Referenz-Build: Automatisiertes Lead-Scoring und Nurturing

Kurz gesagt: Jeder eingehende Lead (Website-Formular, LinkedIn, Eventliste) landet an einer Stelle, wird von einem Modell, das Freitext lesen kann, gegen Ihre echten Qualifizierungskriterien bewertet und löst eine zum Score passende Follow-up-Sequenz aus. Der Vertrieb sieht eine sortierte Warteschlange samt Begründung statt eines Postfachs. Gebaut auf n8n mit Notion als CRM, das Scoring übernimmt Claude oder ein lokales Ollama-Modell.

Was das hier ist: ein Referenz-Build. Die Architektur, der Scoring-Prompt und die Sequenzlogik, aufgeschrieben, damit Sie die Technik beurteilen können. Es stehen keine Kundenzahlen darin. Prüfen können Sie das laufende System: Lead-Response-Demo ansehen →.

Das Problem dahinter

Leads kommen durch mehrere Türen und landen in einem Postfach, und ein Postfach ist keine Warteschlange. Niemand erkennt auf einen Blick, welche von vierzig ungelesenen Nachrichten zuerst eine Antwort verdient, also wird nach Eingang beantwortet, oder gar nicht. Nebenher tippt der Vertrieb dieselben Kontaktdaten in drei Tools.

Darin stecken zwei verschiedene Probleme. Sortieren braucht Urteilsvermögen über Text, den eine Regel nicht parst: eine Position, eine Firmenbeschreibung, das, was die Person tatsächlich gefragt hat. Sequenzieren braucht kein Urteilsvermögen, sondern Verlässlichkeit: die richtige Nachricht, im richtigen Abstand, jedes Mal, ohne dass sich jemand erinnern muss. Dieser Build gibt das Erste an ein Modell und das Zweite an schlichte Workflow-Logik.

Auf einen Blick

Stack	n8n-Orchestrierung + Notion-CRM + KI-Lead-Scoring (Claude / Ollama)
Was entschieden wird	Fit-Score, Kaufabsicht, Segment, nächste beste Aktion, jeweils mit Begründung
Sicherungen	Scores sind beratend und für den Vertrieb sichtbar, Sequenzen stoppen bei jeder menschlichen Antwort, Versand nur zu Geschäftszeiten
Nachprüfbar	Die vollständige n8n-JSON, aus der laufenden Instanz exportiert

Genau diese Art von Aufbau mache ich unter CRM- & Vertriebsautomatisierung. Die Lead-Response-Demo läuft live zum Ausprobieren.

Die Lösung

Ein dreistufiges Automatisierungssystem mit n8n als Orchestrierungsschicht.

Tool-Stack

Komponente	Tool	Warum
Lead-Datenbank	Notion	Flexibel, API-freundlich, Team nutzte es bereits
Workflow-Automatisierung	n8n	Self-hosted, DSGVO-konform, erweiterbar
KI-Scoring (Cloud)	Claude API	Hohe Genauigkeit für kontextreiches Scoring
KI-Scoring (Lokal)	Ollama	Privacy-first für sensible Daten
E-Mail-Sequenzen	n8n + SMTP	Personalisiert, durch Lead-Phase getriggert

Stufe 1: Lead-Erfassung & Anreicherung

Website-Formular / LinkedIn → Webhook → n8n → Notion-Datenbank

Jeder Lead landet automatisch in Notion mit:

• Kontaktdaten (Name, E-Mail, Unternehmen)
• Quellen-Attribution (welche Kampagne, Referrer)
• Angereicherten Daten (Unternehmensgröße, Branche via Clearbit/Apollo)
• Zeitstempel für Reaktionszeit-Tracking

Stufe 2: KI-gestütztes Lead-Scoring

Das Herzstück des Systems. Jeder Lead wird von der KI gegen das Ideal Customer Profile (ICP) bewertet.

Scoring-Kriterien:

1. Unternehmens-Fit (40%): Branche, Größe, Tech-Stack-Alignment
2. Engagement-Signale (30%): Besuchte Seiten, heruntergeladene Inhalte
3. Budget-Indikatoren (20%): Firmenumsatz, Funding-Phase
4. Timing-Signale (10%): Dringlichkeit in der Nachricht, Entscheidungs-Timeline

Claude API Prompt (vereinfacht):

Analysiere diesen Lead gegen unser ICP:
- Ziel: B2B SaaS, 10-200 Mitarbeiter, Series A+
- Ideale Persona: VP Engineering, CTO, Head of DevOps

Lead-Daten: {lead_json}

Gib JSON zurück mit:
- score (0-100)
- tier (hot/warm/cold)
- reasoning (2 Sätze)
- suggested_action (call/email/nurture/disqualify)

Ollama-Alternative: Für Kunden mit strengen Datenresidenz-Anforderungen nutzen wir lokal Mistral 7B. Etwas geringere Genauigkeit, aber keine Daten verlassen das Unternehmen.

