Accountscoring: zo bouw je een B2B-model dat werkt

Leadscoring is gebouwd voor een wereld waarin één persoon je vond, iets downloadde en uiteindelijk met sales sprak. Zo werken B2B-deals niet meer. Onderzoek van Forrester uit 2024 liet zien dat er gemiddeld 13 mensen bij een aankoopbeslissing betrokken zijn. Als je elk van hen apart scoort, krijg je dertien lauwe leads in plaats van één heet account. Accountscoring lost dat op door elk signaal op te tellen bij het bedrijf dat het contract uiteindelijk tekent.

Dit artikel legt uit hoe je een accountscoringsmodel bouwt dat sales vertrouwt: wat erin gaat, waarom fit en engagement nooit bij elkaar opgeteld mogen worden, hoe je de breedte van het inkoopcomité telt, en een uitgewerkt voorbeeld dat je kunt aanpassen.

Account scoring vs lead scoring

Het verschil zit in de eenheid, en dat verandert vrijwel alles wat erna komt.

• Lead scoring beoordeelt één persoon. Het beloont het eigen gedrag van die persoon: geopende e-mails, gedownloade content, bekeken pagina's. Het is goed in bepalen wanneer een bekend contact klaar is voor een gesprek.
• Accountscoring beoordeelt één bedrijf. Het telt het gedrag op van iedereen bij dat bedrijf, geïdentificeerd of niet, en combineert dat met hoe goed het bedrijf bij je ideale klantprofiel past. Het is goed in bepalen welke bedrijven op dit moment aandacht van sales en marketing verdienen.

Je hebt beide nodig. Accountscoring bepaalt waar je je op richt, leadscoring bepaalt wie je binnen dat account belt. Heb je nu alleen leadscoring, houd die dan: de secties hieronder laten zien hoe je de signalen ervan optelt naar bedrijfsniveau.

De fout: één getal voor fit en engagement

Een gangbaar model voor accountscoring telt fitpunten en engagementpunten op tot één totaal van 100. Het ziet er netjes uit. Het leidt tot slechte beslissingen.

Een enterprise-account dat perfect past maar nooit je site heeft bezocht, en een slecht passende startup waarvan de stagiair twintig blogartikelen las, kunnen op dezelfde score uitkomen. Sales ziet twee keer "65" en heeft geen idee dat het ene een strategisch doelwit zonder intentie is en het andere ruis met veel activiteit. Het ene getal verbergt precies wat de verkoper moest weten. Hetzelfde argument geldt voor individuele leads, vanuit de outboundkant behandeld in deze uitleg over fitscore vs intentiescore.

Houd in plaats daarvan twee scores op twee assen bij:

• Fitscore (0-100): hoe goed het bedrijf bij je ICP past. Verandert langzaam. Gebaseerd op firmografische en technografische data.
• Engagementscore (0-100): hoe actief het bedrijf op dit moment onderzoek doet. Verandert dagelijks. Gebaseerd op websitegedrag, intentiedata en campagnereacties, met verval.

Handel daarna op de combinatie, niet op de som. Een eenvoudig raster volstaat:

Dit raster geeft marketing ook een duidelijke taak voor de hoek met hoge fit en lage betrokkenheid, en daar zouden de meeste account-based programma's hun budget moeten besteden.

Wat telt mee in de fitscore

Fit komt uit je ideale klantprofiel, en dat moet je bouwen op je gewonnen deals, niet op wat het management hoopt dat het ICP is. Typische inputs:

• Branche (gewogen naar je winratio per vertical)
• Aantal medewerkers of omzetklasse
• Geografie (waar je kunt verkopen, ondersteunen en aan de regels voldoen)
• Techstack (gebruikt een platform waarmee je integreert, of een concurrent die je vervangt) (onze gids over een B2B-martechstack rond personalisatie bouwen laat zien welke integraties ertoe doen)
• Signalen over het bedrijfsmodel (bijvoorbeeld: heeft een salesteam, doet betaalde acquisitie, verkoopt B2B)

Weeg elke input naar hoe sterk die gewonnen deals van verloren deals onderscheidt. Als het grootste deel van je gewonnen omzet bijvoorbeeld komt van softwarebedrijven met 200-2.000 medewerkers, verdienen die twee kenmerken het grootste deel van de fitpunten. Onze gids over een ICP bouwen voor websitepersonalisatie loopt de analyse door.

Waaruit de engagementscore bestaat

Engagement moet koopactiviteit meten, geen algemene interesse. Drie soorten input zijn belangrijk:

Diepgang: wat het account bekeek

Geef pagina's uit de late fase veel gewicht: prijzen, vergelijkingspagina's, integratiedocumentatie, securitypagina's, case studies uit de branche van het account. Geef blogverkeer weinig gewicht. Een bedrijf dat tien blogposts leest, leert over een onderwerp. Een bedrijf dat je prijzen en je SOC 2-pagina leest, beoordeelt een leverancier.

