Как находить неочевидные сигналы для B2B-продаж

Как соединять вакансии, изменения продукта, посещаемость сайта, карты и другие открытые данные в проверяемые коммерческие гипотезы, быстро проверять их в Clay или Deepline и масштабировать только то, что работает.

Мне больше всего нравится объяснять комбинирование сигналов на примере парковок у торговых центров.

Инвесторы и аналитики давно используют спутниковые снимки, чтобы оценивать количество машин у магазинов и приблизительно судить о посещаемости. Но один снимок почти бесполезен. Пятьдесят машин для одного магазина могут означать ажиотаж, для другого - пустую парковку. Утро понедельника нельзя сравнивать с вечером субботы. Праздничную неделю нельзя сравнивать с обычной.

Ценность появляется, когда к числу машин добавляют вместимость парковки, время съемки, динамику за несколько недель и положение конкретной сети. В одном рецензируемом исследовании авторы обработали более 1,5 млн спутниковых снимков 33 848 магазинов пятнадцати крупных розничных сетей. Нормализованная посещаемость парковок помогала прогнозировать будущие показатели ретейлеров (Journal of Retailing).

Фотография была лишь наблюдением. Решение рождалось из сочетания с другими данными.

В исходящих B2B-продажах происходит то же самое. Раунд инвестиций, новый руководитель, вакансия, посещение страницы тарифов или изменение сайта говорят только о том, что что-то произошло. Они редко объясняют, что именно это значит и стоит ли кому-то писать.

Я регулярно вижу эту ошибку, когда собираю или разбираю системы поиска коммерческих сигналов в Cheetah. Первый запрос почти всегда звучит как задача на данные: найдите компании, которые нанимают менеджеров по продажам, меняют тарифы или обсуждают конкурента. Я стараюсь вернуть разговор на шаг назад: какую деловую ситуацию мы пытаемся распознать и что сделаем иначе, если окажемся правы?

Хороший пример приводит Брэндон Чарльсон. Если компания открыла больше вакансий для менеджеров, которые ведут и закрывают сделки (AE), но не ищет специалистов по поиску и первичному контакту (SDR), это может означать, что способность закрывать сделки растет быстрее, чем способность создавать новые возможности. Отсутствующая вакансия меняет смысл тех вакансий, которые мы видим.

Это не доказательство проблемы. Это конкретная ситуация, которую стоит проверить.

В англоязычной среде выхода на рынок и организации продаж, или GTM, такой подход часто называют signal stacking. По-русски я буду говорить о комбинировании сигналов. Мы соединяем независимые наблюдения, контекст и возможные альтернативные объяснения, чтобы распознать скрытое состояние бизнеса.

Мое практическое правило: сначала проверить логику, потом вкладываться в инфраструктуру. Clay удобен, когда хочется видеть доказательства в таблице и быстро просматривать строки. Deepline подходит, когда работа уже идет в Claude или Codex и агенту нужно управлять обращениями к разным поставщикам данных. Оба инструмента помогают собрать и сопоставить наблюдения. Ни один из них не решит за вас, что эти наблюдения означают.

Уведомление о новой вакансии можно купить. Список компаний после раунда инвестиций тоже. Гораздо труднее понять, что событие может означать для конкретной компании, что еще способно его объяснить и требует ли оно какого-либо действия.

Эрик Новославски оценивает коммерческие сигналы по эффективности, доступности и возможности работать с ними в большом объеме. В верхней части его списка находятся события, связанные с конкретной компанией, и приход нового человека на должность. Общий факт финансирования он скорее считает полезным фильтром, чем универсальным поводом для обращения.

Особенно показателен его пример с вакансиями. Название должности говорит меньше, чем формулировка задачи внутри описания. Если от нового сотрудника ждут роста числа крупных корпоративных клиентов, мы видим не просто найм. Мы видим приоритет, вокруг которого можно строить предложение. Но даже сильный сигнал не исправит слабое предложение. Кампания без особых сигналов, но с понятной ценностью может обойти сложную аналитическую систему, которая заканчивается очередным шаблонным письмом.

