Warum Engagement im B2B keine Intention ist (und wie dies Ihre Conversion beeinträchtigt)

Innerhalb von Salesforce Marketing Cloud Account Engagement sehen viele Organisationen ein scheinbar gesundes Muster. Engagement Programs laufen stabil, E-Mails werden geöffnet, Prospects klicken weiter und Dashboards zeigen genügend Aktivität, um den Eindruck zu vermitteln, dass Marketing Automation ordnungsgemäß funktioniert. Gleichzeitig bleibt die kommerzielle Weiterentwicklung zurück. Sales akzeptiert weniger Leads als erwartet, Opportunities entstehen nicht im gleichen Verhältnis wie das Engagement wächst und Diskussionen über Lead-Qualität kehren immer wieder zurück.

Dieser Widerspruch entsteht häufig dadurch, dass zwei unterschiedliche Begriffe unbemerkt gleichgesetzt werden. Engagement zeigt, dass jemand mit Content, Kampagnen oder digitalen Kanälen interagiert; Intention sagt etwas darüber aus, wie wahrscheinlich es ist, dass sich ein Prospect tatsächlich auf eine kommerzielle Entscheidung zubewegt. In einfachen Modellen können beide Begriffe vorübergehend zusammenfallen, doch innerhalb komplexer B2B-Kaufprozesse entwickelt sich diese Beziehung schnell auseinander. Ein Prospect kann intensiv Informationen konsumieren, ohne dass intern Budget, Dringlichkeit oder Entscheidungsfindung vorhanden sind, während ein anderer Kontakt nach nur wenigen gezielten Interaktionen bereits deutlich näher an einer konkreten Kaufentscheidung sein kann.

Für Enterprise-Organisationen ist dies mehr als ein Problem von Marketingmetriken. Wenn Engagement als Proxy für Intention verwendet wird, beeinflusst diese Interpretation Scoring, Segmentierung, Sales-Übergabe, Dashboards und letztlich die Art und Weise, wie kommerzielle Kapazität eingesetzt wird. Die Plattform funktioniert technisch weiterhin korrekt, unterstützt jedoch Entscheidungen auf Grundlage eines unvollständigen Bildes des Kaufverhaltens. Der Kern reifer Marketing Automation liegt daher nicht darin, mehr Engagement zu sammeln, sondern dessen Bedeutung besser zu interpretieren.

Engagement erhält erst innerhalb des kommerziellen Kontexts Bedeutung

Engagement ist als Steuerungsgröße attraktiv, weil es unmittelbar messbar ist. Open Rates, Klickraten, Websitebesuche, Formularinteraktionen und Downloads liefern klare Zahlen, die sich einfach verfolgen und vergleichen lassen. Dadurch entsteht schnell die Annahme, dass mehr Interaktion auch mehr kommerzielle Progression bedeutet. Gerade im B2B ist diese Schlussfolgerung riskant, weil dieselbe Aktivität abhängig von Person, Account, Phase und Timing eine vollständig andere Bedeutung haben kann.

Der Download eines inhaltlich tiefgehenden Whitepapers kann beispielsweise von einem Spezialisten stammen, der ausschließlich recherchiert, von einem Consultant, der Informationen für einen Kunden sammelt, oder von einem Decision-Maker, der eine Shortlist vorbereitet. Die Interaktion ist technisch identisch, doch ihre kommerzielle Bedeutung unterscheidet sich fundamental. Dasselbe gilt für Websitebesuche: Mehrere Besuche allgemeiner Wissensinhalte sagen etwas anderes aus als wiederholte Besuche von Pricing-, Implementierungs- oder Integrationsseiten innerhalb kurzer Zeit. Ohne diesen Kontext wird Aktivität zwar erfasst, aber nicht wirklich interpretiert.

Engagement ohne Kontext erzeugt Aktivität, aber keine Richtung.

Dieser Unterschied wird noch wichtiger, wenn Buying Groups beteiligt sind. Enterprise-Entscheidungsfindung konzentriert sich nur selten auf eine einzelne Person, die sauber durch einen Funnel läuft. Verschiedene Stakeholder können zu unterschiedlichen Zeitpunkten recherchieren, technische Fragen beantworten, Risiken bewerten oder Budget vorbereiten. Wenn Account Engagement diese Signale ausschließlich auf Ebene einzelner Interaktionen bewertet, kann das System einer Person mit geringem kommerziellem Einfluss einen hohen Score zuweisen und gleichzeitig relevante Bewegung innerhalb des breiteren Accounts übersehen.

