Kontoscoring: sådan bygger du en B2B-model, der virker

Lead scoring blev bygget til en verden, hvor én person fandt dig, downloadede noget og til sidst talte med salg. Sådan fungerer B2B-deals ikke længere. Forresters research fra 2024 viste, at der i gennemsnit er 13 personer involveret i en købsbeslutning. Når du scorer hver af dem separat, får du 13 lunkne leads i stedet for én varm account. Account-scoring løser det ved at samle alle signaler på den virksomhed, der rent faktisk skal underskrive kontrakten.

Dette indlæg forklarer, hvordan du bygger en kontoscoringsmodel, som salg har tillid til: hvad der indgår i den, hvorfor fit og engagement aldrig bør lægges sammen, hvordan du tæller bredden i købskomitéen, og et gennemregnet eksempel, du kan tilpasse.

Account scoring vs. lead scoring

Forskellen er enheden, og den ændrer næsten alt længere nede i kæden.

• Lead scoring vurderer én person. Det belønner personens egen adfærd: åbnede e-mails, downloadet materiale, sete sider. Det er godt til at afgøre, hvornår en kendt kontakt er klar til et opkald.
• Kontoscoring vurderer én virksomhed. Den samler adfærd på tværs af alle fra den virksomhed, identificerede eller ej, og kombinerer den med, hvor godt virksomheden passer til din ideelle kundeprofil. Den er god til at afgøre, hvilke virksomheder der fortjener opmærksomhed fra salg og marketing lige nu.

Du har brug for begge. Kontoscoring afgør, hvor du skal fokusere, leadscoring afgør, hvem du skal ringe til i kontoen. Hvis du kun har leadscoring i dag, så behold den: Afsnittene nedenfor viser, hvordan du ruller dens signaler op på virksomhedsniveau.

Fejlen: ét tal for fit og engagement

En almindelig model til account-scoring lægger fit-point og engagementspoint sammen til én samlet score ud af 100. Det ser pænt ud. Det giver dårlige beslutninger.

En enterprise-konto, der passer perfekt, men aldrig har besøgt dit website, og en startup, der passer dårligt, men hvis praktikant har læst tyve blogindlæg, kan ende med samme score. Salg ser to »65'ere« og aner ikke, at den ene er et strategisk mål uden intention og den anden er støj med masser af aktivitet. Det ene tal skjuler det eneste, sælgeren havde brug for at vide. Samme argument gælder for enkelte leads, belyst fra outbound-siden i denne forklaring af fit score vs. intent score.

Hold i stedet to scorer på to akser:

• Fit-score (0-100): hvor tæt virksomheden matcher din ICP. Ændrer sig langsomt. Baseret på firmografi og teknografi.
• Engagementsscore (0-100): hvor aktivt virksomheden researcher lige nu. Ændrer sig dagligt. Baseret på adfærd på websitet, intentdata og kampagnerespons, med henfald.

Handl derefter på kombinationen, ikke summen. Et enkelt skema klarer opgaven:

Dette gitter giver også marketing en klar opgave for hjørnet med højt fit og lavt engagement, som er der, hvor de fleste kontobaserede programmer bør bruge deres budget.

Hvad indgår i fit-scoren

Match kommer fra din ideelle kundeprofil, og den bør bygges ud fra dine data om vundne aftaler, ikke ud fra hvad ledelsen håber, ICP'en er. Typiske input:

• Branche (vægtet efter din vinderrate pr. vertikal)
• Antal ansatte eller omsætningsinterval
• Geografi (hvor du kan sælge, yde support og overholde reglerne)
• Tech stack (bruger en platform, du integrerer med, eller en konkurrent, du erstatter) (vores guide til at bygge en B2B-martech-stack omkring personalisering gennemgår, hvilke integrationer der betyder noget)
• Signaler om forretningsmodel (f.eks. har et salgsteam, kører betalt kundeerhvervelse, sælger B2B)

Vægt hvert input efter, hvor stærkt det adskiller vundne handler fra tabte. Hvis det meste af din vundne omsætning fx kommer fra softwarevirksomheder med 200-2.000 ansatte, fortjener de to attributter størstedelen af fit-pointene. Vores guide til at bygge en ICP til website-personalisering gennemgår analysen.

Hvad indgår i engagement-scoren

Engagement skal måle købsaktivitet, ikke generel interesse. Tre slags input betyder noget:

Dybde: hvad kontoen kiggede på

Vægt sider fra sene faser højt: priser, sammenligningssider, integrationsdokumentation, sikkerhedssider, cases fra kontoens branche. Vægt blogtrafik lavt. En virksomhed, der læser ti blogindlæg, lærer om et emne. En virksomhed, der læser priser og din SOC 2-side, evaluerer en leverandør.

