Sales signal stack

Een sales signal stack is de gelaagde set buying signals (koopsignalen) die een team per account volgt en combineert. Een paar zwakke signalen laten samen zien welke accounts op dit moment richting een aankoop bewegen. Een bezoek aan je prijspagina kan van iedereen komen. Hetzelfde bezoek van een bedrijf dat vorige maand een relevante vacature plaatste en net iemand aannam die eerder klant bij je was, vertelt een heel ander verhaal.

Het woord "stack" zet mensen op het verkeerde been. Met software heeft het weinig te maken. Een stack is hier een stapel signalen op één bedrijfsrecord, waarbij elk signaal een beetje bewijs toevoegt. De signalen kiezen is het makkelijke deel. Het rekenwerk is lastiger: hoeveel een signaal drie weken later nog waard is, of twee alerts twee stukken bewijs zijn of één event dat twee keer is gemeld, en of de actie van één persoon meetelt voor het hele bedrijf.

Stacks die tegenvallen, gaan bij dat rekenwerk meestal op dezelfde manier de mist in. Ze tellen ruwe punten op, waardoor de luidruchtigste accounts bovenaan komen te staan. Binnen een maand hebben reps door dat de meetings niet bovenaan de lijst zitten.

TL;DR

• Een sales signal stack stapelt meerdere signalen op één account, zodat ze samen iets betekenen. Het is een set signalen plus de regel om ze op te tellen. Een set tools is het niet.

• Geef elk signaal een half-life in plaats van een vaste waarde: 7 dagen voor een bezoek aan de prijspagina, 30 voor een vacature, 45 voor een investeringsronde. Met de scoringstool van HubSpot kun je scores met een percentage laten afnemen over een periode die je zelf kiest.

• Tel events in plaats van alerts. Eén investeringsronde die door drie tools wordt gemeld, is één signaal. Herhalingen van hetzelfde type signaal moeten elke keer minder toevoegen: eerst de volle waarde, dan de helft, dan een kwart.

• Houd de score op het bedrijf en laat signalen op persoonsniveau bepalen wie je benadert. Verandert een contact van baan, dan verhuist zijn signaal mee. Anonieme bezoeken tellen altijd alleen voor het bedrijf.

• In het voorbeeld hieronder scoort een transportbedrijf uit Antwerpen 62,5 tegen een drempel van 60. Een luidruchtiger bedrijf in Tilburg met meer ruwe punten (141 tegen 136) komt uit op 22,75.

• Test de stack door afgelopen kwartalen opnieuw af te spelen: scoor accounts zoals ze er op een oude datum voor stonden, kijk wie in de 45 dagen daarna een meeting boekte, en schrap elk signaal waarvan het weglaten niets verandert.

• Begin met first-party signalen plus één externe bron, zorg dat alles op het bedrijfsrecord terechtkomt, en stuur accounts die over de drempel gaan nog dezelfde werkdag naar een rep.

Een stapel signalen op één account, in plaats van een stapel tools

Elk signaal komt van een van drie plekken. First-party signalen ontstaan op dingen die van jou zijn: je website, je product en je inbox. Second-party signalen zijn de first-party data van iemand anders, die met jou wordt gedeeld, zoals een koper die leveranciers vergelijkt op G2. Third-party signalen zijn onderzoek dat intent-aanbieders over veel sites heen verzamelen. Hoe verder je naar buiten gaat, hoe meer accounts je ziet en hoe minder elk signaal over jou zegt. Die afweging staat uitgewerkt bij hoe eigen en ingekochte data zich tot elkaar verhouden.

De begrippen zijn eenvoudiger dan ze lijken. Een intentsignaal is één waargenomen actie, zoals een surge op een onderwerp. Een trigger event is een verandering met een datum, zoals een nieuwe COO die begint. De stack is de regel waarmee je ze combineert, en signal-based selling is wat reps doen zodra die regel een account markeert. De software die signalen verzamelt, hoort bij je GTM-stack, en de leidingen die ze bij een rep brengen, heten signal orchestration.

Signalen verliezen volgens een vast schema hun waarde, dus geef elk signaal een half-life

De punten van een signaal horen te krimpen naarmate het ouder wordt, en niet allemaal even snel. Een bezoek aan de prijspagina zegt iets over deze week, een vacature blijft relevant zolang de rol openstaat, en een investeringsronde bepaalt de uitgaven voor een kwartaal. Met één vervalregel voor alle drie houd je ofwel het prijspaginabezoek van vorige maand warm, ofwel schrijf je een investeringsronde af voordat het geld is uitgegeven.

