und Benelux-Märkten stagnierte, obwohl das Budget für LinkedIn Ads kontinuierlich erhöht wurde. Die Investition in Sichtbarkeit war hoch, doch die Qualifizierungsquoten der generierten Leads blieben auf einem unbefriedigend niedrigen Niveau. Sales-Teams berichteten intern, dass viele Kontakte nicht zum richtigen Zeitpunkt oder ohne ausreichenden Kontext erreicht wurden. Es fehlte an einem klaren Signal, welche Leads tatsächlich kaufbereit waren und welche lediglich neugierig klickten.
Die Hauptprobleme zeigten sich in drei zentralen Bereichen. Erstens waren die Ad-Kreationen ineffizient, da einheitliche Botschaften ohne spezifische Segmentierung nach Rolle oder Branche verwendet wurden. Zweitens litt die Organisation unter einer manuellen Lead-Verarbeitung, bei der Interessenten erst nach 24 bis 48 Stunden im CRM erfasst wurden. Drittens fehlte ein automatisiertes Lead-Scoring-Modell, das Interessenten basierend auf ihrem Engagement priorisieren konnte. Diese Kombination aus ungenauem Targeting, langsamer Verarbeitung und fehlender Priorisierung führte dazu, dass das Marketing-Budget nicht optimal genutzt wurde und der Vertrieb mit unqualifizierten Anfragen überfordert war.
Herausforderungen: Warum die bisherigen Ansätze versagten
Die erste große Herausforderung lag in der mangelnden Datenqualität am Ursprung. Ohne saubere Segmentierung war es unmöglich, relevante Botschaften an die richtigen Entscheider zu senden. Die zweite Herausforderung war der technische Silo-Effekt: LinkedIn und das CRM des Kunden kommunizierten nicht miteinander. Leads mussten manuell exportiert und importiert werden, was nicht nur Zeit kostete, sondern auch zu Datenverlusten und verzögerten Follow-ups führte. Die dritte Herausforderung war organisatorischer Natur: Das Sales-Team hatte keine klaren Kriterien, um Leads zu priorisieren. Ohne ein Scoring-System war die Reaktionszeit abhängig von der individuellen Geschwindigkeit der einzelnen Account Executives, was zu einer ungleichmäßigen Behandlung der Leads führte.
Der Tech-Stack: Tools für den datengetriebenen Workflow
Um diese Herausforderungen zu lösen, nutzten wir einen schlanken, aber leistungsstarken Tech-Stack, der nahtlos miteinander kommunizierte:
- LinkedIn Campaign Manager: Für die Kreation, das Targeting und das A/B-Testing der Werbeanzeigen.
- CRM-System des Kunden: Als zentrale Datenbank für alle Lead-Daten, Kontakte und Opportunities.
- Zapier / Make.com: Als Middleware für die Echtzeit-Synchronisation und automatische Datenanreicherung zwischen LinkedIn und dem CRM.
- HubSpot Marketing Hub: Für die Automatisierung der Nurturing-E-Mail-Sequenzen und die Verwaltung der Lead-Status.
- Google Analytics 4: Zur Messung der On-Page-Interaktionen und der Attribution der Conversions.
Umsetzung: Von der Strategie zur automatisierten Pipeline
Die Implementierung erfolgte in drei klar definierten Phasen über einen Zeitraum von 12 Wochen. Ziel war es, nicht nur die Werbekampagne zu optimieren, sondern den gesamten Prozess von der ersten Ad-Interaktion bis zum Sales-Follow-up neu zu gestalten. Wir begannen mit einer tiefgehenden Analyse der bestehenden Daten, um die Zielgruppen genauer zu definieren. Anschließend erstellten wir eine datengetriebene Kampagnenstruktur, die direkt mit dem CRM-System des Kunden verknüpft wurde.
Phase 1: LinkedIn-Strategie und A/B-Testing Wir erstellten fünf verschiedene Ad-Varianten, die streng segmentiert nach Jobtitel (C-Level vs. Mid-Level Management), Branche (Logistik vs. Fertigung) und Content-Angle (ROI-Fokus vs. Feature-Fokus) getestet wurden. Jede Variante wurde mit einem Budget von 500 EUR pro Woche getestet. Nach zwei Wochen identifizierten wir die Top-Performer anhand der Click-Through-Rate und der Formular-Conversion-Rate. Diese Phase war entscheidend, um herauszufinden, welche Botschaften bei welchen Zielgruppen am besten ankamen.
