La correspondance de mots-clés est la première chose que l'on construit et la première dont il faut se débarrasser. Elle ne distingue pas un acheteur d'un revendeur, et elle ne distingue certainement ni l'un ni l'autre d'un concurrent, parce que le mot sur la page est identique dans les trois cas. L'enrichissement de prospects ne devient utile qu'au moment où il cesse de compter des mots et se met à lire l'entreprise comme le ferait un commercial correct : que vendez-vous, qui l'achète, combien vous coûte-t-il de le produire, et seulement ensuite, sur quoi est-ce bâti.
01Un mot, trois entreprises qui n'ont rien en commun
Prenez une page qui dit que l'entreprise travaille avec des données web à grande échelle. Trois activités très différentes publient cette phrase, et un filtre par mots-clés leur attribue le même score.
- Un fournisseur. Il vend la collecte elle-même. C'est un concurrent, et un message de notre part est une gêne plutôt qu'une occasion.
- Un revendeur ou une agence. Ils font transiter la donnée d'un tiers vers leurs propres clients et ajoutent un rapport par-dessus. La facture de collecte n'est pas la leur, donc un meilleur prix de collecte ne change rien qu'ils puissent ressentir.
- Un acheteur. La donnée est le produit qu'ils vendent, la collecte est leur coût des ventes, et la facture grossit chaque fois qu'un site cible se referme. C'est le seul des trois qui vaille un message.
Rien dans la formule ne les sépare. La pile technique non plus, puisque les trois peuvent faire tourner les mêmes outils. La séparation n'apparaît qu'une fois que vous avez lu ce que l'entreprise vend et à qui, ce qu'une personne fait dans les trente premières secondes sur un site et ce qu'un filtre par mots-clés ne fait jamais.
02L'enrichissement de prospects commence par ce que l'entreprise vend
La première lecture porte sur le produit lui-même, pris sur le site de l'entreprise : la promesse de la page d'accueil, les pages produit, la page tarifs s'il y en a une, et la formulation de ce que le client reçoit réellement. Nous cherchons une seule distinction. La donnée est-elle la chose vendue, ou une chose que l'activité touche au passage en vendant autre chose.
Cette distinction porte tout ce qui vient ensuite. Une entreprise d'intelligence commerciale vend un produit de données et le tarife à la couverture : plus de couverture lui coûte plus d'argent et elle le sait à la décimale près. Une entreprise de logistique qui scrape deux sites de transporteurs pour enrichir sa propre page de suivi a une activité de données, pas un produit de données, et aucune amélioration de la collecte ne déplace un chiffre que quiconque regarde dans ce bâtiment.
C'est aussi la raison pour laquelle l'enrichissement lit le site réel plutôt que de se fier à une fiche d'annuaire. Un annuaire vous dit ce que l'entreprise a dit d'elle-même au moment de son inscription, ce qui peut dater de trois ans et a été écrit pour être trouvé plutôt que pour être exact. Les annuaires sont excellents pour vous dire qu'une entreprise existe et appartient à une catégorie. Ils sont mauvais pour vous dire ce qu'elle vend ce trimestre, et c'est la seule version qui nous intéresse.
Un refus a sa place ici. Nous ne lisons pas les profils personnels des gens qui travaillent dans l'entreprise. L'enrichissement lit l'activité, son site public, ses dépôts publics et ses publications publiques, et il ne construit l'image d'aucun individu. Une entreprise est un sujet de recherche légitime. Les personnes qui s'y trouvent ne nous regardent pas tant que l'une d'elles n'a pas choisi de répondre.
03Ensuite, qui l'achète, et ce qu'il leur en coûte de le produire
La deuxième lecture porte sur le client, parce qu'elle tranche la question du revendeur que la première laisse ouverte. Une entreprise qui vend un flux de données à des fonds spéculatifs possède sa collecte. Une entreprise qui vend des tableaux de bord à des chefs de marque achète peut-être ce même flux en gros sans jamais toucher un collecteur.
Les indices sont ordinaires une fois qu'on les cherche. Les études de cas nomment le type de client. Une page de tarifs facturée au siège pointe vers du logiciel ; facturée à l'enregistrement ou à la requête, elle pointe vers de la donnée. Une documentation destinée aux ingénieurs signifie que l'acheteur construit, une documentation destinée aux analystes signifie que l'acheteur consomme. Une page de partenaires ou d'intégrations citant un fournisseur de données est souvent le signal le plus clair de tous, et c'est en général le moment où une candidate prometteuse se révèle être un revendeur.
La troisième lecture porte sur le coût des ventes, et c'est celle qui prédit réellement une réponse. Nous demandons si la collecte se trouve du côté cher de leurs comptes. Des volumes de couverture annoncés en millions, une fraîcheur promise en heures, une page d'état qui rend compte de la santé de la collecte, un journal des changements qui annonce de nouvelles sources par leur nom : tout cela signifie que quelqu'un paie pour du volume et le surveille.
