diff --git a/SKILL.md b/SKILL.md
index bfed748..840260b 100644
--- a/SKILL.md
+++ b/SKILL.md
@@ -136,7 +136,7 @@ Prüfe vor Übergabe an den Kunden:
 
 **Content-Skill**: Alle 10 Hook-Typen mit kundenspezifischen Beispielen, Säulen summieren auf 100%, keine Engagement-Bait-Phrasen.
 
-**Scoring**: Jede Kategorie mit Begründung, gewichtete Summe korrekt berechnet, ≥3 Hebel identifiziert.
+**Scoring**: Jede Kategorie mit Begründung, gewichtete Summe korrekt berechnet, ≥3 Hebel identifiziert. Keine Kategorie geschätzt, für die Daten fehlten; nicht erhobene Kategorien sind gekennzeichnet und der Gesamtscore ist dann eine Spanne (`references/SCORING.md`).
 
 **Report**: DOCX erzeugt, als ZIP lesbar (`unzip -l` listet `word/document.xml`), alle 9 Kapitel vorhanden, jede Tabelle hat einen erklärenden Textabsatz darunter, keine Scoring-Kategorie ohne Begründung.
 
diff --git a/references/PHASE-2-scoring.md b/references/PHASE-2-scoring.md
index 134d321..0faa679 100644
--- a/references/PHASE-2-scoring.md
+++ b/references/PHASE-2-scoring.md
@@ -21,6 +21,9 @@ Bewerte das Profil in 10 gewichteten Kategorien (jede 0–10, multipliziert mit
 
 Dokumentiere für jeden Score die Begründung anhand der Sub-Kriterien aus SCORING.md.
 
+Fehlen für eine Kategorie die Daten, wird sie nicht geschätzt: Regel und Spannenrechnung stehen in
+`references/SCORING.md` unter „Nicht erhobene Kategorien“.
+
 ### 2.2 Gap-Analyse
 
 Identifiziere die 3 größten Score-Hebel in einer Prioritäts-Matrix (Impact × Aufwand):
diff --git a/references/PHASE-8-report.md b/references/PHASE-8-report.md
index 2285764..47255f4 100644
--- a/references/PHASE-8-report.md
+++ b/references/PHASE-8-report.md
@@ -17,7 +17,7 @@ Der Analyse-Report wird immer als professionelles Word-Dokument (.docx) geliefer
 1. Lies `scripts/generate_report.js` mit dem view-Tool
 2. Kopiere es unter dem Namen `generate_report.js` in das Arbeitsverzeichnis und installiere dort das Paket `docx` mit `npm install docx`
 3. Ersetze die Platzhalter-Daten durch die erhobenen Kundendaten:
-   - `scoring`-Array: Alle 10 Kategorien mit Roh-Score, Gewichtung, Begründung
+   - `scoring`-Array: Alle 10 Kategorien mit Roh-Score, Gewichtung, Begründung; eine nicht erhobene Kategorie mit `raw: null, weighted: null, pct: null` und einer Begründung, welche Daten fehlten (`references/SCORING.md`)
    - `posts`-Array: Content-Aktivitäten aus Phase 1 (Schritt 2)
    - Profil-Metadaten: Name, Position, Unternehmen, Standort, Follower, Connections
    - Headline-Varianten: Aus Phase 4.1
diff --git a/references/SCORING.md b/references/SCORING.md
index 520121b..e3f81e8 100644
--- a/references/SCORING.md
+++ b/references/SCORING.md
@@ -351,6 +351,38 @@ Die zehn Namen oben sind verbindlich. Dieselbe Schreibweise gilt in SKILL.md, in
 `scripts/generate_report.js`, auf der Landingpage und im Report. `LinkedInOptimizer/tests/run_eval.py` im Repo
 vergleicht die vier Stellen bei jedem CI-Lauf und fällt bei Abweichung aus.
 
