Nicht jeder Lead hat die gleiche Wahrscheinlichkeit zu kaufen. Propensity Models nutzen Daten und statistische Methoden, um diese Wahrscheinlichkeit zu quantifizieren. Im B2B-Vertrieb ermöglichen sie eine objektive Priorisierung und effizienteren Ressourceneinsatz.
Was sind Propensity Models?
Definition
Ein Propensity Model (Neigungsmodell) ist ein statistisches Modell, das die Wahrscheinlichkeit eines bestimmten Verhaltens vorhersagt – im Vertriebskontext typischerweise die Kaufwahrscheinlichkeit.
| Komponente |
Beschreibung |
| Input |
Merkmale des Leads/Unternehmens |
| Modell |
Statistischer Algorithmus |
| Output |
Wahrscheinlichkeitswert (0-100%) |
Abgrenzung zu Lead Scoring
| Aspekt |
Lead Scoring |
Propensity Model |
| Basis |
Oft regelbasiert |
Datenbasiert |
| Gewichtung |
Manuell festgelegt |
Aus Daten gelernt |
| Output |
Punktzahl |
Wahrscheinlichkeit |
| Validierung |
Schwieriger |
Messbar |
Propensity Models können als fortgeschrittene Form des Lead Scorings betrachtet werden.
Arten von Propensity Models im B2B
Conversion Propensity
| Modell |
Vorhersage |
| Lead-to-Opportunity |
Wird der Lead zur Opportunity? |
| Opportunity-to-Won |
Wird die Opportunity gewonnen? |
| Trial-to-Paid |
Konvertiert der Testnutzer? |
Churn Propensity
| Modell |
Vorhersage |
| Abwanderungsrisiko |
Wird der Kunde kündigen? |
| Downgrade-Risiko |
Wird der Kunde reduzieren? |
Upsell/Cross-Sell Propensity
| Modell |
Vorhersage |
| Upsell-Wahrscheinlichkeit |
Kauft der Kunde mehr? |
| Cross-Sell-Wahrscheinlichkeit |
Kauft der Kunde andere Produkte? |
Aufbau eines Propensity Models
1. Datensammlung
| Datentyp |
Beispiele |
| Firmographics |
Branche, Größe, Umsatz, Region |
| Engagement |
Website-Besuche, Content-Downloads |
| Historische Daten |
Frühere Käufe, Interaktionen |
| Externe Daten |
Buying Signals, News |
2. Feature Engineering
Merkmale, die als Prädiktoren dienen können:
| Feature |
Typ |
Quelle |
| Unternehmensgröße |
Firmographic |
Handelsregister |
| Branche |
Firmographic |
Register, Website |
| Website-Aktivität |
Behavioral |
Analytics |
| E-Mail-Öffnungen |
Engagement |
Marketing Automation |
| Tage seit letztem Kontakt |
Timing |
CRM |
| Anzahl Stakeholder |
Deal-Charakteristik |
CRM |
3. Modellierung
| Methode |
Charakteristik |
| Logistische Regression |
Klassisch, interpretierbar |
| Random Forest |
Robust, Feature Importance |
| Gradient Boosting |
Hohe Genauigkeit |
| Neuronale Netze |
Komplexe Muster |
Für viele B2B-Anwendungen sind einfachere Modelle wie logistische Regression ausreichend und besser interpretierbar.
4. Validierung
| Metrik |
Beschreibung |
| AUC-ROC |
Diskriminierungsfähigkeit |
| Precision/Recall |
Treffergenauigkeit |
| Lift |
Verbesserung vs. Zufall |
| Calibration |
Stimmen Wahrscheinlichkeiten? |
Anwendung im Vertriebsalltag
Lead-Priorisierung
| Propensity Score |
Aktion |
| >70% |
Sofort bearbeiten, Senior Account Executive |
| 40-70% |
Aktiv verfolgen, regulärer Prozess |
| 20-40% |
Nurturing, automatisiert |
| <20% |
Nicht aktiv verfolgen |
Ressourcenallokation
| Entscheidung |
Propensity-Unterstützung |
| Welche Leads zuerst? |
Nach Score sortieren |
| Wer bearbeitet? |
Senior für High-Score |
| Wie viel Aufwand? |
Proportional zum Score |
| Welcher Kanal? |
Basierend auf Präferenzen |
Forecasting
Propensity Scores können in die Pipeline-Prognose einfließen:
| Opportunity |
Wert |
Propensity |
Gewichteter Wert |
| Lead A |
100.000 € |
60% |
60.000 € |
| Lead B |
50.000 € |
80% |
40.000 € |
| Lead C |
200.000 € |
20% |
40.000 € |
Datenquellen für B2B Propensity Models
Interne Daten
| Quelle |
Daten |
| CRM |
Opportunities, Wins/Losses, Aktivitäten |
| Marketing Automation |
Engagement, Kampagnen |
| Produkt |
Nutzung (bei SaaS) |
| Support |
Tickets, Zufriedenheit |
Externe Daten
| Quelle |
Daten |
