Lead-Scoring-Modell-Decay: Warum Ihr Scoring-Modell veraltet und wie Sie es beheben

In fast jeder B2B-Marketing-Organisation, die Lead Scoring länger als 18 Monate betrieben hat, gibt es ein wiederkehrendes Muster. Das Modell startete gut. Sales vertraute den Scores. Die MQL-to-Opportunity-Conversion sah solide aus. Dann begannen die Dinge still zu rutschen.

Die Ablehnungsraten stiegen leicht an. Sales begann, Vorbehalte gegenüber der MQL-Qualität zu äußern. Die Pipeline-aus-Marketing-Zahl wurde weicher. Niemand konnte auf eine einzelne Änderung zeigen, die das verursacht hatte. Es passierte einfach.

Was passiert ist, ist Modell-Decay.

---

Nur 44 % der B2B-Unternehmen überprüfen oder rekalibrieren ihr Lead-Scoring-Modell mehr als einmal pro Jahr (Forrester Research) – was bedeutet, dass die Mehrheit der Revenue-Teams auf Scoring-Logik agiert, die ihre Käufer nicht mehr widerspiegelt.

Webinar-Teilnahme als Behavior-Scoring-Signal kann innerhalb von 12 Monaten bis zu 60 % seiner Prädiktionskraft verlieren, da sich Teilnahme-Muster verschieben – und die meisten Teams bemerken den Decay erst, wenn die Ablehnungsraten bereits gestiegen sind (Bizible/Marketo Research).

B2B-Revenue-Teams, die Closed-Loop-Daten zur Rekalibrierung von Scoring-Gewichtungen verwenden, berichten von einer um 36 % höheren Genauigkeit bei der Vorhersage der SQL-Conversion als Teams, die sich auf MAP-Standard-Konfigurationen verlassen (MarketingProfs).

---

Kein Bug, keine schlechte Datenhygiene (obwohl das den Prozess beschleunigen kann) und kein Kampagnenproblem. Das Scoring-Modell selbst ist aus dem Takt mit dem tatsächlichen Verhalten Ihrer heutigen Käufer geraten. Die Gewichtungen, die Behaviors, firmografischen Attributen und Intent-Signalen zugewiesen wurden, basierten auf Daten von vor 18 Monaten. Damals hatten Sie ein anderes Produkt, einen anderen ICP und einen anderen Content-Mix. Ihre Käufer sind nicht dieselben. Das Modell hat die Memo nicht bekommen.

Das Schlimmste ist, dass ein deградiertes Modell falsches Vertrauen gibt. Ein Modell, das nie existiert hätte, würde Sie zumindest ehrlich halten. Ein Modell, das früher funktionierte, jetzt aber nicht mehr, produziert einen stetigen Strom „qualifizierter" Leads, die Sales still aufhört zu bearbeiten. Und das Dashboard sieht noch immer gut aus.

Wichtige Fakten: Zuverlässigkeit von Lead-Scoring-Modellen

• Nur 44 % der B2B-Unternehmen überprüfen oder rekalibrieren ihr Lead-Scoring-Modell mehr als einmal pro Jahr, laut Forrester Research – die Mehrheit operiert auf veralteter Logik.
• MQL-Ablehnungsraten über 35 % sind ein starker Indikator dafür, dass die Korrelation des Scoring-Modells mit tatsächlicher Vertriebsbereitschaft degradiert ist (SiriusDecisions-Benchmark-Daten).
• Unternehmen, die quartalsweise Scoring-Audits durchführen, sehen eine 20–30-prozentige Verbesserung der MQL-to-Pipeline-Raten gegenüber jährlichen Review-Teams, so Demand Gen Report Survey-Daten.
• Behavior-Signal-Decay ist besonders schnell: Webinar-Teilnahme als Scoring-Signal kann innerhalb von 12 Monaten bis zu 60 % seiner Prädiktionskraft verlieren, da sich Teilnahme-Muster verschieben (Bizible/Marketo Research).
• Revenue-Teams, die Closed-Loop-Daten zur Rekalibrierung von Scoring-Gewichtungen verwenden, berichten von einer um 36 % höheren Genauigkeit bei der Vorhersage der SQL-Conversion als Teams, die sich auf MAP-Standard-Scoring-Konfigurationen verlassen (MarketingProfs).

