Lead-Qualifizierung automatisieren: 250.000 auf Top 1%

250.000 Kontakte, null Priorisierung: Das Lead-Problem in Agenturen

Eine Performance-Marketing-Agentur mit zwei Geschäftsführern kaufte mehrere Leadlisten ein, um durch Kaltakquise zu wachsen. Das Resultat: ungefähr 250.000 Datensätze verteilt über verschiedene Excel-Listen mit erheblichen Qualitätsproblemen.

Die Kernproblematiken waren:

Duplikate über mehrere Listen hinweg
Inkonsistente und fehlende Datenqualität
Keine Priorisierung der Kontakte

Das zentrale Dilemma: Alle 250.000 Leads manuell anzurufen wäre operativ unmöglich. Die entscheidende Frage lautete: „Welche Leads sollen überhaupt angerufen werden?”

Schritt 1: Datenaufbereitung: Die Basis für Lead-Qualifizierung

Die verstreuten Excel-Daten wurden zunächst in eine zentrale Datei zusammengeführt (Single-Source-of-Truth). Der Prozess umfasste:

Deduplizierung der Datensätze
Normalisierung der Felder
Identifikation fehlender Informationen

Schritt 2: n8n-Architektur für 250.000 Datensätze

Die direkte Verarbeitung großer Datenmengen in n8n führte zu Performance-Problemen und Server-Ausfällen. Die Lösung bestand in einer Modularisierung des Workflows in Sub-Workflows, wodurch:

Datensätze sequenziell verarbeitet wurden
Hardware-Investitionen entfielen
Stabile Batch-Laufzeiten über Nacht ermöglicht wurden

Mehr zu den Möglichkeiten von n8n Automation habe ich in einem separaten Beitrag beschrieben.

Schritt 3: Lead-Scoring-Modell und API-Anbindung

Für jeden Datensatz wurden folgende Daten angereichert:

Harte Filter: Shopsystem-Kompatibilität, Branchenzugehörigkeit, Wettbewerbsüberschneidung mit bestehenden Kunden
Weiche Filter: Geschätzter organischer Traffic, Keywords, Umsatzpotenzial und erwartete Provisionen

Ein Large Language Model (LLM) bewertete diese Informationen und generierte ein Lead-Scoring mit Confidence-Wert und Begründung, wodurch eine klare Hierarchie entstand.

Ergebnisse & Lessons Learned

Vorher-Nachher-Vergleich

Die Beschränkung auf die Top 1% lieferte dem Kunden einen klaren Fokus. Die höhere Relevanz bei der Telefonakquise führte zu besseren Gesprächen und mehr gebuchten Terminen.

Projektdauer: 1,5 Wochen (mittlerweile in 2–3 Tagen umsetzbar)

Kosten: Weniger als 10 € pro Monat für den n8n-Server (Self-Hosting), gegenüber ca. 750 € bei Make.com für gleiche Datenmengen. Die Kosten pro qualifiziertem Datensatz lagen unter 0,5 Cent.

Lessons Learned

Bei großen Datenmengen auf kostengünstigen Servern ist Modularisierung essenziell. Das macht Workflows robuster, Fehler-Debugging einfacher und Module wiederverwendbar. Stabilität sollte Priorität über Geschwindigkeit haben, da diese Prozesse nicht zeitkritisch sind.

Der Kunde automatisierte die Recherche und Vorqualifizierung, behielt aber die manuelle Telefonakquise bei. Für weitere Optimierung könnten auch diese Schritte durch Integration in Sales-Plattformen wie Pipedrive oder Close automatisiert werden.

Für wen eignet sich automatisierte Lead-Qualifizierung?

Besonders für Agenturen und Dienstleister mit großen, ungefilterten Lead-Listen ist diese Lösung sinnvoll. Wer über 10.000 Kontakte manuell priorisiert, verliert Geld und Zeit. Bei Listen unter 250 Leads wäre eine solche Automatisierung überdimensioniert.

Häufige Fragen zur Lead-Qualifizierung

Wie funktioniert automatische Lead-Qualifizierung mit n8n?

Bestehende Datenquellen werden zusammengeführt und dedupliziert. APIs für Datenanreicherung werden angebunden, eine Scoring-Logik definiert und der Workflow in modulare Sub-Workflows aufgeteilt. Nach dem Testen läuft die Pipeline automatisiert.

Was kostet ein Lead-Scoring-Modell mit n8n im Vergleich zu Make.com?

n8n Self-Hosted kostet unter 10 €/Monat. Make.com skaliert bei 200.000+ Datensätzen auf etwa 750 €/Monat. Mehr zum Thema Kosten im Beitrag n8n vs Make.

Ab welcher Lead-Menge lohnt sich automatisierte Lead-Qualifizierung?

Ab circa 5.000–10.000 Kontakten wird manuelle Recherche unwirtschaftlich. Bei größeren Datenmengen ist Automatisierung notwendig.

Kann man die Scoring-Logik an verschiedene Branchen anpassen?

Ja. Harte Filter (Shopsystem, Branche, Wettbewerbsüberschneidung) und weiche Filter (Traffic, Umsatzpotenzial) sind konfigurierbar und werden pro Projekt angepasst.