Aus einer ICP-Beschreibung, die kein Filter abbilden kann, wird eine B2B-Leadliste, wenn Sie sie in Attribute aufteilen, die eine Datenbank führt, und in Belege, die nur eine Live-Quelle zeigt.

Das Wichtigste

  • In einem Leitfaden von 2026 nennt Merit Data, ein B2B-Datenanbieter, Branche, Unternehmensgröße und Jobtitel „notwendig, aber bei Weitem nicht ausreichend“, um ein ICP zu definieren.
  • Laut der API-Referenz von Apollo, gelesen am 23. September 2026, filtert Apollo Unternehmen nach Jobtiteln in aktiven Stellenanzeigen, eingesetzten Technologien und dem Datum der letzten Finanzierungsrunde. Für eine Bedingung wie „erste Vertriebskraft“ gibt es kein Feld.
  • Laut dem Hilfecenter von LinkedIn, gelesen am 23. September 2026, müssen einer Zielgruppe mindestens 300 Mitgliederkonten zugeordnet sein, bevor eine Anzeigengruppe sie nutzen kann.
  • Ein Agentur-Benchmark vom Mai 2026 nennt eine Match-Rate von 90 bis 98 Prozent für Unternehmenslisten mit Name und Domain, ein Leitfaden vom März 2026 dagegen 60 bis 85 Prozent für bekannte Unternehmen.
  • Laut den Statistiken von Cleanlist für 2026 veralten B2B-Kontaktdaten um etwa 2,1 Prozent pro Monat. Eine Liste, die 90 Tage vor dem Versand erstellt wurde, hat damit rund 6,2 Prozent ihrer Genauigkeit verloren.
  • Lusha zählte zwischen Januar und Juni 2026 weltweit 1.470.414 Arbeitgeberwechsel, das sind etwa 13.600 Kontakte, die an jedem Arbeitstag den Job wechseln.

Warum bildet ein Datenbankfilter kein Kampagnen-Briefing ab?

Die meisten Filter beschreiben, was ein Unternehmen ist, während ein echtes Briefing meist an etwas hängt, das das Unternehmen kürzlich getan hat. Datenbanken filtern inzwischen nach einigen Verhaltensmerkmalen wie Neueinstellungen und Finanzierungsrunden, aber für die Bedingung, von der die Kampagne tatsächlich abhängt, etwa die erste Vertriebskraft oder einen zweiten Standort, gibt es selten ein eigenes Feld.

Marketer beschreiben das gewünschte Segment in einem Satz und stellen dann fest, dass das Filterpanel dafür kein Feld hat. Merit Data, ein B2B-Datenanbieter, bringt es in einem Leitfaden von 2026 auf den Punkt. Branche, Unternehmensgröße und Jobtitel sind „notwendig, aber bei Weitem nicht ausreichend“. Derselbe Leitfaden zeigt das an zwei Unternehmen mit identischem firmografischem Profil. Das eine prüft gerade Anbieter und hat Budget freigegeben, das andere wird in den nächsten achtzehn Monaten nichts kaufen.

Die besseren Datenbanken erfassen inzwischen auch einen Teil des Verhaltens. Die Organisationssuche von Apollo filtert zum Beispiel nach Jobtiteln in aktiven Stellenanzeigen, dem Veröffentlichungsdatum der Anzeigen, eingesetzten Technologien und dem Datum der letzten Finanzierungsrunde. Was kein Filterpanel abbildet, ist die konkrete Bedingung, an der Ihr Briefing hängt (die erste Vertriebskraft statt irgendeiner Vertriebsstelle, ein zweiter Standort, Werbung ohne funktionierenden Online-Shop).

Auch die großen Abdeckungszahlen beantworten die Frage nicht. Eine Übersicht von Landbase vom Januar 2026 schreibt InfobelPRO mehr als 360 Millionen Unternehmen in 220 Ländern und Gebieten zu und ZoomInfo eine Genauigkeit von über 95 Prozent bei Kontaktdaten. Die erste Zahl zählt Einträge, die zweite ist eine Qualitätsaussage über die Datensätze eines einzelnen Anbieters. Keine von beiden sagt Ihnen, wie viele Unternehmen zu Ihrem Briefing passen.