Warum Scoring-Modelle degradieren

Decay ist keine einzelne Sache. Es ist die Akkumulation mehrerer kleiner Verschiebungen, von denen keine das Modell allein bricht, aber alle es gemeinsam über Zeit degradieren.

Markt- und ICP-Drift. Ihre ICP-Definition von vor 18 Monaten beschreibt möglicherweise nicht mehr Ihre besten Käufer. Wenn Sie upmarket gegangen sind, eine neue Branche hinzugefügt oder den Fokus von SMB auf Mid-Market verschoben haben, müssen die firmografischen Attribute, die früher Fit vorhergesagt haben (Unternehmensgröße, Branche, Tech-Stack), möglicherweise andere Gewichtungen haben. Das Modell weiß nicht, dass sich Ihre Strategie geändert hat. Ein aktuelles Shared-ICP-Framework, das beide Teams vereinbart haben, ist der Referenzpunkt für jede Gewichtungsrekalibrierung.

Produkt- und Messaging-Änderungen. Neue Features schaffen neue Anwendungsfälle. Neue Anwendungsfälle ziehen neue Personas an. Wenn Ihr Produkt letztes Jahr eine Projektmanagement-Schicht hinzugefügt hat, ziehen Sie jetzt Ops-Leader an, die nicht in Ihrem ursprünglichen ICP-Modell waren. Ihre Behavior-Muster sehen anders aus als die des Demand-Gen-Managers, für den das Modell gebaut wurde.

Behavior-Signal-Drift. Kanäle und Formate, die vor 18 Monaten Intent-Signale lieferten, tragen möglicherweise nicht mehr dieselbe Bedeutung. Webinar-Teilnahme war früher ein starkes Mid-Funnel-Signal. Jetzt, mit Virtual-Event-Müdigkeit, ist jemand, der an einem Webinar teilnimmt, möglicherweise weniger engagiert als jemand, der drei spezifische Blog-Beiträge gelesen hat. Wenn Ihr Scoring-Modell Webinar-Teilnahme noch immer mit 15 Punkten gewichtet, überschätzt es Intent für viele Leads. Forresters Analyse zu Scoring-Modell-Versagen identifiziert Signal-Drift als die häufigste, aber am wenigsten diagnostizierte Ursache für sinkende Modellgenauigkeit.

Datenqualitätsdegradierung. Datensätze veralten. Felder hören auf, befüllt zu werden. Integrationen brechen. Ein Score, der von einem Tech-Stack-Datenfeed abhing, hört auf sich zu aktualisieren, wenn dieser Anreicherungsdienst ausläuft. Sie scoren jetzt auf leeren Feldern.

Scoring-Gewichtungs-Inertia. Niemand rekalibriert, weil nichts sichtbar kaputt ist. Das Modell läuft weiter. Reports generieren weiterhin Zahlen. Es braucht eine bewusste Intervention, um zu bemerken, dass die Zahlen weniger bedeutungsvoll sind als früher.

Signal-Decay vs. Modell-Decay

Das sind verwandte, aber unterschiedliche Probleme – und sie erfordern unterschiedliche Lösungen.

Signal-Decay tritt auf, wenn ein spezifischer Datenpunkt seine Prädiktionskraft verliert. Das Signal feuert noch (Webinar-Teilnahme wird noch verfolgt, Content-Downloads bekommen noch Punkte), aber die Korrelation zwischen diesem Signal und dem späteren Abschluss hat sich abgeschwächt. Sie würden das finden, indem Sie eine Korrelationsanalyse zwischen einzelnen Scoring-Attributen und Closed-Won-Ergebnissen durchführen. Wenn Webinar-Teilnahme früher mit Close bei r=0,4 korrelierte und jetzt bei r=0,1, hat dieses Signal degeneriert.

Modell-Decay tritt auf, wenn die Gesamtfähigkeit des Modells, Pipeline und Close-Rate vorherzusagen, degradiert ist, auch wenn kein einzelnes Signal dramatisch versagt hat. Der aggregierte Score des Modells ist nicht mehr prädiktiv. Ein Score von 80 bedeutete früher eine Close-Rate von 40 %; jetzt bedeutet er 22 %. Das gesamte System ist abgedriftet, nicht nur ein Attribut.

