Wer nicht weiß, wen er wirklich ansprechen will, verbrennt Budget. Über den Hyper-Fokus auf das Ideal Customer Profile

In einem Meeting vor einigen Monaten saß ich mit einem Marketingteam aus dem Maschinenbau zusammen. Acht Personen, gutes Budget, erfahrene Leute. Wir sprachen über die Kampagnenstrategie für das nächste Quartal. Irgendwann fragte ich: Welcher Ihrer Kunden macht den größten Gewinn – nicht den größten Umsatz, sondern den größten Gewinn? Stille. Dann ein Schultern-Zucken. Man schaute sich an. Einer sagte: „Das müsste Finance mal aufschlüsseln.“

Das Team kannte seine Kunden nach Umsatz sortiert. Nach Branche. Nach Region. Aber wer wie viel Deckungsbeitrag brachte – das wusste niemand. Und genau dort fangen die meisten Probleme im B2B-Marketing an.

Denn wer nicht weiß, welche Kunden wirklich profitabel sind, richtet sein Marketing nach dem falschen Kompass aus. Er optimiert auf Reichweite statt auf Ertrag. Auf Leads statt auf Wert. Und verteilt Budget wie eine Gießkanne – gleichmäßig, folgerichtig, wirkungslos.

In einem Marktumfeld, das enger und budgetbewusster wird, ist das kein vertretbarer Zustand mehr. Es ist teuer.

Das Gießkannenproblem: Wenn Breite die Tiefe ersetzt

Die Logik dahinter ist menschlich verständlich: In schwierigen Zeiten will man niemanden ausschließen. Man bedient lieber jeden Kunden, der kommt, als einen potenziellen Auftrag liegenzulassen. Das Resultat: Marketing adressiert alle, weil es sich nicht traut, auf einige zu verzichten. Vertrieb jagt Leads, die nie konvertieren werden. Service baut Kapazitäten für Kunden auf, die mehr Aufwand verursachen als Ertrag bringen.

Das ist kein strategisches Problem. Es ist ein Erkenntnisproblem. Denn in fast jedem Unternehmen, das ich in den letzten zwei Jahrzehnten aus der Nähe gesehen habe, gilt eine Regel mit verblüffender Konsequenz: Etwa 20 Prozent der Kunden sind für rund 80 Prozent des Gewinns verantwortlich. Das Pareto-Prinzip ist im B2B keine Faustregel – es ist eine Diagnose.

Wer diese 20 Prozent nicht genau kennt, betreibt Marketing im Blindflug. Er weiß zwar, wie er Aufmerksamkeit erzeugt – aber nicht, bei wem diese Aufmerksamkeit etwas wert ist.

Was das Ideal Customer Profile wirklich ist – und was nicht

Viele Marketingteams glauben, ein ICP zu haben. Sie haben eine Folie. Darauf steht: Mittelständische Unternehmen, 50 bis 500 Mitarbeiter, Fertigungsbranche, DACH-Region. Das ist kein ICP. Das ist ein Zielmarkt – und ein sehr grober noch dazu.

Ein echtes Ideal Customer Profile beschreibt nicht, wer ein Produkt kaufen könnte. Es beschreibt, wer davon am meisten profitiert, am wenigsten Betreuungsaufwand verursacht, am loyalsten bleibt und den höchsten Deckungsbeitrag liefert. Es ist ein Profil, das aus dem eigenen CRM herausgelesen wird – aus den Mustern der besten Bestandskunden, nicht aus hypothetischen Zielbildern.

Der Unterschied ist entscheidend: Ein Zielmarkt ist eine Annahme. Ein ICP ist eine Erkenntnis.

Und genau hier beginnt die Arbeit, die die meisten Teams scheuen – nicht weil sie zu komplex wäre, sondern weil die Antworten unbequem sein können. Wenn man wirklich auswertet, welche Kunden profitabel sind, stellt man manchmal fest, dass einige der größten Kunden nach Umsatz die schlechtesten nach Marge sind. Dass der langjährige Stammkunde mehr Vertriebszeit bindet als drei kleinere Kunden zusammen. Dass die Branche, auf die man zehn Jahre lang gesetzt hat, strukturell unattraktiv geworden ist.

KI macht sichtbar, was das CRM verbirgt

Hier liegt der eigentliche Wert, den KI in die ICP-Arbeit einbringt. Nicht als Ersatz für Urteilsvermögen – sondern als Werkzeug, das Muster in Datenmengen erkennt, die kein Mensch manuell durchsuchen kann.

Ein gut gepflegtes CRM enthält – ob bewusst genutzt oder nicht – eine erhebliche Informationsmenge über Kaufverhalten, Branchenmerkmale, Vertriebszyklen, Produktnutzung und Serviceaufwand. KI-gestützte Clusteranalysen können diesen Datenberg systematisch durchleuchten. Sie identifizieren, welche Merkmale die profitabelsten Kunden gemeinsam haben: Unternehmensgröße, Branchencode, Technologieausstattung, Kaufhäufigkeit, Reaktionsgeschwindigkeit in der Pipeline, Verhältnis von Angeboten zu Abschlüssen.

