Ein MQL zeigt Interesse, ein SQL hat Verkaufsbereitschaft und wurde von einem Menschen geprüft. Der Unterschied liegt nicht im Verhalten allein, sondern darin, wer die Einschätzung trifft: Beim MQL macht das ein automatisiertes Scoring-Modell, beim SQL ein Vertriebsmitarbeiter. Wie diese Übergabe konkret funktioniert und welche Kennzahlen Sie dabei prüfen sollten, klären die folgenden Abschnitte.
Kurz gesagt:
- Ein MQL ist ein automatisiert bewerteter Kontakt, der noch keinen echten Kaufinteresse zeigt, während ein SQL durch einen Vertriebsmitarbeiter geprüft und bestätigt wird.
- Zwischen MQL und SQL sollte eine klare, dokumentierte Übergabestufe namens SAL liegen, um Ablehnungsgründe systematisch zu erfassen und Prozesse optimieren zu können.
- Die Konversion von MQL zu SQL hängt maßgeblich vom Scoring-Modell und der Nurture-Sequenz ab, wobei High-Intent-Signale deutlich höher gewichtet werden sollten.
- Die MQL-zu-SQL-Rate gilt als zentrale Kennzahl und sollte idealerweise zwischen 15 und 40 Prozent liegen, um eine ausgewogene Lead-Qualität zu gewährleisten.
- Klare schriftliche Vereinbarungen zu MQL- und SQL-Kriterien sowie festgelegte Reaktionszeiten verbessern die Zusammenarbeit zwischen Marketing und Vertrieb deutlich.
Inhaltsverzeichnis
- Was ist ein Marketing Qualified Lead (MQL)?
- Was ist ein Sales Qualified Lead (SQL)?
- MQL und SQL im direkten Vergleich
- Übergabeprozess: SAL, SLA und Ablehnungsgründe
- MQL zu SQL konvertieren: Scoring, Trigger und Nurturing in der Praxis
- Qualifizierungsframeworks: BANT, MEDDIC und Hybridmodelle
- KPIs und Benchmarks: MQL-zu-SQL-Rate richtig lesen
- Praxisbeispiel: Automatisierte Lead-Qualifizierung mit KI
- Warum schriftliche Vereinbarungen MQL/SQL-Probleme lösen
- Quellen
Was ist ein Marketing Qualified Lead (MQL)?
Ein MQL ist ein Kontakt, der genug Interesse gezeigt hat, um für Marketing relevant zu sein, aber noch nicht geprüft wurde, ob er wirklich kaufbereit ist. Die Einstufung passiert automatisiert, meist über ein Scoring-System, das Verhalten und Firmendaten kombiniert.
Typische Signale, die einen Kontakt zum MQL machen:
- Download eines Whitepapers oder eines Fachartikels hinter einem Formular
- Teilnahme an einem Webinar, besonders wenn er bis zum Ende geblieben ist
- Mehrfache Besuche derselben Produktseite innerhalb kurzer Zeit
- Öffnung und Klick in mehreren E-Mail-Kampagnen hintereinander
- Firmografische Passung, etwa Unternehmensgröße oder Branche, die zur Zielgruppe passt
Marketing reagiert auf einen MQL meist mit automatisierten Nurturing-Workflows: gezielte E-Mail-Sequenzen, weiterführende Inhalte, manchmal ein Retargeting über Anzeigen. Das Ziel ist, das Interesse zu vertiefen, bevor Sales überhaupt involviert wird.
Der größte Fehler an dieser Stelle: Viele Teams verwechseln Content-Konsum mit Kaufbereitschaft. Ein Lead, der 13 verschiedene Inhalte gelesen hat, ist nach Branchendaten zum B2B-Kaufverhalten im Durchschnitt trotzdem noch nicht kaufbereit, denn genau so viele Inhalte konsumieren B2B-Käufer im Schnitt, bevor sie sich für einen Anbieter entscheiden. Volumen ist kein Ersatz für ein echtes Kaufsignal. Wer sein Scoring-Modell nur auf Klickzahlen aufbaut, produziert massenhaft MQLs, die Sales dann zu Recht ablehnt.
Was ist ein Sales Qualified Lead (SQL)?
Ein SQL ist ein Lead, den ein Vertriebsmitarbeiter geprüft und als tatsächlich verkaufsbereit bestätigt hat. Der Unterschied zum MQL ist die menschliche Kontrolle: Kein Algorithmus, sondern ein Mensch entscheidet, ob Bedarf, Budget und Entscheidungsbefugnis wirklich vorhanden sind.