Signal-Decay ist behebbar, indem einzelne Attribute entfernt oder neu gewichtet werden. Modell-Decay erfordert oft einen vollständigeren Neuaufbau: Zu Closed-Won-Daten zurückgehen und die Korrelationsanalyse von Grund auf neu ausführen. Aber Sie können beide mit derselben quartalsweisen Monitoring-Routine erfassen.

Decay frühzeitig erkennen

Warten Sie nicht, bis sich jemand beschwert. Integrieren Sie Erkennung in Ihre Reporting-Kadenz.

Ablehnungsraten-Trend. Verfolgen Sie den Prozentsatz der MQLs, die Sales monatlich ablehnt. Eine Ablehnungsrate über 25–30 % ist eine gelbe Flagge. Über 40 % ist eine rote Flagge. Wenn die Ablehnungsrate von Quartal zu Quartal steigt, ist das das klarste Frühsignal dafür, dass das, was Marketing „qualifiziert" nennt, nicht mehr dem entspricht, was Sales als vertriebsbereit erkennt. Das ist Modell-Decay, der sich im menschlichen Verhalten zeigt.

Rückgang der MQL-to-Opportunity-Conversion-Rate. Ziehen Sie eine rollende 90-Tage-Conversion-Rate für MQL-to-Opportunity. Wenn sie sinkt, ohne dass ein entsprechender Rückgang des Lead-Volumens oder eine Änderung des Lead-Quellen-Mix vorliegt, degradiert das Modell. Die Leads sehen qualifiziert aus nach Score, konvertieren aber nicht mehr so wie früher. Prüfen Sie gegenüber Ihren MQL-to-SQL-Score-Schwellenwerten – ein Schwellenwert, der auf älteren Daten kalibriert wurde, kann die Conversion an der Spitze still aufblähen, während die echte Pipeline-Qualität erodiert.

Hoch bewertete Leads konvertieren nicht. Segmentieren Sie Ihre MQLs in Score-Buckets (80–100, 60–79, 40–59) und verfolgen Sie Conversion-Raten nach Bucket. Wenn Ihr 80–100-Bucket früher bei 35 % konvertierte und jetzt bei 18 %, hat das Modell seine Unterscheidungskraft am oberen Ende verloren. Entweder sind die Gewichtungen falsch, oder der Schwellenwert wurde zu niedrig relativ zum aktuellen ICP gesetzt.

Sales-Feedback-Loops signalisieren Qualitätsprobleme. Hören Sie, was Sales beim wöchentlichen Lead Quality Call sagt – insbesondere welche MQL-Quellen und Attribute sie regelmäßig ablehnen. Wenn sie sagen: „Alle Webinar-Leads sind wertlos" oder „Die Financial-Services-Leads konvertieren nie", ist das Signal-Decay in Anekdotenform.

Das 90-Tage-Decay-Audit: Eine Quartalscheckliste

Das 90-Tage-Decay-Audit ist ein strukturierter Quartalsprozess zur Erkennung und Korrektur von Lead-Scoring-Modell-Drift, bevor er zur Pipeline-Krise wird. Das Audit hat vier Schritte: (1) Korrelationsprüfung – berechnen Sie für jede Scoring-Dimension den Win-Rate-Unterschied zwischen Leads, die das Signal ausgelöst haben, und solchen, die es nicht getan haben; (2) Signal-Pruning – entfernen oder gewichten Sie Signale neu, bei denen der Win-Rate-Unterschied unter 5 Prozentpunkten liegt; (3) Signal-Addition – testen Sie neue Behavior-Signale mit ausreichend historischen Daten; (4) ICP-Sync – bestätigen Sie, dass firmografische Gewichtungen noch die aktuelle gemeinsame ICP-Definition widerspiegeln. Quartalsmäßig ist die richtige Kadenz für die meisten Teams: häufig genug, um Drift zu erkennen, bevor er zur Krise wird, aber nicht so häufig, dass er zur Belastung für Marketing Ops wird.

Korrelation jeder Scoring-Dimension mit aktuellen Closed-Won-Daten prüfen.

