Wie erstellen Sie in Make.com einen Workflow für MQL-Scoring?

Kurzantwort: Sie können einen MQL-Scoring-Workflow in Make.com aufbauen, indem Sie Ihr CRM und Ihre Marketing-Tools verbinden, Verhaltenssignale (Seitenaufrufe, E-Mail-Klicks, Demo-Anfragen) einlesen und über einen KI-Logikschritt zu einem gewichteten Score verrechnen. Sobald Kontakte ihren MQL-Schwellenwert überschreiten, werden sie automatisch getaggt. Der gesamte Workflow läuft ohne manuelles Eingreifen.

Ein Lead-Scoring-Modell, das wirklich funktioniert, erfordert mehr als willkürliche Punktwerte in einer Tabelle. Die meisten Teams richten ein einfaches Scoring-System ein, sehen zu, wie es sich von der Realität entfernt, und am Ende jagen Vertriebsmitarbeiter Leads hinterher, die nie bereit waren. Diese Anleitung zeigt Ihnen, wie Sie in Make.com einen verhaltensbasierten MQL-Scoring-Workflow aufbauen, der Kontakte in Echtzeit bewertet, Signale mit KI-Logik intelligent gewichtet und qualifizierte Leads automatisch an Ihr CRM weiterleitet.

Am Ende haben Sie ein funktionierendes Make.com-Szenario, das MQLs taggt und bewertet, ohne dass Sie einen einzigen Lead manuell anfassen müssen.

Was ist ein MQL-Scoring-Workflow?

Ein MQL-Scoring-Workflow ist ein automatisierter Prozess, der Kontakten anhand ihres Verhaltens und ihrer firmografischen Passung Punktwerte zuweist und sie als Marketing Qualified Leads einstuft, sobald sie einen definierten Schwellenwert überschreiten.

Der Workflow überwacht Signale wie E-Mail-Interaktion, Seitenaufrufe, Content-Downloads und Demo-Anfragen. Jedes Signal hat einen gewichteten Punktwert. Überschreitet der kumulierte Score eines Kontakts Ihren MQL-Schwellenwert, taggt das System ihn, aktualisiert Ihr CRM und benachrichtigt (optional) Ihr Vertriebsteam.

Make.com eignet sich dafür gut, weil es sich mit praktisch jedem Marketing- und CRM-Tool verbinden lässt, bedingte Logik nativ unterstützt und es erlaubt, ein KI-Modul in den Scoring-Schritt einzubauen, das differenzierte Gewichtungen übernimmt, die statische Punktesysteme übersehen. Wenn Sie dies mit umfassenderer Kanalsteuerung oder Unterstützung bei der Kampagnenumsetzung vergleichen möchten: SaaS Hackers führt auch eine Liste der besten B2B-SaaS-Digital-Marketing-Agenturen.

Warum statisches Lead Scoring an seine Grenzen stößt

Statisches Lead Scoring vergibt feste Punkte für Aktionen: 10 Punkte für das Öffnen einer E-Mail, 20 für den Besuch der Preisseite, 5 für den Download eines Leitfadens. Das Problem: Nicht alle Signale haben bei unterschiedlichen Kontaktprofilen dasselbe Gewicht.

Ein Kontakt, der Ihre Preisseite innerhalb einer Woche zweimal besucht, ist ein stärkeres Signal als einer, der drei Newsletter geöffnet hat. Ein Kontakt aus einem SaaS-Unternehmen mit 500 Mitarbeitenden, der Ihre Preisseite aufruft, bedeutet etwas anderes als ein Freelancer mit demselben Verhalten.

Mit KI-Logik in Make.com können Sie Kontextdaten in einen Scoring-Prompt übergeben und erhalten einen gewichteten Score zurück, der Signalkombination, Aktualität und firmografische Passung gleichzeitig berücksichtigt. Das ist der entscheidende Unterschied zu einem einfachen Punktesystem. Teams, die Lead Scoring mit gezielter Account-Auswahl verbinden möchten, kombinieren einen solchen Workflow oft mit der Unterstützung von B2B-SaaS-ABM-Agenturen.