Signale, die auf echte Sales-Bereitschaft hindeuten:
- Besuch der Preisseite, besonders wiederholt oder kurz vor einem geplanten Kontakt
- Anfrage einer Produktdemo oder eines Beratungsgesprächs
- Direkte Kontaktaufnahme über ein Vertriebsformular statt über ein Content-Formular
- Fragen zu Implementierung, Vertragslaufzeit oder Integrationsmöglichkeiten
Bei der Prüfung setzen viele Vertriebsteams auf strukturierte Frameworks wie BANT oder MEDDIC, um nicht nach Gefühl zu entscheiden, sondern anhand klarer Kriterien wie Budget, Entscheidungsbefugnis und Zeitrahmen. Erst wenn diese Fragen zufriedenstellend beantwortet sind, gilt der Lead als SQL.
Nach der Akzeptanz beginnt für Sales die eigentliche Arbeit: ein Discovery-Gespräch, in dem der genaue Bedarf geklärt wird, und im Anschluss die formelle Eröffnung einer Opportunity im CRM. Ab diesem Punkt zählt der Lead nicht mehr als Marketing-Kennzahl, sondern als Teil der aktiven Vertriebspipeline.
MQL und SQL im direkten Vergleich
Die Unterschiede zwischen MQL und SQL werden am klarsten, wenn man sie nebeneinander legt. Beide Lead-Typen unterscheiden sich in fast jeder Dimension, von der Zuständigkeit bis zur Kennzahl, an der ihr Erfolg gemessen wird.
| Dimension | MQL | SQL |
|---|---|---|
| Eigentümer | Marketing | Vertrieb |
| Signaltyp | Verhaltens- und Firmendaten (Downloads, Besuche, Firmografie) | Kaufabsicht (Demo-Anfrage, Preisseite, direkter Kontakt) |
| Wie festgelegt | Automatisiertes Scoring-Modell | Manuelle Prüfung durch einen Vertriebsmitarbeiter |
| Ausgelöste Aktion | Nurturing-Sequenz, weiterführende Inhalte | Discovery-Gespräch, Opportunity-Eröffnung |
| Primärer KPI | MQL-Volumen, Engagement-Rate | SQL-zu-Opportunity-Rate, Gewinnrate |
Der Übergang zwischen beiden Spalten ist selten ein sauberer Schnitt. In der Praxis liegt zwischen MQL und SQL fast immer ein Prüfschritt, den viele Teams schlicht vergessen einzubauen, und genau dort entstehen die meisten Reibungsverluste.
Übergabeprozess: SAL, SLA und Ablehnungsgründe
Zwischen MQL und SQL gehört ein Zwischenschritt, den viele Teams überspringen: der Sales Accepted Lead, kurz SAL. Ein SAL ist die Bestätigung, dass ein Vertriebsmitarbeiter den vom Marketing übergebenen Lead tatsächlich zur Kenntnis genommen und angenommen hat, bevor er zum SQL weiterentwickelt wird. Diese Zwischenstufe ist nach Branchenempfehlungen zum Lead-Management nötig, weil sie die Übergabe überprüfbar macht: Wird ein Lead abgelehnt, muss das dokumentiert und begründet werden, statt einfach kommentarlos in der Warteschlange zu verschwinden.
So bauen Sie einen funktionierenden Übergabeprozess auf:
- Legen Sie eine feste Reaktionszeit fest, etwa 24 Stunden zwischen MQL-Übergabe und SAL-Entscheidung.
- Definieren Sie eine Ablehnungs-Taxonomie mit festen Codes, zum Beispiel „kein Budget“, „falsche Firmengröße“, „bereits Kunde eines Wettbewerbers“ oder „unzureichende Kontaktdaten“.
- Vereinbaren Sie eine wöchentliche Review-Runde zwischen Marketing und Sales, in der die häufigsten Ablehnungscodes besprochen werden.
- Routen Sie akzeptierte Leads automatisch an den zuständigen Vertriebsmitarbeiter, inklusive aller bisherigen Interaktionsdaten.
Ein solches SLA (Service Level Agreement) zwischen Marketing und Vertrieb ist im Kern ein Vertrag: Marketing verpflichtet sich zu bestimmten Lead-Qualitätsstandards, Sales verpflichtet sich zu bestimmten Reaktionszeiten. Ohne diese Vereinbarung schiebt sich jede Seite die Verantwortung für schlechte Konversionsraten gegenseitig zu.
Profi-Tipp: Erfassen Sie Ablehnungsgründe nicht als Freitext, sondern als feste Dropdown-Codes im CRM. Nur strukturierte Daten lassen sich später auswerten und zeigen, ob das Problem bei der Lead-Qualität oder bei der Sales-Ausführung liegt.