Engagement muss daher als eine Informationsebene innerhalb eines größeren kommerziellen Kontexts gelesen werden. Wer zeigt das Verhalten, innerhalb welches Accounts, zu welchem Zeitpunkt, rund um welches Thema, nach welcher vorherigen Interaktion und in Bezug auf welche Lifecycle-Phase? Erst wenn diese Fragen berücksichtigt werden, entsteht eine brauchbare Unterscheidung zwischen sichtbarer Aktivität und bedeutungsvoller kommerzieller Progression.

Aktivität, Progression und Conversion erfordern unterschiedliche Signale

Viele Engagement Programs sind darauf ausgerichtet, sichtbare Aktivität zu maximieren. Mehr Opens, mehr Klicks und mehr wiederholte Interaktionen werden positiv bewertet, weil sie zeigen, dass ein Prospect auf Marketing reagiert. Diese Logik ist nachvollziehbar, erzeugt jedoch ein Messproblem: Aktivität wird behandelt, als würde sie eine ansteigende Skala Richtung Conversion darstellen. In Wirklichkeit können Prospects sehr aktiv sein, ohne einer Entscheidung näherzukommen, während andere Prospects wenig, aber sehr bedeutungsvolle Signale zeigen.

Ein reifes Modell unterscheidet daher zwischen Aktivität, Progression und Conversion. Aktivität zeigt, dass eine Interaktion stattgefunden hat. Progression entsteht erst, wenn neues Verhalten plausibel macht, dass sich die kommerzielle Position des Prospects oder Accounts verändert hat. Conversion ist anschließend der Moment, in dem diese Entwicklung zu einem konkreten Übergang führt, beispielsweise zu einem akzeptierten Sales-Lead, einer Opportunity oder einem anderen vorab definierten kommerziellen Schritt.

Diese Unterscheidung muss auch in der Entscheidungslogik von Account Engagement sichtbar werden:

• Aktivität: einzelne Interaktionen, die Interesse zeigen, aber für sich genommen zu wenig über Kaufbereitschaft aussagen.
• Progression: Kombinationen aus Verhalten, Timing und Kontext, die auf eine veränderte kommerzielle Position hinweisen.
• Intention: Signale, die plausibel machen, dass sich ein Prospect oder Account tatsächlich auf eine Entscheidung zubewegt.
• Conversion: ein konkreter Übergang zu Sales, einer Opportunity oder einer anderen kommerziell relevanten Lifecycle-Phase.

Der Unterschied wirkt semantisch, hat jedoch direkte Auswirkungen auf die Gestaltung. Eine Organisation, die jeden Klick als Progression betrachtet, baut zwangsläufig Scoring-Modelle, in denen sich Aktivität ansammelt, bis ein Schwellenwert erreicht wird. Eine Organisation, die Progression separat definiert, betrachtet dagegen Veränderung: Entsteht neues Verhalten, werden Informationsbedürfnisse spezifischer, liegen Signale zeitlich näher beieinander und verändert sich die Beziehung zwischen Marketing und Sales? Damit verschiebt sich das System vom Zählen zum Interpretieren.

Dadurch wird auch verhindert, dass Nurture-Programme ausschließlich auf Engagement-Metriken optimiert werden. Eine steigende Click-Through Rate kann kommerziell wertlos sein, wenn dieselben Prospects weiterhin interagieren, ohne jemals weiterzukommen. Umgekehrt kann ein Program mit weniger Interaktionen gerade besser funktionieren, wenn die verbleibenden Signale stärker mit MQL-Akzeptanz, Opportunities und Pipeline zusammenhängen. Nicht die Menge der Aktivität, sondern ihre prognostische Bedeutung muss letztlich im Mittelpunkt stehen.

Lead Scoring scheitert, wenn dynamisches Verhalten statisch addiert wird

Lead Scoring wird häufig genutzt, um den Unterschied zwischen Engagement und Intention dennoch zu überbrücken. Theoretisch ist das logisch: Unterschiedliche Verhaltensweisen erhalten einen Wert, Scores werden addiert und ab einem bestimmten Schwellenwert gilt ein Prospect als kommerziell relevant. Das Problem entsteht, wenn die zugrunde liegende Punktearchitektur kaum zwischen Kontext, Phase und Timing unterscheidet. Scoring wird dann nicht zu einem Interpretationsmodell, sondern zu einer Summe von Aktivität.

