Funnel-Mathematik: MQL zu SQL und Opportunity-Forensik

Die MQL-Zahl ist im Monatsvergleich um 32 % gestiegen. Der GM ist zufrieden. Drei Wochen später sind die Opportunities flach. Sie wissen nicht warum, und "MQL-Qualität" ist keine Antwort, die Ihr GM zweimal akzeptieren wird.

Das ist Funnel-Forensik. Sie sind kein Dashboard-Tourist mehr. Sie sind ein Ermittler, der die Zahlen liest und nach der benannten Ursache sucht (das Segment, die Quelle, den Tag, die Übergabe), die erklärt, warum das Volumen gestiegen ist und die Pipeline nicht mitgezogen hat.

Die meisten Demand Gen Manager berichten aggregierte Conversion-Rates. Die guten berichten Diagnosen. Es gibt einen Unterschied zwischen "MQL-zu-SQL liegt bei 11 %" und "MQL-zu-SQL sinkt dienstags auf 8 %, das ist die SDR-Abdeckungslücke, nicht die Lead-Qualität." Das eine erntet ein nickendes Kopfschütteln. Das andere bringt Ihnen Budget.

MQL-Definition mit dem Vertrieb abstimmen, einschließlich der Ablehnungsregel

Bevor Sie mit der Forensik beginnen, klären Sie Folgendes: Kann ein AE einen MQL ablehnen, und unter welchen Bedingungen? Wenn die Antwort "nein" oder "unklar" lautet, ist Ihre MQL-Zahl eine Vanity-Metrik. Sie werden sie sechs Monate lang berichten, der Vertrieb wird sie still ignorieren, und eines Tages wird Ihr VP Sales dem GM sagen, dass Marketing-Leads "nicht konvertieren," und Sie haben keine Antwort, weil es keine gemeinsame Definition gibt.

Hier ist die Arbeitsvereinbarung, die Bestand hat. Ein MQL hat drei Elemente: Fit (Account-ICP-Übereinstimmung), Intent (ein Scoring-Schwellenwert basierend auf Verhalten) und einen erreichbaren Kontakt. Unter dem Schwellenwert ist es ein Lead, kein MQL. Über dem Schwellenwert, aber mit falscher Funktion, falscher Unternehmensgröße oder falschem Standort? Der AE hat 24 Stunden, um ihn mit einem Ablehnungscode zu verwerfen. Nach 24 Stunden gilt er als akzeptiert und wird gezählt.

Die Ablehnungscodes zählen mehr als die Ablehnung selbst. Sechs Codes sind genug: falsche Unternehmensgröße, falsche Funktion/Persona, falscher Standort, bestehender Kunde, Wettbewerber, keine verifizierten Kontaktdaten. Alles außerhalb dieser sechs wird eskaliert. Sie und ein AE-Manager schlichten Streitfälle monatlich: 30 Minuten, 20 strittige MQLs prüfen, lösen, Scoring-Modell anpassen, wenn ein Muster auftaucht.

Ohne das können Sie keine Forensik betreiben. Die Diskussion "Ist das überhaupt ein MQL" frisst jedes Meeting auf und Sie kommen nie zum eigentlichen Leck.

Conversion-Rates nach Quelle, Persona und Segment lesen

Eine gemischte MQL-zu-SQL-Rate von 14 % verbirgt alles. Sie verbirgt eine 4-%-Rate bei bezahlten Social-Media-Anzeigen, die 40.000 Euro pro Monat verbrennt, und eine 38-%-Rate bei Webinaren, die 12 % Ihres Budgets bekommen. Die gemischte Zahl ist die teuerste Lüge in Ihrem Dashboard.

Schneiden Sie den Funnel jeden Monat auf drei Arten: Quelle, Persona-Seniorität, Segment. Immer drei Arten. Nicht zwei, nicht vier. Drei.

Ungefähre B2B SaaS Benchmarks 2026 für MQL-zu-SQL-Conversion:

Für die Gesamt-MQL-zu-SQL-Rate liegt gesundes B2B SaaS im Bereich 12 bis 15 %. Über 20 % und Sie bewerten wahrscheinlich zu eng. Unter 8 % ist entweder Ihr Scoring zu locker oder Ihre Vertriebsbewegung passt nicht zu den eingehenden Leads.

Nach Persona-Seniorität sieht der Schnitt anders aus. VP- und C-Level-Kontakte konvertieren MQL-zu-SQL mit 25 bis 35 %. Director-Ebene liegt bei 18 bis 25 %. Manager-Ebene fällt auf 8 bis 14 %. Unter Manager-Ebene sind es oft Rechercheure, keine Käufer. Conversion-Rates fallen unter 5 %, und das ist kein Leck, das ist das falsche Publikum.