MQL zu SQL konvertieren: Scoring, Trigger und Nurturing in der Praxis
Die Konversion von MQL zu SQL hängt fast immer an zwei Stellschrauben: dem Scoring-Modell und der Nurture-Sequenz, die vor der Übergabe läuft. Wer beide bewusst gestaltet, verbessert die Übergabequalität deutlich schneller als durch reines Volumenwachstum.
Bewährte Ansätze für das Scoring:
- Gewichten Sie High-Intent-Aktionen wie Demo-Anfragen oder Preisseitenbesuche deutlich höher als passiven Content-Konsum.
- Ziehen Sie Punkte ab, wenn Signale veralten, etwa wenn ein Lead seit 60 Tagen inaktiv war.
- Kombinieren Sie Verhaltenspunkte immer mit firmografischer Passung, sonst punkten auch Studierende oder Wettbewerber hoch.
- Testen Sie Ihr Modell regelmäßig gegen tatsächliche Opportunity-Abschlüsse, nicht nur gegen SQL-Zahlen.
Für die Automatisierung selbst lohnt sich ein klar definiertes Regelwerk:
- Leads über einem bestimmten Score-Schwellenwert landen automatisch in der SAL-Warteschlange eines Vertriebsmitarbeiters.
- Leads mit High-Intent-Signalen wie einer Demo-Anfrage überspringen die Nurture-Phase komplett und gehen direkt an Sales.
- Leads unterhalb der Schwelle bleiben in einer mehrstufigen Nurture-Sequenz mit passenden Inhalten je nach Funnel-Phase.
- Abgelehnte Leads wandern automatisch zurück in eine Re-Nurture-Sequenz mit anderem Content, statt komplett verworfen zu werden.
Die Nurture-Sequenz selbst sollte nicht statisch sein. Testen Sie unterschiedliche Kombinationen aus E-Mails, Fachartikeln und einem gelegentlichen persönlichen Anruf, und prüfen Sie, welche Sequenz die höchste SAL-Akzeptanzrate erzeugt, nicht nur die höchste Öffnungsrate. Ein strukturiertes Lead-Scoring-Modell lässt sich zudem mit CRM-Automatisierung koppeln, sodass die Übergabe an Sales ohne manuellen Zwischenschritt passiert.
Profi-Tipp: Bauen Sie einen expliziten Re-Nurture-Pfad für abgelehnte Leads ein. Ein Lead, der heute kein Budget hat, kann in sechs Monaten trotzdem kaufbereit sein, wenn Sie ihn nicht einfach fallen lassen.
Wer die Nurture-Logik weiter vertiefen möchte, findet zusätzliche Strategien für Lead-Nurturing-Prozesse mit konkreten Sequenzbeispielen.
Qualifizierungsframeworks: BANT, MEDDIC und Hybridmodelle
Die Wahl des Frameworks hängt fast ausschließlich von der Komplexität des Deals ab, nicht von persönlicher Vorliebe. BANT prüft Budget, Authority, Need und Timeline und eignet sich gut für transaktionale, eher kurze Verkaufszyklen mit einem einzigen Ansprechpartner. MEDDIC (Metrics, Economic Buyer, Decision Criteria, Decision Process, Identify Pain, Champion) ist deutlich gründlicher und passt besser zu komplexen Enterprise-Deals mit mehreren Stakeholdern, weil es explizit nach dem wirtschaftlichen Entscheider und dem internen Fürsprecher fragt.
Eine praktische Faustregel für die Auswahl:
- Deal-Größe klein bis mittel, ein bis zwei Ansprechpartner: BANT reicht meist aus.
- Deal-Größe groß, mehrere Abteilungen involviert, langer Entscheidungsprozess: MEDDIC liefert die nötige Tiefe.
- Sehr frühe Funnel-Phase: leichtes BANT-Screening beim SAL-Übergang, MEDDIC erst nach der formalen Sales-Akzeptanz bei komplexen Deals.
Für BANT vs. MEDDIC gilt laut Leitfäden zu Qualifizierungsframeworks: BANT ist schnell und einfach zu trainieren, MEDDIC braucht mehr Vorbereitung, liefert dafür aber belastbarere Prognosen bei größeren Deals. Wer beide Frameworks im CRM abbilden will, sollte feste Felder für jedes Kriterium anlegen, etwa „Economic Buyer identifiziert: Ja/Nein“, statt alles in Notizfeldern zu verstecken. Ein kurzes Training reicht meist, um das Team auf einheitliche Sprache zu bringen, entscheidend ist aber, dass die Felder im Alltag tatsächlich gepflegt werden.