De netste manier om dat uit te drukken is een half-life: het aantal dagen waarna een signaal nog de helft van zijn startpunten waard is, daarna een kwart, daarna een achtste. Als formule zijn dat de startpunten keer 0,5 tot de macht (leeftijd in dagen gedeeld door de half-life). Dat kan een spreadsheet aan, net als een formulekolom in Clay of een berekende property in je CRM.

Verkoop je software aan bedrijven, dan zijn redelijke startwaarden 7 dagen voor een bezoek aan de prijs- of demopagina, 14 voor een third-party surge op een onderwerp, 30 voor een relevante vacature, 45 voor een investeringsronde en 60 voor een contactpersoon die eerder met je product werkte en bij het account begint. Het zijn vertrekpunten, geen onderzoeksresultaten. Met de test op oude kwartalen verderop vervang je ze door getallen uit je eigen pipeline.

Scoor je in HubSpot, dan kun je met de scoringstool scores met een percentage laten afnemen na een periode die je zelf kiest, en kun je begrenzen hoeveel punten één event, of een groep events, mag toevoegen. Dat is grover dan een half-life per signaal. Groepeer je signalen op hoe snel ze wegzakken, dan kom je toch een heel eind.

Verval maakt de drempel ook slimmer. Als signalen snel vervallen, gaat een account pas over de streep wanneer er meerdere signalen kort na elkaar binnenkomen. Een cluster binnen twee weken zegt veel meer dan dezelfde signalen verspreid over zes maanden.

Is dat een tweede signaal, of echoot het eerste?

Stapelen werkt alleen als elk signaal nieuw bewijs toevoegt. Veel signalen doen dat niet. Een investeringsronde duikt op in een fundingdatabase, daarna in een nieuwsalert en daarna in de LinkedIn-post van de CEO. Dat zijn drie alerts en één event, en een stack die ze alle drie scoort, telt hetzelfde feit drie keer.

De oplossing is om elk signaal een event key te geven voordat het wordt gescoord. Die bestaat uit het bedrijf, het type signaal en de datum, of uit het eigen ID van de bron als dat er is. Signalen met dezelfde key vallen samen tot één. De extra bronnen zijn geen verspilling, want ze bevestigen de datum en de details. Punten voegen ze alleen niet toe.

Herhalingen van hetzelfde type vragen om een mildere regel. Een tweede bezoek aan de prijspagina is echt bewijs, al zegt het minder dan het eerste. En de tiende blogpost die vanaf één kantoor wordt gelezen, is waarschijnlijk één nieuwsgierige analist. Een eenvoudig schema werkt: het eerste signaal van een type telt volledig, het tweede voor de helft en elk volgend signaal voor een kwart. Zet ook een maximum per type, zodat herhaling alleen een account nooit over de drempel kan tillen.

Er bestaat ook een zachtere vorm van afhankelijkheid. Een surge op een onderwerp en een bekeken categorie op een reviewsite in dezelfde week komen uit verschillende bronnen, en toch kunnen ze samen één middag onderzoek van één analist zijn. De manier waarop elke bron zijn data verzamelt helpt je dat in te schatten, en weten wie het deed helpt ook. Dat is de volgende regel. Welke soorten koopsignalen het combineren überhaupt waard zijn, is een aparte beslissing die de stack overneemt.

Welke signalen bij het bedrijf horen en welke een persoon volgen

Sommige signalen bestaan alleen op bedrijfsniveau: funding, vacatures, technologische veranderingen, third-party surges en anonieme bezoeken. Deanonimisering van websitebezoekers benoemt meestal alleen het bedrijf achter een IP-adres en zelden de persoon. Andere signalen horen bij iemand met een naam: een reply, een ingevuld formulier, een webinar, een bekend contact dat je prijspagina opent, een baanwissel.

De regel die standhoudt: houd de score op het bedrijf en laat signalen op persoonsniveau twee taken doen. Ze tellen mee voor de bedrijfsscore, met een maximum per persoon, zodat één enthousiast contact het account niet in zijn eentje kan dragen (account scoring behandelt dat maximum). En ze houden de naam erbij, omdat ze bepalen naar wie de rep schrijft. Drie signalen van drie mensen verspreid over het buying committee vertellen een rep meer dan drie van één persoon, ook bij hetzelfde aantal punten.