Là où la réponse est non, la candidate est refusée même quand les deux premières lectures étaient parfaites. Une entreprise qui vend de la donnée mais la tire d'une API qui coûte la même chose chaque mois n'a aucun problème que nous puissions améliorer. C'est une belle activité et il n'y a rien à lui dire.
04Ensuite, si leurs cibles bloquent le trafic ordinaire
La quatrième lecture est celle que la plupart des systèmes sautent entièrement, et c'est celle qui prédit le mieux si le message porte. Nous regardons ce que l'entreprise collecte, puis si ces sources sont hostiles au trafic ordinaire.
Notre propre référence fait la démonstration. Les meilleurs comptes en chiffre d'affaires cumulé chez Crawlbase se regroupent sur trois familles de cibles : les places de marché, le voyage, et les fiches de personnes ou d'entreprises. Chacune de ces familles bloque durement le trafic ordinaire et durcit chaque année. Ce n'est pas une coïncidence à propos de ces clients, c'est la raison pour laquelle ils sont ces clients.
Une entreprise qui collecte depuis des sources servant des pages simples à quiconque le demande est donc refusée ici, et c'est une perte réelle quand le reste du profil est solide. C'est une vraie activité de données avec un vrai coût des ventes, et ce coût n'est simplement pas la partie que nous pourrions changer. Leur écrire reviendrait à ouvrir sur un problème qu'ils n'ont pas, ce qui est le moyen le plus rapide d'être classé comme du bruit.
Cette lecture est aussi celle qui sauve le plus souvent une candidate. Une entreprise modeste qui collecte depuis trois places de marché brutales est un meilleur prospect qu'une grande entreprise qui collecte depuis un registre public, et aucune mesure de taille ne vous le dira jamais.
05Seulement maintenant, les signaux techniques
Les signaux techniques viennent en dernier, délibérément, parce qu'ils sont confirmatifs et non diagnostiques. Un SDK concurrent dans un dépôt public, une offre d'emploi nommant un fournisseur de proxy, une dépendance de navigateur sans interface dans un manifeste public, une page d'état qui s'excuse au sujet de la collecte : chacun affine une image. Aucun ne la dessine.
Lu en premier, un SDK concurrent ressemble au signal le plus fort disponible. Lu en dernier, c'est simplement un fait au sujet d'une entreprise que nous avons déjà classée. Si les quatre lectures précédentes disent revendeur, un SDK concurrent signifie que son fournisseur l'a choisi. Si elles disent fournisseur, cela signifie qu'un concurrent en utilise un autre. La même preuve pointe dans trois directions selon ce que vous savez déjà, et c'est exactement pourquoi elle ne peut pas venir en premier.
Le coût de cette façon de faire est que l'enrichissement est lent et cher comparé à un passage par mots-clés. Il lit des pages, il suit une poignée de liens, et il le fait poliment et en un seul fil plutôt qu'en martelant qui que ce soit. Nous avons accepté ce coût parce que l'alternative était mesurablement fausse.
Nous avons gardé un filtre par mots-clés bon marché en parallèle de l'enrichissement pendant un trimestre pour noter l'un contre l'autre. Le filtre par mots-clés a laissé passer 1 204 candidates. L'enrichissement en a approuvé 411 et en a renversé 793, soit un peu moins de deux tiers de ses verdicts.
- 341 vendaient elles-mêmes de la collecte. Des concurrents et quasi-concurrents, chacun d'eux un message que nous sommes heureux de ne pas avoir envoyé.
- 224 mentionnaient la collecte dans une offre d'emploi ou un article de blog, mais le produit qu'elles vendent est autre chose et la collecte est incidente.
- 152 revendaient de la donnée qu'elles n'avaient pas recueillie, si bien que la facture de collecte revient à leur fournisseur et non à elles.
- 76 étaient des cabinets de conseil ou des agences facturant du temps plutôt que du volume, où un coût unitaire plus bas n'est pas un chiffre que quiconque suit dans l'entreprise.
Les erreurs allaient aussi dans l'autre sens, et cette moitié est plus facile à manquer. Nous avons pris 600 candidates au hasard parmi celles que le filtre par mots-clés avait recalées et nous les avons enrichies quand même. Soixante-trois auraient dû passer, pour la plupart des entreprises dont le site décrivait un produit dont le coût des ventes était manifestement la collecte sans que le vocabulaire n'apparaisse jamais. Extrapolé sur le trimestre, cela fait environ 1 180 entreprises, et c'est l'essentiel de la raison pour laquelle l'étape 1 en a laissé passer 1 592 plutôt que 411.
Deux tiers de faux dans un sens et environ un dixième dans l'autre, ce n'est pas un filtre à régler. C'est un filtre qui lit la mauvaise chose. L'ordre de lecture n'est pas un détail de mise en œuvre, c'est la méthode.