Was Sie vor dem Start brauchen

Bevor Sie den Workflow aufbauen, sollten Sie Folgendes bereithalten:

• Ein Make.com-Konto (Core-Tarif oder höher für mehrstufige Szenarien)
• Ein mit Make.com verbundenes CRM (HubSpot, Attio, Salesforce oder Pipedrive funktionieren alle)
• Eine Event-Quelle, über die Verhaltenssignale eintreffen (Ihr CRM, ein Formular-Tool oder ein Webhook Ihrer Website)
• Ein OpenAI-API-Schlüssel (für den KI-Scoring-Schritt)
• Ein definierter MQL-Schwellenwert, den Sie mit Ihrem Vertriebsteam abgestimmt haben (z. B. 70 von 100 Punkten)
• Eine Liste von Scoring-Signalen mit groben Gewichtungen (diese verfeinern Sie später mit KI-Logik)

Falls Sie sich mit dem Vertrieb noch nicht auf Ihren MQL-Schwellenwert geeinigt haben, holen Sie das zuerst nach. Der Schwellenwert ist die wichtigste Variable im Modell. Sojourn Solutions beschreibt es treffend: Der MQL-Schwellenwert ist der Score, ab dem ein Lead als marketingqualifiziert eingestuft und an den Vertrieb übergeben wird. Ein falsch gesetzter Wert ist der häufigste Grund dafür, dass Scoring-Systeme scheitern.

So bauen Sie den MQL-Scoring-Workflow in Make.com auf

Schritt 1: Trigger-Modul einrichten

Ihr Workflow braucht einen Trigger, der immer dann auslöst, wenn ein relevantes Kontaktereignis eintritt.

Erstellen Sie in Make.com ein neues Szenario und fügen Sie Ihr Trigger-Modul hinzu:

• HubSpot: Verwenden Sie „Watch Contacts“ oder „Watch CRM Events“, um bei Änderungen von Eigenschaften oder bei Formularübermittlungen einen Trigger auszulösen
• Webhook: Wenn Ihre Website Ereignisse direkt sendet, nutzen Sie das Modul „Custom Webhook“ von Make als Trigger
• Typeform / Tally: Nutzen Sie deren native Make.com-Module, um bei abgeschlossenen Formularen auszulösen

Legen Sie fest, dass der Trigger bei den für Ihren Funnel wichtigsten Ereignissen auslöst: Demo-Anfragen, Besuche der Preisseite, Klicks auf E-Mail-Links, Content-Downloads oder Anmeldungen für eine kostenlose Testversion.

Ordnen Sie die folgenden Felder aus dem Trigger-Payload zu:

• E-Mail-Adresse oder ID des Kontakts
• Ereignistyp (z. B. „pricing_page_visit“, „demo_request“)
• Zeitstempel
• Unternehmensname und -größe (falls verfügbar)
• Ein bereits in Ihrem CRM gespeicherter Score

Schritt 2: Aktuelle Daten des Kontakts abrufen

Fügen Sie ein zweites Modul hinzu, das den vollständigen Kontaktdatensatz aus Ihrem CRM abruft. So erhalten Sie Zugriff auf:

• Den aktuellen Lead Score (falls vorhanden)
• Firmografische Daten (Unternehmensgröße, Branche, Jobtitel)
• Bisherigen Aktivitätsverlauf
• Aktuelle Lifecycle-Phase

Verwenden Sie in HubSpot das Modul „Get a Contact“ mit der E-Mail-Adresse oder Kontakt-ID aus Schritt 1. In Attio nutzen Sie „Get Record“, in Pipedrive „Get Person“.

Sie brauchen diese Daten, damit der KI-Schritt in Schritt 4 den vollständigen Kontext hat und nicht nur das einzelne Ereignis, das den Trigger ausgelöst hat.

Schritt 3: Verhaltenssignale mit einem Data Store aggregieren

Das Data-Store-Modul von Make.com fungiert als schlanke Datenbank. Nutzen Sie es, um Verhaltensereignisse pro Kontakt zu sammeln, bevor Sie bewerten.