+### Nicht erhobene Kategorien
+
+Eine Kategorie, für die keine Daten vorliegen, bekommt keinen geschätzten Score und auch keine 0.
+Beides wäre eine Zahl ohne Befund: die 0 behauptet „fehlt“, wo nur „nicht gesehen“ zutrifft, und
+ein Schätzwert sieht im Report genauso belastbar aus wie ein erhobener.
+
+Reihenfolge, bevor eine Kategorie als nicht erhoben gilt:
+
+1. Erhebung nach Phase 1 vollständig versuchen (eingeloggt, Activity-Seite gescrollt, About
+   aufgeklappt).
+2. Den Kunden fragen. Viele Werte kennt er selbst: Kommentar-Aktivität bei anderen, Wachstum,
+   Empfehlungen, Newsletter.
+3. Erst wenn beides nichts liefert: Kategorie als **nicht erhoben** führen, mit einem Satz, was
+   gefehlt hat.
+
+Der Gesamtscore wird dann als Spanne angegeben:
+
+```
+Untergrenze = Σ gewichtete Punkte der erhobenen Kategorien
+Obergrenze  = Untergrenze + Σ Maximalbeitrag der nicht erhobenen Kategorien
+
+Beispiel: Engagement & Kommentare (max. 15.0) nicht erhoben,
+alle anderen wie oben → 70.0 − 10.5 = 59.5
+GESAMT: 59.5–74.5/100, 9 von 10 Kategorien erhoben
+```
+
+Die Bewertungsstufe richtet sich nach der Untergrenze und wird als solche gekennzeichnet. Eine
+Kategorie, die nur teilweise erhoben ist, wird mit den Sub-Kriterien bewertet, die sich prüfen
+ließen, und die Begründung nennt die übrigen. Top Voice Readiness fasst andere Kategorien
+zusammen und gilt als nicht erhoben, wenn keines ihrer Sub-Kriterien beobachtbar war.
+Im Report-Template steht eine nicht erhobene Kategorie mit `raw: null, weighted: null`.
+
 ### Eval-Set
 
 Das Eval-Set liegt im Repo unter `tests/` und ist nicht Teil des ausgelieferten Skill-Pakets.
diff --git a/scripts/generate_report.js b/scripts/generate_report.js
index 4162efe..f2a0a86 100644
--- a/scripts/generate_report.js
+++ b/scripts/generate_report.js
@@ -46,6 +46,8 @@ const PROFILE = {
 };
 
 // Scoring: cat, raw (0-10), w, weighted (raw*w), max (w*10), pct, color, reason
+// Nicht erhobene Kategorie (references/SCORING.md): raw: null, weighted: null, pct: null,
+// reason nennt, welche Daten gefehlt haben. Der Gesamtscore wird dann als Spanne ausgegeben.
 const scoring = [
   { cat: "Headline",         raw: 5, w: 1.2, weighted: 6.0,  max: 12, pct: 50, color: YELLOW, reason: "[Begründung]" },
   { cat: "About-Sektion",    raw: 5, w: 1.2, weighted: 6.0,  max: 12, pct: 50, color: YELLOW, reason: "[Begründung]" },
@@ -58,7 +60,12 @@ const scoring = [
   { cat: "Profil-Vollständigkeit", raw: 5, w: 0.7, weighted: 3.5,  max: 7,  pct: 50, color: YELLOW, reason: "[Begründung]" },
   { cat: "Top Voice Readiness", raw: 5, w: 0.5, weighted: 2.5,  max: 5,  pct: 50, color: YELLOW, reason: "[Begründung]" },
 ];
-const totalScore = scoring.reduce((s, d) => s + d.weighted, 0);
+const offen = scoring.filter(d => d.raw === null);
+// Untergrenze: Summe der erhobenen Kategorien. Obergrenze: plus Maximalbeitrag der nicht erhobenen.
+const totalScore = scoring.reduce((s, d) => s + (d.raw === null ? 0 : d.weighted), 0);
+const totalMax = totalScore + offen.reduce((s, d) => s + d.max, 0);
+const scoreText = offen.length ? `${totalScore.toFixed(1)}-${totalMax.toFixed(1)}` : totalScore.toFixed(1);
+const nichtErhoben = (d) => d.raw === null;
 
 const posts = [
   { time: "[Zeitpunkt]", reactions: 0, comments: 0 },
@@ -160,7 +167,7 @@ const LIMITS = [
 // Keine Namen, Firmen oder profilspezifischen Texte im Code unten.
 // ══════════════════════════════════════════════════════════════════
 
