Wie Dubletten das Lead-Scoring verzerren

Lead-Scoring soll dem Vertrieb sagen, wen er zuerst anrufen soll. Marketing legt die Punkte fest oder trainiert ein Modell, der Vertrieb vertraut der Zahl, und der Schwellenwert entscheidet, wann ein Lead zur MQL wird.

Der Score ist nur so gut wie der Datensatz, auf dem er liegt. Wenn ein Einkäufer in zwei oder drei Datensätzen steckt, enthält jeder davon einen Teil der Geschichte, und der Score spiegelt nur diesen Teil wider. Manche kaufbereite Einkäufer erreichen nie den Vertrieb, und manche Datensätze erreichen den Vertrieb, obwohl sie es nicht sollten.

In diesem Beitrag sehen Sie, wie Dubletten regelbasiertes und KI-gestütztes Scoring verzerren, und den Ansatz, der das behebt. Es geht um eine Denkweise zu Scoring und Dubletten, daher wird kein Scoring-Setup Schritt für Schritt erklärt.

Was das Lead-Scoring auswertet

Viele Scoring-Modelle schauen auf zwei Dinge. Fit beschreibt, wer die Person ist: Jobtitel, Unternehmensgröße, Branche, Land. Engagement beschreibt, was sie tut: Formulare, E-Mail-Klicks, Seitenaufrufe, Termine.

Regelbasiertes Scoring

Beim regelbasierten Scoring legt Ihr Team die Punkte fest. Eine Demo-Anfrage könnte 20 Punkte wert sein, ein Besuch der Preisseite 10 und eine Position aus Ihrer Zielliste weitere 15. Erreicht ein Datensatz den Schwellenwert, wird er zum MQL und an den Vertrieb übergeben.

KI- oder prognosebasiertes Scoring

KI-Bewertung lernt aus früheren Datensätzen. Sie betrachtet, welche Leads Kunden wurden und welche nicht, und bewertet neue Leads danach, wie sehr sie den Gewinnern ähneln.

Beide Ansätze bewerten Datensätze. Keiner erkennt, dass zwei Datensätze dieselbe Person betreffen, solange die Daten sie nicht verknüpfen.

Drei Arten, wie Duplikate Scores verzerren

Wie stark jeder Faktor wiegt, hängt von Ihren Quellen, Ihrem Schwellenwert und davon ab, wie Ihr Team Leads verteilt. Diese Muster sollten Sie im Blick behalten.

Interaktionen auf mehrere Datensätze verteilt

Ein Interessent lädt einen Leitfaden mit einer privaten E-Mail-Adresse herunter und meldet sich dann mit einer geschäftlichen für ein Webinar an. Jeder Datensatz erhält einen Teil der Aktivität, und keiner erreicht den Schwellenwert. Der Interessent ist bereit, aber niemand ruft an.

Auch die Passung wird aufgeteilt: Ein Datensatz hat die Berufsbezeichnung aus einem Formular, der andere die Unternehmensgröße aus einem Import. Keiner wirkt für sich wie ein starker Fit. Leads sind dafür besonders anfällig, da doppelte Leads entstehen schneller als Kontakte.

Falsche MQLs

Duplikate können auch Scores in die falsche Richtung verschieben. Ein Kunde oder ein Kontakt aus einer offenen Opportunity meldet sich mit einer neuen E-Mail-Adresse zu einem Webinar an. Das CRM legt einen neuen Datensatz an, das Webinar vergibt Punkte, und der Datensatz wird zum MQL.

Der Vertrieb erhält einen "neuen" Lead, der bereits mit einem Account Manager spricht. Der Mitarbeiter ruft an, der Käufer ist verwirrt, und der Vertrieb beginnt, an den nachfolgenden MQLs zu zweifeln.

Dubletten verfälschen außerdem die MQL-Zahlen. Eine doppelt gezählte Person lässt das Volumen höher und die Conversion-Raten niedriger erscheinen, als sie tatsächlich sind.

Routing, das zu spät greift

Bewertungen entscheiden, wann ein Lead an den Vertrieb geht. Bei geteilter Interaktion erreicht der Datensatz die Schwelle Tage oder Wochen später als der Käufer selbst.

Bis dahin ist der Moment, der den Käufer zur Kontaktaufnahme bewegt hat, womöglich vorbei. Zwei Datensätze können die Schwelle auch getrennt überschreiten und zwei unterschiedlichen Vertriebsmitarbeitern zugewiesen werden.