KPIs und Benchmarks: MQL-zu-SQL-Rate richtig lesen
Die MQL-zu-SQL-Rate ist die wichtigste Kennzahl an dieser Schnittstelle, wird aber häufig falsch interpretiert. Sie berechnet sich einfach als Anzahl akzeptierter SQLs geteilt durch die Anzahl übergebener MQLs im gleichen Zeitraum.
Benchmark-Hinweis: Liegt die MQL-zu-SQL-Rate laut Branchenrichtwerten unter etwa 15 %, deutet das meist auf zu breites Targeting oder eine zu niedrige Scoring-Schwelle hin, Marketing produziert Volumen statt Qualität. Liegt sie über etwa 40 %, ist die MQL-Hürde vermutlich zu streng gesetzt, und echte Chancen bleiben im Nurturing stecken, statt Sales zu erreichen.
Weitere Kennzahlen, die Sie parallel im Blick behalten sollten:
- SQL-zu-Opportunity-Rate: zeigt, wie viele akzeptierte SQLs tatsächlich zu einer offenen Verkaufschance werden.
- Ablehnungsgründe nach Code, sortiert nach Häufigkeit, idealerweise wöchentlich ausgewertet.
- Durchschnittliche Zeit zwischen MQL-Übergabe und SAL-Entscheidung, als Indikator für die Reaktionsgeschwindigkeit von Sales.
Niedrige Konversionsraten allein sagen wenig aus, Analysen zu Sales-Development-Metriken empfehlen deshalb, systematisch zu prüfen, ob das Problem bei der Lead-Qualität oder bei der Vertriebsausführung liegt. Ein Reporting, das nur die Endrate zeigt, aber keine Ablehnungscodes aufschlüsselt, verschleiert genau die Information, die Sie zur Verbesserung brauchen.
Praxisbeispiel: Automatisierte Lead-Qualifizierung mit KI
Automatisierte Lead-Qualifizierung übernimmt in der Praxis drei Aufgaben, die früher manuell und fehleranfällig waren: Datenanreicherung, Scoring und Routing. Ein System reichert eingehende Kontakte automatisch mit Firmendaten an, bewertet sie nach vordefinierten Regeln und leitet sie ohne Verzögerung an den passenden Vertriebsmitarbeiter weiter.
Wer diesen Ansatz selbst umsetzen will, kann mit folgenden Schritten anfangen:
- Definieren Sie zunächst ein einfaches Scoring-Modell mit maximal fünf bis sechs Kriterien, bevor Sie es komplexer machen.
- Verknüpfen Sie CRM und Marketing-Automatisierung so, dass Score-Änderungen in Echtzeit sichtbar sind.
- Setzen Sie einen Chatbot für die erste Qualifizierungsfrage ein, etwa Budgetrahmen oder Zeitrahmen, bevor ein Mensch übernimmt.
- Prüfen Sie monatlich, ob die automatisierten Regeln noch zur tatsächlichen Sales-Akzeptanzrate passen.
Profi-Tipp: Starten Sie mit Automatisierung an der Stelle, die am meisten Zeit kostet, meist die Ersteinschätzung, nicht an der Stelle, die am spannendsten wirkt.
Wer die technische Seite des Scorings vertiefen will, findet passende Ansätze in Best Practices für Lead-Scoring-Modelle. Für die Attributionsmessung nach der Übergabe lohnt sich zusätzlich ein Blick auf Methoden zur präziseren Conversion-Messung, die zeigen, wie sich Kampagnenerfolg über den gesamten Trichter hinweg zuordnen lässt.
Warum schriftliche Vereinbarungen MQL/SQL-Probleme lösen
Die meisten Konflikte zwischen Marketing und Sales entstehen nicht aus schlechten Leads, sondern aus fehlenden schriftlichen Vereinbarungen darüber, was ein MQL überhaupt ist. Ohne dokumentierte Kriterien verhandelt jedes Team die Definition neu, sobald die Zahlen schlecht aussehen.
Drei Dinge, die Teams in den nächsten 30 Tagen umsetzen sollten: Erstens, ein gemeinsames Dokument mit exakten MQL- und SQL-Kriterien, unterschrieben von beiden Seiten. Zweitens, eine wöchentliche 20-Minuten-Runde, in der ausschließlich Ablehnungscodes besprochen werden. Drittens, eine feste Reaktionszeit für SAL-Entscheidungen, die tatsächlich eingehalten wird.
Wer diese Basis hat, kann iterieren. Wer sie nicht hat, diskutiert jedes Quartal die gleichen Grundsatzfragen neu.
— Mike
Quellen
- MQL vs. SQL: Unterschiede und wie man beides definiert
- Sales Development Metrics: Assessing Low Conversion Rates (Gartner)
- B2B Buyers Consume An Average Of 13 Content Pieces Before Deciding On A Vendor (MarTech)