Exportieren Sie Closed-Won-Deals aus dem letzten Quartal. Berechnen Sie für jede Scoring-Dimension (Branche, Unternehmensgröße, Jobtitel, Seitenbesuche, Content-Downloads, E-Mail-Engagement, Demo-Anfragen, Trial-Starts) die Win-Rate für Leads, die dieses Signal ausgelöst haben, gegenüber denen, die es nicht getan haben. Wenn der Win-Rate-Unterschied weniger als 5 Prozentpunkte beträgt, leistet das Signal keine bedeutungsvolle Arbeit.

Signale entfernen oder neu gewichten, die nicht mehr vorhersagen.

Wenn „Whitepaper-Download" im Wesentlichen dieselbe Win-Rate wie kein Download hat, fügt es Rauschen hinzu, kein Signal. Entweder entfernen oder auf 1–2 Punkte reduzieren. Kontraintuitiv übertrifft ein einfacheres Modell mit weniger Attributen häufig ein komplexes, weil die Hochsignal-Attribute nicht durch Niedrigsignal-Rauschen verwässert werden.

Neue Signale hinzufügen, die aufgetaucht sind.

Neue Content-Typen, neue Produktaktionen, neue Intent-Datenquellen: Jedes Behavior-Signal, das Sie in den letzten 6–12 Monaten zu verfolgen begonnen haben, hat möglicherweise jetzt genug historische Daten, um auf Prädiktionswert hin zu bewerten. Führen Sie dieselbe Korrelationsanalyse durch und fügen Sie es dem Modell hinzu, wenn es den Schwellenwert überschreitet.

Firmografische Gewichtung gegen Ihre aktuelle ICP-Definition überprüfen.

Wenn Sales Leadership den ICP im letzten Jahr aktualisiert hat (neue Zielbranchen, neue Kopfzahlbereiche, neue Umsatzstufen) sollten Ihre firmografischen Scores das widerspiegeln. Wenn nicht, generieren Sie hohe Fit-Scores für Unternehmen, die Sales nie priorisieren wird. Die Lead Qualification Frameworks, die Ihr Team für den Opportunity-Stage-Eintritt nutzt, sind eine nützliche Gegenprüfung: Wenn sich die Kriterien dort geändert haben, Ihre Scoring-Gewichtungen aber nicht, sind sie nicht synchron.

Datenpipeline-Gesundheit prüfen.

Prüfen Sie die Felder, die Ihr Scoring-Modell speisen. Werden sie noch mit derselben Rate wie vor sechs Monaten befüllt? Wenn ein Feld, das früher zu 80 % befüllt war, jetzt zu 40 % befüllt ist, sind die davon abhängigen Signale effektiv halbiert. Reparieren Sie zuerst die Datenpipeline, bevor Sie die Gewichtungen rekalibrieren.

Time-Decay-Regeln für Behavior-Signale

Behavior-Signale haben eine natürliche Halbwertszeit. Ein Lead, der Ihre Pricing-Seite vor 14 Monaten besucht hat und seitdem nicht zurückgekehrt ist, ist nicht dasselbe wie ein Lead, der gestern besucht hat. Ihr Modell sollte das widerspiegeln.

Halbwertszeit-Logik für Engagement-Scores.

Eine praktische Implementierung: Behavior-Scores zerfallen alle 90 Tage um 50 %. Wenn ein Lead 20 Punkte für einen Pricing-Seiten-Besuch verdient hat, ist dieses Signal nach 90 Tagen 10 Punkte wert, nach 180 Tagen 5 Punkte und nach einem Jahr praktisch null. Das hält aktuelles Engagement angemessen gewichtet, ohne manuelle Resets zu erfordern.

Die meisten reifen MAPs (Marketo, HubSpot, Pardot) unterstützen Time-Decay-Scoring nativ. In Marketo können Sie Score-Decay-Regeln in einem Zeitplan festlegen. In HubSpot können Sie Workflows verwenden, um Punkte von Behavior-Scores auf rollender Basis abzuziehen. Wenn Ihr MAP das nicht nativ unterstützt, ist ein monatlicher Batch-Job, der Behavior-Scores um einen festen Prozentsatz reduziert, ein praktikabler Ersatz.