Bredde: hvor mange personer der er involveret

Det er det input, lead scoring aldrig kan indfange, og efter vores mening er det det mest nyttige. To personer fra samme virksomhed på dit website i samme uge betyder, at der foregår en intern samtale. Tre personer fra forskellige funktioner betyder, at der er dannet en købergruppe. Når det typiske køb involverer mange personer (Forrester-tallet ovenfor er 13), er selv delvis indsigt i den gruppe værdifuld.

Scor bredde efter unikke besøgende, med en bonus, når du kan udlede forskellige roller (fx én besøgende, der læser teknisk dokumentation, og en anden, der læser priser).

Aktualitet: hvornår det skete

Engagement uden henfald er den næstmest almindelige modelleringsfejl. En account, der slugte dit website i marts og blev tavs, er ikke varm i oktober. Halvér engagementspoint hver 14.-30. dag afhængigt af din salgscyklus. Kortere cyklusser kræver hurtigere henfald.

Hvis du køber third-party-intentdata, så tilføj dem som et separat engagementsinput med et loft, så et emneopsving alene ikke kan skubbe en konto over i kolonnen »salg nu« uden nogen first-party-aktivitet. Vores indlæg om brug af intentdata til personalisering af websites gennemgår, hvordan du blander de to. Vores guide til udbydere af intentdata forklarer, hvordan du kører en pilot, før du stoler på en.

Hvilke signaler der viser køb, ikke bare kig

Ikke alle besøg er et købssignal. En person, der læser tre blogindlæg, researcher måske til sin egen artikel. Den nyttige skelnen går mellem first-party-signaler (hvad kontoen gør på dit website, som du selv observerer) og third-party-signaler (research om emner andre steder, rapporteret af en leverandør af intentdata, som du må tage på tro).

• First-party, stærk: pris-, sammenlignings- og alternativsider, integrations- eller API-dokumentation, sikkerheds- og compliancesider, implementerings- eller onboardingsider, cases fra kontoens egen branche. Det er evalueringssider.
• Førstepart, mønster: gentagne besøg inden for et kort tidsrum. Ét besøg om måneden er interesse; tre besøg på en uge er en vurdering. Hastighed betyder også noget: en konto, der gennemgår priser, to cases og sikkerhedssiden på to dage, bevæger sig hurtigere end en, der læser de samme sider over et kvartal.
• Tredjepart: emnestigninger, aktivitet på anmeldelsessites, rekruttering til en rolle, dit produkt betjener. Nyttigt til at spotte konti, før de besøger dig, svagere som bevis for, at de køber hos dig.
• Negativt: besøg kun på karrieresiden, konkurrentdomæner, studerende og regioner uden for markedet. Uden fradrag kan en konkurrent, der studerer dit website, udløse en salgsadvarsel.

Eksempler på engagementvægte, i overensstemmelse med det gennemregnede eksempel nedenfor. Betragt dem som et udgangspunkt til backtest, ikke en benchmark:

To regler holder engagementsscoren ærlig. Sæt et loft på omkring 10 point for enhver enkelt formularudfyldning eller download, så ét spærret materiale ikke alene kan skubbe en konto til "salg nu". Og brug kun henfald på engagement, aldrig på fit: en virksomhed holder ikke op med at matche din ICP, fordi den er blevet stille.

Gennemregnet eksempel: tre konti, én uge

En illustrativ model anvendt på tre fiktive konti. Vægtene er opfundet til eksemplet; dine bør komme fra dine egne data om vundne deals.

Fit-vægte: målbranche 35, medarbejderinterval 30, integrerer med dit CRM 20, målregion 15.

Vægte for engagement: visning af prissiden 15, sammenlignings- eller sikkerhedsside 15, branchecase 10, hver ekstra unik besøgende 10 (maks. 30), blogvisning 2 (maks. 10), intent-stigning 10. Point halveres hver 21. dag.

Tjek regnestykket på første række: priser 15, sikkerhedssiden 15, case 10 og tre ekstra besøgende á 10 giver 70. Lagt sammen til én samlet score ud af 200 ville fintech-virksomheden lande på 88, en sikker andenplads, og en sælger kunne sagtens kalde den et varmt lead. På to akser er billedet tydeligere: stærkt fit, men ingen der evaluerer endnu. Den hører hjemme på mållisten til outbound og personaliseret indhold. Bureauet er ikke en SDR's eftermiddag værd.

Sådan bruger du account-scores på dit website

Scores bliver normalt betragtet som et salgsværktøj, men de er lige så nyttige til at bestemme, hvad websitet viser. Et par regler, der følger af skemaet:

• Højt fit, lavt engagement: vis branchespecifikke beviser og en CTA med lav forpligtelse (benchmarkrapport, ROI-beregner). Målet er at gøre sig fortjent til et besøg mere.
• Højt fit, højt engagement: Erstat indholds-CTA'er med et direkte tilbud om et møde, og nævn kontoens branche i hero-sektionen.
• Lavt fit, højt engagement: send til en selvbetjent vej eller en lettere plan i stedet for en salgsdemo.