-const SL = scoreLabel(totalScore);
+const SL = scoreLabel(totalScore) + (offen.length ? " (Untergrenze)" : "");
 const SC = scoreColor(totalScore);
 
 const doc = new Document({
@@ -187,7 +194,7 @@ const doc = new Document({
       p(PROFILE.location, { align: AlignmentType.CENTER, color: GRAY, after: 300 }),
       new Table({ width: { size: 5000, type: WidthType.DXA }, columnWidths: [5000], alignment: AlignmentType.CENTER, rows: [new TableRow({ children: [new TableCell({ borders: { top: { style: BorderStyle.SINGLE, size: 4, color: BLUE }, bottom: { style: BorderStyle.SINGLE, size: 4, color: BLUE }, left: { style: BorderStyle.SINGLE, size: 4, color: BLUE }, right: { style: BorderStyle.SINGLE, size: 4, color: BLUE } }, width: { size: 5000, type: WidthType.DXA }, margins: { top: 200, bottom: 200, left: 200, right: 200 }, children: [
         new Paragraph({ alignment: AlignmentType.CENTER, spacing: { after: 40 }, children: [new TextRun({ text: "GESAMTSCORE", size: 20, font: "Arial", color: GRAY, bold: true })] }),
-        new Paragraph({ alignment: AlignmentType.CENTER, spacing: { after: 40 }, children: [new TextRun({ text: `${totalScore.toFixed(1)} / 100`, size: 52, font: "Arial", color: BLUE, bold: true })] }),
+        new Paragraph({ alignment: AlignmentType.CENTER, spacing: { after: 40 }, children: [new TextRun({ text: `${scoreText} / 100`, size: 52, font: "Arial", color: BLUE, bold: true })] }),
         new Paragraph({ alignment: AlignmentType.CENTER, children: [new TextRun({ text: `Bewertung: ${SL}`, size: 22, font: "Arial", color: SC, bold: true })] }),
       ] })] })] }),
       emptyLine(), emptyLine(),
@@ -208,20 +215,21 @@ const doc = new Document({
       new Table({ width: { size: TABLE_W, type: WidthType.DXA }, columnWidths: [2600, 800, 900, 1100, 800, 800, 2360], rows: [
         new TableRow({ children: [hCell("Kategorie", 2600), hCell("Roh", 800), hCell("Gew.", 900), hCell("Punkte", 1100), hCell("Max", 800), hCell("%", 800), hCell("Bewertung", 2360)] }),
         ...scoring.map(s => new TableRow({ children: [
-          dCell(s.cat, 2600, { bold: true }), dCell(`${s.raw}/10`, 800, { align: AlignmentType.CENTER }), dCell(`x${s.w}`, 900, { align: AlignmentType.CENTER, color: GRAY }),
-          dCell(s.weighted.toFixed(1), 1100, { align: AlignmentType.CENTER, bold: true, color: s.color }), dCell(String(s.max), 800, { align: AlignmentType.CENTER, color: GRAY }),