Nach Segment sieht der Schnitt wieder anders aus. SMB-MQLs konvertieren schneller, aber mit niedrigeren Rates und kleineren Deal-Größen. Mid-Market ist für die meisten B2B SaaS der Sweet Spot, mit 15 bis 22 % MQL-zu-SQL und Verkaufszyklen, die sich tatsächlich prognostizieren lassen. Enterprise-MQLs konvertieren nach roher Rate am niedrigsten (8 bis 12 %), aber die SQLs, die durchkommen, sind 6 bis 10 Mal größer, sodass die Rechnung noch stimmt, wenn Ihr Vertriebsteam entsprechend besetzt ist.

Wenn Sie eine Zahl sehen, sollte Ihr Reflex sein: dreifach schneiden. Eine 14-%-Rate wird zu einem bezahlten Social-Media-Problem (4 %), einer Webinar-Engine (38 %) und einem Content/Organisch-Fundament (12 %). Jetzt haben Sie drei Diagnosen, keine einzige Zahl.

Warum der 30-Tage-SLA alles verändert

Der größte Hebel in Ihrem Funnel ist nicht die Lead-Qualität. Es ist die Reaktionszeit auf Leads. Jede glaubwürdige Studie des letzten Jahrzehnts hat das bestätigt, und es überrascht Vertriebsführungskräfte noch immer jedes Quartal. MQLs, die innerhalb von 5 Minuten kontaktiert werden, konvertieren etwa 8-mal besser als solche, die innerhalb von 24 Stunden kontaktiert werden. Bei 60+ Minuten bricht die Conversion um 80 % gegenüber der 5-Minuten-Basis ein.

Ihr SLA ist keine 30 Tage. Ihr SLA ist 5 Minuten für hochqualifizierte Demo-Anfragen, 1 Stunde für MQLs niedrigerer Priorität, und 30 Tage nur für den vollständigen Funnel-Austritt (der Punkt, an dem ein nicht bearbeiteter MQL zum Lead-Nurturing zurückgeführt wird, nicht das Bearbeitungsfenster).

Bauen Sie das SLA-Dashboard. Es braucht vier Dinge: Zeit von MQL bis zur ersten SDR-Aktion, Zeit von MQL bis zum ersten Kontakt, Anteil der MQLs, die innerhalb des SLA bearbeitet wurden, und der Anteil, der zu SQL konvertierte, aufgeschlüsselt nach SDR.

Der letzte Schnitt ist der Ort, an dem die konkreten Diagnosen zu finden sind. Wenn Sie sehen "MQL-zu-SQL sinkt dienstags auf 8 %", zucken Sie nicht mit den Schultern und nennen es Rauschen. Sie ziehen den SDR-Abdeckungsplan. Sie werden meistens eines von drei Dingen finden: ein Montag-Morgen-Meeting, das die Hälfte des SDR-Teams beschäftigt, ein Dienstag-Standup, der Outbound-Anrufe in den Nachmittag verschiebt, oder ein rotierendes Urlaubsschema, das die Inbound-Queue jeden Dienstag unterbesetzt lässt.

Benennen Sie die Lücke. Berichten Sie sie nicht nur. "Dienstags SDR-Abdeckungslücke" ist eine Diagnose. "Qualitätsproblem" ist es nicht.

Das lecke Stadium finden

Wenn MQL-zu-Opportunity defekt ist, gibt es drei verdächtige Stadien. Untersuchen Sie sie in dieser Reihenfolge, denn es ist fast immer eines dieser drei.

Stadium 1: Übergabe-Verzögerung (MQL bis SDR-Kontakt). Ziehen Sie alle MQLs der letzten 90 Tage. Berechnen Sie die Zeit bis zum Erstkontakt. Gruppieren Sie die MQLs in 0 bis 5 Min., 5 bis 60 Min., 1 bis 24 Std., 1 bis 7 Tage, 7+ Tage. Vergleichen Sie die Conversion zu SQL in jeder Kohorte. Wenn Ihre 0-bis-5-Minuten-Kohorte bei 28 % konvertiert und Ihre 1-bis-24-Stunden-Kohorte bei 9 %, haben Sie kein Qualitätsproblem. Sie haben ein Geschwindigkeitsproblem. Reparieren Sie das Routing, nicht das Scoring.