Stufe 3: Automatisierte Aktionen

Basierend auf dem KI-Score triggert n8n unterschiedliche Workflows:

Lead-Tier	Score	Aktion
🔥 Hot	80-100	Slack-Alert + Kalender-Link innerhalb 5 Min
🌡️ Warm	50-79	3-E-Mail-Sequenz über 7 Tage
❄️ Cold	20-49	Monatlicher Newsletter + gelegentlicher Check-in
❌ Disqualifiziert	0-19	Höfliche Absage-E-Mail, aus Aktivliste entfernt

Hot-Lead-Workflow:

1. Slack-Benachrichtigung an Sales-Channel mit Lead-Zusammenfassung
2. Auto-Entwurf einer personalisierten E-Mail (KI-generiert, von Mensch genehmigt)
3. Notion-Status → “Hot Lead - Wartet auf Kontakt”
4. Wenn keine Aktion in 2 Stunden → Eskalation an Sales-Manager

Warm-Lead-Nurture-Sequenz:

• Tag 0: “Danke für Ihr Interesse” + relevante Fallstudie
• Tag 3: Bildungsinhalte basierend auf ihrer Branche
• Tag 7: Soft-Ask für ein Gespräch mit spezifischem Wertversprechen

Was sich ändert, und was nicht

Hier steht keine Vorher-Nachher-Tabelle. Ich habe dieses System nicht auf Ihrer Pipeline betrieben, und für ein erfundenes Unternehmen erfundene Zahlen sagen Ihnen nichts.

Was die Architektur ändert, ist strukturell:

• Die Warteschlange ist sortiert, nicht chronologisch. Wer das CRM öffnet, sieht zuerst den Lead mit der besten Passung: samt Begründung, warum er so bewertet wurde, statt nur den zuletzt eingegangenen.
• Follow-up hängt nicht mehr am Gedächtnis. Sequenzen laufen nach Plan und stoppen in dem Moment, in dem ein Mensch antwortet. Nichts fällt hinten runter, nichts geht doppelt raus.
• Niemand tippt einen Kontakt zweimal. Erfasst wird einmal, alle nachgelagerten Tools lesen aus diesem Datensatz.

Was sich nicht ändert, ist Ihre Abschlussquote bei einem guten Lead. Das Modell sortiert und entwirft; verkaufen tut es nicht. Wenn Ihr eigentliches Problem darin besteht, dass qualifizierte Interessenten mit Ihnen sprechen und dann nicht kaufen, macht dieser Build das schneller sichtbar, lösen wird er es nicht.

Die erste Zahl, die es zu messen lohnt, ist die Übereinstimmungsrate des Scorings: Lassen Sie den Scorer über die gewonnenen und verlorenen Leads des letzten Quartals laufen und prüfen Sie, ob seine Rangfolge zum tatsächlichen Ausgang passt. Wenn nicht, gehören Ihre Kriterien in den Prompt, nicht mehr Automatisierung drumherum.

Implementierungsdetails

Zeitplan: 3 Wochen von Kickoff bis Produktion

• Woche 1: Notion-Struktur, n8n-Workflows, Integrationen
• Woche 2: KI-Prompt-Engineering, Tests mit historischen Leads
• Woche 3: E-Mail-Templates, Slack-Integration, Schulung

Laufende Kosten:

Posten	Monatliche Kosten
n8n Cloud (oder self-hosted: €0)	€20
Claude API (~500 Leads/Monat)	€15
Notion (Team-Plan)	Bereits vorhanden
Gesamt	€35/Monat

Vergleich: 1 SDR bei €4.000/Monat für die gleiche manuelle Arbeit.

Wichtige Erkenntnisse

1. Mit klarem ICP starten: KI-Scoring ist nur so gut wie die Kriterien
2. Human-in-the-Loop: Hot Leads bekommen KI-Entwürfe, keine Auto-Sends
3. Reaktionszeit messen: Der #1-Faktor bei der Lead-Conversion
4. Prompts iterieren: Rechnen Sie damit, den Scoring-Prompt mehrfach gegen echte abgeschlossene Deals umzuschreiben. Die erste Fassung ist nie die, die bleibt

Selbst bauen

So verkabeln Sie die Lead-Nurturing-Pipeline von Grund auf.

