Kontoscoring: slik bygger du en B2B-modell som fungerer

Leadscoring ble laget for en verden der én person fant deg, lastet ned noe og til slutt snakket med salg. B2B-avtaler fungerer ikke slik lenger. Forresters forskning fra 2024 fant at i gjennomsnitt 13 personer er involvert i en kjøpsbeslutning. Når du gir hver av dem poeng hver for seg, får du tretten lunkne leads i stedet for én varm konto. Kontoscoring løser det ved å samle alle signaler på selskapet som faktisk skal signere kontrakten.

Dette innlegget forklarer hvordan du bygger en kontoscoringsmodell som salg stoler på: hva som inngår, hvorfor match og engasjement aldri bør legges sammen, hvordan du teller bredden i innkjøpsgruppen, og et gjennomregnet eksempel du kan tilpasse.

Account scoring vs. lead scoring

Forskjellen er enheten, og den endrer nesten alt videre nedover i løpet.

• Lead scoring vurderer én person. Den belønner personens egen atferd: e-poster åpnet, ressurser lastet ned, sider sett. Den er god til å avgjøre når en kjent kontakt er klar for en samtale.
• Kontoscoring vurderer én bedrift. Den samler atferd fra alle i den bedriften, identifisert eller ikke, og kombinerer den med hvor godt bedriften passer den ideelle kundeprofilen din. Den er god til å avgjøre hvilke bedrifter som fortjener oppmerksomhet fra salg og markedsføring akkurat nå.

Du trenger begge. Kontoscoring avgjør hvor du skal fokusere, leadscoring avgjør hvem du skal ringe i den kontoen. Har du bare leadscoring i dag, behold den: seksjonene nedenfor viser hvordan du ruller signalene opp til selskapsnivå.

Feilen: ett tall for match og engasjement

En vanlig modell for kontoscoring legger sammen poeng for passform og poeng for engasjement til én total av 100. Det ser ryddig ut. Det gir dårlige beslutninger.

En enterprise-konto med perfekt match som aldri har besøkt nettstedet ditt, og et oppstartsselskap med dårlig match der praktikanten har lest tjue blogginnlegg, kan ende med samme score. Salg ser to «65» og aner ikke at den ene er et strategisk mål uten intensjon og den andre er støy med mye aktivitet. Det ene tallet skjuler det eneste selgeren trengte å vite. Det samme argumentet gjelder enkeltleads, som omtales fra den utgående siden i denne forklaringen om match-score vs. intensjonsscore.

Hold heller to scorer på to akser:

• Fit-score (0–100): hvor godt selskapet passer ICP-en din. Endrer seg sakte. Basert på firmografi og teknografi.
• Engasjementsscore (0–100): hvor aktivt selskapet gjør research akkurat nå. Endres daglig. Basert på atferd på nettstedet, intensjonsdata og kampanjerespons, med forfall over tid.

Handle deretter ut fra kombinasjonen, ikke summen. Et enkelt rutenett gjør jobben:

Dette rutenettet gir også markedsføring en tydelig jobb for hjørnet med høy match og lavt engasjement, som er der de fleste kontobaserte programmer bør bruke budsjettet sitt.

Hva inngår i match-scoren

Match kommer fra den ideelle kundeprofilen din, og den bør bygges fra dataene om vunne avtaler, ikke fra det ledelsen håper ICP-en er. Typiske input:

• Bransje (vektet etter vinnraten din per vertikal)
• Antall ansatte eller omsetningsintervall
• Geografi (hvor du kan selge, gi support og oppfylle regelverket)
• Teknologistakk (bruker en plattform du integrerer med, eller en konkurrent du erstatter) (vår guide til å bygge en B2B-martech-stakk rundt personalisering viser hvilke integrasjoner som betyr noe)
• Signaler om forretningsmodell (for eksempel har et salgsteam, kjører betalt kundeanskaffelse, selger B2B)

Vekt hver input etter hvor sterkt den skiller vunne avtaler fra tapte. Kommer for eksempel mesteparten av omsetningen fra vunne avtaler fra programvareselskaper med 200–2 000 ansatte, fortjener de to attributtene mesteparten av matchpoengene. Guiden vår til å bygge en ICP for nettstedspersonalisering går gjennom analysen.

Hva engasjementsscoren består av

Engasjement bør måle kjøpsaktivitet, ikke generell interesse. Tre typer input er viktige:

Dybde: hva kontoen så på

Vekt sider fra sen fase tungt: prising, sammenligningssider, integrasjonsdokumentasjon, sikkerhetssider, kundecaser fra kontoens bransje. Vekt bloggtrafikk lett. En bedrift som leser ti blogginnlegg, lærer om et tema. En bedrift som leser prisene og SOC 2-siden din, vurderer en leverandør.