Ein Whitepaper-Download und der Besuch einer Pricing-Seite können beispielsweise beide Punkte liefern, obwohl ihre kommerzielle Bedeutung stark voneinander abweicht. Noch problematischer wird es, wenn dieselben Punkte unbegrenzt weiterzählen. Ein Prospect, der über sechs Monate verschiedene generische Inhalte konsumiert, kann dann letztlich denselben Score erreichen wie jemand, der innerhalb von drei Tagen Produktinformationen, Pricing und Implementierungsbedingungen untersucht. Die Gesamtsumme wirkt vergleichbar, das Verhalten erzählt jedoch eine vollständig andere Geschichte.

Scoring muss deshalb nicht nur berücksichtigen, was geschieht, sondern auch wann, in welcher Kombination und innerhalb welches Lifecycle-Kontexts. Recency und Velocity sind dabei wichtige Dimensionen. Mehrere gezielte Interaktionen innerhalb kurzer Zeit können ein stärkeres Signal darstellen als dieselbe Aktivität verteilt über mehrere Monate. Auch Veränderungen im Verhaltenstyp sind relevant: Der Wechsel von allgemeinem Wissenscontent zu spezifischen Produkt-, Implementierungs- oder kommerziellen Informationen kann mehr über Progression aussagen als die absolute Zahl der Interaktionen.

Ein zweites Problem entsteht, wenn Scoring nach der Implementierung kaum neu kalibriert wird. Märkte verändern sich, Angebote entwickeln sich weiter, Websites erhalten neuen Content und Sales lernt aus praktischer Erfahrung, welche Signale sich tatsächlich als relevant erweisen. Wenn das Scoring-Modell weiterhin auf Annahmen aus der Implementierungsphase basiert, nimmt sein Vorhersagewert schrittweise ab. Sales sieht immer häufiger Leads, die laut Marketing hoch scoren, kommerziell jedoch kaum reif sind, und beginnt anschließend, das Modell mit eigenen Filtern oder Intuition zu korrigieren.

An diesem Punkt entsteht ein struktureller Vertrauensverlust. Marketing optimiert weiterhin innerhalb eines Scoring-Modells, das intern logisch erscheint, während Sales dasselbe Modell immer weniger nutzt. Die Lösung liegt nicht in mehr Punkten, mehr Scoring-Kategorien oder noch komplexeren Regeln, sondern in einer strukturellen Feedbackschleife, in der Scoring anhand akzeptierter Leads, Opportunity-Entwicklung und tatsächlicher kommerzieller Ergebnisse überprüft wird.

Dashboards müssen kommerzielle Progression sichtbar machen, nicht nur Marketingaktivität

Das Problem mit Engagement wird häufig erst sichtbar, wenn Marketingreporting und Salesergebnisse nebeneinandergelegt werden. Marketing kann überzeugende Dashboards mit steigender Interaktion, hohen Engagement Scores und gut performenden Kampagnen zeigen, während Sales gleichzeitig wenig Fortschritt bei Lead-Akzeptanz oder Pipeline erkennt. Beide Teams können auf Grundlage ihrer eigenen Zahlen recht haben. Die Reibung entsteht, weil die Reporting-Ebenen unterschiedliche Realitäten beschreiben.

Dashboards lösen dieses Problem nicht automatisch. Sie reproduzieren die Definitionen, auf denen die zugrunde liegenden Systeme basieren. Wenn ein Engagement Score fälschlicherweise als Kaufintention interpretiert wird, macht ein schönes Dashboard diese Annahme nicht zuverlässiger; es präsentiert sie lediglich überzeugender. Dadurch kann eine Organisation länger auf falsche Indikatoren optimieren, weil das Reporting konsistent bestätigt, dass das System Aktivität erzeugt.

Die Begrenzung klassischer Engagement-Metriken wird deutlich, wenn unterschieden wird, was sie erfassen und welche kommerzielle Schlussfolgerung häufig fälschlicherweise damit verbunden wird:

Eine reife Dashboard-Architektur verbindet Engagement deshalb mit Bewegung durch den kommerziellen Lifecycle. Relevant ist nicht nur, wie viele MQLs produziert wurden, sondern wie viele davon von Sales akzeptiert werden, wie viele zu einer konkreten Opportunity führen, wie lange die Weiterentwicklung dauert und welche Signale vor erfolgreichen Conversions wiederholt auftreten. Dadurch wird sichtbar, welche Marketinginteraktionen tatsächlich prognostische Bedeutung besitzen und welche hauptsächlich Aktivität erzeugen.