Breedte: hoeveel mensen betrokken zijn

Dit is de input die leadscoring nooit kan vangen, en volgens ons de nuttigste. Twee mensen van hetzelfde bedrijf in dezelfde week op je site betekent dat er intern een gesprek gaande is. Drie mensen uit verschillende functies betekent dat zich een buying group heeft gevormd. Omdat bij een typische aankoop veel mensen betrokken zijn (het cijfer van Forrester hierboven is 13), is zelfs gedeeltelijk zicht op die groep waardevol.

Scoor de breedte op unieke bezoekers, met een bonus als je verschillende rollen kunt afleiden (bijvoorbeeld één bezoeker die technische documentatie leest en een ander die de prijzen leest).

Recentheid: wanneer het gebeurde

Engagement zonder verval is de op een na meest voorkomende modelleerfout. Een account dat in maart je site verslond en daarna stil werd, is in oktober niet heet. Halveer engagementpunten elke 14-30 dagen, afhankelijk van je salescyclus. Kortere cycli vragen om sneller verval.

Koop je third-party intentiedata, voeg die dan toe als aparte engagementinput met een maximum, zodat een piek in een onderwerp alleen een account niet zonder first-party activiteit in de kolom "nu naar sales" kan duwen. Ons artikel over intentiedata gebruiken voor websitepersonalisatie behandelt hoe je de twee combineert. Onze gids over aanbieders van intentiedata legt uit hoe je er een test voordat je erop gaat vertrouwen.

Welke signalen wijzen op kopen, niet op rondkijken

Niet elk bezoek is een koopsignaal. Iemand die drie blogartikelen leest, doet misschien onderzoek voor een eigen artikel. Het nuttige onderscheid is dat tussen first-party signalen (wat het account op jouw site doet, wat je direct waarneemt) en third-party signalen (onderzoek naar onderwerpen elders, gerapporteerd door een intentdataleverancier, waar je op moet vertrouwen).

• First-party, sterk: prijs-, vergelijkings- en alternatievenpagina's, integratie- of API-documentatie, security- en compliancepagina's, implementatie- of onboardingpagina's, cases uit de eigen branche van het account. Dit zijn evaluatiepagina's.
• First-party, patroon: herhaalde bezoeken binnen een korte periode. Eén bezoek per maand is interesse; drie bezoeken in een week is een evaluatie. Snelheid telt ook: een account dat in twee dagen de prijzen, twee casestudy's en de beveiligingspagina doorneemt, beweegt sneller dan een account dat dezelfde pagina's over een kwartaal leest.
• Third-party: pieken rond onderwerpen, activiteit op reviewsites, vacatures voor een rol die je product bedient. Handig om accounts te spotten voordat ze je site bezoeken, zwakker als bewijs dat ze bij jou kopen.
• Negatief: bezoeken alleen aan de vacaturepagina, domeinen van concurrenten, studenten en regio's buiten je markt. Zonder aftrekpunten kan een concurrent die je site bestudeert een salesmelding veroorzaken.

Voorbeeldgewichten voor betrokkenheid, in lijn met het uitgewerkte voorbeeld hieronder. Zie ze als een startpunt om met historische data te toetsen, niet als benchmark:

Twee regels houden de engagementscore eerlijk. Begrens elk ingevuld formulier of elke download op zo'n 10 punten, zodat één gated asset een account niet in zijn eentje naar "nu naar sales" kan duwen. En pas afname over tijd alleen toe op engagement, nooit op fit: een bedrijf houdt niet op bij je ICP te passen omdat het even stil is.

Uitgewerkt voorbeeld: drie accounts, één week

Een illustratief model toegepast op drie fictieve accounts. De gewichten zijn voor het voorbeeld verzonnen; die van jou moeten uit je eigen winstdata komen.

Gewichten voor fit: doelbranche 35, medewerkerscategorie 30, integreert met je CRM 20, doelregio 15.

Gewichten voor betrokkenheid: weergave prijspagina 15, vergelijkings- of securitypagina 15, case study uit de branche 10, elke extra unieke bezoeker 10 (max. 30), blogweergave 2 (max. 10), intentiepiek 10. Punten halveren elke 21 dagen.

Controleer de rekensom in de eerste rij: prijzen 15, securitypagina 15, case study 10 en drie extra bezoekers van elk 10 maakt 70. Opgeteld tot één totaal op 200 zou de fintech op 88 uitkomen, ruim tweede, en een verkoper zou het makkelijk een hete lead noemen. Op twee assen is het beeld duidelijker: sterke fit, maar daar is nog niemand aan het evalueren. Het hoort op de doellijst voor outbound en gepersonaliseerde content. Het bureau is de middag van een SDR niet waard.

Accountscores gebruiken op je website

Scores worden meestal als salestool gezien, maar ze zijn net zo nuttig om te bepalen wat de website toont. Een paar regels die uit het raster volgen:

• Hoge fit, laag engagement: toon branchespecifiek bewijs en een laagdrempelige CTA (benchmarkrapport, ROI-calculator). Het doel is een tweede bezoek te verdienen.
• Hoge fit, hoge betrokkenheid: vervang content-CTA's door een direct aanbod voor een meeting en noem de branche van het account in de hero.
• Lage fit, hoog engagement: routeer naar een self-servicepad of een lichter abonnement in plaats van een salesdemo.