Phase 2: Automatisierter CRM-Sync Wir integrierten die LinkedIn Lead-Formulare direkt in das CRM des Kunden. Dies ermöglichte eine Echtzeit-Synchronisation, bei der Leads sofort im CRM landeten, ohne dass manuelle Export-Schritte nötig waren. Zusätzlich richteten wir eine automatische Anreicherung ein, bei der Firmen- und Kontakt-Daten bei Ankunft angereichert wurden, um dem Vertrieb sofort einen vollständigen Kontext zu bieten.
Phase 3: Lead Scoring und Routing Ein regelbasiertes Scoring-Modell wurde eingerichtet. Hohe Punkte erhielt ein Lead, wenn er auf den Demo-Button klickte und einen C-Level-Titel besaß. Mittlere Punkte gab es für mehrfachen Content-Download. Niedrige Punkte erhielt ein einmaliger Ad-Klick. Leads mit hohen Punkten wurden sofort an den Vertrieb geroutet, während mittlere Leads eine automatisierte Nurturing-E-Mail-Sequenz erhielten, um sie über einen längeren Zeitraum zu pflegen.
Wie wir die Zahlen messen: Methodik hinter den Kennzahlen
Um die Wirksamkeit der Maßnahmen objektiv zu belegen, definierten wir vor Projektstart klare KPIs und Messmethoden. Die monatlichen MQLs (Marketing Qualified Leads) wurden direkt aus dem CRM gezogen und basierten auf den definierten Scoring-Schwellenwerten. Die Kosten pro MQL wurden berechnet, indem der gesamte LinkedIn-Ad-Spend eines Monats durch die Anzahl der generierten MQLs geteilt wurde. Die Lead-to-Opportunity-Rate wurde als Verhältnis der neu erstellten Opportunities zu den eingegangenen MQLs berechnet. Die Reaktionszeit des Vertriebs wurde über die Timestamps im CRM gemessen, die den Zeitraum zwischen der Lead-Erfassung und der ersten Sales-Aktivität (z. B. E-Mail oder Anruf) dokumentierten. Diese Daten wurden wöchentlich in einem Dashboard zusammengefasst, um schnelle Anpassungen vornehmen zu können.
Ergebnis: Messbare Verbesserungen in der Pipeline
Nach 12 Wochen zeigte die Kampagne messbare Verbesserungen in allen Kern-KPIs. Die wichtigsten Ergebnisse im Vergleich zum Vorher-Zustand verdeutlichen den Erfolg der datengetriebenen Annäherung.
| Metrik | Vorher | Nachher | Veränderung |
|---|---|---|---|
| MQLs (Monatlich) | 40 | 58 | +45 % |
| Kosten pro MQL | 180 EUR | 125 EUR | -30 % |
| Lead-to-Opportunity Rate | 12 % | 19 % | +7 Pp |
| Reaktionszeit Vertrieb | 36 Std. | < 1 Std. | -97 % |
Zusätzliche Effekte:
- Höhere Qualität: Sales-Teams berichteten von besser vorbereiteten Erstgesprächen dank automatischer Kontextdaten, die dem Vertrieb sofort zur Verfügung standen.
- Skalierbarkeit: Die gewonnenen Insights aus dem A/B-Testing wurden erfolgreich auf neue Märkte (DACH) übertragen, was die Skalierung des Wachstums beschleunigte.
Learnings: Drei zentrale Erkenntnisse für B2B-SaaS
Dieses Projekt verdeutlichte drei zentrale Punkte für B2B-SaaS-Wachstum in internationalen Märkten. Erstens: Segmentierung schlägt Masse. Einheitliche Ads funktionieren im B2B-SaaS-Markt selten. Das Testen spezifischer Botschaften für verschiedene Zielgruppen führte zu einer deutlichen Senkung der Kosten pro Lead. Zweitens: Geschwindigkeit ist Conversion. Die Reduktion der Reaktionszeit von über einem Tag auf unter einer Stunde war der größte Hebel für die Steigerung der Lead-to-Opportunity-Rate. Drittens: Datenfluss statt Datensilos. Der direkte Sync zwischen LinkedIn und dem CRM eliminierte manuelle Fehler und ermöglichte eine Echtzeit-Steuerung der Kampagnen.
Was wir heute anders machen würden
Trotz des Erfolgs gibt es zwei Punkte, die wir bei einer Wiederholung anders angehen würden. Erstens hätten wir die A/B-Tests früher mit kleineren Budgets gestartet, um schneller iterieren zu können und weniger Budget für unterperformende Varianten zu verschwenden. Zweitens hätten wir die Nurturing-E-Mail-Sequenzen noch stärker personalisiert, um die Engagement-Raten bei mittleren Leads weiter zu steigern. Diese Anpassungen würden die Effizienz in der zweiten Hälfte der Customer Journey noch weiter erhöhen.