Stadium 2: Persona-Fehlanpassung (richtiges Unternehmen, falsche Funktion). Gruppieren Sie MQLs nach Berufsbezeichnungs-Muster gegen Ihr ICP. "Manager"-Titel, die keine Entscheidungsträger sind, konvertieren unabhängig von der Kontaktgeschwindigkeit bei 6 bis 10 %. Rechercheure und Analysten konvertieren unter 4 %. Wenn 35 % Ihres MQL-Volumens in Nicht-Käufer-Titeln liegt, belohnt Ihr Scoring-Modell Verhalten, das keine Kaufabsicht vorhersagt. Aktualisieren Sie das Modell. Fügen Sie negatives Scoring für Nicht-Käufer-Titel hinzu, und verlangen Sie entweder einen Käufer-Titel ODER eine High-Intent-Aktion (Demo-Anfrage, Preisseiten-Besuch plus Formularausfüllung) zur Qualifizierung.

Stadium 3: Intent-Verfall (MQL älter als 14 Tage). Einige MQLs verbleiben in der Queue. Vielleicht arbeiten SDRs gerade eine andere Kampagne ab, vielleicht ist das Routing fehlgeschlagen, vielleicht war die Abdeckung in der Woche dünn. Schauen Sie sich MQLs nach dem Alter beim Erstkontakt an. Alles, was nach 14 Tagen kontaktiert wird, konvertiert mit 30 bis 50 % der Rate frischer MQLs. Das ist keine Lead-Qualität, das ist Intent-Verfall. Das Recherchemoment des Interessenten ist vorbei.

Hier ist ein SQL-Muster, das Stadium 1 in HubSpot oder Salesforce isoliert. Passen Sie die Spaltennamen für Ihr Schema an:

SELECT
  CASE
    WHEN time_to_first_touch_minutes <= 5 THEN '0-5 min'
    WHEN time_to_first_touch_minutes <= 60 THEN '5-60 min'
    WHEN time_to_first_touch_minutes <= 1440 THEN '1-24 Std.'
    WHEN time_to_first_touch_minutes <= 10080 THEN '1-7 Tage'
    ELSE '7+ Tage'
  END AS speed_cohort,
  COUNT(*) AS mqls,
  SUM(CASE WHEN became_sql = 1 THEN 1 ELSE 0 END) AS sqls,
  ROUND(100.0 * SUM(CASE WHEN became_sql = 1 THEN 1 ELSE 0 END) / COUNT(*), 1) AS conv_pct
FROM mql_events
WHERE mql_date >= DATE('now', '-90 days')
GROUP BY speed_cohort
ORDER BY MIN(time_to_first_touch_minutes);

Führen Sie das einmal pro Woche aus. Das Ergebnis ist eine 5-Zeilen-Tabelle, die Ihnen sagt, ob Geschwindigkeit Ihr Problem ist, bevor Sie ein Quartal damit verbringen, Ihr Scoring-Modell zu überarbeiten.

Die "viele MQLs, keine Opportunities"-Falle

Das Volumen steigt. Opportunities sind flach. Sechs benannte Ursachen, jede in einer Woche testbar.

1. Falsches ICP an der Spitze. Ihre Top-of-Funnel-Kampagnen ziehen die falschen Unternehmen an. Test: Ziehen Sie die MQLs der letzten 30 Tage und bewerten Sie sie gegen Ihre ICP-Kriterien (Branche, Mitarbeiteranzahl, Umsatz, Standort, Tech-Stack). Wenn weniger als 60 % passen, sind Ihre Kampagnen oder Ihr Zielgruppen-Targeting falsch ausgerichtet.

2. SDR-Script-Fehlanpassung. Scripts, die vor 18 Monaten für eine andere Produktpositionierung geschrieben wurden. Test: Beobachten Sie 10 SDR-Calls. Zählen Sie, wie oft der SDR das Wertangebot in einer Sprache erklärt, die zu Ihrer aktuellen Website passt. Wenn weniger als 70 %, haben Sie ein Script-Problem, kein Lead-Problem.

3. AEs qualifizieren aus Gründen der Pipeline-Hygiene ab. AEs unter Quoten-Druck entfernen "marginale" SQLs, um ihre Conversion-Rates sauber zu halten. Test: Ziehen Sie von AEs abgelehnte SQLs und leiten Sie 20 an einen anderen AE weiter. Wenn 25 % oder mehr zu Opportunities werden, haben Sie ein Hygiene-Problem, das als Qualitätsproblem getarnt ist.