Патрик Спыхальски снимает с подобных систем налет магии. За готовым сигналом часто стоит запрос к поставщику данных, отслеживание изменений и удаление повторов, упакованные в удобный интерфейс. Интерфейс не создает само наблюдение. Он удешевляет проверку гипотезы: можно быстро сменить источник, посмотреть исходные строки и получать только новые события.

Чарльсон добавляет недостающую часть между рейтингом сигналов и технической реализацией. Новая вакансия руководителя по выручке вместе с упоминанием унаследованной CRM в описаниях других вакансий может указывать на окно для пересмотра набора инструментов. Изменение страницы тарифов вместе с ростом числа корпоративных ролей может указывать на движение к более крупным клиентам. Второе наблюдение не просто повышает условный балл компании. Оно меняет смысл первого.

Джордан Кроуфорд предлагает еще один полезный критерий. Его Pain-Qualified Segment (PQS) можно перевести как сегмент, в котором проблему удается определить по открытым данным. Permissionless Value Proposition (PVP) означает полезный результат, который компания получает еще до созвона и без предварительного запроса. Я использую эту идею как последнюю проверку: позволяет ли наш вывод создать что-то ценное для потенциального клиента или дает только хитрую первую строку письма?

Комбинирование сигналов придумали не продавцы. Во многих отраслях давно исходят из того, что один источник показывает лишь часть скрытой реальности.

У этих областей я заимствую одну привычку: всегда проверять независимость источников. Если два сервиса перепродают одну базу вакансий, мы не получили два подтверждения. Мы дважды посчитали одно наблюдение.

«Отслеживать новые вакансии» - это задача на сбор данных. «Находить компании, которые увеличивают способность закрывать сделки, но не увеличивают способность создавать новые возможности» - уже задача для принятия решения.

Начинать нужно со скрытого состояния бизнеса. Оно должно менять хотя бы одно действие: кому написать, что предложить, когда обратиться, кому передать компанию на ручное изучение или почему пока не делать ничего.

Я записываю гипотезу простым уравнением:

Сразу под ним добавляю вторую строку:

Удобно смотреть на три вида доказательств. Новая роль является положительным свидетельством. Отсутствие найма SDR может быть значимым отсутствующим свидетельством. Заморозка найма, противоречащая гипотезе публикация руководителя или давно не обновлявшаяся страница могут стать отрицательным свидетельством. При этом отсутствие имеет смысл только тогда, когда источник достаточно полный, а период наблюдения достаточно длинный. Иначе мы принимаем дыру в данных за деловую закономерность.

Вот несколько формул из практики:

Я бы не копировал эти рецепты буквально. Полезнее посмотреть, как второе наблюдение в каждом случае сужает толкование первого, и построить свою формулу под конкретную боль клиента.

Для первой проверки одинаково подходят Clay, Clay CLI или MCP и Deepline. Я выбираю не потому, что один инструмент якобы «зрелее» другого, а по тому, как мне удобнее смотреть на результат.

Clay подходит тем, кому удобна таблица. Если нужно вручную просмотреть пятьдесят компаний, я хочу видеть исходный список, два наблюдения, даты, ссылки на первоисточники и человеческий вердикт на одном экране. Встроенные Signals и каталог интеграций Clay позволяют собрать такую проверку за несколько часов.

Clay CLI или MCP подходят тем, кто живет в Claude и Codex. Агент может вызывать функции Clay, собирать результаты и помогать с проверкой строк. Но ему все равно нужна четкая гипотеза и правило оценки (Clay Agent Plugin).

Deepline подходит для управления разными поставщиками данных из среды агента. Официальные инструменты работают с Claude Code и Codex через командную строку и MCP, а руководство рекомендует начинать с небольшой выборки (интерфейсы Deepline, краткое руководство). Deepline делает исследование через разные источники повторяемым. Но он не придумывает стратегию комбинирования сигналов.

На этом месте легко перепутать интерфейс с источником. В Clay встроенные Signals и функции, которыми управляет сама платформа, соседствуют с внешними интеграциями. Sumble подключен как управляемая интеграция. CrustData и Signaliz можно подключить со своим ключом. Для поставщика, которого нет в каталоге, остается запрос по HTTP. Логотип в каталоге еще не означает, что Clay управляет данными, доступом и оплатой каждого действия.

