Firmendaten-Scoring

Firmendaten-Scoring ist eine Methode, bei der Versicherungsmakler Unternehmen anhand messbarer Kriterien wie Branche, Unternehmensgröße, Rechtsform und aktuellen Veränderungssignalen bewerten und in eine Rangfolge bringen. Das Ziel: Die Betriebe mit der höchsten Abschlusswahrscheinlichkeit zuerst ansprechen, statt den gesamten Markt nach Bauchgefühl abzuarbeiten.

Die meisten Gewerbemakler kennen das Problem. Die Longlist potenzieller Kunden ist lang, die verfügbare Zeit für Akquise kurz. Wer 200 Betriebe auf der Liste hat, aber nur 30 pro Monat qualifiziert ansprechen kann, muss entscheiden: Welche 30 zuerst? Die meisten Makler treffen diese Entscheidung nach persönlicher Erfahrung, nach Branchenpräferenz oder schlicht nach alphabetischer Reihenfolge. Eine systematische Priorisierung nach Abschlusswahrscheinlichkeit findet selten statt.

Das ist ein teurer Fehler. Denn die Unterschiede in der Abschlusswahrscheinlichkeit zwischen einem frisch gegründeten SHK-Betrieb ohne Betriebshaftpflicht und einem langjährig etablierten Einzelunternehmen mit bestehendem Maklervertrag sind enorm. Wer die richtigen Betriebe zuerst anspricht, erreicht mit dem gleichen Zeitaufwand deutlich mehr Abschlüsse.

Dieser Artikel zeigt, welche Datenpunkte für das Scoring relevant sind, wie ein praxistaugliches Scoring-Modell für Gewerbemakler aussieht und wie sich der gesamte Prozess mit modernen Datenplattformen automatisieren lässt.

Sehen Sie, wie ProxDeal Ihre Zielunternehmen automatisch priorisiert: Kostenlose Demo anfragen →

Was ist Firmendaten-Scoring und warum brauchen Gewerbemakler es?

Im B2B-Vertrieb ist Lead Scoring seit Jahren Standard. Softwareunternehmen, SaaS-Anbieter und Unternehmensberatungen bewerten ihre Leads systematisch nach Kriterien wie Branche, Unternehmensgröße und Kaufbereitschaft, bevor ein Vertriebsmitarbeiter auch nur zum Hörer greift. Im Versicherungsvertrieb, insbesondere bei Gewerbemaklern, ist diese Praxis bisher die Ausnahme.

Der Grund liegt nicht im fehlenden Nutzen, sondern in der fehlenden Datenbasis. Für ein funktionierendes Scoring braucht der Makler strukturierte, aktuelle Unternehmensdaten zu jedem potenziellen Kunden. Genau diese Daten lagen bis vor wenigen Jahren verstreut in Handelsregistern, auf Unternehmenswebsites und in Branchenverzeichnissen, nicht aber in einer einzigen, filterbaren Datenquelle.

Das ändert sich gerade. Plattformen wie ProxDeal aggregieren über 90 Datenpunkte pro Unternehmen und machen sie für Versicherungsmakler direkt nutzbar. Damit wird ein systematisches Firmendaten-Scoring erstmals auch für Maklerbüros mit fünf oder zehn Mitarbeitern praktikabel, nicht nur für Großmakler mit eigener Datenanalyse-Abteilung.

Was Proxdeal hierbei von klassischen Datenbanken abgrenzt, zeigt der Artikel: Was Proxdeal von Datenbanken unterscheidet.

Welche Datenpunkte bestimmen die Abschlusswahrscheinlichkeit bei Gewerbekunden?

Nicht jeder Datenpunkt ist gleich aussagekräftig. Die folgende Tabelle zeigt die wichtigsten Scoring-Variablen für Gewerbemakler, geordnet nach ihrer Relevanz für die Abschlusswahrscheinlichkeit.

Statische und dynamische Scoring-Faktoren

Die Unterscheidung zwischen statischen und dynamischen Faktoren ist für das Scoring-Modell entscheidend.

Statische Faktoren verändern sich selten und definieren das Grundprofil: Branche, Rechtsform, Gründungsjahr, Standort. Sie beantworten die Frage: „Passt dieses Unternehmen grundsätzlich in mein Zielkundenprofil?"

