Ein Lead Score ist keine Wahrheit über einen Menschen oder ein Unternehmen. Er ist eine komprimierte Prognose für eine klar benannte Entscheidung. Ohne diese Entscheidung ist die Zahl Dekoration. Mit ihr wird der Score zu einem Modell, das sich prüfen, kalibrieren und auch wieder abschalten lässt

Wir bauen ein kleines Modell

Angenommen, ein Softwareanbieter möchte entscheiden, welche Anfragen innerhalb von zwei Stunden fachlich geprüft werden. Historische Daten zeigen vier brauchbare Merkmale:

  • Problem passt zu den angebotenen Leistungen: 0, 20 oder 40 Punkte
  • verantwortliche Person ist am Gespräch beteiligt: 0 oder 20 Punkte
  • realistischer Start innerhalb von sechs Monaten: 0, 10 oder 20 Punkte
  • konkreter betrieblicher Anlass beschrieben: 0 oder 20 Punkte

Eine Anfrage mit 70 Punkten erhält die schnelle Prüfung. Das klingt sauber, ist aber erst eine Hypothese. Die Gewichte stammen aus Erfahrung, nicht aus Naturgesetzen. Sie müssen an echten Ergebnissen getestet werden

Das richtige Ergebnis definieren

„Deal gewonnen“ liegt oft Monate später und hängt von Preis, Vertrieb und Kapazität ab. Als erstes Ziel kann „fachlich passender Termin findet statt“ besser sein. Es ist näher an der Entscheidung und schneller messbar. Später lässt sich prüfen, ob dieses Zwischenziel tatsächlich mit guten Projekten zusammenhängt

Das Ziel darf nicht nachträglich so geändert werden, dass das Modell gut aussieht. Definition, Zeitraum und Ausnahmen werden vor der Auswertung festgehalten

Zwei Fehlerarten, zwei Kosten

Ein falsch positiver Fall erhält schnelle Aufmerksamkeit, obwohl er nicht passt. Das kostet Zeit. Ein falsch negativer Fall wartet, obwohl er wertvoll wäre. Das kann Umsatz und Vertrauen kosten. Der Schwellenwert von 70 ist daher keine rein statistische Entscheidung. Er hängt von Teamkapazität und den Kosten beider Fehler ab

Wenn 40 von 100 hoch eingestuften Anfragen wirklich passen, beträgt die Präzision 40 Prozent. Wenn es insgesamt 50 passende Anfragen gab und das Modell 40 davon fand, beträgt die Trefferquote 80 Prozent. Beide Werte gehören zusammen. Ein System, das nur einen einzigen sicheren Lead markiert, kann perfekte Präzision und trotzdem kaum Nutzen haben

Kalibrierung macht Zahlen ehrlich

Wenn Anfragen mit 80 Punkten in vier von fünf Fällen passen, ist der Wert gut interpretierbar. Passen sie nur in jedem zweiten Fall, wirkt die Skala präziser als das Modell. Eine Kalibrierung betrachtet Gruppen von Scores und vergleicht Prognose mit Realität

Bei kleinen Datenmengen sind grobe Klassen häufig seriöser: hohe, mittlere und niedrige Priorität. Eine Nachkommastelle erzeugt keine zusätzliche Erkenntnis. Sie versteckt nur Unsicherheit

Fehlende Daten sind nicht null

„Budget unbekannt“ darf nicht automatisch dieselbe Bedeutung wie „kein Budget“ erhalten. Fehlende Angaben können mit einem eigenen Wert modelliert oder in einer nachgelagerten Frage geklärt werden. Sonst bestraft das System frühe, explorative Anfragen und bevorzugt Menschen, die bereits die Sprache des Anbieters kennen

Auch Firmengröße ist selten ein neutraler Ersatz für Potenzial. Sie kann bestimmte Branchen oder junge Unternehmen systematisch benachteiligen. Jedes Merkmal braucht einen plausiblen fachlichen Zusammenhang, nicht nur eine zufällige Korrelation in einem kleinen Datensatz

Ein überprüfbares Betriebsblatt

  1. Entscheidung und Zielvariable benennen
  2. Merkmale mit fachlicher Begründung dokumentieren
  3. Score, Regeln und Version pro Anfrage speichern
  4. menschliche Abweichung samt Grund erlauben
  5. Präzision, Trefferquote und Kalibrierung regelmäßig prüfen
  6. Ergebnisse nach relevanten Gruppen auf auffällige Unterschiede untersuchen
  7. eine Rückfallregel festlegen, falls Daten oder Modell ausfallen

Wann maschinelles Lernen nicht hilft

Bei wenigen hundert uneinheitlich dokumentierten Anfragen lernt ein komplexes Modell oft vor allem die Gewohnheiten einzelner Verkäufer. Ein kleines Regelmodell ist dann transparenter und leichter zu ändern. Maschinelles Lernen wird interessant, wenn genügend saubere Beispiele, eine stabile Zieldefinition und ein Prozess zur laufenden Überwachung vorhanden sind

Der Lead Qualifier sammelt die Informationen, der Score priorisiert einen klaren nächsten Schritt. Keines von beiden sollte Menschen endgültig aussortieren, ohne dass Wirkung, Fehler und Einspruchsweg verstanden sind. Die Zahl ist ein Arbeitsinstrument. Verantwortung bleibt bei den Personen, die den Vertriebsprozess gestalten