Sommige signalen op persoonsniveau reizen mee. Begint een champion die elders met je product werkte bij een doelaccount, dan komt die geschiedenis binnen als vers signaal bij het nieuwe bedrijf. Het oude bedrijf moet dan verliezen wat die persoon bijdroeg. Anders blijft de stack een account beoordelen op de kracht van iemand die al weg is.

Dit alles gaat ervan uit dat het signaal op het juiste record is beland. Een contact op een dubbel bedrijfsrecord zet punten op de verkeerde plek. Daarom komt lead-to-account matching vóór al het andere.

Schelde Koeltransport door een sales signal stack halen

Neem een softwarebedrijf in Eindhoven dat onderhoudsplanning voor wagenparken verkoopt aan transportbedrijven met 50 tot 500 medewerkers. Elk account moet eerst door een fit-check voordat signalen meetellen, en een account dat 60 punten haalt, gaat naar een rep. Het regelboek ziet er zo uit:

• Bezoek aan de prijs- of abonnementenpagina: 30 punten, half-life 7 dagen.

• Gelezen blogartikel: 5 punten, half-life 7 dagen.

• Third-party surge op wagenparkonderhoud: 12 punten, half-life 14 dagen.

• Vacature voor een rol in wagenpark- of onderhoudsplanning: 20 punten, half-life 30 dagen.

• Investeringsronde: 15 punten, half-life 45 dagen.

• Contactpersoon die eerder met je product werkte, komt bij het account: 24 punten, half-life 60 dagen.

Bovenop de punten telt één event één keer, hoeveel tools het ook melden. Herhalingen van een type tellen eerst volledig, dan voor de helft en dan voor een kwart.

Schelde Koeltransport, een verzonnen koeltransportbedrijf met 180 medewerkers in Antwerpen, komt door de fit-check. Dit staat er op een dinsdagochtend in het record.

Schelde gaat over de streep met 62,5. De twee bezoeken aan de prijspagina doen het meeste werk, en ze halen de 60 alleen omdat oudere, tragere signalen nog gewicht hebben. Haal het nieuwe hoofd wagenpark weg en het account staat op 50,5: iets om in de gaten te houden, nog geen reden om te bellen.

Dan een bouwlogistiekbedrijf in Tilburg. Het haalde 45 dagen geleden geld op, gemeld door een fundingdatabase, een nieuwsalert en de LinkedIn-post van de CEO. Een week geleden werden er vanaf het kantoor twaalf blogposts gelezen, en één intentfeed toont surges op drie verwante onderwerpen, allemaal vier weken oud. Op ruwe punten komt Tilburg op 141 (45 voor de funding-alerts, 60 voor de gelezen blogposts, 36 voor de surges), vijf meer dan de ruwe 136 van Schelde.

Door de stack heen komt het uit op 22,75. De investeringsronde telt één keer, voor 7,5. De gelezen blogposts zijn na een week elk 2,5 waard, dus ze tellen als 2,5, daarna 1,25 en daarna tien keer 0,625: samen 10. De surges zijn na vier weken elk 3 waard en tellen als 3, daarna 1,5 en daarna 0,75: samen 5,25. Tilburg heeft echt geld opgehaald en iemand daar leest echt de blog. Toch gaat elk punt terug op één event of één bron, en niets ervan is op het product gericht.

Voorspelt je sales signal stack meetings? Speel een kwartaal opnieuw af dat je al achter de rug hebt

Een stack is een gok over welke accounts een gesprek willen. Je kunt die gok testen zonder te wachten, zolang elk signaal is opgeslagen met de datum waarop het gebeurde, in plaats van de datum van de import.

1. Kies een datum in het verleden, zeg 1 april, en bouw de score van elk account opnieuw op met alleen signalen van vóór die datum. Alles wat later is ingevuld, inclusief enrichment en lifecycle-velden, blijft erbuiten. Dat is hetzelfde probleem met lekkende data dat bij predictive lead scoring aan bod komt.

2. Kijk 45 dagen vooruit en markeer welke accounts een eerste meeting boekten. Meetings komen veel vaker voor dan gesloten deals, dus een kwartaal levert er genoeg op om te vergelijken.