Das Ergebnis ist ein datenbasiertes ICP, das nicht auf Wunschdenken beruht, sondern auf nachgewiesenen Mustern der eigenen Bestandskunden. Dieses Profil wird dann zur Grundlage für alles Weitere: Kampagnenaussteuerung, Leadbewertung, Vertriebspriorisierung, Budgetallokation.

Der zweite Schritt ist Look-alike Modeling: Die KI analysiert die identifizierten Top-Kunden und sucht im Markt gezielt nach Unternehmen mit identischen oder ähnlichen Merkmalen. Was früher Bauchgefühl war – „das klingt wie ein guter Interessent“ – wird zum Algorithmus. Und dieser Algorithmus schläft nicht, macht keine Ausnahmen aus Sympathie und kennt keinen Halo-Effekt.

Was in der Praxis passiert, wenn man anfängt zu rechnen

Ein Hersteller von industriellen Messtechnik-Lösungen mit rund 180 Mitarbeitern hatte über Jahre hinweg breit akquiriert. Der Vertrieb war stolz auf einen Kundenstamm von knapp 400 Unternehmen. Das Marketing bespielt alle davon – Newsletter, Messen, Retargeting – mit gleicher Intensität.

Als das Unternehmen begann, seine CRM-Daten systematisch auszuwerten, stellte sich heraus: 61 Kunden generierten 78 Prozent des gesamten Deckungsbeitrags. Diese 61 Unternehmen teilten eine Reihe von Merkmalen: Sie waren alle im verarbeitenden Gewerbe tätig, hatten zwischen 80 und 350 Mitarbeiter, befanden sich in der dritten oder vierten Generation als Familienunternehmen, und sie hatten in der Vergangenheit aktiv nach ISO-Zertifizierungen investiert – ein klares Signal für Qualitätsorientierung und Investitionsbereitschaft.

Was folgte: Das Marketingbudget wurde nicht erhöht, sondern umgelenkt. Die unteren 200 Kunden – viele mit negativem Deckungsbeitrag nach Servicekosten – wurden an einen Partnervertrieb übergeben. Das frei gewordene Budget floss in gezielte Kampagnen und Outreach für Unternehmen mit dem Profil der Top 61. Innerhalb von zwei Quartalen stieg die durchschnittliche Auftragsgröße um 34 Prozent. Die Vertriebszeit pro Abschluss sank um ein Viertel.

Das war keine KI-Magie. Das war Klarheit über die eigene Datenbasis – und der Mut, daraus Konsequenzen zu ziehen.

Warum Umsatz die falsche Leitkennzahl ist

Der Fehler, den ich am häufigsten beobachte: Teams steuern ihr Marketing nach Umsatz. Der größte Kunde bekommt die meiste Aufmerksamkeit. Der am schwersten erkämpfte Auftrag gilt als Erfolg. Niemand fragt, was er wirklich gekostet hat.

Ein Margin-First-Ansatz dreht diese Logik um. Er fragt nicht: Wie viel hat dieser Kunde gekauft? Sondern: Wie viel ist er nach Abzug aller Kosten tatsächlich wert – Vertriebszeit, Serviceeinsatz, Sonderkonditionen, Reklamationsaufwand, Zahlungsziel?

KI kann diese Kalkulation auf Einzelkundenebene sichtbar machen, wenn die Datenbasis stimmt. Das setzt voraus, dass CRM und ERP miteinander sprechen – oder dass zumindest ein manuelles Mapping der relevanten Kennzahlen vorgenommen wird. Es ist nicht trivial. Aber es ist machbar. Und es verändert die Art, wie man über den eigenen Kundenstamm nachdenkt.

Denn wer einmal gesehen hat, dass sein fünftgrößter Kunde nach Deckungsbeitrag in der negativen Zone operiert, schaut das Reporting danach anders an. Dieses Wissen verändert Entscheidungen – welche Leads priorisiert werden, welche Segmente in der nächsten Kampagne bespielt werden, wo der Vertrieb seine Zeit verbringen soll.

„B2B-Unternehmen mit einem klar definierten Ideal Customer Profile erzielen 68 Prozent höhere Account-Win-Rates als Unternehmen ohne eines.“
Quelle: TOPO/Gartner Research, zitiert nach SalesHive und HG Insights (2025)

Diese Zahl ist nicht überraschend, wenn man versteht, was dahintersteckt. Eine höhere Win-Rate entsteht nicht, weil man besser pitcht. Sie entsteht, weil man aufhört, mit Interessenten zu sprechen, die nie abschließen werden.

Die härteste Entscheidung: Kunden aktiv ausschließen

Kein Marketing-Manager sagt gerne: Diesen Kunden wollen wir nicht. Das fühlt sich an wie Umsatz liegen lassen. Wie Arroganz. Wie eine Entscheidung, die der Vertrieb nicht mittragen wird.

Aber genau das ist der Kern eines konsequent umgesetzten ICP: Es definiert nicht nur, wen man ansprechen will – es definiert auch, wen man bewusst nicht anspricht. Bad-Fit-Kunden erkennt man an klar messbaren Mustern: langen Verhandlungszyklen ohne Abschluss, hohem Supportaufwand nach dem Kauf, Zahlungsverzögerungen, mangelndem Produktfit, fehlender Entscheidungskompetenz auf Kundenseite. Diese Merkmale lassen sich im CRM codieren und als negative Kriterien in Lead-Scoring-Modelle einbauen.

Gartner schätzt, dass 75 Prozent der Unternehmen bis 2025 beginnen werden, sich aktiv von unprofitablen Kundenbeziehungen zu trennen – nicht weil sie es wollen, sondern weil die Kostenwahrheit sie dazu zwingt. Der Druck auf Margen und die gestiegenen Akquisitionskosten machen das Weiterführen von Low-Fit-Beziehungen zunehmend unwirtschaftlich.

Was das im Alltag bedeutet: Marketing-Automatisierung disqualifiziert Leads nicht erst im Vertrieb, sondern schon beim Erstkontakt. Scoring-Schwellenwerte sind nicht nur positiv definiert – sie schließen aktiv aus. Das System lernt, welche Anfragen keine Ressourcen verdienen, und gibt dem Vertrieb nur weiter, was wirklich Potenzial hat.

Was es tatsächlich braucht – und was nicht

Ein häufiges Missverständnis: ICP-Arbeit mit KI sei etwas für große Konzerne mit ausgebautem Data-Science-Team. Das stimmt nicht. Die meisten mittelständischen Unternehmen haben ausreichend Daten in ihren CRM-Systemen – sie nutzen sie nur nicht systematisch.

Was es braucht: ein gepflegtes CRM mit mindestens zwei bis drei Jahren Transaktionshistorie, ein klares Set an Kunden-Merkmalen, die erfasst werden (Branche, Unternehmensgröße, Produkt-Portfolio, Region), und die Bereitschaft, Deckungsbeiträge auf Kundenebene transparent zu machen. Letzteres ist die eigentliche Hürde – nicht die Technologie, sondern die interne Offenheit, sich mit unbequemen Zahlen auseinanderzusetzen.

Was es nicht braucht: eine aufwendige KI-Implementierung als erstes. Wer noch keine saubere Datenbasis hat, sollte dort beginnen. Denn KI, die auf schlechten Daten trainiert wird, liefert falsche Muster – präzise und selbstsicher, aber falsch. Erst Datenqualität. Dann Automatisierung.

Unternehmen, die diesen Weg gegangen sind, berichten von messbaren Ergebnissen: einer deutlichen Verkürzung der durchschnittlichen Vertriebszyklen, steigenden durchschnittlichen Auftragsgrößen und sinkenden Akquisitionskosten pro Abschluss. Die Investition liegt nicht in neuer Software – sie liegt im Aufräumen der Datenbasis und in der Entscheidung, das ICP tatsächlich operational zu verankern, anstatt es auf einer Folie im Intranet zu parken.

Wer jeden ansprechen will, spricht niemanden wirklich an

Zurück zu dem Maschinenbau-Team. Wir haben in diesem Meeting nicht sofort eine Lösung beschlossen. Aber wir haben die richtige Frage gestellt. Und das war der eigentliche Wendepunkt.

Denn Hyper-Fokus auf das ICP ist keine taktische Maßnahme. Es ist eine Entscheidung darüber, wer man als Unternehmen ist – und für wen man wirklich arbeiten will. Diese Klarheit fehlt in erstaunlich vielen gut aufgestellten Teams. Nicht weil niemand darüber nachgedacht hat. Sondern weil der Alltag diese Fragen nicht stellt.

KI kann dabei helfen, das eigene CRM nach diesen Antworten zu durchsuchen. Sie kann Muster sichtbar machen, die im manuellen Reporting verborgen bleiben. Sie kann Look-alike-Profile erstellen und Scoring-Modelle laufend kalibrieren. Aber sie kann nicht entscheiden, ob ein Unternehmen bereit ist, auf einen Teil des Marktes zu verzichten, um einen anderen Teil wirklich gut zu bedienen.

Das bleibt eine menschliche Entscheidung. Eine, die Mut erfordert.

Wer die Gießkanne weglegt und anfängt, gezielt zu gießen, wird am Ende mehr ernten. Nicht trotz der Konzentration – sondern wegen ihr.