In this post:
Een ICP-scoringsmodel is een set gewogen criteria die elk account een fit score geeft: een getal dat laat zien hoe sterk dat bedrijf lijkt op de klanten die je echt wint en houdt. Het meet fit en verder niets. Het gaat om wie het bedrijf is. Wat het deze week toevallig doet, telt niet mee.
De meeste B2B-teams hebben al een ideal customer profile. Meestal staat dat op een slide van de laatste planningsoffsite, vol bijvoeglijke naamwoorden als "mid-market", "groeiend" en "tech-forward", en niemand legt er op een dinsdagmiddag een lijst naast. Het scoringsmodel maakt van die bijvoeglijke naamwoorden velden, drempels en punten die je CRM kan uitrekenen, zonder dat iemand eraan hoeft te denken.
Waar het misgaat, is de bron van de criteria. Een model dat is gebouwd op wat de founders denken dat een geweldige klant is, rangschikt accounts vol overtuiging en zit er bij veel ervan naast. Een model dat is gebouwd op de deals die je hebt gesloten, en de deals die je hebt verloren, is de versie die de moeite waard is.
TL;DR
Een uitgeschreven ICP verandert niets zolang het geen veld is op elk accountrecord. Het ICP-scoringsmodel is dat veld, en reps gebruiken het alleen als ze het zien terwijl ze een lijst afwerken.
Haal de criteria uit je eigen closed-won en closed-lost deals. De ICP-slide is daar geen goede bron voor. Firmografische, technografische en situationele kenmerken komen allemaal in aanmerking. Neem alleen de kenmerken op die winnaars van verliezers onderscheiden.
Geef elk criterium een gewicht naar hoe goed het een gewonnen deal voorspelt, geef gedeeltelijke punten en deel het totaal daarna in tiers in. In ons uitgewerkte voorbeeld scoort een fabrikant met 240 medewerkers in DACH 82 van de 100 punten en komt hij in tier A. Die tier kun je wegschrijven naar een CRM-veld, zoals het veld voor de ideal customer profile tier in HubSpot.
De fit score negeert bewust intent, engagement en individuele contacten. Die horen thuis in de accountscore en de lead score die erbovenop zitten.
Tel een leeg veld als onbekend in plaats van als nul, en verrijk je data voordat je scoort. Een stellig getal op verouderde data doet meer schade dan helemaal geen getal.
Scoor je hele adresseerbare markt, dus ook de bedrijven die nog niet in je CRM staan. Check daarna ongeveer twee keer per jaar of tier A echt vaker wint dan tier B.
Een uitgeschreven ICP beschrijft. Een gescoorde ICP stuurt.
Genoeg teams met een zorgvuldig uitgeschreven ideal customer profile targeten toch slecht. Het profiel klopt wel, het staat alleen ergens anders. Een rep die een bellijst maakt, opent het strategiedeck niet en valt terug op zijn gevoel. En dat gevoel trekt naar wie het laatst reageerde, of naar het logo dat mooi zou staan in een case study.
Een ICP-scoringsmodel zet het profiel neer waar het werk gebeurt. Elk bedrijfsrecord krijgt een getal en een tier, je kunt lijstweergaven erop sorteren, en een rep ziet in twee seconden dat het account waar hij net een uur onderzoek in wilde steken een tier C is.
Die zichtbaarheid is waar het om draait. Staat de score in een verborgen property waar alleen marketing ops van weet, dan heb je een duurdere versie van de slide gebouwd. Zet de tier op het bedrijfsrecord, in de lijstweergaven die reps gebruiken en in de filters waarmee sequences worden gevuld. Doe je dat niet, sla het bouwen dan maar over.
Waar de criteria vandaan moeten komen
Begin bij het bewijs. Exporteer de bedrijven achter je closed-won deals van het afgelopen jaar of twee, en de closed-lost deals uit dezelfde periode, en vergelijk ze kenmerk voor kenmerk. In onze gids over een ICP opbouwen uit CRM-data lopen we die oefening stap voor stap door.