Warum KI-Scoring die falschen Muster lernt

KI-Scoring bringt ein zweites Problem mit sich. Es lernt aus Ihrer Historie, sodass Duplikate in früheren Datensätzen bestimmen, wie das Modell einen guten Lead einschätzt.

Ein Kunde, dessen Engagement auf zwei Datensätze verteilt war, wirkt weniger engagiert, als er tatsächlich war. Die übrig gebliebene Dublette, die nie konvertiert hat, zählt als verlorener Lead. Das Modell lernt, dass die Signale Ihrer besten Käufer weniger Gewicht haben, als sie verdienen.

Dieselben geteilten Daten betreffen andere KI-Tools in Ihrem CRM, die Dubletten können auf ähnliche Weise Probleme verursachen. Bei Scoring beginnt die Lösung vor dem Training oder Neutraining eines Modells.

Der Ansatz: Datensätze korrigieren, bevor Sie das Modell anpassen

Wenn Scores falsch wirken, ist die erste Reaktion oft, Punkte oder Schwellenwert zu ändern. Sind Duplikate die Ursache, verschieben neue Regeln das Problem nur. Beginnen Sie bei den Datensätzen.

Legen Sie fest, was für die Bewertung als Dublette gilt

Was als Duplikat gilt, hängt vom Einzelfall ab, und was ein Team als Duplikat sieht, sieht ein anderes vielleicht nicht. Ein Interessent, der ein Jahr später zurückkehrt, ist für das Marketing womöglich derselbe Lead und für den Vertrieb eine neue Chance.

Vereinbaren Sie die Fälle vor der Zusammenführung. Häufige sind eine Person mit privater und geschäftlicher E-Mail-Adresse, eine Person, die zu zwei Produkten anfragt, und ein wiederkehrender Interessent.

Führen Sie zuerst die offensichtlichen Dubletten zusammen

Beginnen Sie mit exakten Treffern bei der E-Mail. Diese lassen sich meist am sichersten zusammenführen und sind ein schneller erster Schritt.

Prüfen Sie danach Personen mit zwei E-Mail-Adressen. Gleichen Sie Vor- und Nachname plus Telefon oder Firmenname ab, und wählen Sie die Felder für den Abgleich aus dem, was Ihre Datensätze enthalten. Prüfen Sie diese vor dem Zusammenführen, da zwei Personen denselben Namen tragen können.

Legen Sie fest, was der zusammengeführte Datensatz behält

Das Scoring hängt stärker von einigen Feldern ab als von anderen. Legen Sie vor dem Zusammenführen fest, welcher Wert bei Lifecycle-Phase, Lead-Status, Owner und MQL-Datum gewinnt.

Prüfen Sie, wie Ihr Scoring eine Zusammenführung behandelt. Es berechnet womöglich aus der kombinierten Historie neu oder behält den Score eines Datensatzes, bis neue Aktivität eintrifft.

Scores und MQL-Zahlen nach der Zusammenführung vergleichen

Sehen Sie sich Ihre MQL-Liste vor und nach einer Bereinigung an. Zählen Sie, wie viele Datensätze den Schwellenwert überschritten haben, nachdem ihre Historie zusammengeführt wurde, und wie viele falsche MQLs verschwunden sind.

Dieser Vergleich zeigt, ob Ihre Scoring-Regeln falsch waren oder die Datensätze. Passen Sie Punkte und Schwellenwert erst danach an.

Erkennen Sie neue Dubletten, bevor sie den Schwellenwert erreichen

Formulare, Importe und Integrationen legen laufend neue Datensätze an. Eine Prüfung auf neue Dubletten nach festem Plan verhindert, dass Scores wieder abweichen. Werden neue Dubletten vor dem Routing zusammengeführt, enthält der Datensatz, der beim Vertrieb ankommt, die vollständige Historie.

Zusammenfassung: Dubletten und Lead-Scoring

Verlässliche Kennzahlen beginnen mit einem Datensatz pro Käufer

Lead-Scoring arbeitet mit Datensätzen, daher verändern Dubletten, was es sieht. Geteilte Interaktionen verbergen kaufbereite Kunden, und neue Anmeldungen bekannter Käufer werden zu falschen MQLs. Verspätete Bewertungen schicken Leads an den Vertrieb, wenn der richtige Moment schon vorbei ist, und KI-Scoring lernt aus derselben zersplitterten Historie.

Die Lösung: Einigen Sie sich darauf, was als Duplikat gilt, führen Sie die offensichtlichen zusammen und prüfen Sie die Scores erneut. Sobald jeder Käufer einen Datensatz hat, erkennen Sie, ob Ihre Scoring-Regeln überarbeitet werden müssen oder die Daten.

Häufige Fragen