4. Attributions-Leck. MQLs konvertieren zu Opportunities, aber die Opportunities werden nicht mit der Quelle verknüpft. So liest Ihr Dashboard "keine Pipeline." Test: Ziehen Sie die Closed-Won-Deals der letzten 90 Tage und verfolgen Sie jeden bis zum First-Touch zurück. Wenn 25 % oder mehr keine MQL-Quelle haben, ist Ihre Attribution vor Ihrem Funnel defekt.

5. Demo-No-Shows. SQLs werden gebucht, aber 40 % der Demos erscheinen nicht. Test: Zählen Sie Demo-Buchungen versus abgeschlossene Demos der letzten 30 Tage. Gesund sind 70 bis 85 % Abschlussrate. Unter 60 % braucht der Buchungsablauf eine Bestätigungssequenz, Kalender-Erinnerungen und ein gleichtägiges Umbuchungsangebot.

6. MQL-Inflation durch zu niedrigen Scoring-Schwellenwert. Jemand hat den Schwellenwert gesenkt, um "die Zahl zu treffen." Das Volumen steigt, die Conversion bricht ein. Test: Führen Sie Ihr Scoring-Modell mit dem Schwellenwert des letzten Quartals erneut aus und berechnen Sie MQL-zu-SQL neu. Wenn die Conversion damals 14 % und jetzt 9 % war, haben Sie nicht mehr MQLs bekommen. Sie haben mehr Leads bekommen, die als MQLs umetikettiert wurden.

Jeder dieser Tests dauert eine Woche. Führen Sie sie der Reihe nach durch. Führen Sie nicht alle sechs parallel durch, weil Sie dann nicht wissen, welche Maßnahme die Zahl bewegt hat.

Attributions-Forensik in HubSpot, Salesforce und Rework

Attribution ist der Punkt, an dem die meisten Demand Gen Manager stecken bleiben. Es gibt drei Modelle, und Sie werden für den Rest Ihrer Karriere Diskussionen darüber führen, welches "richtig" ist.

First-Touch kreditiert die Kampagne, die den Interessenten in Ihre Datenbank gebracht hat. Gut für die Messung von Top-of-Funnel-Kampagnen. Schlecht für die Messung der Deal-Velocity.

Last-Touch kreditiert die Kampagne, die den MQL zu SQL oder den SQL zur Opportunity konvertiert hat. Gut für die Messung von Sales-Assist-Kampagnen. Schlecht für die Messung von Brand- und Demand-Creation-Aktivitäten.

Multi-Touch verteilt das Credit auf alle Kontaktpunkte der Customer Journey, gewichtet nach Position oder nach einem Attributionsmodell (W-Form, U-Form, Time-Decay). Theoretisch am "genauesten," am schwierigsten in einem Board-Meeting zu verteidigen, weil niemand die Gewichtung versteht.

Die richtige Antwort ist, zwei Ansichten zu berichten (First-Touch und Multi-Touch) und eine für das Board auszuwählen. Teilen Sie dem GM mit, welche Sie wählen und warum. Die meisten B2B SaaS Demand Gen Teams einigen sich auf Multi-Touch (W-Form: 30 % First-Touch, 30 % Lead-Creation-Touch, 30 % Opp-Creation-Touch, 10 % sonstige), weil es sowohl die Awareness-Arbeit als auch die Conversion-Arbeit kreditiert. Wenden Sie es ein Jahr lang konsistent an, bevor Sie das Modell ändern.

Wo sich die drei CRMs unterscheiden:

HubSpot verknüpft Kampagnen mit Kontakten über hs_analytics_first_url und ein Kampagnen-Mitgliedschaftsobjekt. Lifecycle-Stage-Übergänge sind die Grundlage. Der unscharfe Teil ist das SDR-Übergabe-Fenster. Es gibt keinen nativen "MQL-zu-SDR-bearbeitet"-Zeitstempel, es sei denn, Sie bauen ihn als benutzerdefiniertes Attribut. Die meisten Teams verbinden das mit Task-Completion-Zeitstempeln und Lifecycle-Stage-Verlauf. Praktikabel, leckt aber an den Rändern.

Salesforce hat Campaign Influence (Multi-Touch) und Primary Campaign Source (First-Touch) nativ eingebaut. Das Leck liegt zwischen Lead-Conversion und Opportunity-Erstellung. Wenn Ihre AEs Leads zu Kontakten konvertieren, ohne am selben Tag eine Opportunity zu erstellen, bricht die Kampagnen-zu-Pipeline-Verbindung, es sei denn, Sie haben Campaign-Influence-Regeln konfiguriert, die nachträglich zuordnen. Die meisten Salesforce-Instanzen haben das falsch konfiguriert.