Richten Sie einen Data Store mit den folgenden Feldern ein:

Bei jedem Durchlauf des Workflows suchen Sie mit „Search Records“ den bestehenden Eintrag des Kontakts und protokollieren das neue Ereignis dann mit „Update a Record“ (oder „Add a Record“, falls noch keiner existiert).

Durch diese Aggregation erhält Ihr KI-Scoring-Modul eine vollständige Verhaltenszusammenfassung statt nur eines einzelnen Ereignissignals. Wenn Content-Interaktion zu Ihren stärksten MQL-Eingangsgrößen zählt, lohnt sich auch ein Blick auf die besten B2B-SaaS-Content-Marketing-Agenturen, um Anregungen zu bekommen, welche Signale Sie stärker gewichten sollten.

Schritt 4: Lead mit einem KI-Logikschritt bewerten

Hier geht der Workflow in Make.com über statisches Scoring hinaus. Fügen Sie ein OpenAI-Modul „Create a Completion“ hinzu (oder das Modul „Create a Chat Completion“ für GPT-4o).

Schreiben Sie einen System-Prompt, der das Modell anweist, als Lead-Scoring-Engine zu agieren. Hier ist eine funktionierende Prompt-Struktur:

You are a B2B SaaS lead scoring engine. Score the following contact 
out of 100 based on their behaviour and firmographic data.

Scoring criteria:
- Demo request: 35 points
- Pricing page visit (per visit, max 3): 15 points each
- Email link click (per click, max 5): 5 points each
- Content download: 10 points
- Free trial sign-up: 40 points
- Company size 50-500 employees: +10 bonus
- Job title contains "Head", "VP", "Director", or "C-": +10 bonus
- Events older than 30 days: reduce score by 20%

Contact data:
- Event type: {{event_type}}
- Event count: {{event_count}}
- Last event date: {{last_event_date}}
- Company size: {{company_size}}
- Job title: {{job_title}}
- Existing score: {{current_score}}

Return only a JSON object in this format:
{"score": [number], "mql": [true/false], "reason": "[brief explanation]"}

Ordnen Sie die Variablen aus der Ausgabe Ihres Data Stores dem Prompt über das Variablen-Mapping-Panel von Make.com zu.

Wählen Sie als Modell GPT-4o mini, wenn bei Workflows mit hohem Volumen die Kosteneffizienz zählt, oder GPT-4o, wenn Sie bei komplexen Scoring-Regeln differenziertere Schlussfolgerungen brauchen.

Schritt 5: KI-Antwort parsen

Fügen Sie nach dem OpenAI-Schritt ein JSON-Modul „Parse JSON“ hinzu. Verweisen Sie es auf die choices[0].message.content Ausgabe des KI-Moduls.

Dadurch werden drei Werte extrahiert, die Sie in den nächsten Schritten verwenden:

• score (der numerische Score)
• mql (true oder false)
• reason (eine leicht verständliche Erklärung des Scores)

Falls die KI gelegentlich fehlerhaftes JSON zurückgibt, fügen Sie ein Tools-Modul „Set Variable“ mit dem Fallback-Wert {"score": 0, "mql": false, "reason": "parse error"} hinzu und leiten Sie Fehler dorthin, bevor es weitergeht.

Schritt 6: Router für MQL- und Nicht-MQL-Pfade hinzufügen

Fügen Sie nach dem JSON-Parser ein Router-Modul hinzu. Richten Sie zwei Pfade ein:

Pfad 1: MQL = true

• Filterbedingung: mql entspricht true

Pfad 2: MQL = false

• Filterbedingung: mql entspricht false

So wird der Workflow aufgeteilt: Qualifizierte Leads werden anders behandelt als Leads, die sich noch im Nurturing befinden.

Schritt 7: CRM aktualisieren und MQLs taggen

Im MQL-Pfad:

1. Fügen Sie in Ihrem CRM ein Modul „Update Contact“ hinzu. Setzen Sie die Lead-Score-Eigenschaft auf den score Wert aus der KI-Ausgabe.
2. Setzen Sie die Lifecycle-Phase auf „Marketing Qualified Lead“ (oder das Äquivalent in Ihrem CRM).
3. Fügen Sie einen Tag oder ein Label hinzu: „MQL - Auto-scored“.
4. Fügen Sie optional ein Slack- oder E-Mail-Benachrichtigungsmodul hinzu, um den zuständigen Vertriebsmitarbeiter zu informieren.

