Low-Quality Lead Scoring im Marketing mit ChatGPT beheben

Nutzen Sie ChatGPT zur Analyse historischer Deals und zur Ableitung von Scoring-Kriterien

Starten Sie, indem Sie eine Stichprobe historischer Opportunities aus Ihrem CRM exportieren: Fügen Sie Lead- und Account-Attribute (Branche, Größe, Rolle), Verhaltensdaten (besuchte Seiten, geöffnete E-Mails, besuchte Events) und Outcomes (gewonnen/verloren, Deal-Größe, Sales-Cycle-Länge) hinzu. Das Ziel ist, ChatGPT entdecken zu lassen, welche Signalkombinationen hochwertige von minderwertigen Leads trennen.

Speisen Sie diese Daten in Batches ein und bitten Sie ChatGPT, Muster zu zusammenzufassen, und verfeinern Sie dies iterativ. Sie brauchen keine perfekten Daten; fokussieren Sie auf ausreichende Vielfalt und klare Outcome-Labels. Verwenden Sie die Ausgaben des Modells, um eine erste Lead-Scoring-Rubrik zu entwerfen, die Ihre tatsächliche Historie widerspiegelt – nicht generische Best Practices.

Beispiel-Prompt zur Ableitung von Scoring-Kriterien:
Sie sind ein Lead-Scoring-Analyst für ein B2B-Marketing-Team.

Ich gebe Ihnen anonymisierte historische Opportunity-Daten in CSV-ähnlichen Zeilen.
Jede Zeile enthält:
- Lead-Attribute (Rolle, Seniority, Land)
- Account-Attribute (Branche, Unternehmensgröße)
- Verhaltensdaten (besuchte Seiten, Inhaltstyp, Anzahl der Sessions,
  E-Mail-Engagement, Event-Teilnahmen)
- Outcome (GEWONNEN oder VERLOREN), Deal-Größe und Tage bis zum Abschluss.

Aufgaben:
1) Identifizieren Sie die Top-10-Muster, die GEWONNENE von VERLORENEN Deals unterscheiden.
2) Erklären Sie für jedes Muster, warum es auf höhere Kaufabsicht hindeuten könnte.
3) Schlagen Sie eine Lead-Scoring-Rubrik mit Punktebereichen nach Signalkategorie vor:
   - Fit (Rolle, Branche, Unternehmensgröße)
   - Intent (Verhaltenssignale)
   - Timing (Aktualität und Häufigkeit der Aktivität)
4) Heben Sie überraschende negative Signale hervor, die den Score SENKEN sollten.

Geben Sie die Rubrik in einer übersichtlichen Tabelle aus und die Muster als Aufzählungspunkte.

Erwartetes Ergebnis: Nach einigen Iterationen verfügen Sie über ein erstes datengestütztes Scoring-Framework, das reale Conversion-Muster widerspiegelt und in Ihrem Marketing-Automation- oder CRM-System implementiert werden kann.

Verwandeln Sie die Rubrik in einen wiederverwendbaren Lead-Scoring-Assistenten

Wenn Sie eine Rubrik haben, betten Sie diese in einen wiederverwendbaren System-Prompt für ChatGPT ein, damit Teams Scores und Begründungen für einzelne Leads oder Segmente anfordern können. So können Marketer testen, wie sich Änderungen in Messaging, Targeting oder Qualifikationskriterien auf Scores auswirken würden, bevor sie produktive Systeme anpassen.

Fügen Sie klare Anweisungen hinzu, wie ChatGPT Signale gewichten soll und wie zu reagieren ist, wenn Daten unvollständig sind. Sie können diesen Assistenten in wöchentlichen Pipeline-Reviews oder Kampagnen-Retrospektiven nutzen, um Abweichungen zwischen Ihrem theoretischen Scoring-Modell und dem tatsächlichen Funnel zu erkennen.

Beispiel-System-Prompt für einen Lead-Scoring-Assistenten:
Sie sind ein KI-Lead-Scoring-Assistent für ein B2B-SaaS-Unternehmen.
Nutzen Sie die folgende Rubrik:
- Fit-Score (0–40 Punkte): basierend auf Branche, Unternehmensgröße, Rolle, Region.
- Intent-Score (0–40 Punkte): basierend auf Verhalten (Seiten, Inhalte, E-Mails).
- Timing-Score (0–20 Punkte): basierend auf Aktualität und Häufigkeit.

