Predictive Lead Scoring in Dynamics 365 Sales berechnet für jeden offenen Lead einen Wert zwischen 0 und 100 und leitet ihn aus historischen, bereits abgeschlossenen Leads ab. Damit ein Modell überhaupt entsteht, verlangt Microsoft mindestens 40 qualifizierte und 40 disqualifizierte Leads im gewählten Zeitraum. Genau hier liegt das Missverständnis vieler Teams: Der Score sieht nach objektiver Rechnung aus, ist aber nur so gut wie die Felder, aus denen er entsteht. Sind über 70 Prozent der Pflichtfelder leer, rät das Modell mehr, als es rechnet.
Dieser Artikel erklärt, warum schlechte Datenqualität die Werte verzerrt, woran Sie ein unzuverlässiges Modell erkennen und wie der Weg zu belastbaren Scores aussieht. Er ist die Brücke vom Score zurück zur Datenbasis und ergänzt unseren Überblick zur Datenqualität in Dynamics 365.
Wie Predictive Lead Scoring in Dynamics 365 funktioniert
Das Predictive Lead Scoring ist Teil von Sales Insights und arbeitet mit einem maschinell gelernten Modell. Es betrachtet nicht nur den Lead selbst, sondern auch verknüpfte Datensätze wie Kontakt und Firma und leitet daraus eine Wahrscheinlichkeit ab, dass der Lead qualifiziert wird. Das Ergebnis ist der Score im Lead-Formular und in den Ansichten.
Drei Mechaniken sind wichtig, um die Werte richtig einzuordnen.
Das Modell lernt aus Ihrer eigenen Historie
Trainiert wird ausschließlich mit abgeschlossenen Leads aus einem Zeitraum, den Sie zwischen drei Monaten und zwei Jahren festlegen. Microsoft teilt diese Historie auf: 80 Prozent der Datensätze dienen dem Training, die restlichen 20 Prozent, und zwar die jüngsten, dem Test. An diesem Testset misst das System später, wie treffsicher das Modell ist. Ohne die geforderten 40 qualifizierten und 40 disqualifizierten Leads lässt sich kein Modell erstellen, die Schaltfläche bleibt gesperrt.
Die wichtigsten Einflussfaktoren
Das Modell wählt automatisch die fünf einflussreichsten Attribute aus dem Datensatz, die das Ergebnis am stärksten prägen. Typische Kandidaten sind Leadquelle, Branche, Position, Mitarbeiterzahl und Jahresumsatz. Diese Top-Faktoren sind der Grund, warum ein Lead einen hohen oder niedrigen Wert bekommt, und Sie können sie sich pro Lead ansehen, um die Bewertung nachzuvollziehen.
Regelmäßiges Neutraining
Ein Score ist eine Momentaufnahme, kein fester Wert. Aktivieren Sie das automatische Neutraining, rechnet Dynamics 365 das Modell alle 15 Tage neu und bezieht die zuletzt abgeschlossenen Leads ein. Nach dem Schließen eines Leads vergehen rund vier Stunden, bis die Daten im Data Lake angekommen sind. Die technischen Details beschreibt Microsoft in der Anleitung zur Konfiguration des Predictive Lead Scoring.
Warum leere Pflichtfelder die Scores verzerren
Ein Modell kann nur bewerten, was tatsächlich in den Feldern steht. Fehlt der Wert, fehlt das Signal. Das ist der Kern des Problems bei einer hohen Leerquote.
Wenn Branche, Position, Mitarbeiterzahl oder Umsatz bei einem Großteil der Leads leer sind, verliert das Modell genau die Attribute, die es eigentlich zum Unterscheiden braucht. Es fällt dann auf grobe Durchschnitte zurück, und die Scores rücken alle in einen engen, mittelmäßigen Bereich. Ein Lead mit vollständigem Profil und ein fast leerer Lead bekommen plötzlich ähnliche Werte. Genau deshalb wirken die Scores in vielen Projekten zufällig oder unplausibel.
Neben leeren Feldern gibt es drei weitere Verzerrungen, die dieselbe Wurzel haben.
- Zu wenig gewonnene und verlorene Historie: Wer nur knapp über den 80 abgeschlossenen Leads liegt, gibt dem Modell kaum Muster zum Lernen. Die Mindestmenge ist eine Untergrenze, keine Zielgröße.
- Unausgewogene Daten (Bias): Wenn fast alle Trainings-Leads aus einer Branche oder einem Kanal stammen, überträgt das Modell diese Schieflage auf neue Leads und benachteiligt alles, was es kaum kennt.
- Veraltete Daten: Ein Umsatz von vor zwei Jahren oder eine längst gewechselte Position führen das Modell in die Irre. Falsche Werte sind hier schädlicher als leere, weil das Modell sie für bare Münze nimmt.