Hard Expiry für zeitkritische Signale.

Einige Signale sollten vollständig verfallen, nicht langsam abklingen. Trial-Startdaten, Event-Teilnahme, Pricing-Seiten-Besuche während eines bestimmten Kampagnenfensters: Diese haben einen klaren Aktualitätsschwellenwert. Nach 30 oder 60 Tagen zeigen sie keine aktuelle Kaufabsicht mehr an. Bauen Sie Hard-Resets in Ihren MAP ein, damit ein Trial-Start von vor 9 Monaten den Score des Leads nicht dauerhaft aufbläht.

Beispiel-Time-Decay-Zeitplan:

Das Modell schlank halten

Die Versuchung, wenn etwas nicht funktioniert, ist mehr Signale hinzuzufügen. Wenn 10 Attribute keine genauen Scores liefern, werden es 20 sicher schaffen.

Aber das Gegenteil ist üblicherweise wahr. Mehr Attribute bedeuten mehr Rauschen, mehr Wartungsaufwand und mehr Wege für das Modell, einen hohen Score für einen Lead zu produzieren, der eigentlich nicht bereit ist. Die besten Scoring-Modelle tendieren dazu, 5–8 hochsignifikante Attribute zu haben, nicht 25 mittelsignifikante.

Der Lean-Modell-Test: Können Sie Ihr Scoring-Modell einem Sales-Rep in zwei Minuten erklären? Wenn ja, hat es wahrscheinlich die richtige Größe. Wenn die Erklärung ein Whiteboard und eine halbe Stunde erfordert, ist es zu komplex, und niemand wird ihm vertrauen – am wenigsten Sales. Wikipedias Überblick zur Lead-Scoring-Methodik beschreibt, wie die dauerhaftesten Modelle sich auf einen kleinen Satz expliziter und impliziter Signale konzentrieren, anstatt jeden verfügbaren Datenpunkt anzusammeln.

Governance: Wer besitzt die Rekalibrierung

Modell-Wartung scheitert, wenn die Verantwortlichkeit unklar ist. Marketing Ops pflegt üblicherweise den MAP und die Scoring-Logik. Aber die Entscheidung, was wie zu gewichten ist, erfordert Input von Sales Leadership – insbesondere von jemandem, der validieren kann, wie Closed-Won tatsächlich aussieht.

Empfohlene Governance-Struktur:

• Marketing Ops besitzt den Quartal-Audit-Prozess und die technische Implementierung von Änderungen.
• Marketing Leadership gibt ICP-bezogene firmografische Gewichtungsänderungen frei.
• Sales Leadership validiert Änderungen an Behavior-Signalen durch einen 30-Tage-Pilot vor dem vollständigen Rollout.
• Beide Teams überprüfen die Ergebnisse jedes Audits gemeinsam – nicht in separaten Meetings, sondern im selben Raum (oder demselben Video-Call).

Dokumentieren Sie jede Gewichtungsänderung mit einem Zeitstempel, der Begründung und den Daten, die sie stützten. Das schafft einen Audit-Trail. Wenn jemand das Modell in 8 Monaten in Frage stellt, können Sie zeigen, was sich geändert hat und warum.

Tools und Implementierungshinweise

Marketo: Unterstützt Time-Decay-Scoring über Smart Campaigns auf einem wiederkehrenden Zeitplan. Verwenden Sie die „Change Score"-Aktion mit einem negativen Wert. Richten Sie einen wöchentlichen Batch ein, der einen Prozentsatz von Behavior-Scores abzieht. Die Score-Feld-History-Ansicht ermöglicht das Prüfen, wann und warum Scores sich geändert haben.

HubSpot: Manueller Score-Decay ist weniger nativ. Verwenden Sie einen Workflow mit kriterienbasierten Triggern, um Score-Werte abzuziehen, wenn Engagement-Datumsfelder einen Schwellenwert überschreiten. HubSpots Predictive-Lead-Scoring-Feature (Enterprise-Tier) enthält etwas Auto-Decay-Logik, aber das manuelle Modell bleibt transparenter.