De kenmerken die je vergelijkt, vallen meestal in drie groepen:
Firmografisch: branche, aantal medewerkers, omzet, regio en groeitempo, uit firmografische data. Die vormen de ruggengraat van de meeste modellen, omdat je ze makkelijk krijgt en ze langzaam veranderen.
Technografisch: de tools die een bedrijf gebruikt, uit technografische data. Die tellen mee als je product op specifieke software aansluit of die software vervangt.
Situationeel: recente funding, een wervingsgolf in het team waaraan je verkoopt, de stap naar een nieuwe markt. Zulke kenmerken verschuiven in maanden, niet in dagen. Daarom passen ze in een fitmodel zonder dat het een intentmodel wordt.
Een kenmerk verdient een plek als het veel vaker voorkomt bij je gewonnen deals dan bij je verloren deals. Draait 70% van de bedrijven waar je de concurrentie versloeg op een bepaald CRM, en maar 20% van de bedrijven die je verloor, dan is dat een criterium. Komt "Series B" aan beide kanten even vaak voor, dan is het versiering, hoe goed het ook klinkt als ideale klant.
Houd de lijst kort. We gebruiken zelden meer dan zeven criteria en stoppen vaak bij vijf. Elk extra criterium verwatert de criteria die ertoe doen en voegt een veld toe dat iemand gevuld moet houden.
Een uitgewerkt ICP-scoringsmodel, van gewichten tot tiers
Hieronder staat een simpel model voor een bedrijf dat software verkoopt aan middelgrote fabrikanten, gescoord op één account. Elk criterium heeft een maximum (het gewicht), en het account krijgt een deel van die punten of allemaal, afhankelijk van hoe dicht het in de buurt komt. De getallen zijn voorbeelden. Die van jou haal je uit je eigen data over gewonnen en verloren deals.
Criterium | Max. punten | Northwind Manufacturing | Behaalde punten |
|---|---|---|---|
Branchematch | 30 | B2B-maakindustrie, een kernsegment | 28 |
Bedrijfsgrootte | 25 | 240 medewerkers, binnen de sweet spot | 22 |
Tech stack | 20 | Gebruikt een CRM waarmee het product integreert | 15 |
Groeisignalen | 15 | Werft in operations, haalde vorig jaar funding op | 10 |
Regio | 10 | DACH, een regio die je bedient | 7 |
Totaal | 100 | 82 (tier A) |
Hoe je de gewichten bepaalt
Het bouwen zelf gaat in vier stappen:
Zet de kenmerken op een rij die je bewijs ondersteunt.
Geef elk kenmerk een maximum op basis van hoe sterk het gewonnen en verloren deals van elkaar scheidt.
Scoor elk account op elk criterium en tel de punten op.
Deel de totalen in tiers in.
Bij stap twee worden de meeste modellen slap. Elk criterium 20 punten geven voelt eerlijk, en levert een checklist op in plaats van een score. In de tabel weegt branche drie keer zo zwaar als regio. Voor dit bedrijf voorspelt de branche namelijk of je wint, terwijl de regio vooral bepaalt wie het account oppakt.
Gedeeltelijke punten zijn net zo belangrijk. Een bedrijf met 600 medewerkers is een heel andere misser dan een bedrijf met 12. Werk dus met bandbreedtes (alle punten binnen de sweet spot, de helft er net buiten, niets ver erbuiten) in plaats van ja of nee per regel.
Uitsluitingscriteria verdienen een eigen aanpak. Kun je niet verkopen in een regio, of is een bedrijf een directe concurrent? Trek dan geen paar punten af. Zet de score vast op nul, of markeer het account en houd het van elke lijst af.
Van totaal naar tier
Reps handelen sneller op tiers dan op ruwe getallen. Een gangbare verdeling is tier A vanaf 75, B van 50 tot 74 en C onder de 50. Met 82 is Northwind dus een A.