Rework CRM ist um eine einheitliche Kontakt-Timeline gebaut, die den SDR-Bearbeitungsstatus, Lead-Distributs-Ereignisse und Opportunity-Erstellung als erstklassige Objekte enthält, nicht als zusammengeflickte Eigenschaften. Die SDR-Übergabe-Lücke, die HubSpot und Salesforce unklar lassen, ist standardmäßig geschlossen. Sie können die genaue Minute sehen, zu der ein MQL zugewiesen wurde, den SDR, der ihn übernommen hat, den First-Touch und den Weg zum SQL. Für mittelgroße Teams (20 bis 500 Mitarbeiter), die Marketing und Vertrieb auf demselben System betreiben, schließt das die Attributions-Lücke ohne ein Custom-Properties-Projekt. Rework CRM beginnt bei 12 USD pro User pro Monat.

Die Live-Rückverfolgung. Wählen Sie eine Closed-Won-Opportunity. Verfolgen Sie sie rückwärts: Opportunity-Erstellung, SQL-Conversion, MQL-Auslöser, erstes Kontaktformular, erste Sitzungsquelle. Gehen Sie diese Rückverfolgung zusammen mit Ihrem AE und SDR durch. Zweimal pro Quartal live mit dem GM durchführen. Das ist der beste Weg, dem GM beizubringen, was Attribution tatsächlich bedeutet, und aufzuzeigen, wo Ihre Daten lecken.

Das monatliche Funnel-Review mit dem GM

Ihr monatliches Funnel-Review passt auf eine Seite. Wenn nicht, berichten Sie zu viel.

Top of Funnel. Gesamt-MQL-Volumen, Quellen-Mix (Top-5-Quellen nach Volumen und nach Conversion) und ein einzeiliger Kommentar zur größten Bewegung.

Mitte des Funnels. MQL-zu-SQL nach Segment (SMB, Mid, Enterprise), SLA-Einhaltung (Anteil der innerhalb des SLA bearbeiteten MQLs) und der Persona-Seniorität-Schnitt.

Bottom of Funnel. SQL-zu-Opportunity, Opportunity-zu-Closed-Won, durchschnittliche Velocity (Tage von MQL bis Abschluss) und Pipeline-Beitrag aus Demand-Gen-Quellen.

Die Diagnose-Zeile. Beenden Sie jedes Review mit einer einzigen konkreten Hypothese, die Sie diesen Monat untersuchen. Nicht fünf. Eine. "Wir testen, ob die SDR-Abdeckungslücke dienstags den MQL-zu-SQL-Rückgang auf 8 % erklärt. Wenn ja, verlagern wir die Abdeckung bis zum 15. Mai und prüfen erneut im Juni."

Das war's. Eine Seite, vier Abschnitte, eine Diagnose. Der GM kann es in 90 Sekunden überfliegen, zwei Fragen stellen und den Raum verlassen und wissen, worauf Sie sich konzentrieren.

Was Sie in dieses Review nicht aufnehmen: Kampagnen-Leistungsberichte (die gehören ins Marketing-Standup), CTR und CPL nach Anzeigen-Creative (die gehören in Ihr wöchentliches Leistungsreview mit dem Paid-Team) und Dashboards mit mehr als 12 Zahlen. Der GM will keine Rohdaten. Der GM will eine Diagnose.

Was Ihnen das einbringt

Volumen ist die Geschichte, die Sie im Marketing-Standup erzählen. Conversion-Forensik ist die Geschichte, die Sie am Revenue-Tisch erzählen.

Wenn Sie in ein QBR gehen und sagen "MQL-Volumen ist um 32 % gestiegen, aber unsere MQL-zu-SQL-Rate bei bezahlten Social-Media-Anzeigen liegt bei 4 % gegenüber einem Benchmark von 12 %, und die SDR-Abdeckungslücke dienstags kostet uns 60 SQLs pro Quartal, hier ist, was wir testen," haben Sie aufgehört, der Demand Gen Manager zu sein, der Leads berichtet. Sie sind der Operator geworden, der Pipeline-Probleme mit derselben Präzision diagnostiziert, mit der der Vertrieb Deal-Probleme diagnostiziert.

Das ist der Platz am Tisch. Die Mathematik verdient ihn.

Mehr erfahren

• Ein typischer Arbeitstag eines Demand Generation Managers
• Demand Gen Kennzahlen: Pipeline-Beitrag, CAC, MQL-Qualität, Velocity
• ABM-Orchestrierung: Listen und Plays, die der Vertrieb tatsächlich abschließt
• Häufige Fallstricke für Demand Gen Manager
• Demand Generation Manager Stellenbeschreibung