Pardot/Marketing Cloud Account Engagement: Score-Decay-Regeln sind verfügbar, aber eingeschränkt. Pardots integrierte Scoring-Automatisierung ist für das Hinzufügen von Punkten nützlich; sie auf einem Zeitplan abzuziehen, erfordert mehr benutzerdefinierte Workflow-Logik.

Wenn Ihr MAP keinen nativen Decay unterstützt: Führen Sie einen monatlichen Export aller Leads mit Behavior-Scores durch, wenden Sie eine feste Reduzierung an (z. B. 20 % für Scores älter als 60 Tage) und importieren Sie die aktualisierten Werte. Es ist manuell, funktioniert aber. Integrieren Sie den Prozess in Ihren monatlichen Ops-Kalender, damit er nicht übersprungen wird.

Rework-Analyse: Basierend auf dem 90-Tage-Decay-Audit-Framework und Branchen-Benchmarks halten Teams, die quartalsweise Scoring-Audits mit Closed-Loop-Daten durchführen, MQL-to-Opportunity-Conversion-Raten, die 20–30 % höher sind als bei Teams, die jährlich überprüfen. Das häufigste Ergebnis eines Audits ist, dass 2–3 Behavior-Signale (typischerweise Webinar-Teilnahme und frühe Content-Downloads) keine bedeutungsvolle Prädiktionsgewichtung mehr tragen – und sie zu entfernen vereinfacht das Modell, ohne die Genauigkeit zu reduzieren. Reworks Lead-Management-Plattform zeigt Ablehnungsraten-Trends und Score-to-Close-Korrelationen in einem einzigen Dashboard, was es einfach macht, Decay-Signale zu identifizieren, bevor sie zu Pipeline-Problemen werden. Aktuelle Plan-Details finden Sie unter rework.com/pricing.

Das Modell, dem niemand vertraut

Der Endzustand von unkontrolliertem Decay ist kein kaputtes Modell. Es ist ein Modell, das noch läuft, noch Scores produziert und noch MQLs konvertiert. Aber Sales hat still aufgehört, ihm zu vertrauen. Reps beginnen, ihre eigene Qualifizierung zu machen. Sie ignorieren den Score und beurteilen Leads nach anderen Kriterien. Marketing-Reports sehen gut aus. Pipeline-Gesundheit degradiert.

Bis das Gespräch oberflächlich wird – üblicherweise bei einem Quartalsbusiness-Review, wo jemand fragt, warum die Pipeline-Generierung gesunken ist – war das Modell bereits seit Monaten unzuverlässig. Und es dann zu beheben, erfordert sechs Monate Datensammlung und Revalidierung, um die Glaubwürdigkeit zurückzugewinnen.

Das Quartal-Audit verhindert das. Fünfzehn Minuten pro Monat für Ablehnungsraten, eine zweistündige Session pro Quartal für Korrelationsanalyse und Gewichtungs-Review. Das ist der Unterschied zwischen einem Scoring-Modell, das seinen Wert mit der Zeit steigert, und einem, das still zur Infrastruktur wird, um die alle herumarbeiten. Forresters Forschung zur Lead-Scoring-Messung macht deutlich, dass Teams ohne vorher festgelegte Baseline-Metriken nicht objektiv bewerten können, ob ihr Modell funktioniert – was Decay unsichtbar macht, bis er zur Krise wird.

Verknüpfen Sie das mit Ihrer Closed-Loop-Reporting-Kadenz und Ihrem Joint-Lead-Scoring-Framework, und Sie haben ein System, das mit der Zeit besser wird statt schlechter.

Häufig gestellte Fragen

Was ist Lead-Scoring-Modell-Decay?

Lead-Scoring-Modell-Decay ist die schrittweise Degradierung der Fähigkeit eines Scoring-Modells, Vertriebsbereitschaft vorherzusagen. Es passiert, wenn die Gewichtungen, Signale und Schwellenwerte im Modell nicht mehr widerspiegeln, wie aktuelle Käufer sich verhalten – weil sich der Markt verschoben hat, der ICP sich geändert hat, das Produkt-Messaging sich entwickelt hat, oder Behavior-Signale, die früher Conversion vorhergesagt haben, das nicht mehr tun. Ein degradiertes Modell produziert noch Scores, aber diese Scores haben ihre Korrelation zu Pipeline und Close-Rate verloren.