-          dCell(`${s.pct}%`, 800, { align: AlignmentType.CENTER, color: s.color, bold: true }), dCell(s.pct >= 70 ? "Gut" : s.pct >= 50 ? "Ausbaufähig" : "Kritisch", 2360, { color: s.color }),
+          dCell(s.cat, 2600, { bold: true }), dCell(nichtErhoben(s) ? "n. e." : `${s.raw}/10`, 800, { align: AlignmentType.CENTER }), dCell(`x${s.w}`, 900, { align: AlignmentType.CENTER, color: GRAY }),
+          dCell(nichtErhoben(s) ? "n. e." : s.weighted.toFixed(1), 1100, { align: AlignmentType.CENTER, bold: true, color: nichtErhoben(s) ? GRAY : s.color }), dCell(String(s.max), 800, { align: AlignmentType.CENTER, color: GRAY }),
+          dCell(nichtErhoben(s) ? "-" : `${s.pct}%`, 800, { align: AlignmentType.CENTER, color: nichtErhoben(s) ? GRAY : s.color, bold: true }), dCell(nichtErhoben(s) ? "Nicht erhoben" : s.pct >= 70 ? "Gut" : s.pct >= 50 ? "Ausbaufähig" : "Kritisch", 2360, { color: nichtErhoben(s) ? GRAY : s.color }),
         ] })),
         new TableRow({ children: [ dCell("GESAMT", 2600, { bold: true, fill: LIGHTBLUE }), dCell("", 800, { fill: LIGHTBLUE }), dCell("", 900, { fill: LIGHTBLUE }),
-          dCell(totalScore.toFixed(1), 1100, { align: AlignmentType.CENTER, bold: true, color: BLUE, fill: LIGHTBLUE }), dCell("100", 800, { align: AlignmentType.CENTER, color: GRAY, fill: LIGHTBLUE }),
-          dCell(`${Math.round(totalScore)}%`, 800, { align: AlignmentType.CENTER, bold: true, color: BLUE, fill: LIGHTBLUE }), dCell(SL, 2360, { bold: true, color: SC, fill: LIGHTBLUE }) ] }),
+          dCell(scoreText, 1100, { align: AlignmentType.CENTER, bold: true, color: BLUE, fill: LIGHTBLUE }), dCell("100", 800, { align: AlignmentType.CENTER, color: GRAY, fill: LIGHTBLUE }),
+          dCell(offen.length ? `${Math.round(totalScore)}-${Math.round(totalMax)}%` : `${Math.round(totalScore)}%`, 800, { align: AlignmentType.CENTER, bold: true, color: BLUE, fill: LIGHTBLUE }), dCell(SL, 2360, { bold: true, color: SC, fill: LIGHTBLUE }) ] }),
       ] }),
       emptyLine(), p("Spalte 'Roh' = ungewichteter Score (0-10). 'Gew.' = Multiplikator. 'Punkte' = Roh x Gew. Rot <40%, Gelb 40-69%, Grün ab 70%.", { color: GRAY }),
+      ...(offen.length ? [p(`Nicht erhoben (n. e.): ${offen.map(d => d.cat).join(", ")}. Für diese Kategorien lagen keine Daten vor; sie sind weder geschätzt noch mit 0 bewertet. Der Gesamtscore ist deshalb eine Spanne: Untergrenze ohne diese Kategorien, Obergrenze mit ihrem Maximalbeitrag. ${scoring.length - offen.length} von ${scoring.length} Kategorien erhoben.`, { color: GRAY })] : []),
 