| Firmendaten |
Firmographics, Finanzen |
| Intent Data |
Rechercheverhalten |
| Technographics |
Tech-Stack |
| News/Events |
Trigger Events |
Herausforderungen
Datenqualität
| Problem |
Auswirkung |
| Unvollständige Daten |
Features nicht nutzbar |
| Fehlerhafte Daten |
Falsche Vorhersagen |
| Veraltete Daten |
Irrelevante Muster |
| Zu wenig Daten |
Modell nicht robust |
Sample Bias
| Bias |
Beschreibung |
| Survivorship |
Nur erfolgreiche Deals analysiert |
| Selection |
Nur bestimmte Leads verfolgt |
| Feedback Loop |
Modell beeinflusst eigene Daten |
Interpretierbarkeit
| Anforderung |
Bedeutung |
| Vertrieb versteht Score |
Akzeptanz, Nutzung |
| Erklärbare Faktoren |
Handlungsempfehlungen |
| Transparenz |
Vertrauen |
Best Practices
Modellentwicklung
| Practice |
Beschreibung |
| Saubere Trainingsdaten |
Gewonnene und verlorene Deals |
| Feature Selection |
Relevante, verfügbare Merkmale |
| Cross-Validation |
Robuste Evaluation |
| Regelmäßiges Retraining |
Modell aktuell halten |
Implementierung
| Practice |
Beschreibung |
| CRM-Integration |
Scores im Workflow |
| Schwellenwerte |
Klare Handlungsanweisungen |
| Feedback |
Vertrieb meldet Ergebnisse |
| Monitoring |
Performance überwachen |
Organisatorisch
| Practice |
Beschreibung |
| Buy-in |
Vertrieb einbinden |
| Schulung |
Nutzung erklären |
| Pilotierung |
Klein starten |
| Iteration |
Kontinuierlich verbessern |
Messung des Erfolgs
KPIs
| KPI |
Beschreibung |
| Lift |
Conversion High-Score vs. alle |
| Effizienz |
Deals pro Aktivität |
| Cycle Time |
Verkürzung Sales Cycle |
| Win Rate |
Abschlussquote |
A/B-Testing
| Vergleich |
Messung |
| Mit Propensity vs. ohne |
Conversion, Effizienz |
| Verschiedene Schwellenwerte |
Optimale Cutoffs |
| Modellversionen |
Performance-Vergleich |
Propensity Models und ICP
Zusammenspiel
| Konzept |
Rolle |
| ICP |
Definiert Zielgruppe |
| Propensity Model |
Priorisiert innerhalb Zielgruppe |
Integration
- ICP filtert grundsätzlich passende Unternehmen
- Propensity Model priorisiert nach Kaufwahrscheinlichkeit
- Vertrieb fokussiert High-Propensity/ICP-Match
Technische Umsetzung
Build vs. Buy
| Ansatz |
Vorteile |
Nachteile |
| Eigenes Modell |
Anpassbar, Kontrolle |
Aufwand, Expertise nötig |
| Vendor-Lösung |
Schnell, Support |
Weniger anpassbar, Kosten |
| Hybrid |
Balance |
Komplexität |
| Kategorie |
Beispiele |
| CRM-integriert |
Salesforce Einstein, HubSpot |
| Spezialisiert |
6sense, Demandbase |
| DIY |
Python (scikit-learn), R |
| BI-Plattformen |
Tableau, Looker |
Grenzen von Propensity Models
Was sie nicht können
| Limitation |
Erklärung |
| Kausalität |
Korrelation ≠ Ursache |
| Neue Segmente |
Keine historischen Daten |
| Black Swans |
Unvorhergesehene Events |
| 100% Genauigkeit |
Immer Unsicherheit |
Menschlicher Faktor
| Aspekt |
Bedeutung |
| Beziehungen |
Nicht vollständig modellierbar |
| Timing |
Externe Faktoren |
| Verhandlung |
Individuell |
| Intuition |
Ergänzt Daten |
Propensity Models sind ein Werkzeug zur Unterstützung, kein Ersatz für Vertriebskompetenz.
Fazit
Propensity Models quantifizieren die Kaufwahrscheinlichkeit auf Basis von Daten und ermöglichen eine objektive Priorisierung von Leads. Im B2B-Kontext kombinieren sie Firmographics, Engagement-Daten und historische Muster zu einem Wahrscheinlichkeitswert.
Der Erfolg hängt von Datenqualität, sauberer Modellierung und konsequenter Nutzung im Vertriebsprozess ab. Die Integration in CRM-Systeme und klare Handlungsanweisungen für verschiedene Score-Bereiche sind entscheidend.
Als Ergänzung zum ICP und klassischem Lead Scoring ermöglichen Propensity Models eine datengetriebene Vertriebssteuerung – vorausgesetzt, der menschliche Faktor wird nicht vergessen.
Zielkunden identifizieren: Mit Firmium erhalten Sie die Firmendaten, die Ihre Propensity Models speisen.