Das Scoring-Modell wird meist als Letztes geprüft, wenn die Pipeline schwächelt. Teams überarbeiten ihre Sequenzen, hinterfragen die ICP-Definition, testen neue Botschaften. Das Modell bleibt unangetastet, weil es sich wie Infrastruktur anfühlt: einmal gebaut, läuft still vor sich hin, vermutlich in Ordnung.
Wenn wir in einem Team mitarbeiten, stellen wir immer wieder fest: Das Modell ist nicht in Ordnung, und der Grund liegt fast immer an derselben Stelle, nämlich bei den Enrichment-Daten, auf denen es aufgebaut wurde und die es weiterhin nutzt. Die Datenqualität beim Lead Scoring ist das vorgelagerte Problem, das das Modell falsch macht, bevor ein Vertriebsmitarbeiter überhaupt einen Score sieht.
Warum die Datenqualität beim Lead Scoring beim Enrichment beginnt
Der übliche Aufbau sieht so aus: Ein Lead kommt herein, ein Enrichment-Tool ergänzt Felder, das Scoring-Modell liest diese Felder und vergibt eine Zahl. Die Scoring-Logik wirkt meist vernünftig: Firmografische Passung, Engagement-Signale, Abgleich des Jobtitels mit dem ICP. Doch die firmografischen Daten, die das Tool ergänzt hat? In vielen Fällen sind 30 bis 40 % dieser Feldwerte falsch, veraltet oder passen nicht.
Das ist keine Spekulation. Das finden wir bei Datenaudits an einer Stichprobe von Accounts, bevor wir ein Scoring-Modell aufbauen oder neu aufsetzen. Mitarbeiterzahlen, die um eine Größenklasse danebenliegen. Branchen-Tags, die nicht zum tatsächlichen Geschäft des Unternehmens passen. Jobtitel, die Seniority-Stufen zugeordnet sind, welche die Organisationsstruktur nicht widerspiegeln. Das Enrichment-Tool hat eine Domain abgeglichen und einen Datensatz gezogen, aber den falschen, oder einen, der vor zwei Jahren noch korrekt war.
Die meisten Teams bemerken das leider erst, wenn sich SDRs beschweren, dass die bewerteten Leads nicht zu dem passen, was sie im Gespräch tatsächlich vorfinden. Das ist ein später Hinweis auf ein grundlegendes Problem.
Das Problem der stillen Vererbung
Teams stolpern darüber, dass Ihr Scoring-Modell schlechte Daten nicht nur einmal verwendet. Es erbt sie als Muster. Wenn Ihr Enrichment-Tool Unternehmen mit 50 bis 200 Mitarbeitenden systematisch als Enterprise einstuft und Ihr Modell auf historischen Conversions trainiert wurde, die dieselbe fehlerhafte Zuordnung enthielten, lernt das Modell das falsche Signal als Prädiktor.
So verfälschen Probleme bei der Datenqualität im Lead Scoring sowohl den Trainingsdatensatz als auch den laufenden Inferenz-Datenstrom. Sie korrigieren zwar den Enrichment-Feed für die Zukunft, doch die Gewichte des Modells spiegeln weiterhin die alte Fehlklassifizierung wider. Interessenten, mit denen wir sprechen, beschreiben das oft als schleichenden Drift: „Unser Scoring hat die ersten sechs Monate gut funktioniert, dann haben wir angefangen, Chancen zu verpassen.“ Häufig ist das keine Veränderung im Marktverhalten. Es ist die angesammelte Enrichment-Fehlerquote, die sich bei hohem Volumen bemerkbar macht.
Meiner Einschätzung nach ist das ein Problem sich aufschaukelnder Fehler. Jedes fehlerhafte Feld bedeutet nicht nur einen falschen Score, sondern ein falsches Muster, das in ein Modell eingebaut ist, das bei jedem weiteren Lead greift. Dieser Mechanismus ist wichtig, weil Sie die Datenqualität im Lead Scoring nicht verbessern können, indem Sie die Scoring-Kriterien anpassen. Sie müssen beheben, was die Kriterien speist.
Was die Datenqualität im Lead Scoring erfordert
Es sind zwei Audits nötig, die miteinander zusammenhängen, aber nicht dieselbe Arbeit sind.