Anweisungen:
1) Weisen Sie jedem Lead einen Score für Fit, Intent und Timing zu.
2) Bilden Sie die Summe zu einem Gesamtscore von 0–100.
3) Klassifizieren Sie den Lead als:
   - A (80–100): Hohe Priorität, direkte Vertriebsnachverfolgung.
   - B (50–79): Nurturing mit zielgerichteten Sequenzen.
   - C (<50): Niedrige Priorität, langfristiges Nurturing.
4) Erklären Sie Ihre Begründung in 3–5 Stichpunkten und beziehen Sie sich
   auf konkrete Datenpunkte.
5) Seien Sie konservativ, wenn Daten fehlen, und benennen Sie diese Lücken ausdrücklich.

Erwartetes Ergebnis: Marketing und Vertrieb erhalten konsistente Scores mit ausführlichen Begründungen, die sie prüfen und verfeinern können – und bauen so Vertrauen in das Modell auf, bevor es automatisiert integriert wird.

Automatisieren Sie die Lead-Bewertung aus Formularen, Chatbots und Kampagnen

Nach der Validierung Ihrer Scoring-Logik verbinden Sie ChatGPT mit zentralen Lead-Capture-Punkten: Website-Formulare, Chatbots und Kampagnenantworten. Der Workflow: Ihr Formular oder Chatbot sammelt strukturierte Daten (Rolle, Unternehmen, Use Case, Budget-Indikator, Zeitrahmen) sowie Freitextantworten; diese Payload wird an eine interne API oder Middleware gesendet, die ChatGPT mit Ihrem Scoring-Prompt aufruft und Score plus Begründung in Ihr CRM zurückschreibt.

Um die Kontrolle zu behalten, lassen Sie diesen KI-Lead-Score zunächst parallel zu Ihrem bestehenden Scoring-Modell laufen. Vergleichen Sie Ergebnisse und Conversion über einige Wochen und verlagern Sie dann schrittweise Routing und SLAs stärker auf den KI-Score, sobald das Vertrauen zunimmt.

Beispiel-Prompt zur Bewertung eines neuen Inbound-Leads:
Sie sind ein Lead-Qualifizierungsassistent.

Hier sind die Lead-Daten:
- Formularfelder: {{JSON_form_data}}
- Chat-Transkript (falls verfügbar): {{chat_history}}
- Website-Verhalten (letzte 14 Tage): {{analytics_summary}}

Aufgaben:
1) Weisen Sie Fit-, Intent- und Timing-Scores (je 0–100) zu.
2) Geben Sie einen Gesamt-Lead-Score (0–100) und eine A/B/C-Kategorie an.
3) Schlagen Sie die nächstbeste Aktion vor:
   - „Sofortiger Anruf durch SDR“
   - „Versand einer Produkt-Deep-Dive-E-Mail“
   - „Zur Webinar-Nurture-Sequenz hinzufügen“ usw.
4) Erklären Sie die drei wichtigsten Gründe für Ihren Score in 2–3 Sätzen.

Erwartetes Ergebnis: Schnellere, konsistentere Bewertung neuer Leads mit klaren Next-Best-Action-Empfehlungen – weniger manueller Triage-Aufwand und kürzere Reaktionszeiten.

Nutzen Sie ChatGPT zur Verfeinerung von Qualifikationsfragen und Sales-Playbooks

Low-Quality Lead Scoring ist oft ein Symptom schwacher Qualifizierung. Nutzen Sie ChatGPT, um die Fragen in Formularen, Chatbots und ersten Verkaufsgesprächen zu entwerfen und iterativ zu verbessern. Ziel ist es, die minimal notwendige, aber am stärksten vorhersagende Information zu erfassen – ohne unnötige Hürden für Interessenten.

