Lead-Scoring mit KI: Abschlussquote von 30% auf 66% gesteigert
Ein B2B-Dienstleister verdoppelte seine Abschlussquote durch KI-basiertes Lead-Scoring, und generierte 140.000€ mehr Umsatz pro Jahr.
- Kunde
- B2B-Dienstleister
- Branche
- Dienstleistung
- Leistung
- Prozessoptimierung
“Früher hatte ich eine Excel-Liste mit Leads und bin die montagmorgens von oben nach unten abtelefoniert. Jetzt sagt mir das System: diese drei rufst du heute an, der Rest kann warten. Dass wir mehr abschließen ist das eine. Ehrlich: ich schlaf nachts wieder.”
Die Herausforderung
Vier Leute im Vertrieb, alle Anfragen (Website-Formular, LinkedIn, E-Mail) wurden gleich behandelt. Keine Priorisierung. Die guten Leads gingen zwischen den anderen unter, und für die schlechten wurden oft zwei Termine verbrannt, bevor klar war, dass nichts daraus wird. Abschlussquote über das Jahr: 30 Prozent.
Unsere Lösung
Jeder eingehende Lead läuft durch einen n8n-Flow. Claude 3.7 scored die Anfrage gegen die letzten 500 gewonnenen und verlorenen Deals (in Supabase mit pgvector, um semantisch ähnliche Vorgänge zu finden). Score und Begründung landen innerhalb von 30 Sekunden im HubSpot-Datensatz. Score über 75: sofortige Slack-Nachricht an die zuständige Person. Unter 30: in die automatische Nurture-Kampagne.
Die Umsetzung
Woche 1-2: Die letzten 500 Anfragen aus HubSpot exportiert und händisch gelabelt, welche wurden Kunde, welche nicht, welche hat wie lange gebraucht. Unangenehme Arbeit, aber ohne saubere Labels kein brauchbares Scoring.
Woche 3-5: n8n-Workflow gebaut, Claude-Prompt iteriert (erste Version war zu optimistisch, wertete alles über 60), pgvector-Index eingerichtet.
Woche 6: Zwei Tage Shadowing mit dem Vertrieb, dann scharf geschaltet. Erste Überraschung: die KI ging bei drei Leads gegen die Bauchentscheidung der Vertriebsleiterin, und hatte in allen drei Fällen Recht.
Ähnliche Ergebnisse für Ihr Unternehmen?
In 15 Minuten zeigen wir Ihnen, wo KI in Ihrem Betrieb den größten Hebel hat.