Microsoft empfiehlt als Zwischenschritt, Attribute mit einem hohen Anteil leerer Werte im Modell zu ignorieren, weil sie zu falsch positiven und falsch negativen Vorhersagen beitragen. Das dämpft den Schaden, ist aber keine Lösung. Wer ein wichtiges Feld ausschließt, nimmt dem Modell dauerhaft ein Unterscheidungsmerkmal. Die eigentliche Aufgabe bleibt, das Feld verlässlich zu füllen.
Woran Sie ein unzuverlässiges Modell erkennen
Dynamics 365 macht die Qualität eines Modells sichtbar. In den Sales-Insights-Einstellungen zeigt die Performance-Registerkarte jedes Modells mehrere Kennzahlen, die zusammen ein ehrliches Bild ergeben.
| Kennzahl | Was sie aussagt | Warnsignal |
|---|---|---|
| Model Performance | Ist das Modell veröffentlichungsreif? | Status Not ready to Publish |
| Accuracy | Anteil korrekter Vorhersagen insgesamt | Niedrig bei unausgewogenen Daten |
| Recall | Wie viele echte Treffer erkannt werden | Niedriger Wert, das Modell übersieht gute Leads |
| AUC | Trennschärfe zwischen guten und schlechten Leads | Nahe 0,5, kaum besser als Zufall |
| Confusion Matrix | Verteilung richtig und falsch bewerteter Leads | Viele False Positives oder False Negatives |
Steht bei Model Performance der Status Not ready to Publish, liegt die Genauigkeit unter dem AUC-Schwellenwert. Sie können das Modell trotzdem veröffentlichen, es wird dann aber schlecht abschneiden. Das ist Microsofts höfliche Art zu sagen: Die Datenbasis reicht nicht. Die Bedeutung der einzelnen Werte erklärt die Dokumentation zur Genauigkeit von Scoring-Modellen im Detail.
Neben den Kennzahlen gibt es einen einfachen Praxistest: Sortieren Sie Ihre Leads nach Score. Bekommen fast alle einen ähnlichen Wert, oder passen die Werte spürbar nicht zu dem, was Ihr Vertrieb aus Erfahrung erwartet, ist das Modell unzuverlässig, egal wie die Zahlen aussehen.
Der Weg zu belastbaren Scores
Belastbare Werte entstehen nicht durch ein besseres Modell, sondern durch bessere Daten. Vier Schritte führen dorthin.
Eine schlanke Pflichtfeld-Strategie
Machen Sie nur die Felder zur Pflicht, die das Scoring wirklich braucht, und halten Sie die Liste kurz. Zu viele Pflichtfelder erzeugen Ausweichverhalten und Fantasiewerte, was schlimmer ist als ein leeres Feld. Für die entscheidenden Attribute wie Leadquelle, Branche und Firmengröße lohnt sich zusätzlich eine Absicherung, damit sie schon bei der Erfassung sauber gesetzt werden. Wie Sie Datenqualität dauerhaft absichern, zeigt unser Leitfaden zur Datenqualität in Dynamics 365.
Genug abgeschlossene Historie aufbauen
Zielen Sie nicht auf die 80er-Untergrenze, sondern auf ein Vielfaches an sauber qualifizierten und disqualifizierten Leads. Wichtig ist auch, dass Leads tatsächlich abgeschlossen und nicht ewig offen gelassen werden, denn nur geschlossene Leads lernen dem Modell etwas. Ist ein Zeitraum von zwei Jahren mit vielen Testdatensätzen belastet, kann ein kürzerer, sauberer Zeitraum sogar bessere Ergebnisse liefern.
Modellpflege statt einmaliger Einrichtung
Behandeln Sie das Scoring als laufenden Prozess. Prüfen Sie die Performance-Kennzahlen nach jedem Neutraining, sehen Sie sich die Top-Faktoren an und passen Sie die einbezogenen Attribute an, wenn sich Ihr Geschäft ändert. Ein Modell, das vor einem Jahr gut war, kann heute an einer verschobenen Datenlage scheitern.
Erwartungen im Vertrieb steuern
Der Score ist eine Priorisierungshilfe, kein Urteil. Er sagt, welche Leads sich zuerst lohnen, nicht welche sicher abschließen. Wenn das Team den Wert richtig einordnet, wächst das Vertrauen und damit auch die Bereitschaft, die zugrunde liegenden Felder zu pflegen. Diesen Kreislauf aus guter Datenpflege und besserer Priorisierung greifen wir im Beitrag zur Produktivität von Vertriebsteams mit Dynamics 365 auf.
