Kundendaten für B2B-Sales verwenden: ein Leitfaden

Kundendaten sind das neue Gold, heisst es. Stimmt nicht. Daten sind Rohmaterial. Kontext ist das Gold.

Ich habe 25 Jahre lang B2B-Software verkauft und Sales-Teams aufgebaut. In jeder Firma lag dasselbe Problem auf dem Tisch: ein CRM voller Daten, das niemand sinnvoll nutzt. Nicht weil zu wenig drinsteht. Weil das System die Daten nicht in Kontext bringt, den ein Mensch oder ein AI-Agent lesen kann.

Das ist der Punkt dieses Leitfadens.

Was du hier mitnimmst

• Warum mehr Daten dein Sales nicht besser machen, mehr Kontext schon.
• Welche Kundendaten im B2B wirklich zählen.
• Wie du Datensilos auflöst, statt sie zu füttern.
• Was die DSGVO im DACH-Raum von dir verlangt.

Die These: Kontext schlägt Daten

Qualität vor Quantität, das ist die alte Devise. Sie greift zu kurz. Auch hochwertige Daten liegen nutzlos herum, wenn sie verstreut sind. Drei Felder hier, fünf dort, ein Gesprächsprotokoll in einer E-Mail, die niemand mehr findet.

Ein Datenpunkt wird erst wertvoll, wenn er neben den anderen steht und eine Geschichte erzählt. Das nenne ich Context Engine: der Business-Kontext deiner Firma, aufbereitet als eine Grundlage, die Menschen und AI-Agents lesen können. Ohne diese Grundlage gilt: Garbage in, Garbage out. AI macht es dann nur schneller und im grossen Stil falsch.

Daten sind die Grundlage für Entscheidungen. Aber nur, wenn das System sie zusammenführt.

Welche Kundendaten im B2B zählen

Anders als im B2C ist es nicht wichtig, ob der Einkaufsleiter in seiner Freizeit segelt. Wichtig ist: Was braucht sein Unternehmen? Wie viel davon kannst du decken? Wie viel Aufwand lohnt sich für dich?

Die Kaufentscheidung läuft im Unternehmen anders ab. Mehrere Menschen, mehrere Abteilungen, unterschiedliche Interessen. Der Techniker will das beste Gerät. Das Controlling fragt, ob es so teuer sein muss. Diese Daten gehören darum zwingend in dein CRM:

• Personendaten. Name, E-Mail, Telefon, Position. Von allen, die im Entscheidungsprozess sitzen.
• Unternehmensdaten. Name, Betriebsgrösse, Branche, allenfalls Umsatzpotenzial.
• Verhaltensdaten. Welche Seiten besucht jemand? Welche Geschäfte gab es schon? Welche Anfragen kamen an den Support? Diese Daten sind einfach zu bekommen und auszuwerten.
• Technographics. Welche Software und Tools setzt die Firma ein? Das verrät dir, wo du andockst.

Modelle und Scores aus dem B2C kannst du nicht einfach übernehmen. Im B2B kaufst du keinen Impuls, du begleitest einen Prozess.

Das minimale Datenmodell: Volumen, Conversion, Zeit

Wenn dein CRM alles misst, misst es nichts. Jacco van der Kooij, Gründer von Winning by Design, beschreibt in The SaaS Sales Method ein Datenmodell aus nur 3 Familien: Volumen, Conversion-Raten entlang der Kundenreise und die Zeit zwischen den Schritten.

Volumen zeigt, wie viel oben reinkommt. Conversion-Raten zeigen, wo du Interessenten und Kunden verlierst. Die Zeit zwischen den Schritten zeigt, wo dein Prozess stockt. Van der Kooij betont dabei einen Punkt, den fast alle übersehen: Nicht die Aktivität bestimmt die Länge deines Sales-Zyklus, sondern die Wartezeit zwischen den Schritten.

Der Charme dieses Modells: Es ist klein genug, um wirklich gepflegt zu werden. 3 Familien statt Dutzende Custom Fields. Jede Kennzahl beantwortet eine Frage aus dem Alltag: Reicht der Zulauf? Wo verlieren wir? Wo wartet der Kunde auf uns? Genau so wird aus Daten Kontext.

Von van der Kooij stammt auch die passende Warnung: Was die Software misst, ist der Erfolg des Produkts, nicht der Erfolg des Kunden. Hohe Nutzung heisst nicht, dass der Kunde sein Problem löst. Im Idealfall löst er es mit so wenig Nutzung wie möglich. Wer nur Logins zählt, verwechselt Beschäftigung mit Wirkung.

Der eine Nutzungsmoment, der Abwanderung vorhersagt

Wie misst du dann Kundenerfolg statt Produkterfolg? Mark Roberge, Gründungs-CRO von HubSpot, zeigt in The Science of Scaling einen Weg: Definiere einen einzigen messbaren Nutzungsmoment und prüfe, ob er die Retention vorhersagt. Retention heisst hier schlicht: wie viele Kunden bleiben.

In seinem Beispiel blieben 93 Prozent der Kunden, die diesen Moment erreichten. Von denen, die ihn verfehlten, blieben nur 39 Prozent. Ein solcher Frühindikator zeigt dir Monate im Voraus, welche Kunden kippen. Die Zahlen stammen aus einem konstruierten US-SaaS-Beispiel, nimm sie als Illustration. Die Methode dahinter funktioniert trotzdem: Moment definieren, gegen echte Retention validieren, bei Bedarf neu wählen.

Für dein CRM heisst das: Ein Feld pro Kunde, Frühindikator erreicht oder nicht, ist mehr wert als jedes Aktivitäts-Dashboard. Es ist ein Datenpunkt, den auch ein AI-Agent versteht und auf den er reagieren kann.

