B2B-groei met geavanceerde lead scoring

Context en doelstellingen

Een Europese B2B-distributeur van voedingsmiddelen en dranken wilde meer inzicht krijgen in hun klantenbestand en het potentiële aantal leads vergroten.

Ze stonden voor twee grote uitdagingen

• slechte bruikbaarheid van gegevens voor hun klantenbestand: ze hadden voornamelijk gegevens over consumptiegedrag en weinig externe gegevens die handmatig waren ingevuld door het verkoopteam.

• een overweldigend aantal prospects om nauwkeurig te kwalificeren uit een lijst die wordt geleverd door (dure) B2B-dataservices.

Benadering

De eerste stap van het project bestond uit het verzamelen van interne gegevens over het gedrag van de klanten, zoals hun consumptiepatronen, zoals het type producten en diensten, of gegevens over leveranciersmachines en de aankoopfrequentie.

Vervolgens verzamelden we relevante open B2B-gegevens (financieel en sectorieel) en creëerden we extra variabelen gekoppeld aan bedrijfsgrootte, EBIT en andere relevante factoren. Dit proces was cruciaal om een uitgebreider beeld te krijgen van de klantendatabase.

Vervolgens ontwikkelden we een algoritme om onderscheid te maken tussen "hoge" en "lage" potentiële klanten. Dit was een kritieke fase, omdat het bedrijf zo hun klanten beter kon begrijpen en potentiële leads kon identificeren. We stonden hier voor een uitdaging omdat de criteria voor het definiëren van een hoge/lage klant in eerste instantie beperkend waren. Na enkele verfijningen was het algoritme echter in staat om duidelijk onderscheid te maken tussen de klanten.

Resultaten

We zijn erin geslaagd om meer dan 50% van de volledige CRM-database en meer dan 80% van de klanten die de afgelopen 3 jaar een aankoop hebben gedaan, te verrijken met relevante informatie. De verrijking onthulde de ideale sectoren en bedrijfstypen die gekoppeld zijn aan hogere commerciële prestaties. Dit inzicht was belangrijk omdat het hen hielp hun marketing- en verkoopinspanningen effectiever te richten.

Het lead scoring algoritme was ook een succes. Het gaf de klant niet alleen een dieper inzicht in het type bedrijven waarmee ze werkten, maar het identificeerde ook 1.800 bedrijven met het hoogste potentieel. Dit was een beheersbaar aantal voor de organisatie, waardoor ze hun middelen effectief konden inzetten.

Wat betreft de te leveren producten ontving de klant

• Twee datasets. De eerste dataset was hun klantenbestand, nu verrijkt met relevante gegevens. De tweede was een lijst van doelbedrijven, elk gescoord op basis van de waarschijnlijkheid een winstgevende klant te zijn en hun respectievelijke financiële en sectorgegevens.

• Een getraind model

• Projectcode

• Uitgebreide documentatie

• Een Power BI-dashboard