Predictive Scoring oder eigenes Modell mit AI Builder
Predictive Lead Scoring ist schnell aktiviert und setzt auf Standardattributen auf. Wer mehr Kontrolle über Features und Logik braucht, kann stattdessen ein eigenes Deal-Scoring-Modell mit AI Builder aufbauen. Die Wahl ändert aber nichts an der Grundregel: Beide Ansätze scheitern an leeren und veralteten Feldern gleichermaßen. Ein aufwändigeres Modell auf schlechten Daten liefert nur teurer die gleichen falschen Werte.
Wenn Ihre Scores nicht plausibel wirken oder das Modell nicht veröffentlichungsreif wird, liegt die Ursache fast immer in der Datenbasis, nicht in der Technik. Wir analysieren Ihre Lead-Daten, bringen die entscheidenden Felder in Ordnung und richten ein Scoring ein, dem Ihr Vertrieb vertraut. Sprechen Sie uns an.
Häufig gestellte Fragen
Warum liefert Predictive Lead Scoring in Dynamics 365 falsche Werte?
Der häufigste Grund ist schlechte Datenqualität. Das Modell lernt aus abgeschlossenen Leads und bewertet offene Leads anhand der ausgefüllten Felder. Sind entscheidende Felder wie Branche, Position, Mitarbeiterzahl oder Umsatz bei einem Großteil der Datensätze leer, fehlen dem Modell die Signale. Es fällt dann auf grobe Durchschnitte zurück, und die Scores wirken zufällig oder unplausibel. Auch zu wenig gewonnene und verlorene Historie, veraltete Daten und ein unausgewogener Datensatz verzerren die Werte.
Wie viele Leads braucht Dynamics 365 für ein Lead-Scoring-Modell?
Microsoft nennt als Mindestmenge 40 qualifizierte und 40 disqualifizierte Leads, die im gewählten Trainingszeitraum erstellt und abgeschlossen wurden. Der Zeitraum reicht von drei Monaten bis zwei Jahren. Werden diese Mindestwerte nicht erreicht, lässt sich kein Modell erstellen. Mehr abgeschlossene Leads verbessern die Vorhersage in der Regel deutlich, 80 Leads sind nur die absolute Untergrenze.
Woran erkenne ich, dass mein Scoring-Modell unzuverlässig ist?
Öffnen Sie in den Sales-Insights-Einstellungen die Performance-Registerkarte des Modells. Zeigt das Feld Model Performance den Status Not ready to Publish, liegt die Genauigkeit unter dem AUC-Schwellenwert. Achten Sie außerdem auf niedrige Accuracy- und Recall-Werte sowie auf die Confusion Matrix mit vielen falsch positiven oder falsch negativen Vorhersagen. Praktisch verrät sich ein schlechtes Modell auch dadurch, dass fast alle Leads einen ähnlichen Score bekommen oder die Werte nicht zum Vertriebsgefühl passen.
Wie oft trainiert Dynamics 365 das Predictive-Scoring-Modell neu?
Wenn Sie die Option zum automatischen Neutraining aktivieren, wird das Modell alle 15 Tage neu berechnet. Dabei fließen die zuletzt abgeschlossenen Leads ein. Nach dem Schließen eines Leads dauert es rund vier Stunden, bis die Daten mit dem Data Lake synchronisiert sind und für das Training berücksichtigt werden können.
Was ist der Unterschied zwischen Predictive Lead Scoring und dem Deal Scoring mit AI Builder?
Predictive Lead Scoring ist eine fertige Funktion in Dynamics 365 Sales Insights, die auf Standard- und ausgewählten Attributen aufsetzt und leicht zu aktivieren ist. Ein eigenes Deal-Scoring-Modell mit AI Builder gibt Ihnen mehr Kontrolle über Trainingsdaten, Features und Logik, verlangt aber mehr Aufbau und Pflege. Beide teilen dieselbe Voraussetzung: ohne saubere, ausreichend gefüllte Daten sind die Vorhersagen wertlos.
Kann ich leere Felder im Scoring-Modell ignorieren lassen?
Ja. Beim Bearbeiten eines Modells lassen sich Attribute mit einem hohen Anteil leerer Werte gezielt ausschließen, weil sie zu falsch positiven oder falsch negativen Vorhersagen beitragen. Das ist ein sinnvoller Zwischenschritt, ersetzt aber nicht die eigentliche Lösung: die betroffenen Felder für neue Leads verlässlich zu füllen, damit das Modell wieder mehr Signale bekommt.
Sie haben Fragen zu Dynamics 365?
Wir haben die Antworten.
Vereinbaren Sie einfach ein unverbindliches Erstgespräch mit einem Dynamics-Experten.
Termin vereinbaren