Im Nicht-MQL-Pfad:

1. Aktualisieren Sie das Score-Feld des Kontakts mit dem neuen score Wert.
2. Lassen Sie die Lifecycle-Phase unverändert.
3. Nehmen Sie den Kontakt optional in eine Nurture-Sequenz auf, wenn sein Score einen Zwischenschwellenwert überschritten hat (z. B. 40 bis 69 Punkte).

Schritt 8: Score-Verlauf speichern

Fügen Sie nach beiden Pfaden einen abschließenden Data-Store-Schritt „Update a Record“ hinzu, der den neuen Score zurück in Ihren Aggregations-Store schreibt. So startet der KI-Schritt beim nächsten Auslösen des Workflows für diesen Kontakt mit dem korrekten Ausgangs-Score statt bei null.

So legen Sie Ihren MQL-Schwellenwert richtig fest

Der MQL-Schwellenwert ist der Score, ab dem ein Kontakt als vertriebsreif eingestuft wird. Setzen Sie ihn zu niedrig an, wird der Vertrieb mit unqualifizierten Leads überflutet. Setzen Sie ihn zu hoch an, versiegt Ihre Pipeline.

So finden Sie den richtigen Wert:

1. Ziehen Sie die Closed-Won-Deals der letzten 3 bis 6 Monate aus Ihrem CRM
2. Ermitteln Sie die Verhaltenssignale dieser Kontakte, bevor sie Kunden wurden
3. Lassen Sie diese Signale durch Ihr Scoring-Modell laufen und notieren Sie, welchen Score die Kontakte erhalten hätten
4. Ermitteln Sie den Score, der 80 % Ihrer Closed-won-Kontakte erfasst, ohne mehr als 30 % der Kontakte einzubeziehen, die nie konvertiert sind

Beginnen Sie bei den meisten B2B-SaaS-Modellen mit einem Schwellenwert von 65 bis 75. Überprüfen Sie ihn alle 90 Tage anhand der tatsächlichen Conversion-Daten. Wenn Ihr Scoring-Modell eng mit Inbound-Aktivitäten verknüpft ist, kann die Liste der besten Inbound-Marketing-Agenturen für B2B SaaS hilfreich sein, um zu vergleichen, wie andere Teams die Qualifizierung aufbauen.

Ihren MQL-Scoring-Workflow in Make.com testen

Führen Sie das Szenario vor dem Livegang im Testmodus mit bekannten Kontakten aus:

• Verwenden Sie einen Kontakt, der bereits Kunde geworden ist. Sein Score sollte Ihren MQL-Schwellenwert überschreiten.
• Verwenden Sie einen kalten Kontakt ohne jede Aktivität. Sein Score sollte unter 20 liegen.
• Verwenden Sie einen Kontakt mit gemischten Signalen (einige E-Mail-Öffnungen, keine Aktionen mit hoher Kaufabsicht). Sein Score sollte im mittleren Bereich liegen.

Prüfen Sie die AI-Ausgabe im Ausführungsprotokoll des Szenarios. Wirken die Scores unplausibel, passen Sie die Prompt-Gewichtungen in Schritt 4 an und führen Sie den Test erneut aus.

Der Ausführungsverlauf von Make.com zeigt jede Ein- und Ausgabe der Module, sodass Sie genau nachvollziehen können, woher ein Score stammt und warum.

Häufige Fehler, die Sie vermeiden sollten

Den Schritt der Datenaggregation überspringen. Ein Scoring auf Basis eines einzelnen Ereignisses führt zu stark ungenauen Ergebnissen. Aggregieren Sie die Signale deshalb immer vor dem Scoring.

