Hitta företag baserat på teknik-stack

Varför teknologi avslöjar köpberedskap

Företags teknikval säger mer om dem än de flesta inser. Ett företag som använder Shopify har helt andra behov än ett som använder en egen WordPress-lösning. Ett företag med Klarna integrerat har redan accepterat att betala för betalningslösningar.

Tänk på det så här: traditionell firmografisk data (bransch, storlek, geografi) berättar vad ett företag är. Teknografisk data berättar hur de arbetar och fattar beslut. Ett företag som valt Shopify framför en egen lösning har medvetet prioriterat enkelhet och snabbhet framför total kontroll. De är troligen öppna för andra molntjänster som följer samma filosofi.

Ett konkret exempel: en svensk webbyrå säljer omgörningar av webbplatser till e-handlare. I stället för att kontakta alla e-handlare i Sverige fokuserar byrån på företag med WordPress och WooCommerce i rätt storlek och med stark tillväxt. De företagen har vuxit ur sin ursprungliga webbplats och är mogna för förändring, och byrån kan öppna varje samtal med något som faktiskt gäller mottagaren.

Teknik-stack som datapunkt

Varje teknikval ett företag gör avslöjar något om deras prioriteringar, budget och beslutsprocess:

• Avslöjar mognadsnivå: Shopify Plus och Shopifys grundplan indikerar olika budget och komplexitet. Plus kostar många gånger mer och väljs av företag med en helt annan verksamhet än den som använder grundplanen.
• Indikerar betalningsvilja: Företag som redan betalar för verktyg har budget och är vana vid prenumerationsmodellen. De behöver inte övertygas om konceptet, bara om värdet av just din lösning.
• Visar lösta och olösta problem: Om de har CRM men saknar marknadsautomation har de troligen kommit till en punkt där de behöver automatisera mer. De har redan investerat i digital infrastruktur.
• Identifierar konkurrenters kunder: Om du vet att dina bästa kunder ofta kommer från en specifik konkurrerande plattform kan du bygga listor direkt.

Vilka teknologier kan detekteras?

Bizzzles teknikfilter omfattar över 8 000 tekniker i över 30 kategorier, från CMS och e-handel till betalning, marknadsföring, analys, chatt och bokning. De tre kategorier som oftast används i prospektering är CMS, e-handelsplattform och betalningslösning.

CMS-plattformar

CMS-plattformen (Content Management System) avslöjar ofta ett företags tekniska mognad och interna kapacitet.

E-handelsplattformar

Valet av e-handelsplattform säger mycket om hur stor e-handeln är och hur den drivs.

Betalningslösningar

Läs mer om betalningslösningen som säljsignal i Klarna, Stripe eller PayPal?

Praktiska användningsfall

Den verkliga kraften i teknografisk data ligger i hur du tillämpar den. Här är tre konkreta scenarier där filtrering på teknik-stack förbättrar prospekteringen. Notera att varje scenario kombinerar teknik med andra datapunkter. Det är kombinationen som skapar precision.

E-handelsleverantör

• Filtrera på WooCommerce eller Shopify
• Kombinera med omsättning 5–50 MSEK
• Prioritera de med Klarna (etablerad kassa)
• Resultat: en hanterbar lista med kvalificerade potentiella kunder

Integrationsbyrå

• Hitta Optimizely-användare (behöver ofta hjälp)
• Eller Magento (komplex plattform)
• Kombinera med färre anställda, där egen IT-avdelning är ovanlig
• Resultat: exakt den målgrupp som behöver extern hjälp

Konkurrentersättare

• Hitta alla som använder konkurrentens verktyg
• Kombinera med storlek och tillväxt
• Timing: hör av dig vid förnyelse eller expansion
• Resultat: varma leads som redan har budget

Exempel: Logistiklösning för e-handel

Du säljer logistiklösningar till e-handlare. Traditionellt arbetssätt: sök på "e-handel" och få en lista som är alldeles för lång. Det är omöjligt att bearbeta alla, så de flesta säljare gör ett av två misstag: antingen skickar de generiska utskick till alla (låg konvertering), eller så väljer de slumpmässigt bland de första träffarna (missar de bästa potentiella kunderna).

Med teknik-stack som utgångspunkt arbetar du betydligt smartare. Logiken är enkel: du vill hitta e-handlare som a) är tillräckligt stora för att ha logistikutmaningar, b) använder moderna plattformar som signalerar tillväxtambitioner, och c) redan har investerat i kassan (vilket indikerar e-handelsmognad). Så här kan filtreringstratten se ut:

Exempel, fiktiva tal. Tratten visar hur listan krymper för varje filter, inte verkliga antal.

Det som gör den här listan värdefull är inte bara storleken, utan vad du vet om varje företag. När du ringer en potentiell kund från listan kan du säga: "Jag ser att ni använder WooCommerce med Klarna och har haft stark tillväxt. Många e-handlare i er storlek börjar just nu märka att den manuella lagerhanteringen inte räcker till." Det är ett helt annat samtal än "Hej, vi säljer logistiklösningar. Är det något ni behöver?"

Så bygger du teknik-baserade listor

Att bygga effektiva teknik-baserade listor handlar inte bara om att klicka i rätt filter. Det kräver ett systematiskt tänkande där du börjar med slutmålet och arbetar bakåt. Vilka problem löser din produkt? Vilka teknikval indikerar att ett företag har just det problemet, eller snart kommer att få det? Kombinera gärna med branschfiltret för att lägga till firmografiska kriterier som bransch, storlek och geografi.