Wie finden Sie Unternehmen nach dem, was sie tun, statt nach dem, was sie sind?

Suchen Sie nicht nach einem Filter, sondern nach der Stelle, an der das Verhalten öffentlich sichtbar wird. Zerlegen Sie die Beschreibung Bedingung für Bedingung, ordnen Sie jede als Attribut oder als Beleg ein und notieren Sie, welche Art von Quelle sie zeigt und wie schnell das Signal veraltet.

„Unternehmen, die kürzlich einen zweiten Standort eröffnet haben.“ „Unternehmen, die ihre erste Vertriebskraft einstellen.“ „Unternehmen, die ohne funktionierenden Online-Shop werben.“ Jedes davon ist ein echtes Segment, und keines lässt sich mit einem Häkchen im Filter auswählen.

Bedingung im BriefingAttribut oder BelegWo sie sichtbar wirdWie aktuell
In dieser Branche, in dieser GrößeAttributJede gespeicherte Datenbank, das offizielle HandelsregisterMonate
Kürzlich gegründetAttribut mit DatumDas offizielle Handelsregister, nach EintragungsdatumTage
Zweiten Standort eröffnetBelegKarteneinträge, datierte RegistereintragungenTage bis Wochen
Sucht Personal für eine bestimmte RolleBelegJobbörsenTage
Nutzt ein bestimmtes ToolBelegDie eigenen Webseiten und Dokumentationen des UnternehmensWochen
Gibt Geld für Werbung ausBelegÖffentliche WerbebibliothekenTage
Bewertung unter einem SchwellenwertBelegBewertungsplattformenTage
Kürzlich finanziertBelegÖffentliche Ankündigungen und RegistereintragungenTage

Für die Attributzeilen ist eine gespeicherte Datenbank gebaut, und manche Belegzeilen gibt es inzwischen ebenfalls als Filter, in der Taxonomie des jeweiligen Anbieters. Außer Reichweite bleiben die konkreten oder jüngsten Zeilen, weil eine Momentaufnahme, die in festen Zyklen aktualisiert wird, nicht wissen kann, was letzte Woche passiert ist. Das Register taucht auf beiden Seiten der Tabelle auf. Es enthält Attribute wie Rechtsform und Branche, verzeichnet aber auch datierte Ereignisse wie Gründungen und Eintragungen.

Beginnen Sie mit den Belegzeilen. Sie ergeben kleinere Mengen, liefern Ihnen einen Anlass für die Ansprache und verkleinern die Liste meist auf eine Größe, die eine Kampagne tatsächlich abdecken kann. Tools, die Live-Quellen abfragen, statt eine Momentaufnahme zu filtern, stellen wir in unserem Überblick über KI-Prospecting-Tools vor.

Wie bauen Sie eine Liste, wenn kein Filter das passende Wort hat?

Teilen Sie die Beschreibung in zwei Ebenen auf und bilden Sie deren Schnittmenge. Die Attributebene enthält alles, was ein Filter ausdrücken kann, so weit gefasst wie möglich. Die Belegebene enthält ein oder zwei datierte, überprüfbare Fakten, die zutreffen müssen. Die Schnittmenge ist Ihre Liste, und sie ist meist kleiner und deutlich brauchbarer als das Ergebnis eines Filters.

Manchmal beschreibt das Briefing gar kein Verhalten. Es ist eine Beschreibung in Alltagssprache, für die keine Filtertaxonomie ein Wort hat, etwa ein Dienstleister, der andere Unternehmen auf eine ganz bestimmte Art betreut, oder ein Unternehmen, das sich beim Aufbau einer Abteilung in einer bestimmten Phase befindet.

Die Attributebene umfasst alles, was ein Filter ausdrücken kann, und Sie sollten sie so weit fassen, wie Sie es gerade noch vertreten können. Jeder zusätzliche Filter verkleinert den Pool, bevor die Belegebene überhaupt ein Unternehmen qualifizieren konnte. Ein häufiger Fehler besteht darin, sechs Filter zu kombinieren, bei 40 Unternehmen zu landen und daraus zu schließen, dass es das Segment nicht gibt.