Bitten Sie ChatGPT, historische Call Notes, Chat-Transkripte oder Discovery-Formulare zu prüfen und 5–10 wirkungsstarke Qualifikationsfragen vorzuschlagen, die mit Ihren Scoring-Kriterien (Budget, Authority, Need, Timeline, Fit) verknüpft sind. Testen Sie diese Fragen dann in Ihrem Chatbot oder in SDR-Skripten und analysieren Sie deren Einfluss auf Score-Genauigkeit und Conversion.

Beispiel-Prompt zur Optimierung von Qualifikationsfragen:
Sie entwerfen Qualifikationsfragen zur Verbesserung des Lead Scoring.

Input:
- Unsere ICP-Beschreibung: {{ICP_text}}
- Aktuelle Discovery-Fragen: {{current_questions}}
- Häufige Einwände und Gründe für verlorene Deals: {{loss_reasons}}

Aufgaben:
1) Schlagen Sie 8–10 Qualifikationsfragen vor, die:
   - Direkt auf Fit, Intent und Timing einzahlen.
   - In Formularen ODER Live-Gesprächen genutzt werden können.
   - Für Interessenten klar und möglichst friktionsarm sind.
2) Erklären Sie für jede Frage, welche Scoring-Dimension sie informiert
   und wie Antworten den Score typischerweise beeinflussen sollten.
3) Schlagen Sie 3 Fragen vor, die wir aus unserer aktuellen Liste
   entfernen oder vereinfachen sollten.

Erwartetes Ergebnis: Schärfere, fokussiertere Qualifizierung, die bessere Daten in Ihr Scoring-Modell einspeist und so zu höherer Präzision führt, ohne Interessenten zu überfordern.

Überwachen, erklären und justieren Sie Ihre KI-Scores kontinuierlich

Um Ihr ChatGPT-basiertes Lead Scoring wirksam zu halten, etablieren Sie ein einfaches Review-Ritual. Exportieren Sie jeden Monat eine Teilmenge KI-bewerteter Leads mit ihren Outcomes und spielen Sie diese wieder in ChatGPT ein – mit der Bitte, zu analysieren, wo Scores zu optimistisch oder zu konservativ waren und warum.

Kombinieren Sie dies mit menschlichem Feedback: Bitten Sie den Vertrieb, Leads zu markieren, bei denen sich der KI-Score falsch anfühlte, und geben Sie diese Beispiele an ChatGPT weiter mit der Frage „Was haben wir hier übersehen oder falsch gewichtet?“. So entsteht ein leichtgewichtiger, aber wirkungsvoller kontinuierlicher Verbesserungszyklus, der Ihr Scoring eng an der Realität hält.

Beispiel-Prompt für den monatlichen Modell-Review:
Sie prüfen die Performance unseres KI-Lead-Scoring.

Ich gebe Ihnen 50 Leads mit:
- Ursprünglichen KI-Scores und Begründungen
- Tatsächlichen Outcomes (gewonnen, verloren, keine Entscheidung)
- Vertriebsfeedback (falls vorhanden)

Aufgaben:
1) Identifizieren Sie systematische Muster der Über- oder Unterbewertung.
2) Empfehlen Sie Anpassungen an der Rubrik (Gewichte, Schwellenwerte,
   spezifische Signale zum Hinzufügen/Entfernen).
3) Schlagen Sie 3–5 neue Regeln vor, um „False Positives“ zu erkennen,
   die auf dem Papier gut aussehen, aber selten konvertieren.
4) Fassen Sie Ihre Empfehlungen so zusammen, dass eine
   nicht-technische Marketingleitung sie versteht.

Erwartetes Ergebnis: Ein sich entwickelndes Scoring-System, das sich mit der Zeit verbessert – mit klar dokumentierten Änderungen und Begründungen und weniger bösen Überraschungen für das Vertriebsteam.

Über all diese Vorgehensweisen hinweg sind realistische Ergebnisse: eine Reduktion der Zeit für Low-Intent-Leads um 20–40 %, schnellere Reaktionszeiten für Leads mit hoher Priorität, bessere Opportunity-to-Win-Rates und ein messbarer Anstieg der Qualität des vom Marketing generierten Umsatzes. Exakte Zahlen hängen von Ihrem Ausgangsniveau ab, aber ein strukturierter ChatGPT-Lead-Scoring-Workflow zahlt den Aufwand in der Regel innerhalb weniger Sales-Zyklen zurück.