Bredde: hvor mange personer som er involvert

Dette er inputen lead scoring aldri kan fange opp, og etter vårt syn den nyttigste. To personer fra samme selskap på nettstedet ditt samme uke betyr at det foregår en samtale internt. Tre personer fra ulike funksjoner betyr at en kjøpergruppe har dannet seg. Når et typisk kjøp involverer mange personer (Forrester-tallet over er 13), er selv delvis innsyn i den gruppen verdifullt.

Score bredde etter unike besøkende, med en bonus når du kan utlede ulike roller (for eksempel én besøkende som leser teknisk dokumentasjon og en annen som leser prisene).

Aktualitet: når det skjedde

Engasjement uten forfall er den nest vanligste modelleringsfeilen. En konto som slukte nettstedet ditt i mars og deretter ble stille, er ikke varm i oktober. Halver engasjementspoengene hver 14.–30. dag avhengig av salgssyklusen din. Kortere sykluser trenger raskere forfall.

Kjøper du tredjeparts intensjonsdata, legger du dem inn som en separat engasjementsfaktor med tak, slik at en økning i interesse for et tema alene ikke kan skyve en konto over i «salg nå»-kolonnen uten noen førstepartsaktivitet. Innlegget vårt om bruk av intensjonsdata til nettstedspersonalisering viser hvordan du blander de to. Guiden vår til leverandører av intensjonsdata forklarer hvordan du piloterer én før du stoler på den.

Hvilke signaler tyder på kjøp, ikke bare surfing

Ikke alle besøk er kjøpssignaler. Noen som leser tre blogginnlegg, kan holde på med research til en egen artikkel. Det nyttige skillet går mellom førstepartssignaler (det kontoen gjør på nettstedet ditt, som du observerer direkte) og tredjepartssignaler (research på emner andre steder, rapportert av en leverandør av intensjonsdata, som du må ta på tro).

• Førstepart, sterkt: pris-, sammenlignings- og alternativsider, integrasjons- eller API-dokumentasjon, sider om sikkerhet og regeletterlevelse, implementerings- eller onboardingsider, kundecaser fra kontoens egen bransje. Dette er evalueringssider.
• Førstepart, mønster: gjentatte besøk innen et kort tidsvindu. Ett besøk i måneden er interesse; tre besøk på en uke er en evaluering. Hastighet betyr også noe: en konto som går gjennom prisene, to kundecaser og sikkerhetssiden på to dager, beveger seg raskere enn en som leser de samme sidene over et kvartal.
• Tredjepart: temaøkninger, aktivitet på vurderingsnettsteder, ansettelser til en rolle produktet ditt betjener. Nyttig for å oppdage kontoer før de besøker deg, svakere som bevis på at de kjøper fra deg.
• Negativt: besøk bare på karrieresiden, konkurrentdomener, studenter og regioner utenfor markedet. Uten fratrekk kan en konkurrent som studerer nettstedet ditt, utløse et salgsvarsel.

Eksempler på engasjementsvekter, i tråd med det gjennomgåtte eksempelet nedenfor. Se på dem som et utgangspunkt å teste mot historikken, ikke en benchmark:

To regler holder engasjementsscoren ærlig. Sett et tak på rundt 10 poeng for en enkelt skjemautfylling eller nedlasting, slik at ett låst innhold ikke alene kan sende en konto til «salg nå». Og bruk nedbrytning over tid bare på engasjement, aldri på fit: et selskap slutter ikke å passe ICP-en din fordi det har blitt stille.

Gjennomgått eksempel: tre kontoer, én uke

En illustrerende modell brukt på tre fiktive kontoer. Vektene er oppdiktet for eksempelets skyld; dine bør komme fra dine egne data om vunne avtaler.

Matchvekter: målbransje 35, antall ansatte 30, integrerer med CRM-et ditt 20, målregion 15.

Vekter for engasjement: visning av prisside 15, sammenlignings- eller sikkerhetsside 15, bransjekundecase 10, hver ekstra unike besøkende 10 (maks 30), bloggvisning 2 (maks 10), økning i intensjon 10. Poengene halveres hver 21. dag.

Sjekk regnestykket på første rad: prissiden 15, sikkerhetssiden 15, kundecase 10, og tre ekstra besøkende à 10 gir 70. Lagt sammen til én totalsum av 200 ville fintech-selskapet havnet på 88, trygt på andreplass, og en selger kunne fort ha kalt det et varmt lead. Med to akser blir bildet tydeligere: god match, men ingen der evaluerer ennå. Det hører hjemme på mållisten for utgående salg og personalisert innhold. Byrået er ikke verdt en ettermiddag for en SDR.

Slik bruker du kontopoeng på nettstedet ditt

Score brukes som regel som et salgsverktøy, men den er like nyttig for å avgjøre hva nettstedet skal vise. Noen regler som følger av rutenettet:

• God match, lavt engasjement: vis bransjespesifikke bevis og en CTA med lav terskel (benchmarkrapport, ROI-kalkulator). Målet er å fortjene et nytt besøk.
• Høy match, høyt engasjement: erstatt innholds-CTA-er med et direkte tilbud om møte, og nevn kontoens bransje i hero-seksjonen.
• Lav passform, høyt engasjement: send til en selvbetjent vei eller en lettere plan i stedet for en salgsdemo.