Die Belegebene besteht aus ein oder zwei datierten, überprüfbaren Fakten, die zutreffen müssen. Drei oder vier Bedingungen sind zu viele. Mit einem guten Beleg pro Zeile können Sie jeder Vertriebsleitung begründen, warum ein Unternehmen auf der Liste steht, und derselbe Beleg liefert der Kampagne ihren Einstiegssatz.

Bilden Sie dann die Schnittmenge. Weit gefasste Attribute mit strengen Belegen ergeben eine Liste, die kleiner ist, als das Filterpanel vermuten ließ, und sich deutlich besser bearbeiten lässt. Eng gefasste Attribute ohne Belege ergeben eine Liste, die präzise aussieht und sich wie eine Vermutung verhält. Genau auf dieses Briefing ist unsere Seite für Marketingteams ausgerichtet.

Von der Beschreibung zur verifizierten ListeDer datierte Fakt liefert der Kampagne auch ihren Einstiegssatz.
  1. Ein Briefing in einem Satz
  2. Weit gefasste Attributebene
  3. Ein oder zwei datierte Fakten
  4. Zählung pro Bedingung
  5. Schnittmenge beider Ebenen
  6. Verifizierung am Versandtag

Wie zählen Sie ein Segment, bevor Sie Geld für Daten ausgeben?

Zählen Sie, bevor Sie Geld ausgeben. Notieren Sie zuerst die Zahl für die Attributebene allein, wenden Sie dann jede Belegbedingung einzeln an und notieren Sie jede Zahl, und wenden Sie die Bedingungen anschließend gemeinsam an. Die letzte Zahl ist Ihre adressierbare Menge, und die Zwischenzahlen zeigen, welche Bedingung Sie lockern sollten, wenn das Ergebnis zu klein ausfällt.

Wenn Sie nicht wissen, ob das Segment 400 oder 9.000 Unternehmen umfasst, können Sie die Kampagne nicht dimensionieren, und die Antwort erfahren Sie erst mit der Rechnung. Wenn Sie jede Bedingung einzeln erfassen, sehen Sie, welche die Liste am stärksten verkleinert.

An dieser Stelle gehört auch die Frage nach den Kontakten hin. Eine Zahl von Unternehmen ist keine Zahl erreichbarer Personen. Verifizierte Kontakte sind eine eigene Ausbeute, die zur Unternehmenszahl hinzukommt, und wenn Sie diesen Schritt überspringen, planen Sie das Budget für alle Unternehmen und erreichen am Ende nur die Hälfte davon. Unser Leitfaden dazu, was Prospecting-Daten ein Vertriebsteam kosten, rechnet die Kosten pro nutzbarem Kontakt durch, und genau diese Zahl sollte am Ende der Zählung stehen.

Warum ist die Match-Rate einer hochgeladenen Zielgruppe so niedrig?

Meist liegt es am Listenformat und nicht an der Werbeplattform. Auf LinkedIn, das hier als Referenz dient, werden Unternehmenslisten mit Name und Domain deutlich besser abgeglichen als Kontaktlisten, und eine Zielgruppe mit weniger als 300 zugeordneten Mitgliederkonten lässt sich in keiner Anzeigengruppe verwenden.

Das Hilfecenter von LinkedIn definiert die Match-Rate als den Anteil der hochgeladenen Einträge, die einem Mitgliederkonto oder, bei Unternehmenslisten, einer LinkedIn-Seite zugeordnet wurden. Es erklärt außerdem, dass die Website des Unternehmens oder die URL seiner LinkedIn-Unternehmensseite den Abgleich einer Unternehmensliste verbessert, und dass einer Liste mindestens 300 Mitgliederkonten zugeordnet sein müssen, bevor eine Anzeigengruppe sie nutzen kann.

Die veröffentlichten Raten unterscheiden sich je nach Quelle. Ein Agentur-Benchmark vom Mai 2026 nennt 90 bis 98 Prozent für Unternehmenslisten mit Name und Domain sowie für Kontaktlisten 70 bis 85 Prozent bei geschäftlichen E-Mails, 40 bis 60 Prozent bei privaten E-Mails und 60 bis 70 Prozent bei gemischten Listen. Ein Leitfaden vom März 2026 ist vorsichtiger und nennt 60 bis 85 Prozent für bekannte Unternehmen und 30 bis 60 Prozent für Kontaktlisten.

Ein Rechenbeispiel macht das greifbar. Eine Kontaktliste mit 400 Personen und einer Match-Rate von 60 Prozent, dem oberen Ende der vorsichtigen Spanne, ergibt etwa 240 Mitgliederkonten. Das liegt unter dem Minimum von 300, und die Kampagne wird gar nicht erst ausgespielt.

Die praktische Regel lautet deshalb, immer die Domain mitzuliefern und die Unternehmenszeile als Haupteinheit zu behandeln, an der die Kontakte hängen, und nicht umgekehrt. Die Lösung liegt einen Schritt früher, bei der Beschaffung der Ausgangsliste, und nicht in den Plattformeinstellungen.

Wie schnell veraltet eine B2B-Liste zwischen Erstellung und Versand?

Schnell genug, um über die Laufzeit einer Kampagne ins Gewicht zu fallen. Laut den Statistiken von Cleanlist für 2026 veralten B2B-Kontaktdaten um etwa 2,1 Prozent pro Monat oder 22,5 Prozent pro Jahr. Eine Liste, die 90 Tage vor dem Versand erstellt wurde, hat damit schon vor der ersten E-Mail rund 6,2 Prozent ihrer Genauigkeit verloren.

Listen sind verderblich, und Kampagnen haben lange Vorlaufzeiten. Die Statistiken von Cleanlist zum Datenverfall 2026 nennen etwa 22,5 Prozent pro Jahr, also rund 2,1 Prozent pro Monat, vor allem weil jedes Jahr 15 bis 20 Prozent der Berufstätigen den Arbeitgeber wechseln. Dieselbe Rate von 2,1 Prozent steht in der Database Decay Simulation von HubSpot, die sie auf Untersuchungen von MarketingSherpa zurückführt. Neuere Zählungen weisen in dieselbe Richtung. Der Email List Decay Report 2026 von ZeroBounce, der auf mehr als 11 Milliarden im Jahr 2025 verarbeiteten Adressen beruht, stellt fest, dass mindestens 23 Prozent einer E-Mail-Liste innerhalb eines Jahres veralten. Lusha erfasste zwischen Januar und Juni 2026 weltweit 1.470.414 Arbeitgeberwechsel, also etwa 13.600 Kontakte, die an jedem Arbeitstag den Job wechseln.

Bei 2,1 Prozent pro Monat, über die Monate kumuliert, kostet Sie der Abstand zwischen Erstellung und Versand so viel Genauigkeit.

Tage zwischen Erstellung und VersandVerlorene Genauigkeit
30Etwa 2,1 Prozent
60Etwa 4,2 Prozent
90Etwa 6,2 Prozent
180Etwa 12,0 Prozent

Diese Zahlen sind klein genug, um sie zu übersehen, und groß genug, um einen schlechten Bounce-Bericht zu erklären. Die Lösung ist eine Verifizierung am Morgen des Versands statt am Tag der Erstellung, und sie schützt zugleich die Versanddomain, über die Ihre Nurture- und Lifecycle-Mails laufen. In seinen Empfehlungen von 2026 zum Hochladen von Listen rät Instantly, die Bounce-Rate bei höchstens 2 Prozent zu halten, und wertet alles darüber als Zeichen mangelnder Listenhygiene. Unser Leitfaden zum Verifizieren einer B2B-E-Mail-Liste erklärt die einzelnen Prüfungen und was sie pro tausend Datensätze kosten.

Die Belegebene veraltet schneller als die Kontakte. Eine Finanzierungsmeldung bleibt wochenlang ein Anlass für die Ansprache, eine Stellenanzeige nur einige Tage. Wenn sich die Kampagne um einen Monat verschiebt, suchen Sie die Belege neu, statt auf einen Anlass hin zu schreiben, der längst vorbei ist.

Wie schreiben Sie eine Beschreibung, aus der eine Liste entsteht?

Formulieren Sie sie als Satz, den ein Kollege versteht, und kommentieren Sie ihn dann. Kennzeichnen Sie die Attributbedingungen und die Belegbedingungen. Notieren Sie zu jeder Belegbedingung, in welcher Art von Quelle sie sichtbar wird und wie lange das Zeitfenster offen bleibt.

Ein konkretes Beispiel zeigt, wie das aussieht. „Unternehmen in Ihrer Region, im Bereich professionelle Dienstleistungen, mit zehn bis fünfzig Beschäftigten, die in den letzten dreißig Tagen eine Stelle für ihre erste Vertriebskraft ausgeschrieben haben.“ Die Attribute sind Region, Branche und Größenklasse. Der Beleg ist die Stellenanzeige, die auf Jobbörsen sichtbar ist und deren Zeitfenster sich in Tagen statt Monaten bemisst. Ein Jobtitelfilter findet zwar eine Vertriebsanzeige, aber das Wort „erste“ steckt in keinem Filter, und genau dieses Wort macht das Unternehmen interessant für die Ansprache. Der Einstiegssatz ergibt sich aus der Belegbedingung, und die Vertriebsleitung, die fragt, warum ein Unternehmen auf der Liste steht, bekommt eine datierte Antwort.

Vergleichen Sie das mit „Mittelstandsunternehmen, die kaufbereit sind“. Der Satz ist genauso lang, nennt aber keinen Beleg, keine Quellenart und kein Datum. Aus diesem Briefing entsteht nur eine weitere Filterausgabe, die genauso aussieht wie die letzte.

Wo Freelvy ins Spiel kommt

Freelvy ist eine KI-Vertriebsplattform, die Sie so nutzen wie ChatGPT oder Claude. Sie schreiben die Beschreibung in einen einzigen Prompt, in Alltagssprache und einschließlich der Belegbedingung. Der Agent durchsucht dann zum Zeitpunkt der Anfrage über 40 Live-Datenquellen (Karten, offizielle Handelsregister, Jobbörsen, Online-Shops, Werbebibliotheken), statt eine gespeicherte Momentaufnahme zu filtern. Er reichert jede Zeile per Waterfall über mehrere Anbieter mit verifizierten Kontakten an (sechs Anbieter für E-Mail, neun für Telefon), und eine Zeile, die die Verifizierung nicht besteht, wird nie geliefert und nie berechnet. Suche, Anreicherung und Sequenzen laufen in einem einzigen Thread, sodass der Beleg, der ein Unternehmen qualifiziert hat, mit der Nachricht verknüpft bleibt, die ihn aufgreift. Die Tarife beginnen bei €49 im Monat für 1.500 Credits, mit unbegrenzt vielen Teammitgliedern und ohne Mindestlaufzeit.

Screenshot von Freelvy: eine Tabelle mit Webagenturen in New York, die HubSpot erwähnen, mit Website, Mitarbeiterzahl, Stadt und HubSpot-Status
In Freelvy liefert ein einziger Prompt die passenden Unternehmen als Tabelle.

Der kommentierte Satz aus dem vorigen Abschnitt ist genau die Art von Prompt, die Freelvy unverändert verarbeitet. Region, Branche und Größe beschreiben das Unternehmen, und die erste Vertriebskraft ist der Beleg, den Jobbörsen zeigen. Sie können Freelvy 7 Tage kostenlos und ohne Kreditkarte auf freelvy.com testen.

Wie wir das geprüft haben

Wir haben jede unter Quellen aufgeführte Seite am 23. September 2026 gelesen. Wo eine Plattform eigene Dokumentation veröffentlicht, haben wir diese verwendet, nämlich das Hilfecenter von LinkedIn für die Match-Raten und das Minimum von 300 Mitgliedern, die API-Referenz von Apollo für dessen Filter und die Seite von HubSpot für die Herkunft der Rate von 2,1 Prozent. Das Rechenbeispiel mit 400 Kontakten und die Tabelle zum kumulierten Datenverfall sind unsere eigenen Berechnungen auf Basis dieser veröffentlichten Zahlen.

FAQ

Warum kann ich meine ICP-Liste nicht mit Filtern erstellen?

Weil die meisten Filter beschreiben, was ein Unternehmen ist, und nicht, was es kürzlich getan hat. Merit Data nennt Branche, Größe und Jobtitel 2026 notwendig, aber bei Weitem nicht ausreichend. Manche Datenbanken filtern inzwischen nach Neueinstellungen, Technologien und Finanzierungen, doch für die konkrete Bedingung, an der ein Briefing hängt, etwa die erste Vertriebskraft, gibt es selten ein Feld.

Wie wird aus einer Beschreibung in Alltagssprache eine Liste?

Teilen Sie sie in eine Attributebene und eine Belegebene auf. Fassen Sie die Attribute so weit, wie Sie es gerade noch vertreten können, denn jeder zusätzliche Filter verkleinert den Pool vor der Qualifizierung. Ergänzen Sie ein oder zwei datierte, überprüfbare Belege, die zutreffen müssen, und bilden Sie dann die Schnittmenge beider Ebenen. Der Beleg ist zugleich Ihr Einstiegssatz.

Welche Quellen zeigen, was ein Unternehmen gerade tut?

Denken Sie in Quellenarten statt in Anbieternamen. Das offizielle Handelsregister enthält Eintragungsdaten, Rechtsform, angegebenen Unternehmensgegenstand und datierte Eintragungen. Jobbörsen zeigen Einstellungsabsichten. Karteneinträge zeigen neue Standorte. Online-Shops zeigen, was ein Unternehmen verkauft und wie. Öffentliche Werbebibliotheken zeigen Werbeaktivität. Bewertungsplattformen zeigen Muster in der Servicequalität.

Wie viele Unternehmen sollte ein Segment umfassen?

So viele, dass die Kampagne sie auf dem geplanten Personalisierungsniveau abdecken kann, und das heißt meist, dass die Belegebene die Größe bestimmt und nicht die Attributebene. Zählen Sie zuerst die Attributebene und dann jede Belegbedingung einzeln, damit Sie wissen, welche Bedingung die Liste verkleinert, bevor Sie etwas lockern.

Warum ist die Match-Rate meiner hochgeladenen Zielgruppe so niedrig?

Meist liegt es am Format der Ausgangsliste. Ein Agentur-Benchmark vom Mai 2026 nennt für LinkedIn-Unternehmenslisten mit Name und Domain 90 bis 98 Prozent und für Kontaktlisten 70 bis 85 Prozent bei geschäftlichen E-Mails, ein Leitfaden vom März 2026 dagegen 60 bis 85 und 30 bis 60 Prozent. Liefern Sie immer die Domain mit, und denken Sie daran, dass LinkedIn mindestens 300 zugeordnete Mitgliederkonten verlangt.

Wie oft sollte eine Kampagnenliste neu erstellt werden?

Verifizieren Sie die Kontakte am Morgen des Versands statt am Tag der Erstellung, und suchen Sie die Belege neu, wenn sich die Kampagne verschiebt. Bei einem veröffentlichten Verfall von 2,1 Prozent pro Monat kostet ein Abstand von 90 Tagen etwa 6,2 Prozent Genauigkeit, und die Belegbedingung altert schneller als der Kontakt, bei einer Stellenanzeige in Tagen und bei einer Finanzierung in Wochen.

Wie begründe ich, warum ein Unternehmen auf einer Zielkundenliste steht?

Geben Sie jeder Zeile ihren eigenen datierten Beleg. Das ist das praktische Argument für die Belegebene und gegen einen Intent-Score ohne Quelle. Wenn eine Vertriebsleitung fragt, warum ein bestimmtes Unternehmen auf der Liste steht, ist das Datum eines Registereintrags, einer Stellenanzeige oder eines Eintrags in einer Werbebibliothek eine Antwort, ein Prozentwert aus einem undurchsichtigen Modell dagegen nicht.

Quellen und Methodik

Alle unten aufgeführten Seiten wurden am 23. September 2026 gelesen. Die Zahlen sind im Text den Seiten zugeordnet, die sie veröffentlicht haben.