HubSpot heeft hier een standaard bedrijfsproperty voor. De setup voor account-based marketing bevat een veld voor de ideal customer profile tier, waarbij tier 1 een uitstekende fit hoort te zijn en tier 3 acceptabel, met lage prioriteit. Op de abonnementen Professional en Enterprise kan de scoringtool van HubSpot ook een fit score voor bedrijven berekenen op basis van properties zoals regio, bedrijfsgrootte en branche. Het rekenwerk gebeurt dan in het CRM zelf.
Salesforce-teams drukken fit vaak uit in een letter. In Account Engagement begint prospect grading iedereen op een D en gaat de grade omhoog of omlaag op basis van een profiel met criteria. Het is hetzelfde idee, toegepast op individuele prospects.
Maak je liever eerst een prototype buiten het CRM? Een formulekolom in Clay kan punten per voorwaarde optellen en een getal of een label als "mid-market" teruggeven. Vaak bouwen we de eerste versie in Clay, checken we die op een paar honderd bekende accounts en zetten we pas daarna de tier door naar HubSpot of Salesforce.
Wat de fit score bewust buiten beschouwing laat
Een ICP-score beantwoordt één vraag: willen we ooit aan dit bedrijf verkopen? Of het bedrijf nu aan het rondkijken is, daar zegt hij niets over, en dat hoort hij ook niet te proberen.
Koopbereidheid zie je aan gedrag: onderzoek op sites van derden, bezoeken aan je prijspagina, een nieuwe VP of Sales. Dat is het onderscheid tussen fit score en intent score. Door die twee apart te houden, zie je dat een tier A-account stil is gevallen, of dat een luidruchtig account een tier C is die je beleefd kunt negeren.
Voor individuele mensen geldt hetzelfde. Lead scoring rangschikt contacten op wie ze zijn en wat ze doen. De ICP-score rangschikt het bedrijf, los van de klikken van één persoon.
In de praktijk is de ICP-score één input van meerdere. Account scoring gebruikt hem als fitlaag en combineert hem met intent en engagement van iedereen bij het bedrijf. Meng je die signalen in de ICP-score zelf, dan verlies je het enige stabiele getal in het systeem: het getal dat je vertelt dat een bedrijf het waard is om op te wachten.
Ontbrekende data doet de meeste schade, en je ziet het niet
Een scoringsmodel is rekenwerk, en rekenwerk op verkeerde input geeft een antwoord dat heel precies is en toch fout. Mensen vertrouwen een getal ook meer dan een voorgevoel, dus een slechte score misleidt beter dan helemaal geen score.
Twee dingen gaan het vaakst mis. Het eerste zijn lege velden. Is het aantal medewerkers leeg en telt je formule leeg als nul, dan zakt een bedrijf met een perfecte fit naar tier C en kijkt niemand er ooit nog naar. Wij scoren een leeg veld als onbekend, zetten die accounts in een aparte bak "data nodig" en sturen ze door voor enrichment voordat ze een tier krijgen.
Het tweede is ouderdom. Bedrijven groeien, worden overgenomen, stappen over op andere tools en verhuizen hun hoofdkantoor. Door data decay wordt het aantal medewerkers van vorig jaar zonder dat iemand het merkt de verkeerde score van dit jaar.
Daarom hoort data enrichment bij het scoringswerk en is het geen bijproject. In Clay draaien we meestal waterfall enrichment op de paar velden die het model echt gebruikt. Een gat in de data van de ene provider wordt dan gevuld door de volgende. We plannen ook een refresh van precies die velden in, in plaats van het hele record.
ICP-scores gebruiken om je ABM- en outbound-accounts te kiezen
Het nuttigste wat je met het model kunt doen, is het loslaten op bedrijven die je nog nooit hebt gesproken. Scoor je alleen wat al in je CRM staat, dan rangschik je de accounts die jou toevallig hebben gevonden. Scoor je je hele adresseerbare markt, dan zie je de tier A-bedrijven die je tot nu toe hebt gemist.
Bij account-based marketing bepaalt de tier hoe de doellijst wordt gekozen. Reps dragen dan geen eigen favoriete logo's meer aan. Je neemt de tier A-accounts, voegt een paar strategische uitzonderingen toe die je kunt uitleggen, en hebt een lijst die je in een pipeline review kunt verdedigen.