De functies voor account-based marketing van Markettailor passen dit soort regels toe op de pagina: zodra een bedrijf is geïdentificeerd, bepalen fit- en betrokkenheidstier welke hero, welk bewijs en welke CTA het ziet.

De overdracht aan sales automatiseren

Een score waar niemand iets mee doet, is decoratie. Voor de overdracht moeten drie dingen schriftelijk vastgelegd en in je CRM of marketing automation ingebouwd zijn:

1. Drempelwaarden. Gebruik het raster, niet één grenswaarde. "Nu naar sales" is de cel met hoge fit en hoge engagement; de cel met gemiddelde fit en hoge engagement gaat eerst naar een SDR om te kwalificeren. Toets de grenswaarden elk kwartaal opnieuw aan de backtest, want de verdeling van engagement verschuift naarmate je content groeit.
2. Routering. Heeft het account een eigenaar in het CRM, stuur dan naar de eigenaar. Zo niet, stuur dan door op regio of segment, en gebruik round-robin alleen als laatste stap. Een alert in een gedeelde inbox is een alert waar niemand eigenaar van is. Onze gids over websiteleads routeren behandelt hoe je leads aan accounts koppelt voordat je ze toewijst.
3. SLA. Spreek per tier een reactietijd af, bijvoorbeeld dezelfde werkdag voor "nu naar sales" en binnen een week voor kwalificatie door een SDR, en rapporteer erover. Accounts verlaten het koopmoment terwijl meldingen blijven liggen.

Elke alert moet zijn redenen meedragen: bedrijfs- en fitkenmerken, de score met de signalen die het meest bijdragen ("3 bezoekers deze week, twee keer prijzen, securitypagina"), de pagina's die de afgelopen zeven dagen zijn bezocht, gerangschikt op intentie, bekende contacten en een voorgestelde invalshoek op basis van wat het account las. Een salesmedewerker die ziet waarom een account heet is, belt het; een salesmedewerker die alleen "82" ziet, niet.

Zo kalibreer je het model

Een scoremodel is een hypothese. Toets het aan de historie voordat sales erop gaat vertrouwen.

1. Exporteer de gewonnen en verloren opportunities van de afgelopen 12 maanden met de fitkenmerken van het account.
2. Scoor elk account zoals het er 30 dagen vóór het aanmaken van de opportunity uitzag.
3. Controleer of gewonnen accounts zich clusteren in de hoek met hoge fit en hoog engagement. Is dat niet zo, dan kloppen je gewichten niet.
4. Bekijk de accounts in "nu naar sales" die nooit een opportunity werden. Dat zijn je vals-positieven. Zoek de input die ze omhoog duwde en verlaag het gewicht ervan.
5. Herhaal de backtest elk kwartaal. ICP's verschuiven naarmate het product verandert.

Wil je een werkblad als vertrekpunt voor de gewichten en drempels, dan gebruikt onze template voor een lead scoring-model dezelfde opbouw met fit en gedrag, en werkt hij met kleine aanpassingen ook op accountniveau.

Vier fouten waardoor sales de score negeert

De hele database scoren. 40.000 accounts scoren levert een lange staart op van betekenisloze 12's en 17's. Scoor de accounts die een minimale fitdrempel halen, en laat de rest ongescoord. Een kleinere, schonere lijst wordt ook echt gebruikt.

De redenen verbergen. Een score van 82 vertelt een verkoper niets over wat hij moet zeggen. Elke score moet vergezeld gaan van de drie belangrijkste signalen die eraan bijdragen ("3 bezoekers deze week, prijzen twee keer bekeken, gebruikt HubSpot"). Verkopers vertrouwen wat ze zichzelf kunnen uitleggen.

Bestaande klanten als prospects tellen. Medewerkers van een klant die je documentatie lezen, laten de engagementscore elke week oplichten. Stuur klantaccounts naar een apart model voor uitbreiding of klantgezondheid, anders verdringen ze nieuwe business. Stuur ze in plaats daarvan naar een klantervaring; zie personalisatie voor retentie en minder churn.

Nooit een input schrappen. Na elke kwartaalevaluatie komen er inputs bij en er gaan er bijna nooit af. Na een jaar heeft het model 30 inputs, waarvan de helft overbodig. Voeg je een input toe, haal er dan een weg, en houd het totaal onder de twaalf.

Begin klein

Je hebt geen voorspellend model nodig om te beginnen. Vier fitkenmerken, vijf engagementinputs, verval en een raster met twee assen vormen een beter startpunt dan een model met één getal. Bouw het in een spreadsheet, backtest het en zet het daarna in je CRM of personalisatieplatform zodra sales het eens is dat de top 20 accounts kloppen.

Wil je zien hoe niveaus voor fit en betrokkenheid kunnen bepalen wat elk account op je site ziet, plan dan een rondleiding via onze prijspagina.