       // ═══ 3. DETAILANALYSE ═══
       pageBreak(), h1("3. Detailanalyse je Kategorie"),
       p("Jede Kategorie wird einzeln begründet. Die Bewertung stützt sich auf die Sub-Kriterien aus der Scoring-Matrix und die via Chrome erhobenen Profildaten."),
-      ...scoring.flatMap((s, i) => [h2(`3.${i + 1} ${s.cat} — ${s.weighted.toFixed(1)}/${s.max} Punkte (${s.pct}%)`), p(s.reason)]),
+      ...scoring.flatMap((s, i) => [h2(nichtErhoben(s) ? `3.${i + 1} ${s.cat} — nicht erhoben` : `3.${i + 1} ${s.cat} — ${s.weighted.toFixed(1)}/${s.max} Punkte (${s.pct}%)`), p(s.reason)]),
 
       // ═══ 4. CONTENT ═══
       pageBreak(), h1("4. Content-Aktivität"),
diff --git a/tests/run_eval.py b/tests/run_eval.py
index 30198e2..b0d9ef4 100644
--- a/tests/run_eval.py
+++ b/tests/run_eval.py
@@ -9,7 +9,8 @@
 Ohne --result prueft der Runner den Referenzlauf, der im Fixture mitliegt. Mit
 --result prueft er das Ergebnis eines echten Laufs gegen dieselben Baender. Die
 Ergebnisdatei ist ein JSON-Objekt mit einem Feld "kategorien" (Kategoriename auf
-Rohscore 0 bis 10) und optional "gesamt".
+Rohscore 0 bis 10, oder null fuer eine nicht erhobene Kategorie) und optional
+"gesamt" (Zahl, bei nicht erhobenen Kategorien die Spanne [Untergrenze, Obergrenze]).
 
 Was geprueft wird:
 
@@ -478,7 +479,13 @@ def pruefe_fixture(fehler, scoring, modell, name, ergebnis=None):
         return None
 
     gesamt = 0.0
+    offen = 0.0
     for kategorie, wert in kategorien.items():
+        # null = nicht erhoben (references/SCORING.md). Erlaubt nur in einem echten Lauf,
+        # der Referenzlauf eines Fixtures muss vollstaendig sein, sonst prueft er nichts.
+        if wert is None and ergebnis is not None:
+            offen += modell[kategorie]
+            continue
         if not isinstance(wert, int) or not 0 <= wert <= 10:
             fehler.append(f"{kennung}: {kategorie} hat den Wert {wert!r}, erlaubt sind 0 bis 10.")
             continue
@@ -489,16 +496,35 @@ def pruefe_fixture(fehler, scoring, modell, name, ergebnis=None):
                 f"{kennung}: {kategorie} liegt bei {wert}, erwartet war {unten} bis {oben}."
             )
     gesamt = round(gesamt, 1)
+    obergrenze = round(gesamt + offen, 1)
 
     gemeldet = lauf.get("gesamt")
-    if gemeldet is not None and round(float(gemeldet), 1) != gesamt:
+    if offen:
+        # Mit nicht erhobenen Kategorien ist der Gesamtscore eine Spanne [Untergrenze, Obergrenze].
+        if gemeldet is not None and (
+            not isinstance(gemeldet, list) or len(gemeldet) != 2
+            or [round(float(g), 1) for g in gemeldet] != [gesamt, obergrenze]
+        ):
+            fehler.append(
+                f"{kennung}: gemeldeter Gesamtscore {gemeldet}, mit nicht erhobenen Kategorien "
+                f"ergibt sich die Spanne [{gesamt}, {obergrenze}]."
+            )
+    elif gemeldet is not None and (
+        isinstance(gemeldet, list) or round(float(gemeldet), 1) != gesamt
+    ):
         fehler.append(
             f"{kennung}: gemeldeter Gesamtscore {gemeldet}, aus den Rohscores "
             f"nachgerechnet ergibt sich {gesamt}."
         )
 
     unten, oben = erwartet["gesamt"]
-    if not unten <= gesamt <= oben:
+    if offen:
+        if obergrenze < unten or gesamt > oben:
+            fehler.append(
+                f"{kennung}: Gesamtscore-Spanne {gesamt} bis {obergrenze} beruehrt das "
+                f"erwartete Band {unten} bis {oben} nicht."
+            )
+    elif not unten <= gesamt <= oben:
         fehler.append(f"{kennung}: Gesamtscore {gesamt}, erwartet war {unten} bis {oben}.")
 
     if ergebnis is None:
@@ -551,7 +577,7 @@ def pruefe_fixture(fehler, scoring, modell, name, ergebnis=None):
         if "erfunden" not in fixture.get("herkunft", ""):
             fehler.append(f"{kennung}: das Feld herkunft muss die Fixture als erfunden ausweisen.")
 
-    return gesamt
+    return f"{gesamt} bis {obergrenze}" if offen else gesamt
 
 
 def pruefe_landing(fehler, seite):