3. Deel de accounts in groepen in (boven de drempel, ertussenin, onder de 20, geen signalen) en vergelijk hoe vaak elke groep een meeting boekt. Een werkende stack laat een duidelijke trap zien tussen de groepen. Boekt de bovenste groep ongeveer even vaak als accounts zonder signalen, dan zijn de gewichten decoratie.

4. Herhaal dat vanaf een paar latere startdatums, en scoor altijd op het verleden en controleer op de toekomst. De documentatie van scikit-learn legt uit waarom: bij data die in de tijd geordend is, hoor je te evalueren op de "toekomstige" waarnemingen, omdat een willekeurige splitsing een model laat leren van wat erna kwam.

5. Haal telkens één type signaal weg en draai de test opnieuw. Verandert het weglaten van een feed niets aan welke accounts in de bovenste groep belanden, dan voegt die feed niets toe, wat hij ook kost.

6. Vergelijk de leeftijd van elk signaal op de dag dat de meeting werd geboekt met zijn half-life. Komen meetings steeds binnen nadat de punten van een signaal grotendeels zijn verdwenen, dan is de half-life te kort.

Kleine aantallen zijn de grootste valkuil. Met een stuk of twaalf meetings per kwartaal kunnen verschillen tussen groepen toeval zijn, dus voeg twee of drie kwartalen samen voordat je een gewicht aanpast. Ter vergelijking: de implementatiegids van Salesforce vraagt om minstens 1.000 leads die in de afgelopen 200 dagen zijn aangemaakt, waarvan 120 geconverteerd, voordat Einstein Lead Scoring met je eigen data werkt. Deze test vraagt alleen of de score accounts goed rangschikt. Of de plays bovenaan het beter doen dan de gewone lijst, is een holdout-test die thuishoort bij het draaien van signal-based plays.

Begin met wat je zelf hebt en voeg daarna één externe bron toe

De meeste teams hebben minder feeds nodig dan ze denken. First-party signalen kosten weinig en gaan over jou: sitetracking met bedrijfsherkenning, activiteit op formulieren en in je product, replies. Voeg één externe bron toe die past bij hoe je kopers zich gedragen, zoals vacaturedata als je product meebeweegt met werving, of een reviewsite als kopers leveranciers vergelijken. Zet dat allemaal met datums op het bedrijfsrecord voordat je iets anders koopt.

Een stack die alleen een dashboard vult, wacht tot iemand kijkt. Zodra een account over de drempel gaat, hoort data enrichment de juiste mensen te vinden en hoort een rep dezelfde werkdag een taak te krijgen, want gecombineerde signalen koelen af om de redenen die bij speed to lead staan. Die keten aanleggen is het grootste deel van wat nodig is om van signalen volgen een geautomatiseerde prospectingroutine te maken. Is het doorslaggevende signaal een bezoek aan je eigen site, dan heet de aanpak inbound-led outbound, en een workflow voor websitebezoekers is een manier om die te draaien.

De kern

De signalen zelf zijn zelden het probleem, en de meeste bedrijven verzamelen er al meer dan ze gebruiken. Het verschil tussen een sales signal stack die meetings oplevert en een die een gemute kanaal vult, zit in een handvol regels over hoe signalen optellen, opgeschreven op een plek waar iedereen ze kan controleren.

Die regels kloppen nooit in één keer. De half-life per signaal begint als een gok, de drempel begint als een rond getal, en één feed blijkt niets toe te voegen. Dat is prima, zolang elk signaal zijn echte datum meedraagt en iemand de stack elk kwartaal opnieuw afspeelt tegen echte meetings. Een eenvoudige score die je naast de werkelijkheid legt, wint het van een slimme score die nooit is gecontroleerd.

In een go-to-market-systeem dat reageert op wat kopers doen is de stack het onderdeel dat bepaalt welke reacties een middag van een rep verdienen. Als Nebor er een bouwt, worden de gewichten, de half-life per signaal en de echoregels gewone velden en formules die van de klant zijn, in hun eigen CRM en Clay-account, met een notitie van één pagina erbij over waarom elk getal is wat het is. Wie het overneemt, kan de test volgend kwartaal opnieuw draaien en een half-life aanpassen zonder ons eerst te vragen.

Veelgestelde vragen