Den Schwellenwert nicht mit dem Vertrieb abstimmen. Ein technisch perfektes Scoring-Modell scheitert, wenn der Vertrieb dem Ergebnis nicht vertraut. Zeigen Sie dem Vertrieb die Scoring-Logik und holen Sie sich vor dem Start eine ausdrückliche Zustimmung zum Schwellenwert.

Den Score-Verfall ignorieren. Ein Kontakt, der Ihre Preisseite vor sechs Monaten besucht hat, ist ein anderes Signal als einer, der sie gestern besucht hat. Der Prompt in Schritt 4 enthält eine Verfallsregel von 30 Tagen. Passen Sie den Zeitraum an die Länge Ihres Sales-Zyklus an.

Den AI-Prompt überfrachten. Mehr Regeln im Prompt führen nicht immer zu besseren Scores. Beginnen Sie mit 5 bis 7 Signaltypen, lassen Sie das Modell 30 Tage laufen und erhöhen Sie die Komplexität erst dann, wenn die Daten es nahelegen.

FAQs

Was ist ein MQL-Scoring-Workflow in Make.com?
Ein MQL-Scoring-Workflow in Make.com ist ein automatisiertes Szenario, das Verhaltenssignale aus Ihrem CRM und Ihren Marketing-Tools sammelt, sie durch einen Scoring-Schritt leitet (einschließlich eines AI-Moduls für gewichtetes Scoring) und Kontakte automatisch als Marketing Qualified Leads markiert, sobald sie einen definierten Schwellenwert überschreiten. Die manuelle Lead-Qualifizierung entfällt dadurch vollständig.

Wie lege ich den richtigen MQL-Schwellenwert in Make.com fest?
Ziehen Sie die Closed-won-Deals der letzten 3 bis 6 Monate heran, ermitteln Sie, welche Verhaltenssignale diese Kontakte vor der Conversion gezeigt haben, simulieren Sie ihre Scores mit Ihrem Modell und finden Sie den Score, der mindestens 80 % von ihnen erfasst. Bei den meisten B2B-SaaS-Unternehmen liegt der MQL-Schwellenwert zwischen 65 und 75 von 100. Überprüfen Sie ihn alle 90 Tage anhand der tatsächlichen Pipeline-Conversion-Daten.

Kann Make.com ein spezielles Lead-Scoring-Tool wie das native Scoring von HubSpot ersetzen?
Make.com ersetzt das native Scoring Ihres CRM bei einfachen Modellen nicht, bietet aber deutlich mehr Möglichkeiten, wenn Sie AI-gewichtetes Scoring, toolübergreifende Signalaggregation oder individuelle Routing-Logik brauchen, die native Tools nicht unterstützen. Wenn Ihr Scoring-Modell Signale aus mehr als einer Plattform einbeziehen oder kontextabhängig gewichten soll, bietet Make.com mehr Kontrolle als die meisten nativen Lösungen. Für Teams, die native CRM-Workflows erweitern, bietet SaaS Hackers außerdem ein Verzeichnis von HubSpot-Agenturen für B2B SaaS.

Welche CRMs funktionieren mit diesem MQL-Scoring-Workflow in Make.com?
HubSpot, Salesforce, Pipedrive, Attio und Zoho CRM verfügen alle über native Make.com-Module, die das Abrufen und Aktualisieren von Kontakten unterstützen. Die Workflow-Struktur in diesem Ratgeber funktioniert mit jedem davon. Sie tauschen lediglich die CRM-spezifischen Module in Schritt 2 und Schritt 7 aus, während die AI-Logik und die Routing-Schritte unverändert bleiben.

Was kostet der Betrieb dieses Workflows in Make.com?
Die wichtigste variable Kostenposition ist die Nutzung der OpenAI API. GPT-4o mini für Scoring-Completions kostet ungefähr 0,15 $ pro 1 Million Input-Tokens. Bei einem Workflow, der monatlich 1.000 Kontakte mit einem Prompt von jeweils rund 300 Tokens verarbeitet, liegen die AI-Kosten unter 0,05 $ pro Monat. Die Operationskosten in Make.com hängen von Ihrem Tarif ab, wobei jede Modulausführung als eine Operation zählt.