Node-für-Node Aufschlüsselung

1. Lead-Intake-Webhook

Ein Webhook empfängt Formular-Submissions von Ihrer Website, Landing Pages oder Integrationen wie Zapier. Der Trigger normalisiert eingehende Daten in ein konsistentes Format, unabhängig von der Quelle.

POST /lead-intake → { name, email, company, message, source }

2. Datenanreicherung (Set Node)

Vor dem KI-Scoring strukturieren Sie die Lead-Daten explizit. Das macht den Claude-Prompt zuverlässiger und einfacher zu debuggen. Enthalten:

• Kontaktinfo (Name, E-Mail, Unternehmen)
• Kontextfelder (Quelle, Unternehmensgröße, Branche)
• Nachrichteninhalt für Sentiment-Analyse

3. Claude Lead-Scoring

Die KI bewertet jeden Lead gegen Ihr Ideal Customer Profile. Der Prompt enthält:

• Gewichtete Scoring-Kriterien (Unternehmensgröße, Branche, Pain-Indikatoren, Budget-Signale)
• Klare Tier-Definitionen (hot/warm/cold/disqualified)
• Ausgabeformat mit Score, Tier, Begründung und Personalisierungs-Hook

Wichtige Erkenntnis: Ein personalization_hook-Feld einbauen: es gibt Ihrem Sales-Team ein spezifisches Detail zum Referenzieren in der Ansprache, sodass Antworten persönlich wirken, auch bei Skalierung.

4. Score-Parsing

Claude’s JSON-Antwort parsen und mit Original-Lead-Daten zusammenführen. Edge Cases behandeln:

• Markdown-Codeblöcke in der Antwort
• Fehlende Felder (Standard auf “warm”-Tier)
• Parse-Fehler (loggen und zur manuellen Prüfung routen)

5. Tier-basiertes Routing (Switch Node)

Leads auf verschiedene Pfade basierend auf ihrem Tier routen:

• Hot (80-100): Sofortiger Slack-Alert + Notion-Eintrag + Kalenderlink
• Warm (50-79): E-Mail-Nurture-Sequenz (3 E-Mails über 7 Tage)
• Cold (20-49): Zum Newsletter für langfristige Pflege hinzufügen
• Disqualifiziert (0-19): Loggen und überspringen (keine Ansprache)

6. Kanal-Integrationen

Jedes Tier triggert entsprechende Aktionen:

• Slack für Hot-Lead-Alerts (mit Ein-Klick-Aktionen)
• E-Mail via SMTP oder SendGrid für Nurture-Sequenzen
• Mailchimp/ConvertKit für Newsletter-Adds
• Notion für zentrales Lead-Tracking

Starter-Workflow herunterladen

Kein Screenshot. Der echte Workflow. Das ist importierbare n8n-JSON: jeden Node lesen, eigene Zugangsdaten eintragen, laufen lassen. Es ist der Aufbau, wie er entworfen wurde, kein Export aus einer laufenden Instanz. Nehmen Sie ihn als Startpunkt, den Sie durch Lesen prüfen können, nicht als System mit Produktionskilometern. Die Workflows hinter den Live-Demos sind die, die aus meinem eigenen n8n exportiert sind.

Download n8n-crm-lead.json

Schnellstart:

1. JSON importieren via n8n Einstellungen → Workflow importieren
2. Zugangsdaten konfigurieren (Anthropic API, Slack, Notion, E-Mail/SMTP)
3. ICP-Kriterien im Claude-Prompt auf Ihren Zielkunden anpassen
4. Passende Slack-Channels erstellen (#sales-hot-leads)
5. Mit Beispiel-Formular-Submissions testen

Dieser Starter implementiert die Kern-Scoring- und Routing-Logik. Eine Produktionsimplementierung würde Lead-Anreicherung via Clearbit/Apollo, CRM-Sync (HubSpot, Pipedrive), mehrstufige E-Mail-Sequenzen mit Delay-Nodes und Eskalationslogik für nicht kontaktierte Hot-Leads hinzufügen: Verfeinerungen, die aus dem Verständnis Ihres spezifischen Sales-Prozesses entstehen.

Ihr nächster Schritt

Haben Sie eine ähnliche Lead-Management-Herausforderung?

1. Audit: Bilden Sie Ihren aktuellen Lead-Flow ab, wo sind die Lücken?
2. Priorisieren: Starten Sie mit einer Quelle, z.B. Website-Formulare.
3. Messen: Tracken Sie die Reaktionszeit vor und nach der Änderung.

Wenn langsame Follow-ups der eigentliche Übeltäter sind, zeigt die Lead-Response-Demo, wie eine Antwort in Minuten statt Stunden aussieht.

Kostenloses Strategiegespräch buchen: Ich zeige Ihnen, wie das für Ihr Setup aussehen würde.