Den vanligaste fällan är att börja för brett. "Alla företag med WooCommerce" låter specifikt, men det är fortfarande ett stort antal företag med vitt skilda behov. En WooCommerce-butik med tre produkter och en med tretusen har helt olika utmaningar. Nyckeln är att lägga till firmografiska filter som skiljer de relevanta företagen från mängden.

Exempelsökningar

Nedan följer fyra konkreta sökningar som illustrerar hur teknografisk data kan kombineras med andra filter för att hitta specifika målgrupper. Varje exempel är utformat för att lösa ett verkligt prospekteringsproblem.

Det sista exemplet, Magento-migrering, är särskilt intressant. Magento är en kraftfull plattform, men den kräver teknisk expertis och löpande underhåll. Små och medelstora e-handlare med Magento upptäcker ofta att plattformen är överdimensionerad för deras behov. Om du erbjuder migrering till enklare plattformar som Shopify eller WooCommerce har du en naturlig ingång: "Vi hjälper Magento-handlare att sänka sina IT-kostnader genom att flytta till en enklare plattform."

Vanliga misstag att undvika

Teknografisk data är ett kraftfullt verktyg, men det är lätt att använda det fel. De flesta misstagen handlar om att dra för snabba slutsatser från enskilda datapunkter utan att ta hänsyn till sammanhanget. Här är de vanligaste fallgroparna och hur du undviker dem.

1. Bara titta på teknologi

Teknik ensamt räcker inte. Ett Shopify-företag kan vara allt från en soloföretagare med direktleverans från grossist till en etablerad e-handlare med många anställda. Utan firmografiska filter (omsättning, anställda, bransch, geografi) prospekterar du i blindo. Kom ihåg: teknikdata berättar hur de arbetar, men du behöver också veta vad de är.

2. Anta att avsaknad = behov

Bara för att ett företag saknar en teknik betyder det inte att de behöver den. Ett företag utan CRM kanske har tre kunder och behöver inget CRM. Eller så har de medvetet valt att arbeta i kalkylark för att de är en konsultfirma med djupa kundrelationer. Kontrollera alltid om avsaknaden beror på storlek, bransch eller ett medvetet val.

3. Ignorera implementationssvårighet

Teknikval avslöjar beslutsprocesser. Ett företag med Optimizely, SAP eller annan affärssystemprogramvara för storföretag har troligen en komplex IT-miljö, längre säljcykel, fler beslutsfattare och högre krav på integration. Din enklare lösning kanske inte passar alls, eller så tar det månader i stället för veckor att stänga affären. Planera resurser därefter.

4. Glömma timing

Teknografisk data är en ögonblicksbild. Bästa tiden att höra av sig är vid teknikbyte eller i tillväxtfaser, när företaget ändå omvärderar sina verktyg. Kombinera teknikdata med tillväxtsignaler: nyrekryteringar, finansiering, expansion (nya kontor eller lager) eller helt enkelt stark omsättningstillväxt.

Kombinera med ICP och ABM

Den verkliga potentialen i teknografisk data realiseras när du integrerar den i en bredare strategi. De flesta B2B-företag definierar sin idealkundsprofil (ICP) utifrån firmografiska egenskaper: bransch, storlek, geografi. Det är en bra start, men det missar en viktig dimension: hur företagen faktiskt arbetar och fattar beslut.

Genom att lägga till teknografiska kriterier i din ICP får du ett mycket skarpare verktyg för kvalificering. Du vet inte bara att de har rätt storlek och är i rätt bransch, du vet också att de använder verktyg som indikerar att de är redo för din lösning. Ett företag som redan använder HubSpot och Slack är mer benäget att köpa din nästa molntjänst än ett företag som fortfarande sköter allt i kalkylark och telefonmöten.

För account-based marketing (ABM) är teknikdata ovärderlig. ABM handlar om att rikta marknadsförings- och säljresurser mot särskilt utvalda företag, inte mot breda segment. Teknografisk data låter dig välja de företagen med stor precision.

Tänk dig att du säljer en Shopify-app för lagerhantering. Med ABM och teknografisk data kan du bygga en lista över Shopify-handlare i din målstorlek, gå igenom vilka tillägg de redan använder och sedan skapa personliga kampanjer för just den gruppen. Dina annonser, mejl och säljargument kan handla om Shopify-specifika utmaningar, inte generiska e-handelsproblem.

Lookalike-sökning: Med Bizzzles lookalike-sökning hittar du företag som liknar dina bästa kunder baserat på bransch, storlek, geografi och affärsmodell.

Hitta företagen i Bizzzle

Vi äger vår data. Företagsuppgifterna uppdateras dagligen från Bolagsverket, SCB och andra offentliga källor, och i teknikfiltret kan du kombinera över 8 000 tekniker med bransch, storlek, geografi och nyckeltal. Utan konto ser du filterkategorierna och kan utvärdera verktyget. Fullständiga resultat i teknikfiltret ingår i Pro, som du kan testa gratis i 7 dagar utan bindning och utan säljsamtal. Vill du gå djupare i strategin bakom teknikdata? Läs guiden Prospektera med teknografisk data.