Outbound werkt net zo, met timing erbovenop. De fit score beperkt de markt tot bedrijven die een gesprek waard zijn. Daarna houd je die bedrijven in de gaten op intent data en koopsignalen, zoals een investeringsronde of een nieuwe salesleider. Contact opnemen zodra een van die signalen afgaat, heet signal-based selling, en dat werkt alleen als het fitfilter eerst kwam. Signalen volgen in een ongefilterde markt levert alleen een langere lijst van de verkeerde bedrijven op.
Het model opnieuw toetsen aan wie er echt heeft getekend
Een ICP-scoringsmodel is een hypothese over wie er koopt, en je pipeline test die elke maand. Haal ongeveer twee keer per jaar de opportunities op die sinds de vorige review zijn aangemaakt en vergelijk de winrate per tier. Wint tier A niet duidelijk vaker dan tier B, dan kloppen de gewichten niet.
Kijk daarna naar de uitzonderingen. Pak de deals die je won bij tier C-accounts en de deals die je verloor in tier A, en zoek uit welk criterium je op het verkeerde been zette. Een nieuwe productlijn, een prijswijziging of de stap naar een nieuwe markt kan binnen een paar kwartalen veranderen wie je beste klanten zijn, en het model moet daarin meegaan.
Verander één of twee gewichten tegelijk en schrijf op waarom. Vraagt een rep waarom een account van A naar B zakte, dan hoort het antwoord een zin in een changelog te zijn. Schouderophalen is geen antwoord.
De kern
Een ICP-scoringsmodel is een klein stukje infrastructuur: een handvol velden, wat punten en drie tiers. De waarde zit in waar de input vandaan komt. Criteria uit echte gewonnen en verloren deals, gewogen naar hoeveel ze voorspellen, geven je een stabiel antwoord op de vraag welke bedrijven de tijd van je team verdienen.
Dat het model grenzen heeft, is juist een voordeel. Het vertelt je niet wanneer je moet bellen of wie, en dat hoort ook zo. Combineer het met intent en engagement in een accountscore, laat lead scoring de persoon kiezen, en de fit score blijft het vaste referentiepunt waar al het andere aan wordt gemeten.
Het meeste onderhoud is weinig spannend: lege velden vullen voordat je scoort, de velden verversen die verouderen en twee keer per jaar checken of tier A nog steeds wint.
Wil je hulp bij het bouwen van jouw model? Wij halen de criteria uit je eigen CRM-historie, zetten het model op in je HubSpot-, Salesforce- of Clay-omgeving en dragen het over met een korte toelichting op elk gewicht. Zo kan je team het bijstellen als de markt verandert.
Veelgestelde vragen
Heeft een startup in een vroege fase een ICP-scoringsmodel nodig?
Geen formeel model. Met een paar dozijn klanten heb je te weinig gewonnen en verloren deals om gewichten met enige zekerheid te bepalen. Een korte lijst met onmisbare kenmerken waar je elke prospect langs legt, doet in die fase het meeste werk en voorkomt dat een klein team achter elk indrukwekkend logo aan gaat. Bouw de gewogen versie zodra je genoeg gesloten deals hebt om patronen te zien, en laat het bewijs de getallen bepalen.
Wat is het verschil tussen een ICP-scoringsmodel en lead scoring?
Een ICP-scoringsmodel beoordeelt een bedrijf op stabiele kenmerken zoals branche, omvang en tech stack, wat één persoon daar ook doet. Lead scoring beoordeelt een individueel contact op rol en activiteit, zoals bezoeken aan de prijspagina of replies. In B2B gebruik je eerst de ICP-score om te bepalen welke bedrijven de moeite waard zijn. Daarna kies je met lead scoring de juiste persoon binnen die bedrijven en het juiste moment om contact op te nemen.
Hoeveel criteria horen in een ICP-scoringsmodel?