В Deepline «встроенный поставщик» означает, что к нему можно обратиться из CLI или MCP. Исходные данные все равно принадлежат внешнему сервису, и иногда потребуется отдельная учетная запись или ключ. В каталоге Deepline есть TheirStack, CrustData, PredictLeads, BuiltWith, Adyntel, DataForSEO, Exa, Parallel, ScrapeCreators и Apify.

Для гипотезы о дисбалансе между AE и SDR быструю проверку в Clay можно собрать на TheirStack или PredictLeads, а CrustData добавить для понимания состава команды. В Deepline можно обратиться к тем же источникам через готовые подключения. Если формула выдержит ручную проверку, имеет смысл подключиться к выбранному API вакансий напрямую и хранить снимки истории. Только тогда отношение вакансий будет считаться одинаково каждую неделю.

В Cheetah мы обычно идем в таком порядке: сначала удобный интерфейс, затем прямое подключение к источнику, затем собственная логика. До последнего шага стоит доходить только тогда, когда сам вопрос перестал меняться. Так первая проверка остается дешевой, а настоящее преимущество со временем появляется в накопленной истории и собственной интерпретации, а не в интерфейсе.

Первая проверка во всех трех средах выглядит одинаково:

Допустим, финтех-компания добавила требования к идентификации клиентов (KYC) в несколько вакансий и одновременно переписала страницы продукта вокруг корпоративных средств контроля. Сначала проверяем сочетание в Clay или Deepline. До вывода о движении в корпоративный сегмент нужно выяснить, не является ли найм обычным усилением соответствия требованиям, а обновление страницы - только редакционной правкой.

Когда формула становится четкой, я подбираю для каждого наблюдения самый узкий источник, который способен на него ответить. Именно этого слоя обычно не хватает в разговорах о коммерческих сигналах: все советуют использовать Clay или Deepline, но редко говорят, откуда взять нужное наблюдение.

Для вакансий в Clay быстро подключаются TheirStack и PredictLeads, а CrustData дает дополнительный контекст по людям и команде. Deepline позволяет работать с теми же поставщиками через готовые команды. TheirStack удобен для фильтрации по роли, тексту описания, технологии, дате и месту. После подтверждения гипотезы можно обращаться к выбранному API напрямую, сохранять полные описания и сравнивать снимки во времени. Текст вакансии показывает намерение нанять человека, а не факт покупки проекта (TheirStack, CrustData Jobs).

В Clay можно использовать BuiltWith, Sumble или признаки технологий в вакансиях из PredictLeads. В Deepline BuiltWith и TheirStack можно соединить с PredictLeads, а Sumble подключить своим ключом. Прямой мониторинг нужен, когда важен момент появления или удаления технологии. Публичный тег на сайте все равно не показывает полный внутренний набор инструментов компании (BuiltWith API).

Trigify помогает в Clay находить активность по теме с фильтрами по должности, компании, отрасли и времени. В Deepline для открытых публикаций и контекста можно использовать ScrapeCreators или CrustData. Apify закрывает множество более узких задач готовыми сборщиками данных, которые платформа называет Actors. Для прямого сбора открытых профессиональных данных можно рассматривать Bright Data.

Сам по себе лайк почти ничего не значит. Гораздо интереснее ситуация, когда потенциальный покупатель публично описывает проблему, а в его компании одновременно происходит связанное изменение (документация Apify, варианты сбора Bright Data).

Встроенные сигналы Clay о новостях и финансировании можно дополнить Owler или PredictLeads. Deepline использует PredictLeads для структурированных событий, а Exa или Parallel для поиска и проверки информации в открытом интернете. Exa Websets и Parallel подходят для прямого мониторинга, когда класс событий и правила проверки уже перестали меняться. Поток общих новостей сам по себе не является преимуществом. Важно, какое решение конкретное событие меняет для конкретной компании.