Wie erkenne ich Lead-Scoring-Modell-Decay frühzeitig?

Beachten Sie vier Indikatoren: (1) MQL-Ablehnungsraten-Trend – über 25–30 % ist eine gelbe Flagge, über 40 % ist rot; (2) Rückgang der MQL-to-Opportunity-Conversion-Rate – eine sinkende Rate ohne Volumenänderung deutet auf Modell-Degradierung hin; (3) Hoch bewertete Leads konvertieren nicht – wenn Ihr 80+-Score-Bucket mit derselben Rate konvertiert wie Ihr 60–79-Bucket, hat das Modell seine Unterscheidungskraft verloren; (4) Systematisches Sales-Feedback – wenn Reps regelmäßig denselben Signaltyp ablehnen (Webinar-Leads, eine bestimmte Kampagnen-Quelle), ist das Decay in Anekdotenform.

Wie oft sollte ein Lead-Scoring-Modell rekalibriert werden?

Quartalsweise Audits sind der Standard für die meisten Teams. Monatlich ist unnötiger Overhead, außer Sie haben hohes Lead-Volumen und eine dedizierte Marketing-Ops-Ressource. Jährlich ist zu selten – bis zum jährlichen Review kann das Modell bereits 6–9 Monate still irregeführt haben. Integrieren Sie das 90-Tage-Decay-Audit als wiederkehrendes Commitment in Ihren Marketing-Ops-Kalender, nicht als einmalige Korrektur.

Was ist der Unterschied zwischen Signal-Decay und Modell-Decay?

Signal-Decay tritt auf, wenn ein spezifischer Datenpunkt seine Prädiktionskraft verliert – zum Beispiel korreliert Webinar-Teilnahme nicht mehr bedeutungsvoll mit der Close-Rate. Modell-Decay tritt auf, wenn die Gesamtfähigkeit des Modells, Leads nach Conversion-Wahrscheinlichkeit zu ranken, degradiert ist, auch wenn kein einzelnes Signal dramatisch versagt hat. Signal-Decay wird durch Neu-Gewichtung oder Entfernung einzelner Attribute behoben. Modell-Decay erfordert oft einen vollständigeren Neuaufbau: Zu Closed-Won-Daten zurückgehen und die Korrelationsanalyse von Grund auf neu ausführen.

Wie funktionieren Time-Decay-Regeln beim Lead Scoring?

Time-Decay-Regeln reduzieren den Punktwert von Behavior-Signalen, wenn sie altern. Ein praktischer Standard: Behavior-Scores zerfallen alle 90 Tage um 50 %. Ein Pricing-Seiten-Besuch, der zum Zeitpunkt des Auftretens 20 Punkte wert ist, ist nach 90 Tagen 10 Punkte wert, nach 180 Tagen 5 Punkte und nach einem Jahr praktisch null. Das hält aktuelles Engagement angemessen gewichtet, ohne manuelle Resets zu erfordern. Die meisten reifen Marketing-Automatisierungsplattformen (Marketo, HubSpot, Pardot) unterstützen Time-Decay-Scoring nativ oder über Workflow-Automatisierung.

Welche Signale sollte ich während eines Scoring-Audits entfernen?

Entfernen oder neu gewichten Sie jedes Signal, bei dem der Win-Rate-Unterschied zwischen Leads, die das Signal ausgelöst haben, und solchen, die es nicht getan haben, weniger als 5 Prozentpunkte beträgt. Wenn „Whitepaper-Download" eine Win-Rate von 12 % bei Leads aufweist, die es ausgelöst haben, und 10 % bei denen, die es nicht getan haben, fügt es Rauschen hinzu, kein Signal. Die kontraintuitive Erkenntnis bei den meisten Scoring-Audits ist, dass einfachere Modelle mit 5–8 Hochsignal-Attributen komplexe Modelle mit 20+ Mittelsignal-Attributen übertreffen.

Mehr erfahren

• Joint Lead Scoring: Fit, Intent, Behavior
• Fit vs. Intent Scoring
• MQL-to-SQL Score Thresholds
• Closed-Loop Reporting Explained
• MQL Rejection and Recycling
• Shared ICP Framework
• Marketing-Sales Alignment Glossar