Meestal vijf tot zeven. Met minder kan de score een sterke fit niet onderscheiden van een toevallige match op één kenmerk. Met meer verwateren de zwakke criteria de sterke, en elk extra veld moet gevuld en actueel blijven. Komt een criterium niet duidelijk vaker voor bij je gewonnen deals dan bij je verloren deals, dan hoort het niet in het model.
Hoort een ICP-score negatieve punten of uitsluitingscriteria te hebben?
Ja, en houd harde uitsluitingscriteria apart van gewone negatieve punten. Een bedrijf in een regio die je niet kunt bedienen, een directe concurrent of een bedrijf ver onder je minimale omvang zet je vast op nul, of je markeert het en sluit het uit. Een paar punten aftrekken is dan te weinig. Zachtere negatieve signalen, zoals een tool die concurreert met een integratie waar je van afhankelijk bent, kunnen gewoon punten aftrekken.
Welke schaal werkt het best voor een ICP-scoringsmodel?
Een schaal van 0 tot 100 leest het makkelijkst, omdat het maximum van elk criterium dan meteen zijn aandeel in het totaal is. De meeste teams delen de uitkomst in drie tiers in, bijvoorbeeld A vanaf 75, B van 50 tot 74 en C onder de 50. Reps handelen meestal op de tier en kijken minder naar het exacte getal, dus de grenzen tellen zwaarder dan de schaal.
Kan een account met een hoge ICP-score toch een slechte klant blijken?
Ja. Een fit score dekt alleen kenmerken die je van buitenaf kunt zien. Een rommelig intern proces, een champion die vertrekt of een budgetstop mist hij dus. Daarom moet je het model regelmatig naast de resultaten leggen. Zeggen tier A-klanten steeds om dezelfde reden op, of lopen hun deals steeds op hetzelfde punt vast, zoek dan naar een kenmerk dat dat voorspelt en overweeg het als criterium toe te voegen.
Kan machine learning een ICP-scoringsmodel voor je bouwen?
Predictive tools kunnen gewichten voor fit leren van je eerdere gewonnen en verloren deals, en sommige intentplatforms hebben hier een eigen profile fit-model voor. Ze hebben wel een flink aantal gesloten deals nodig om van te leren, en hun redenering is lastiger aan reps uit te leggen. Een zelfgebouwd model dat je begrijpt, is meestal de betere start. Test een predictive model ertegen zodra je de historie hebt.
Waar komt de data voor een ICP-scoringsmodel vandaan?
Firmografische velden zoals branche, aantal medewerkers en omzet komen van dataproviders en enrichment-tools. Technografische velden komen van tools die de software van een bedrijf detecteren, en situationele signalen zoals funding of werving uit nieuwsbronnen en vacaturesites. Je eigen CRM levert de gewonnen en verloren deals waarmee je de gewichten bepaalt. Meerdere providers na elkaar inzetten vult meer gaten dan op één provider vertrouwen.
Hoe zorg je dat sales reps de ICP-score vertrouwen?
Betrek ze bij het kiezen van de criteria, laat ze de data over gewonnen en verloren deals achter elk gewicht zien en maak de tier zichtbaar op elk account waar ze aan werken. Houd daarna bij of tier A-accounts echt vaker winnen en deel de uitkomst. Reps vertrouwen een score die zich in hun eigen pipeline heeft bewezen veel meer dan een score die marketing zonder uitleg oplegt.
Scoor je je hele markt of alleen de accounts in je CRM?
Scoor de hele markt als dat kan. De accounts in je CRM zijn de bedrijven die jou toevallig vonden of die een rep ooit heeft toegevoegd, dus als je alleen die scoort, rangschik je een scheve steekproef. Scoor je elk bedrijf in je adresseerbare markt, meestal door lijsten op te halen en te verrijken in een tool als Clay, dan zie je de bedrijven met een sterke fit die nog niemand heeft benaderd.
Deel dit bericht
Prospecting
Data
Begrippenlijst
Gerelateerde begrippen
De basis GTM-concepten begrijpen
Klaar om je pipeline te bouwen