В каталоге Clay есть Adbeat с данными о каналах, объявлениях, площадках и примерных расходах, а Similarweb добавляет оценки посещаемости и вовлеченности. В Deepline есть Adyntel для анализа платной рекламы и DataForSEO для поисковых запросов, позиций, контента, ссылок и оценки трафика. Если такая формула работает, можно регулярно сохранять рекламные материалы и посадочные страницы, а затем сравнивать изменения. Оценки расходов и трафика не равны внутренней аналитике компании (Similarweb).

Clay работает с Google Maps и Apify, а запрос по HTTP позволяет подключить другой картографический API. В Deepline можно запустить подходящий сборщик карт или отзывов из Apify. После проверки географии и частоты обновлений лучше перейти к Google Places, Bright Data или другому лицензированному поставщику локальных данных. RapidAPI помогает быстро испытать узкий API, но это площадка с разными поставщиками, а не единый источник одинакового качества (Google Places, правила использования, RapidAPI).

Спутниковые и аэрофотоснимки стоят еще дальше от обычного набора инструментов продаж. Для первой проверки Clay может обратиться к внешнему API по HTTP, а агент в Deepline может управлять тем же запросом. Если изображения стабильно помогают принимать решения, стоит перейти к Sentinel Hub, Nearmap или другому лицензированному источнику и сравнивать снимки уже вне общего интерфейса (Sentinel Hub).

Техническая возможность получить фотографии, отзывы, публикации или снимки не дает права использовать их как угодно. Я проверяю условия сервиса, конфиденциальность, требования к указанию источника, свежесть и лицензию. В системе должны оставаться происхождение каждого наблюдения и честная возможность ничего не делать.

Оставайтесь в Clay или Deepline, пока гипотеза меняется после каждой проверки, выборка мала или люди расходятся в толковании результата. Подключайтесь к источнику напрямую, когда одна и та же формула снова и снова дает полезные выводы, а конкретный поставщик оказывается слишком медленным, поверхностным, дорогим или непрозрачным.

Я предпочитаю идти глубже в одном месте, а не перестраивать всю систему.

Собственная разработка нужна там, где один источник или способ интерпретации уже доказал ценность. Внутреннюю платформу коммерческих сигналов на все случаи жизни заранее я бы не строил.

Сочетание сигналов отвечает на вопрос: «Почему эту компанию стоит изучить сейчас?» Хороший результат отвечает на другой вопрос: «Почему это должно быть интересно самой компании?»

В одном примере Кроуфорд соединяет разрешение на перевозку с простаивающей неподалеку техникой и находит реальную возможность для компании по аренде оборудования. В примере с деревьями он превращает открытый реестр, местные правила и расстояние до исполнителя в карту конкретных работ. Ценностью становится сама возможность, а не фраза «я увидел ваше разрешение» или «я слежу за деревьями рядом с вами».

Сравните два сообщения.

Слабое: Я увидел, что вы добавили KYC в три описания вакансий.

Полезное: Я сопоставил зоны ответственности этих ролей и нашел два участка, где движение к крупным клиентам может создать повторную проверку одних и тех же данных. Собрал это на одной странице, можно сверить логику.

Второе сообщение не объявляет стратегию компании доказанным фактом. Оно превращает наблюдения в полезный материал и позволяет получателю проверить ход рассуждений.

Сигналы не спасают ценность, которой нет. Кроуфорд публиковал разбор собственной неудачной кампании для Segment: технически сильное исследование вызывало вопросы об анализе, но не приводило к нужному действию покупателя (разбор неудачной кампании). Доказательства должны менять предложение, а сообщение должно приносить пользу, а не демонстрировать слежку.

В Cheetah первую гипотезу мы проверяем вручную и на небольшой выборке. Систему для постоянного использования оставляем на потом. Метки намеренно простые: «полезно», «неоднозначно», «ошибка». На этом этапе они сообщают больше, чем красивый балл с двумя знаками после запятой.

Возьмите повторяющуюся боль клиента или закономерность из выигранных сделок. Назовите скрытое состояние, запишите три формулы, которые могут на него указывать, и добавьте к каждой лучшее альтернативное объяснение.

Выберите Clay, