Warum Branchenfilter den Großteil deines TAM verfehlen

Kurz gesagt: Branchenfilter verfehlen den Großteil deines adressierbaren Marktes, weil das Branchenfeld beschreibt, an wen eine Firma verkauft, nicht was sie verkauft, und weil diese Einordnung mit der Zeit veraltet. Dadurch landen passende Firmen außerhalb des Filters und falsch eingeordnete Firmen darin. Die Korrektur ist Seed and Expand: von bewiesenen Treffern wie gewonnenen Deals ausgehen, daraus die echten Filterkriterien ableiten, bewusst zu viel ziehen und hart nachqualifizieren, bevor du für Kontakte zahlst.

Das Wichtigste in Kürze

• Das Branchenfeld einer Firma beschreibt ihren Markt, nicht ihr Produkt, weshalb reine Branchenfilter passende Firmen systematisch auslassen.
• Bei Peptid-Herstellern fand ein Seed-and-Expand-Ansatz laut Eric Nowoslawski (Growth Engine X, 16. August 2026) 70 verifizierte Firmen gegenüber 32 bei reinen Anbieterfiltern, also rund das Doppelte.
• In einem Kampagnenvergleich brachte eine Lookalike-Liste bei identischem Text etwa fünfmal mehr interessierte Antworten als eine über Branchenfilter gebaute Liste.
• Laut The Starr Conspiracy über Datamagnet (2026) werden Accounts mit Kaufsignalen zu 21,3 Prozent zu Opportunities gegenüber 8,4 Prozent bei reiner firmografischer Passung, ein Unterschied von rund dem 2,5-Fachen.
• Ein stiller Filter auf Mitarbeiterwachstum, nie im Text erwähnt, steigert laut Nowoslawski (16. Juli 2026) die Quote positiver Antworten um 30 bis 50 Prozent.
• Laut CXL (2025) erzielen Kampagnen mit klar definiertem Wunschkundenprofil 68 Prozent mehr ROI als breites Targeting allein über die Branche.

Branchenfilter verfehlen den Großteil deines adressierbaren Marktes, weil die selbst angegebene Branche einer Firma beschreibt, an wen sie verkauft, nicht was sie verkauft. Ein Softwareanbieter, der Immobilienmakler als Kunden hat, trägt sich unter Immobilien ein. Ein Filter auf Software wirft ihn damit still und leise raus. Dazu kommt, dass die Einordnung veraltet: Das Branchenfeld wird einmal gesetzt und praktisch nie wieder angefasst. Das Ergebnis ist eine Liste, die selbstbewusst falsch ist, und daran ändert auch kein Feintuning der Filter etwas.

Wie entsteht diese Verwechslung bei der Branchenangabe?

Sie entsteht, weil das Branchenfeld selbst gepflegt wird und den Markt beschreibt, nicht das Produkt. Eric Nowoslawski, Gründer von Growth Engine X, hat das in einem Video vom 16. August 2026 auf den Punkt gebracht, in dem er die Filter des Datenanbieters durch einen eigenen Aufbau ersetzt: Die gelistete Branche einer Firma ist das, worin sie verkauft, nicht das, was sie verkauft.

Wenn du das einmal gesehen hast, ist der Fehler offensichtlich. Du setzt ein Häkchen bei einer Branche, weil du Firmen suchst, die ein bestimmtes Produkt herstellen, und bekommst Firmen, die an die Leute verkaufen, die dieses Produkt kaufen. Die beiden Gruppen überschneiden sich, aber nicht an der Stelle, auf die es ankommt.

Der Verfall macht es mit der Zeit schlimmer. Die Zuordnung von SIC zu NAICS ist unsauber, manche Codes verweisen auf mehrere andere, und Branchencodes sind oft von Anfang an veraltet oder falsch vergeben. Ein Filter, den du im März einmal gebaut hast, beschreibt im Oktober ein leicht verschobenes Universum. Niemand merkt es, weil der Export weiter brav Zeilen zurückgibt.

Wie sieht ein verfehltes TAM in einem echten Beispiel aus?

Nowoslawskis Beispiel in diesem Video waren Peptid-Hersteller in den USA. Eine passende Branchenkategorie dafür gibt es bei keinem Anbieter, ein filterbasierter Ansatz findet diese Firmen also schlicht gar nicht.

Seine Methode lief so: Eine Startfirma wurde auf 14 bekannte Peptid-Hersteller erweitert. Mit diesen 14 Seeds den Datenanbieter abzuklopfen ergab 3 Branchen, 39 Keywords und 42 Filter, unter denen die echten Firmen tatsächlich auftauchten. Danach hat er alles gezogen, was auf irgendeinen dieser Werte passte, begrenzt nur durch Mitarbeiterzahl und Region, und 55.000 Firmen auf 70 verifizierte Hersteller heruntergefiltert. Hätte er den Filtern des Anbieters allein vertraut, wären es 32 gewesen. Der Seed-and-Expand-Durchlauf hat also rund das Doppelte gefunden. Die Abdeckung der Methode schätzt er auf etwa 85 Prozent des TAM, das ist seine eigene Einschätzung und keine Messung.

Die Form dahinter ist die eigentliche Lektion. Er hat nicht bessere Filter geraten. Er hat Firmen, von denen er wusste, dass sie passen, bestimmen lassen, wie die Filter aussehen müssen, dann bewusst zu viel gezogen und hart nachqualifiziert. Das ist dieselbe Logik wie dahinter, wie KI und Automatisierung im B2B Leads generieren: Die Maschine ist stark darin, Masse günstig zu prüfen, nicht darin, Kategorien zu erraten.

Was passiert, wenn dieselbe E-Mail an eine gefilterte und an eine Lookalike-Liste geht?

Ich habe diesen Vergleich auf einem Kundenaccount gefahren, einer Firma, die an Payment Gateways verkauft. Dieselbe vierstufige Sequenz, Wort für Wort identisch, ging an zwei Listen für denselben Markt.

Die erste Liste kam aus einer Sales-Navigator-Suche: Branche auf Financial Services, Firmengröße von 11 bis 5.000 Mitarbeitenden, dazu Keywords wie "payment gateway" und "payment service provider". 1.069 Personen haben die erste Mail bekommen.

Die zweite Liste war ein Lookalike: Sie startete bei Firmen, die klar passen, und wurde auf mehr Firmen derselben Form erweitert. 608 Personen haben die erste Mail bekommen.

Gezählt habe ich nur Antworten von echten Menschen, die sinngemäß ja gesagt haben, schick rüber oder lass uns reden. Abwesenheitsnotizen, Abmeldungen und Rückfragen ohne Interesse dahinter zählen nicht. Die gefilterte Liste brachte 3. Die Lookalike-Liste brachte 9. Das sind grob eine interessierte Antwort pro 356 Personen gegen eine pro 68, also etwa fünfmal besser bei identischem Text.

Zwei Einschränkungen, offen gesagt: Die beiden Kampagnen liefen rund einen Monat auseinander, und die absoluten Zahlen sind klein. Die Richtung ist trotzdem schwer wegzudiskutieren, und sie passt zum Mechanismus von oben: Die eine Liste wurde aus einem Label gebaut, die andere aus Beispielen.

In Rohdaten sieht man dasselbe. Wenn ich über einen rohen Anbieter-Export eine Prüfung von Firmenname und Beschreibung laufen lasse, stellen sich 40 bis 70 Prozent als nicht zu der Kategorie gehörig heraus, unter der sie eingetragen sind.

Und reine firmografische Passung ist ohnehin ein schwacher Indikator. Die B2B-Intent-Benchmarks von The Starr Conspiracy, über Datamagnet (2026), zeigen: Accounts, die allein nach firmografischer Passung bewertet wurden, wurden zu 8,4 Prozent zu abgeschlossenen Opportunities, gegenüber 21,3 Prozent bei Accounts mit Kaufsignalen, ein Unterschied von rund dem 2,5-Fachen. Eindimensionales Filtern ist zu grob, um ein Wunschkundenprofil zu definieren.

Aus meiner Erfahrung entscheidet die Liste mehr über das Ergebnis als der Text, und die Firmenliste entscheidet mehr als die Kontaktliste. Gründer schreiben wochenlang Betreffzeilen um für eine Liste, die nie funktionieren konnte, obwohl die ehrliche Korrektur weiter oben liegt: erst die richtigen Firmen, denn eine Person in einer korrekt ausgewählten Firma zu finden ist die leichte Hälfte.

Was solltest du statt reiner Branchenfilter tun?

Hör auf, die Filter vorab auszuwählen, und lass dir von Firmen mit nachgewiesener Passung sagen, wie sie aussehen müssen. Dann zieh bewusst zu viel und qualifiziere hart nach, bevor du für irgendetwas bezahlst.

Wie funktioniert Seed and Expand bei der Firmenliste?

Die Reihenfolge, nach der ich baue, angelehnt an Nowoslawskis veröffentlichte Methode:

1. Seeds aus dem CRM und der Sperrliste des Kunden ziehen. Gewonnene Deals, verlorene Deals, offene Opportunities. Firmen, mit denen bereits gesprochen wird, sind die einzige belastbare Definition der Zielgruppe, weil sie bewiesene Treffer sind und keine Kategorievermutung.
2. Mit diesen Seeds den Datenanbieter abklopfen und jede Branche und jedes Keyword einsammeln, unter denen die Seeds tatsächlich geführt werden. Diese eingesammelten Werte sind dann die Zugriffskriterien.
3. Das Seed-Set per Lookalike-Suche erweitern, damit das gesammelte Vokabular nicht auf drei Firmen beruht.
4. Alles ziehen, was auf irgendeine der gefundenen Branchen oder Keywords passt, begrenzt nur durch Mitarbeiterzahl und Region, in eine Datenbank.
5. Den gesamten Export mit einem günstigen Modell bewerten. KI-Verarbeitung pro Firma kostet inzwischen weniger als präzise Filter zu bezahlen, absichtlich zu viel zu ziehen und schlechte Zeilen wegzuwerfen ist damit der günstigere Weg.
6. Als letztes Tor die Live-Website auf das ICP-Signal prüfen, bevor du irgendetwas für Kontaktdaten ausgibst.

Zwei Betriebsdetails machen das bezahlbar statt theoretisch. Die Qualifizierung läuft über mein eigenes KI-Abo mit Agenten, die echte Websites lesen, nicht über eine API, die pro Zeile abrechnet. Und bereits kontaktierte Firmendomains werden ausgeschlossen, bevor irgendetwas bezahlt wird, über alle laufenden Kampagnen, alle archivierten und die Kontaktdatenbank hinweg, nicht nur über den letzten Export.

Beim ersten Mal ist das langsame Arbeit. Filter aus Seeds zu ernten, Zehntausende Zeilen zu screenen und Websites zu prüfen kostet echte Stunden, und es muss neu gebaut werden, wenn sich das Wunschkundenprofil verschiebt. Ich sage das offen, weil die Alternative, ein Export in fünf Minuten, genau der Weg ist, auf dem die meisten Listen kaputtgehen.

Gibt es einen Filter, den du behalten solltest?

Einen. In einem Video vom 16. Juli 2026 nennt Nowoslawski als seinen Standard für den ersten Zugriff 1 Prozent Mitarbeiterwachstum in den letzten 6 Monaten, zusätzlich zu den normalen Filtern des Kunden. Seine Begründung: Jedes TAM teilt sich in Firmen, die wachsen wollen, und Firmen, die den Status quo halten, und Wachstum bedeutet neue Probleme, für deren Lösung man Geld ausgibt. Den Effekt beziffert er mit 30 bis 50 Prozent auf die Quote positiver Antworten, und er sagt ausdrücklich, dass der Filter still im Hintergrund benutzt und nie im Text erwähnt wird.

Ich nutze für eine erste Kampagne aus demselben Grund einen Wachstumsfilter, und ich erwähne ihn nie in einer Mail. Jemandem zu schreiben, dass dir aufgefallen ist, dass er einstellt, liest sich nach Überwachung, nicht nach Relevanz.

Darüber hinaus halten ein paar Praktiken stand:

• Mehrere Dimensionen kombinieren. Zeliq empfiehlt, Branchencode mit Größenklasse, Rechtsform und Region zu kombinieren statt isoliert auf die Branche zu filtern.
• Signale über die Passung legen. Unify beschreibt den firmografischen Filter als Antwort darauf, wer kaufen könnte, während Intent- und Verhaltenssignale zeigen, wer jetzt bereit ist.
• Ein negatives Wunschkundenprofil aufschreiben. ZoomInfo rät, Ausschlusskriterien genauso sauber zu dokumentieren wie Einschlusskriterien, damit Listen keine Kapazität an Accounts verbrennen, die zwar zum Filter passen, aber nie abschließen.

Dass sich Präzision auszahlt, ist dokumentiert. LinkedIn-Forschung, berichtet von CXL (2025), hat ergeben, dass Kampagnen mit klar definiertem Wunschkundenprofil 68 Prozent mehr ROI erzielen als breites Targeting allein über die Branche. Präzision in der Liste heißt außerdem, dass du weniger Volumen brauchst, um dieselbe Zahl Termine zu erreichen. Das zählt, denn ein aufgewärmtes Postfach verträgt nur etwa 20 bis 50 Kalt-E-Mails pro Tag.

Woran erkennst du, dass deine eigene Liste falsch gebaut wurde?

Öffne 20 zufällige Zeilen und lies die echten Websites. Zähl, an wie viele davon du wirklich verkaufen würdest. Liegst du unter etwa 15, ist die Liste ein Filterartefakt und kein Markt.

Danach läuft der Rest der Prüfung:

• Kategorie oder Beispiele? Wenn vor dem Listenaufbau nie jemand in die gewonnenen Deals geschaut hat, war die Zielgruppe eine Vermutung im Filterkostüm.
• Jeden Monat dieselben Namen? Wiederkehrende Firmen über aufeinanderfolgende Exporte hinweg heißen, dass der Filter leergefegt ist und nur noch seinen eigenen Bodensatz zurückgibt.
• Wofür wurde zuerst bezahlt? Wenn Kontakt-Credits ausgegeben wurden, bevor irgendetwas die Firma geprüft hat, lief die Ausgabe in der falschen Reihenfolge. Firmenprüfung ist günstig, Kontaktanreicherung nicht.
• Wann läuft der Ausschluss? Läuft er nach der Anreicherung, zahlst du bei jeder Rechnung einen Teil für Menschen, die nie kontaktiert worden wären.
• Geht jede Adresse durch einen externen Verifier? Der Confidence Score eines Finders ist ein Hinweis, nie das Tor.

Nichts davon ist exotisch, und die Branche weiß, dass es zählt. SalesHive berichtet, dass in einer Umfrage aus 2024 67 Prozent der B2B-Marketer Datenkonformität und Datenqualität als oberste Priorität nannten. Es zu wissen und es zu prüfen sind zwei verschiedene Dinge.

Wenn die Liste alle fünf Prüfungen besteht und die Antworten trotzdem dünn bleiben, hat sich das Problem verschoben. Meistens ist das der Punkt, an dem das Angebot mehr zählt als der Text.

Wann lohnt es sich nicht, die Branchenfilter zu reparieren?

Wenn der qualifizierte Pool zu klein ist, um die Zahl an Terminen zu tragen, die die Kampagne liefern muss. Dann ist der ehrliche Schritt, den Markt zu erweitern oder das Versprechen zu ändern, nicht härter in eine dünne Liste zu senden.

Ich prüfe die Poolgröße gegen das Versprechen, bevor eine Kampagne startet. Eine Kampagne, die eine bestimmte Zahl Termine bringen soll, braucht ein paar tausend qualifizierte Firmen im Rücken, weil Antwortquote und Terminquote Bruchteile von Bruchteilen sind. Abdeckung ist eine wirtschaftliche Grenze, keine Feinheit.

Volumen zählt auch bei einem perfekten TAM. Forschung des Ehrenberg-Bass Institute, zusammengefasst von Unify (2025), beziffert den Anteil der aktuell kaufbereiten B2B-Käufer auf rund 5 Prozent zu jedem Zeitpunkt. Der breitere Punkt von Professor John Dawes: Nur ein kleiner Teil eines über die Branche definierten Universums kauft gerade jetzt, und genau deshalb können Filter allein dir nicht sagen, wen du priorisieren sollst.

Eine dünne Liste mit grenzwertig passenden Accounts aufzufüllen löst es auch nicht. Cognisms Käuferforschung aus 2024, zitiert von The Starr Conspiracy (2025), zeigt, dass Verkaufszyklen bei Firmen außerhalb eines definierten Wunschkundenprofils 30 bis 40 Prozent länger laufen als bei passenden Deals. Du kaufst Volumen und bezahlst es in Zykluslänge.