Markettailors funksjoner for kontobasert markedsføring bruker regler som disse på siden: når et selskap er identifisert, avgjør egnethets- og engasjementsnivået hvilken toppseksjon, hvilke bevis og hvilken CTA det ser.

Slik automatiserer du overleveringen til salg

En score ingen handler på, er pynt. Overleveringen trenger tre ting definert skriftlig og bygget inn i CRM-et eller markedsføringsautomatiseringen din:

1. Terskler. Bruk rutenettet, ikke ett enkelt kuttpunkt. «Salg nå» er cellen med høy match og høyt engasjement; cellen med middels match og høyt engasjement går til en SDR for kvalifisering først. Sjekk kuttpunktene mot tilbaketesten hvert kvartal, fordi fordelingen av engasjement endrer seg etter hvert som innholdet ditt vokser.
2. Ruting. Hvis kontoen har en ansvarlig i CRM, send til den ansvarlige. Hvis ikke, rut etter distrikt eller segment, og bruk rundgangsfordeling bare som siste steg. Et varsel i en delt innboks er et varsel ingen eier. Guiden vår om ruting av leads fra nettstedet dekker matching av leads mot kontoer før tildeling.
3. SLA. Avtal en responstid per tier, for eksempel samme virkedag for «salg nå» og innen en uke for SDR-kvalifisering, og rapporter på den. Kontoer glir ut av kjøpsvinduet mens varslene venter.

Hvert varsel bør vise begrunnelsen: selskap og attributter for passform, poengsummen med de viktigste signalene bak («3 besøkende denne uken, prissiden to ganger, sikkerhetssiden»), sidene som er besøkt de siste sju dagene rangert etter kjøpsintensjon, kjente kontakter og en foreslått vinkling basert på hva kontoen har lest. En selger som ser hvorfor en konto er varm, vil ringe den; en selger som bare ser «82», vil ikke det.

Slik kalibrerer du modellen

En poengmodell er en hypotese. Test den mot historikken før salg baserer seg på den.

1. Eksporter salgsmuligheter vunnet og tapt de siste 12 månedene, med kontoens match-egenskaper.
2. Gi hver konto en score slik den ville sett ut 30 dager før salgsmuligheten ble opprettet.
3. Sjekk at vunne kontoer samler seg i hjørnet med god match og høyt engasjement. Hvis de ikke gjør det, er vektene dine feil.
4. Se på kontoene i «salg nå» som aldri ble salgsmuligheter. Det er dine falske positiver. Finn faktoren som løftet dem opp, og reduser vekten på den.
5. Kjør tilbaketesten på nytt hvert kvartal. ICP-er driver etter hvert som produktet endrer seg.

Vil du ha et regneark å starte med for vekter og terskelverdier, bruker malen vår for lead scoring-modeller den samme strukturen med match og atferd, og den fungerer på kontonivå med små endringer.

Fire feil som får salg til å ignorere scoren

Å score hele databasen. Å score 40 000 kontoer gir en lang hale av meningsløse 12-ere og 17-ere. Scor kontoene som passerer en minimumsgrense for fit, og la resten være uscoret. En mindre og ryddigere liste blir faktisk brukt.

Å skjule begrunnelsene. En score på 82 forteller ikke en selger noe om hva hen skal si. Hver score bør komme med de tre signalene som bidro mest («3 besøkende denne uken, prissiden sett to ganger, bruker HubSpot»). Selgere stoler på det de kan forklare for seg selv.

Å telle eksisterende kunder som prospekter. Ansatte hos en kunde som leser dokumentasjonen din, vil få engasjementsscoren til å lyse opp hver uke. Send kundekontoer til en egen modell for utvidelse eller kundehelse, ellers fortrenger de nysalget. Gi dem i stedet en kundeopplevelse; se personalisering for kundelojalitet og redusert frafall.

Å aldri fjerne en inndata. Inndata legges til etter hver kvartalsgjennomgang og fjernes nesten aldri. Etter et år har modellen 30 inndata, halvparten av dem overflødige. Når du legger til en inndata, fjern en, og hold totalen under et dusin.

Start i det små

Du trenger ikke en prediktiv modell for å begynne. Fire match-egenskaper, fem engasjementsinput, forfall og et rutenett med to akser er et bedre utgangspunkt enn en modell med ett enkelt tall. Bygg det i et regneark, tilbaketest det, og flytt det inn i CRM-et eller personaliseringsplattformen når salg er enige om at de 20 øverste kontoene ser riktige ut.

For å se hvordan nivåer for match og engasjement kan styre hva hver konto ser på nettstedet ditt, kan du booke en gjennomgang fra prissiden vår.