Für das C-Level verändert sich damit die Funktion des Reportings. Dashboards sind dann nicht länger ausschließlich ein Instrument zur Darstellung der Marketingperformance, sondern ein Mittel, um zu beurteilen, ob kommerzielle Signale zuverlässig genug sind, um Kapazität und Investitionen darauf zu stützen. Das erfordert weniger Fokus auf einzelne Marketingmetriken und mehr Zusammenhang zwischen Account Engagement, Salesforce CRM und Downstream-Salesergebnissen.

Timing und Signalkombinationen machen Intention besser erkennbar

Timing ist eine der am stärksten unterschätzten Dimensionen bei der Interpretation von Engagement. In vielen Engagement Programs wird Zeit primär als technische Einstellung verwendet: drei Tage warten, die nächste E-Mail senden, einen Trigger prüfen und fortfahren. Für das Erkennen von Intention erfüllt Timing jedoch eine andere Funktion. Das Muster, in dem sich Verhalten entwickelt, kann mindestens ebenso relevant sein wie das Verhalten selbst.

Ein Prospect, der an einem Nachmittag mehrere tiefgehende Produktseiten besucht, einen Implementation Guide prüft und anschließend zu Pricing zurückkehrt, zeigt ein anderes Muster als jemand, der dieselben Interaktionen über vier Monate verteilt ausführt. Die Zahl der registrierten Handlungen kann identisch sein, doch die Kombination aus Recency, Velocity und inhaltlichem Zusammenhang macht die erste Situation kommerziell deutlich relevanter. Wenn Scoring und Engagement Programs diesen Unterschied nicht erkennen, werden beide Prospects nahezu identisch behandelt.

Intention entsteht nicht aus einer einzelnen Interaktion, sondern aus der Bedeutung mehrerer Signale innerhalb desselben kommerziellen Kontexts und Zeitraums.

Timing beeinflusst auch die Funktionsweise von Nurturing. Ein Prospect, der deutlich Momentum entwickelt, muss nicht zwangsläufig dieselben festen Wartezeiten durchlaufen wie ein Prospect, der nur sporadisch reagiert. Umgekehrt profitiert ein kaum engagierter Lead wenig von immer kürzeren Follow-up-Intervallen, nur weil das System Aktivität erzwingen möchte. Adaptives Timing ermöglicht es, aktive Prospects schneller zu einem passenden nächsten Schritt zu führen und weniger engagierten Kontakten mehr Raum zu geben.

Damit verändert sich Timing von einem Ausführungsparameter zu einem Interpretationsmechanismus. Das Engagement Program reagiert nicht länger ausschließlich auf das Vorhandensein eines Signals, sondern auch auf die Geschwindigkeit, mit der relevante Signale aufeinanderfolgen, und auf die Phase, in der dies geschieht. Gerade im Enterprise-B2B, wo Kaufzeitpunkte häufig von interner Planung, Budgetzyklen und mehreren Stakeholdern beeinflusst werden, liefert diese Nuance ein realistischeres Modell als eine einheitliche Nurture-Cadence.

Marketing und Sales benötigen eine gemeinsame Definition kommerzieller Progression

Wenn Engagement und Intention nicht ausreichend voneinander unterschieden werden, entsteht nahezu zwangsläufig Spannung zwischen Marketing und Sales. Marketing sieht objektiv messbare Aktivität und schließt daraus, dass Prospects stärker involviert sind. Sales bewertet anschließend, ob dieselben Leads tatsächlich zu aktuellen kommerziellen Gesprächen passen, und erkennt regelmäßig unzureichende Dringlichkeit, Budget, Fit oder interne Entscheidungsfindung. Beide Teams betrachten denselben Prospect, verwenden jedoch unterschiedliche Kriterien, um Relevanz zu bestimmen.

Wenn dies lange genug anhält, entwickeln Teams eigene Korrekturmechanismen. Sales führt Marketingqualifizierung erneut durch, erstellt eigene Filter oder ignoriert bestimmte Scores. Marketing versucht währenddessen, Lead-Qualität durch mehr Content, zusätzliche Nurture-Schritte oder weitere Scoring-Regeln zu verbessern. Die Plattform läuft weiter, verliert jedoch schrittweise ihre Rolle als gemeinsame kommerzielle Wahrheit. Das eigentliche Problem ist dann nicht mehr ein einzelnes schlechtes Scoring-Modell, sondern das Fehlen eines gemeinsamen Entscheidungsrahmens.