Wenn du nicht sicher bist, ob deine Engstelle die Poolgröße oder die Konversion ist, prüf zuerst, welcher Anteil der positiven Antworten zu Terminen wird. Dieses Verhältnis zeigt dir, an welchem Ende des Funnels es leckt.

Wie geht es weiter, wenn dein TAM auf den falschen Filtern steht?

Die Firmenliste entscheidet mehr über dein Outbound-Ergebnis als der Text, und Branchenfilter allein sind ein schwaches Mittel, um sie zu definieren. Das Feld beschreibt, an wen eine Firma verkauft, die Daten veralten schnell, und ein enger Filter gibt irgendwann Monat für Monat dieselben Firmen zurück. Die Korrektur: von bewiesenen Treffern ausgehen, die echten Filter aus diesen Seeds ernten, bewusst zu viel ziehen und hart qualifizieren, bevor du für Kontakte zahlst.

Wenn du willst, dass jemand prüft, wie deine aktuelle Liste gebaut wurde, und sie richtig neu aufsetzt statt sie zu flicken, buch dir einen Growth Mapping Call und wir schauen gemeinsam drauf. Mehr dazu, wie ich arbeite, steht auf der Über-Seite.

Häufige Fragen

Warum verfehlen Branchenfilter den Großteil des TAM?

Weil das selbst angegebene Branchenfeld einer Firma beschreibt, an wen sie verkauft, nicht was sie herstellt oder anbietet. Ein Softwareanbieter für Immobilienmakler trägt sich zum Beispiel unter Immobilien ein und fällt bei einem Filter auf Software raus. Dazu veraltet die Einordnung, weil sie fast nie aktualisiert wird.

Was ist Seed and Expand bei der Firmenliste?

Ein Ansatz, bei dem bewiesene Treffer wie gewonnene Deals als Seeds dienen, um daraus die echten Branchen und Keywords zu ernten, unter denen diese Firmen geführt werden. Anschließend wird bewusst zu viel gezogen und per KI hart nachqualifiziert, bevor Kontaktdaten bezahlt werden.

Wie groß ist der Unterschied zwischen gefilterten und Lookalike-Listen in der Praxis?

In einem Kampagnenvergleich auf einem Kundenaccount brachte dieselbe E-Mail an eine Lookalike-Liste 9 interessierte Antworten gegenüber 3 bei einer über Branchenfilter gebauten Liste, bei kleineren Stichproben aber ähnlichem Markt. Das entspricht etwa einer fünffach besseren Quote bei identischem Text.

Welcher einzelne Filter lohnt sich laut dem Artikel trotzdem?

Ein Filter auf etwa 1 Prozent Mitarbeiterwachstum in den letzten 6 Monaten, laut Eric Nowoslawski (16. Juli 2026). Er begründet das damit, dass wachsende Firmen neue Probleme bekommen, für deren Lösung sie Geld ausgeben, und beziffert den Effekt auf 30 bis 50 Prozent mehr positive Antworten, wenn der Filter nie im Text erwähnt wird.

Wie erkennst du, ob deine eigene Liste ein Filterartefakt ist?

Öffne 20 zufällige Zeilen und lies die echten Websites. Liegt die Zahl der Firmen, an die du wirklich verkaufen würdest, unter etwa 15, ist die Liste ein Filterartefakt und kein echter Markt, besonders wenn Exporte Monat für Monat dieselben Namen zurückgeben.

Wann lohnt es sich nicht, die Branchenfilter zu reparieren?

Wenn der qualifizierte Pool zu klein ist, um die geforderte Zahl an Terminen zu tragen. Laut Ehrenberg-Bass Institute über Unify (2025) ist zu jedem Zeitpunkt nur rund 5 Prozent eines B2B-Marktes kaufbereit, deshalb braucht eine Kampagne eine ausreichend große Grundgesamtheit statt einer präzisen, aber zu dünnen Liste.

Welche Rolle spielt Datenqualität bei Firmenlisten generell?

Eine große Rolle, aber sie wird oft falsch priorisiert. Laut SalesHive nannten 2024 in einer Umfrage 67 Prozent der B2B-Marketer Datenkonformität und Datenqualität als oberste Priorität, doch die meisten geben trotzdem zuerst für Kontaktanreicherung aus statt zuerst die Firma zu prüfen.