Das erste ist ein Enrichment-Audit. Auf welche Felder stützt sich Ihr Modell? Wie genau sind diese Felder in einer Stichprobe? Sie ziehen 100 bis 200 Accounts aus dem CRM, prüfen die angereicherten Werte anhand von Quellen, die Sie verifizieren können, und messen die Fehlerquote je Feld: Mitarbeiterzahl, Branchenklassifizierung, Standort des Hauptsitzes, Tech-Stack und die Seniorität des ursprünglichen Kontakts. Tun Sie das, bevor Sie ein Scoring-Modell aufbauen, und erst recht, bevor Sie eines neu aufsetzen.
Das zweite ist ein Modell-Audit: Welche Felder sagen in den historischen Daten eine Conversion voraus, und welche Felder sollten sich nur danach anfühlen? Viele Scoring-Modelle beruhen auf dem Bauchgefühl einer Person, wie ein guter Lead aussieht. Zusammen ergeben beide Audits eine belastbare Definition von Datenqualität im Lead Scoring: die richtigen Felder, mit sauberen Daten in diesen Feldern, abgeglichen mit den Ergebnissen, auf die es Ihnen ankommt.
Es gibt keinen Anbieter, der das automatisch löst. Enrichment-Tools, auch KI-native, nennen Match-Raten, doch Match-Rate und Feldgenauigkeit sind unterschiedliche Kennzahlen. Ein Tool kann 90 % der Datensätze zuordnen und trotzdem bei 40 % der ergänzten Werte falsch liegen. Eine Fractional-RevOps-Beratung beansprucht nach einem 90-tägigen Projekt Zugewinne bei der Forecast-Genauigkeit von rund 40 %, und für den passenden Kunden würde ich das glauben. Doch diese Verbesserung beginnt fast immer bei dem, was den Forecast speist, nicht bei der Forecast-Logik selbst.
Einige RevOps-Anbieter veröffentlichen inzwischen Festpreise für den Umbau von Systemen, die genau diese Art von Daten- und Scoring-Überarbeitung umfassen. Das erleichtert es Käufern zumindest, den Umfang der Arbeit abzuschätzen.
Was wir tun, wenn wir hier mitarbeiten
Die ersten zwei Wochen finden fast nie im Scoring-Modell statt. Sie finden in den Daten statt: eine Stichprobe ziehen, das Enrichment-Audit durchführen und per Stichprobenkontrolle abbilden, welche Felder das Modell liest und wie hoch die Fehlerquote ist.
Für die automatisierte, fortlaufende Genauigkeitsprüfung habe ich keine überzeugende Antwort. Die Enrichment-Genauigkeit sinkt, wenn sich Unternehmen verändern und Tools ihre Quellen aktualisieren, und in den meisten Enrichment-APIs gibt es kein verlässliches Echtzeit-Signal für die Genauigkeit. Als bewährte Vorgehensweise hat sich bei uns eine vierteljährliche Stichprobenprüfung der am höchsten gewichteten Felder erwiesen, ergänzt um eine Aktualitätsprüfung Ihrer am besten bewerteten aktiven Accounts.
Das Zweite ist sicherzustellen, dass das Scoring-Modell an einem Holdout-Set getestet wird, das die von Ihrem Tool erzeugten Enrichment-Daten verwendet und keine manuell bereinigten Daten. Wenn Sie ein Modell auf verifizierten Firmendaten aufbauen und es dann auf ergänzte Daten anwenden, haben Sie für eine andere Eingabeverteilung gebaut. Datenqualität im Lead Scoring bedeutet: Die Daten, die Ihr Modell im Training sieht, sollten denen entsprechen, die es bei der Inferenz sieht, einschließlich der Fehler.
Die meisten Gespräche, in denen es heißt „Unser Scoring funktioniert nicht“, führen uns hierher zurück. Die Scoring-Logik ist oft in Ordnung. Die CRM-Datenhygiene darunter ist es nicht. Und die Datenschicht zu reparieren, statt weitere Scoring-Kriterien auf dasselbe brüchige Fundament zu stapeln, ist meist der Punkt, an dem die Arbeit ansetzt.
Wenn Sie sich damit beschäftigen: In den Analysen und Frameworks zu RevOps-Systemen, die wir veröffentlicht haben, beschreiben wir, wie wir ein Daten- und Enrichment-Audit vor jedem Scoring-Neuaufbau angehen. Die Datenqualität im Lead Scoring ist für die meisten Teams der Ausgangspunkt, und zugleich der Teil, der am häufigsten übersprungen wird.