Markettailors funktioner til account-based marketing anvender regler som disse på siden: Når en virksomhed er identificeret, afgør dens niveau for fit og engagement, hvilken hero, hvilke beviser og hvilken CTA den ser.

Automatisering af overdragelsen til salg

En score, som ingen handler på, er pynt. Overdragelsen kræver tre ting, der er defineret på skrift og bygget ind i dit CRM eller din marketing automation:

1. Tærskler. Brug gitteret, ikke ét enkelt skæringspunkt. »Til salg nu« er cellen med højt match og højt engagement; cellen med middel match og højt engagement går til en SDR, der kvalificerer først. Tjek skæringspunkterne mod backtesten hvert kvartal, for fordelingen af engagement flytter sig, efterhånden som dit indhold vokser.
2. Routing. Hvis kontoen har en ejer i CRM, så send til ejeren. Hvis ikke, så route efter område eller segment, og brug kun fordeling på skift som sidste trin. En alert i en delt indbakke er en alert, som ingen ejer. Vores guide til routing af leads fra websitet gennemgår matching af leads med konti før tildeling.
3. SLA. Aftal en svartid pr. tier, fx samme arbejdsdag for »salg nu« og inden for en uge for SDR-kvalificering, og rapportér på den. Konti bevæger sig ud af købsvinduet, mens advarsler venter.

Hver alarm skal have sine begrundelser med: virksomhed og fit-attributter, scoren med de vigtigste bidragende signaler ("3 besøgende denne uge, priser to gange, sikkerhedsside"), siderne besøgt de sidste syv dage sorteret efter intent, kendte kontakter og en foreslået vinkel baseret på det, accounten har læst. En sælger, der kan se, hvorfor en account er varm, ringer til den; en sælger, der kun ser "82", gør ikke.

Sådan kalibrerer du modellen

En scoringsmodel er en hypotese. Test den mod historikken, før salg begynder at stole på den.

1. Eksportér de seneste 12 måneders vundne og tabte salgsmuligheder med kontoens fit-egenskaber.
2. Scor hver konto, som den ville have set ud 30 dage før salgsmuligheden blev oprettet.
3. Tjek, at lukket vundne konti samler sig i hjørnet med højt fit og højt engagement. Gør de ikke det, er dine vægte forkerte.
4. Se på de konti i »salg nu«, der aldrig blev til salgsmuligheder. Det er dine falske positiver. Find det input, der skubbede dem op, og reducér dets vægt.
5. Kør backtesten igen hvert kvartal. ICP'er flytter sig, efterhånden som produktet ændrer sig.

Hvis du vil have et regneark at starte fra til vægte og tærskler, bruger vores skabelon til lead scoring-model den samme struktur med fit og adfærd og fungerer på kontoniveau med små ændringer.

Fire fejl, der får salg til at ignorere scoren

At score hele databasen. At score 40.000 konti giver en lang hale af meningsløse 12'ere og 17'ere. Scor de konti, der klarer en minimumsgrænse for fit, og lad resten være uscorede. En mindre, renere liste bliver brugt.

At skjule årsagerne. En score på 82 fortæller ikke en sælger noget om, hvad de skal sige. Hver score bør komme med de tre vigtigste bidragende signaler (»3 besøgende i denne uge, priser set to gange, bruger HubSpot«). Sælgere stoler på det, de selv kan forklare.

At tælle eksisterende kunder som prospects. En kundes medarbejdere, der læser din dokumentation, vil få engagementsscoren til at lyse op hver uge. Send kundekonti til en separat model for ekspansion eller kundesundhed, ellers fortrænger de nyt salg. Send dem i stedet videre til en kundeoplevelse; se personalisering til fastholdelse og reduktion af churn.

Aldrig at udfase et input. Inputs bliver tilføjet efter hver kvartalsvise gennemgang og næsten aldrig fjernet. Efter et år har modellen 30 inputs, hvoraf halvdelen er overflødige. Når du tilføjer et input, så fjern et, og hold det samlede antal under et dusin.

Start i det små

Du behøver ikke en prædiktiv model for at begynde. Fire fit-egenskaber, fem engagementsinput, henfald og et gitter med to akser er et bedre udgangspunkt end en model med ét tal. Byg det i et regneark, backtest det, og flyt det så ind i dit CRM eller din personaliseringsplatform, når salg er enige i, at de 20 øverste konti ser rigtige ud.

Book en gennemgang via vores prisside for at se, hvordan fit- og engagementniveauer kan styre, hvad hver konto ser på dit website.