Ein reifes Modell beginnt daher mit einer gemeinsamen Definition von Progression. Marketing und Sales müssen sich darüber einig sein, welche Veränderungen in Verhalten, Profil und Account-Kontext tatsächlich eine andere kommerzielle Behandlung rechtfertigen. Das bedeutet auch, dass ein MQL nicht ausschließlich das Ergebnis einer internen Marketing-Punktzahl sein darf. Der Übergang muss auf Kriterien beruhen, deren kommerzielle Relevanz Sales versteht und die später anhand tatsächlicher Ergebnisse überprüft werden können.

Salesfeedback wird dadurch Teil des Engagement-Modells selbst. Akzeptierte und abgelehnte Leads, Geschwindigkeit des Follow-ups, Opportunity-Erstellung und verlorene Chancen enthalten Informationen, mit denen Marketing seine Annahmen neu kalibrieren kann. Wenn bestimmte Verhaltenskombinationen strukturell zu qualitativ hochwertigen Gesprächen führen, verdienen sie mehr Gewicht. Wenn hohe Scores wiederholt keine kommerzielle Progression liefern, sollte nicht Sales aufgefordert werden, dem Modell besser zu folgen; das Modell muss an die Realität angepasst werden.

Diese geschlossene Feedbackschleife stärkt sowohl die Qualität als auch die Glaubwürdigkeit von Marketing Automation. Marketing liefert nicht länger einfach „warme Leads“, sondern Signale, bei denen klar ist, wie sie interpretiert wurden und warum ein kommerzieller Folgeschritt gerechtfertigt ist. Sales muss dadurch weniger eigene Korrekturschichten aufbauen und die Plattform kann erneut als gemeinsames System für kommerzielle Priorisierung funktionieren.

Von Engagement-Messung zu steuerbarer kommerzieller Entscheidungsfindung

Für Enterprise-Organisationen liegt die eigentliche Herausforderung nicht im Sammeln von mehr Daten. Account Engagement und Salesforce CRM können bereits eine große Zahl von Interaktionen, Profilen und Lifecycle-Events erfassen. Der Reifeschritt entsteht, wenn die Organisation bestimmt, welche Signale tatsächlich wichtig sind, wie sich ihre Bedeutung durch Kontext verändert und welche Entscheidungen daraus folgen dürfen. Das erfordert explizite Entscheidungen im Datenmodell, Scoring, Timing, Governance und Reporting.

Engagement bleibt dabei wertvoll. Es zeigt, wo Aufmerksamkeit entsteht, welche Themen Prospects untersuchen und wie unterschiedliche Gruppen auf Marketing reagieren. Das Problem entsteht nur, wenn Aktivität direkt in Kaufbereitschaft übersetzt wird, ohne ausreichenden Nachweis dafür, dass diese Beziehung tatsächlich besteht. Durch die Kombination von Engagement mit Fit, Timing, Signalmustern, Account-Kontext und Downstream-Salesergebnissen entsteht eine wesentlich stärkere Grundlage für kommerzielle Priorisierung.

Das bedeutet auch, dass nicht jedes Engagement Program möglichst viele Interaktionen erzeugen muss. Ein reifes Program kann gerade weniger Aktivität produzieren und gleichzeitig mehr Wert schaffen, wenn es besser zwischen allgemeinem Interesse und echter Progression unterscheidet. Weniger, aber relevantere Sales-Übergaben, eine höhere Akzeptanzquote und eine bessere Verbindung zu Opportunities können strategisch wichtiger sein als ein Dashboard, auf dem Open Rates und Klicks weiter steigen.

Die Rolle von Marketing Automation verändert sich damit grundlegend. Die Plattform ist nicht länger ausschließlich eine ausführende Umgebung, die Kommunikation erfasst und automatisiert, sondern wird Bestandteil eines Entscheidungssystems, in dem Verhalten interpretiert wird, bevor kommerzielle Aktion folgt. Das erfordert mehr Disziplin als das bloße Erhöhen von Engagement Scores, liefert jedoch auch eine wesentlich zuverlässigere Grundlage für skalierbare Zusammenarbeit zwischen Marketing und Sales.

Wenn Organisationen diese Unterscheidung konsequent umsetzen, verschwindet auch der künstliche Widerspruch zwischen hohen Engagement-Zahlen und enttäuschender Conversion. Metriken werden dann nicht mehr nach ihrer Sichtbarkeit bewertet, sondern nach ihrer Fähigkeit, kommerzielle Veränderung zu erklären und vorherzusagen. Salesforce Marketing Cloud Account Engagement wird damit nicht zu einem System, das möglichst viel Aktivität erzeugt, sondern zu einer Plattform, die dabei hilft zu bestimmen, welche Aktivität tatsächlich Richtung für Pipeline, Priorität und Wachstum gibt.