Dynamische Faktoren verändern sich laufend und liefern Timing-Signale: Führungswechsel, Mitarbeiterwachstum, Gesellschafterveränderungen, Umsatzentwicklung. Sie beantworten die Frage: „Ist jetzt der richtige Zeitpunkt für die Ansprache?"

Ein Unternehmen kann ein perfektes statisches Profil haben (SHK-Betrieb, GmbH, 15 Mitarbeiter, gegründet 2021) und trotzdem ein schlechter Akquisezeitpunkt sein, wenn sich seit zwei Jahren nichts verändert hat und der Betrieb zufrieden bei seinem aktuellen Makler ist. Umgekehrt kann ein auf den ersten Blick weniger attraktiver Betrieb durch einen aktuellen Geschäftsführerwechsel zum heißen Lead werden.

Das Scoring-Modell muss beides kombinieren: das statische Potenzial und das dynamische Timing.

Wie baut man ein praxistaugliches Scoring-Modell für die Gewerbeakquise auf?

Ein Scoring-Modell muss nicht kompliziert sein, um wirksam zu sein. Die Kunst liegt darin, wenige, aber aussagekräftige Faktoren zu gewichten und zu einem Gesamtwert zu verdichten, der eine klare Priorisierung ermöglicht.

Schritt 1: Ideal Customer Profile definieren

Bevor ein Scoring-Modell sinnvoll arbeiten kann, muss der Makler sein Ideal Customer Profile (ICP) definieren. Das ICP beschreibt den Typ Gewerbekunde, bei dem die eigene Beratung den größten Mehrwert stiftet und die Abschlusswahrscheinlichkeit am höchsten ist.

Für einen auf Handwerk spezialisierten Makler könnte das ICP lauten: SHK- oder Elektrobetrieb, GmbH, 5 bis 50 Mitarbeiter, Gründung in den letzten fünf Jahren, Standort in Süddeutschland. Für einen Logistik-Spezialmakler sieht das ICP komplett anders aus.

Ein häufiger Fehler: Das ICP wird einmal definiert und nie überprüft. In der Praxis sollte es quartalsweise gegen die tatsächlich gewonnenen Kunden gespiegelt werden. Welche Betriebe haben in den letzten 12 Monaten abgeschlossen, und welche Merkmale hatten sie gemeinsam? Daraus entsteht ein ICP, das nicht auf Annahmen basiert, sondern auf Evidenz.

Schritt 2: Scoring-Kriterien gewichten

Die Gewichtung hängt vom ICP und von der Spezialisierung des Maklers ab. Ein Beispielmodell für einen Handwerksmakler:

Ein Betrieb mit 75 oder mehr Punkten steht ganz oben auf der Kontaktliste. Ein Betrieb mit unter 30 Punkten wird vorerst zurückgestellt. Die Grenzwerte sind nicht in Stein gemeißelt, sie sollten nach den ersten 50 bis 100 Ansprachen nachjustiert werden.

Schritt 3: Score berechnen und Longlist sortieren

Die eigentliche Score-Berechnung ist simpel: Für jeden Betrieb auf der Longlist werden die Kriterien geprüft, Punkte vergeben und aufsummiert. Das Ergebnis ist eine priorisierte Liste, in der die vielversprechendsten Betriebe ganz oben stehen.

Manuell funktioniert das bei 50 Betrieben. Bei 500 oder 5.000 wird es zum Vollzeitjob. Hier setzen Datenplattformen an.

Wie man dabei seine Zielgruppe am besten definiert, zeigt der Artikel Zielgruppe Gewerbeversicherung definieren.

Wie lässt sich das Scoring mit Firmendaten automatisieren?

Der größte Engpass beim Firmendaten-Scoring ist nicht die Methodik, sondern die Datenbeschaffung. Um einen Betrieb nach den oben genannten Kriterien zu bewerten, braucht der Makler mindestens sechs bis acht Datenpunkte pro Unternehmen. Manuell bedeutet das: Handelsregister prüfen, Unternehmenswebsite lesen, LinkedIn durchsuchen, eventuell Branchenverzeichnisse konsultieren. Pro Betrieb dauert das mindestens 15 bis 30 Minuten. Bei 200 Betrieben sind das 50 bis 100 Arbeitsstunden, also ein bis drei Wochen reine Recherche, bevor der erste Anruf stattfindet.

ProxDeal löst dieses Problem, indem es die Daten aus Handelsregistern, Jahresabschlüssen und Unternehmenswebsites automatisch aggregiert und in einer filterbaren Longlist zusammenführt. Die Plattform liefert über 90 Variablen pro Unternehmen, darunter Branchenzuordnung, Mitarbeiterzahl, Umsatzschätzung, Risikoprofile, Rechtsform, Geschäftsführerinformationen und Gesellschafterstruktur.

Für das Scoring bedeutet das: Statt jeden Datenpunkt einzeln zu recherchieren, kann der Makler seine Longlist nach den Scoring-Kriterien filtern und sortieren. Ein Suchprofil wie „SHK-Betriebe in Bayern, GmbH, 5 bis 30 Mitarbeiter, gegründet nach 2021, Umsatz über 5 Millionen" liefert innerhalb weniger Minuten eine priorisierte Liste mit genau den Betrieben, die den höchsten Score hätten.

Der manuelle Scoring-Prozess wird damit nicht eliminiert, aber radikal beschleunigt. Die intellektuelle Leistung, die richtigen Kriterien zu definieren und zu gewichten, bleibt beim Makler. Die Datenarbeit übernimmt die Plattform.

Praxisbeispiel: Wie ein Makler sein Scoring-Modell im Handwerkssegment einsetzt

Ein Versicherungsmakler in Nordrhein-Westfalen hat sich auf Handwerksbetriebe spezialisiert. Sein Bestand umfasst 120 Kunden, er möchte pro Quartal 15 Neukunden gewinnen. Bisher hat er seine Akquise auf Empfehlungen und Kaltakquise über Handwerkskammer-Verzeichnisse gestützt. Die Abschlussquote lag bei etwa 8 Prozent, das heißt, er musste rund 190 Betriebe ansprechen, um 15 Abschlüsse zu erzielen.

Er definiert sein ICP: SHK- und Elektrobetriebe, GmbH, 5 bis 40 Mitarbeiter, gegründet in den letzten fünf Jahren, Standort in NRW. Über ProxDeal erstellt er eine Longlist mit 340 Betrieben, die diese Grundkriterien erfüllen.

Dann wendet er sein Scoring-Modell an. Betriebe mit einem Führungswechsel in den letzten 12 Monaten erhalten 15 Zusatzpunkte. Betriebe, die in den letzten 24 Monaten Mitarbeiter aufgebaut haben, erhalten 10 Punkte. Betriebe mit einem Gründungsjahr nach 2022 erhalten die maximale Gründungsbonus-Punktzahl.

Das Ergebnis: Aus 340 Betrieben kristallisieren sich 45 mit einem Score über 70 heraus. Diese 45 spricht er im ersten Quartal priorisiert an, mit einer auf ihre Situation zugeschnittenen Erstansprache. Statt „Wir bieten günstige Betriebshaftpflicht" heißt es: „Ihr Betrieb ist vor zwei Jahren gestartet und hat inzwischen 12 Mitarbeiter. Viele SHK-Betriebe in dieser Wachstumsphase haben eine Betriebshaftpflicht, die auf den Einmannbetrieb zugeschnitten war und inzwischen Lücken aufweist."

Die Abschlussquote steigt. Statt wahllos Betriebe anzusprechen, führt er nur noch qualifizierte Gespräche und das mit deutlich höherer Abschlussquote. Das spart nicht nur Zeit, es verändert die gesamte Akquise-Ökonomie.

Welche Fehler sollten Makler beim Firmendaten-Scoring vermeiden?

Zu viele Kriterien. Ein Scoring-Modell mit 20 Variablen klingt präzise, ist aber in der Praxis nicht handhabbar. Fünf bis acht gut gewählte Kriterien sind wirkungsvoller als ein hochkomplexes Modell, das niemand pflegt.

Keine Überprüfung gegen echte Abschlüsse. Das Scoring-Modell ist eine Hypothese. Es muss gegen die Realität getestet werden. Nach den ersten 100 Ansprachen sollte der Makler prüfen: Haben die hoch gescorten Betriebe tatsächlich häufiger abgeschlossen als die niedrig gescorten? Wenn nicht, stimmen die Gewichtungen nicht.

Statische Kriterien überbewerten, Timing-Signale ignorieren. Ein perfektes Branchenprofil nützt wenig, wenn der Betrieb gerade erst seinen Maklervertrag verlängert hat. Dynamische Signale wie Führungswechsel oder Wachstum sind oft bessere Prädiktoren für die Abschlusswahrscheinlichkeit als statische Merkmale.

Scoring als Ersatz für Beratungsqualität betrachten. Das Scoring bestimmt, wen der Makler anspricht. Die Qualität des Gesprächs bestimmt, ob der Betrieb abschließt. Kein Scoring-Modell der Welt kompensiert eine schlechte Erstansprache oder mangelndes Fachwissen.

Veraltete Daten verwenden. Ein Scoring, das auf Daten von vor zwei Jahren basiert, priorisiert die falschen Betriebe. Aktuelle Handelsregisterdaten, frische Finanzkennzahlen und zeitnahe Veränderungssignale sind die Grundlage für jedes funktionierende Modell.

Fazit: Wer die richtigen Betriebe zuerst anspricht, gewinnt

Die Akquise von Gewerbekunden ist für Versicherungsmakler ein Ressourcenproblem. Nicht die Anzahl potenzieller Kunden ist der Engpass, sondern die Zeit, die für qualifizierte Ansprachen zur Verfügung steht. Firmendaten-Scoring löst dieses Problem, indem es die wertvollste Ressource des Maklers, seine Gesprächszeit, auf die Betriebe konzentriert, bei denen die Abschlusswahrscheinlichkeit am höchsten ist.

Die drei Voraussetzungen dafür: ein klar definiertes Ideal Customer Profile, ein einfaches aber evidenzbasiertes Scoring-Modell und eine Datenbasis, die aktuelle, strukturierte Unternehmensdaten liefert. Datenplattformen wie ProxDeal machen den dritten Punkt auch für kleinere Maklerbüros zugänglich, indem sie Firmendaten aus Handelsregistern, Jahresabschlüssen und Unternehmenswebsites automatisch aggregieren und als filterbare Longlist bereitstellen.

Wer heute anfängt, seine Akquise datenbasiert zu priorisieren, wird nicht nur mehr Abschlüsse erzielen, sondern auch seine Erstansprache qualitativ auf ein anderes Niveau heben. Denn wer weiß, mit wem er spricht, spricht anders.

Gewerbekunden nach Abschlusswahrscheinlichkeit priorisieren und gezielt ansprechen: Jetzt Longlist erstellen lassen →

Häufige Fragen

Was ist Firmendaten-Scoring für Versicherungsmakler? Firmendaten-Scoring ist ein systematisches Verfahren, bei dem Unternehmen anhand messbarer Kriterien wie Branche, Unternehmensgröße, Rechtsform und aktuellen Veränderungssignalen bewertet und nach ihrer Abschlusswahrscheinlichkeit in eine Rangfolge gebracht werden. Der Makler spricht zuerst die Betriebe mit dem höchsten Score an.

Welche Daten sind für das Scoring am wichtigsten? Die stärksten Prädiktoren sind die Branchenzugehörigkeit (bestimmt den Grundbedarf), das Gründungsjahr (junge Betriebe sind häufiger unversichert), die Rechtsform (GmbH-Geschäftsführer haben D&O-Bedarf) und dynamische Signale wie Führungswechsel oder Mitarbeiterwachstum (zeigen den richtigen Ansprachezeitpunkt).

Ab wie vielen Leads lohnt sich ein Scoring-Modell? Grundsätzlich ab jeder Listengröße, bei der der Makler nicht mehr alle Betriebe gleichzeitig ansprechen kann. In der Praxis wird Scoring ab 50 bis 100 potenziellen Kunden spürbar wirksam, weil die Priorisierung dann echte Zeitersparnis bringt.

Wie oft sollte das Scoring-Modell überprüft werden? Mindestens quartalsweise. Der Makler vergleicht, ob die hoch gescorten Betriebe tatsächlich häufiger abgeschlossen haben als die niedrig gescorten, und passt die Gewichtungen entsprechend an. Ein Scoring-Modell, das nie überprüft wird, veraltet genauso wie eine nicht aktualisierte Police.

Wie hilft ProxDeal beim Firmendaten-Scoring? ProxDeal liefert über 90 Datenpunkte pro Unternehmen: Branche, Mitarbeiterzahl, Umsatz, Rechtsform, Gesellschafter, Geschäftsführer und Veränderungssignale wie Führungswechsel oder Registeränderungen. Makler können ihre Longlist direkt nach Scoring-Kriterien filtern und sortieren, statt jeden Datenpunkt einzeln zu recherchieren. Die integrierte Outreach-Funktion ermöglicht anschließend die personalisierte Ansprache direkt aus der Plattform heraus.