Das eigentliche Problem: Datensilos

Hier liegt der Schmerz. Die Daten müssen für alle Beteiligten zugänglich und aktuell sein. Sind sie das nicht, beginnt das Pannenpotenzial: Der Aussendienst steht vor der falschen Adresse. Zwei Mitarbeiter machen dem Kunden unterschiedliche Zusagen. Niemand kennt die letzte Vereinbarung.

Der Kunde merkt das sofort. Er denkt, die interne Kommunikation sei mangelhaft. Oft hat er recht. Datensilos bremsen jede Form von personalisierter Betreuung aus.

Genau das löst die Context Engine. Sie ist die eine Wahrheit für Team und Agents, die mit jeder Version besser wird. Statt dreissig Tabs und fünf Tools hast du einen Ort, an dem der Kontext lebt. Wenn du das selbst aufbauen willst, ist das der Kern, den ich im Framework auf gtm.science hands-on durchgehe.

Der erste Schritt dahin ist unspektakulär: ein gemeinsames Datenmodell für alle Teams. Wer schreibt was wohin, und was bedeutet ein Feld genau. Wie du das aufsetzt, ohne ein Jahr zu verlieren, habe ich im Artikel zur Datenstrategie im CRM beschrieben.

Kundendaten und DSGVO im DACH-Raum

Im DACH-Raum kommst du an der DSGVO nicht vorbei, und das ist gut so. Namen, Telefonnummern und Adressen, die du für die Abwicklung brauchst, erkennt die Verordnung als notwendig an. Sammelst du Daten für Marketing, etwa um eine Buyer Persona zu schärfen, gilt das als nicht zwingend notwendig. Dann braucht es eine Einwilligung.

Der Vorteil im B2B: Du hast es mit Profis zu tun, die selbst vor derselben Frage stehen. Und du willst nicht ihre privaten Daten, sondern die der Firma. Wer die DSGVO als Leitplanke nutzt statt als Last, baut Vertrauen auf. Im DACH-Markt ist das ein Verkaufsargument, kein Hindernis.

Für die Praxis heisst das: Produktdaten deiner Kunden stehen auf vertraglicher Grundlage. Für Tracking auf der Website brauchst du eine saubere Einwilligung. Beides ist lösbar, wenn du es von Anfang an mitdenkst, statt später nachzurüsten.

Welche Signale gehören in deine Kundendaten?

Die kurze Antwort: First-Party-Signale zuerst, also alles, was Kunden und Interessenten in deinen eigenen Kanälen tun. Wiederkehrende Website-Besuche. Reaktionen auf deine Inhalte. Ereignisse im Produkt. Einzeln sind das Anekdoten. Gestapelt werden sie zum Muster, und Muster sind der Kontext, um den es hier die ganze Zeit geht.

Ein Signal ist eine Vermutung, mehrere sind ein Muster. Jemand besucht zweimal die Preisseite: Zufall. Jemand besucht die Preisseite, liest zwei Case Studies und legt im Produkt ein neues Team an: eine Geschichte. Auf Muster reagierst du, auf Einzelereignisse nicht.

Wichtig ist die Reihenfolge: sammeln, stapeln, dann handeln. Nicht auf jedes Ereignis eine Mail feuern. Das System führt die Signale zusammen, der Mensch entscheidet den nächsten Schritt. Wie daraus relevante Ansprache wird, zeigt der Hub zu Hyper-Personalisierung im B2B.

Und bevor du Intent-Daten einkaufst, also Interessens-Signale von Drittanbietern: Deine eigenen Signale sind näher an der Wahrheit. Sie zeigen echtes Verhalten gegenüber deiner Firma, nicht anonymes Themeninteresse. Wie du daraus ein Zielkundenprofil baust, steht im Artikel zu Lead Research und ICP.

Die richtigen Schlüsse ziehen

Auch hier gilt das Paretoprinzip. Die Kunst ist, die 20 Prozent der Kunden zu finden, mit denen du 80 Prozent des Ergebnisses machst. Dabei zählt der Share of Wallet: Ein kleines Unternehmen, das fast alles bei dir bezieht, kann wichtiger sein als der Konzern, der nur gelegentlich im Sonderangebot kauft.

Sobald die Daten in Kontext stehen, beantwortet das System Fragen, die früher in Meetings versandet sind: Wo lohnt sich mehr Nähe? Welche Portfolio-Ergänzung hilft? Wo droht ein Kunde abzuspringen? Genau diese Auswertung übernehmen heute AI-Agents, rund um die Uhr, sofern der Kontext stimmt.

Nimm dazu die Zeitachse aus dem Datenmodell oben: Welche Kunden haben seit Wochen keinen Schritt gemacht? Welche Deals warten auf uns statt auf den Kunden? Ein CRM mit Kontext beantwortet diese Fragen in Sekunden. Ein CRM ohne Kontext beantwortet sie gar nicht.

Highs, Lows, Warnung

✅ Was funktioniert. Daten, die in einem System zusammenlaufen und einen Kontext bilden, den Mensch und Agent lesen können.

❌ Was nicht funktioniert. Daten sammeln um des Sammelns willen. Mehr Felder, mehr Tools, mehr Silos.

⚠️ Warnung. Generische AI auf einem chaotischen CRM produziert plausible Nebelkerzen. Erst der Kontext macht den Output brauchbar.

Kundendaten sind nicht das neue Gold. Kontext ist es. Daten sind das Rohmaterial, das du erst veredelst, wenn dein System sie lesen kann. Am Ende werden Geschäfte zwischen Menschen gemacht. Aber die Menschen entscheiden besser, wenn der Kontext stimmt. Von Gründer zu Gründer: bau die Grundlage, bevor du das nächste Tool kaufst.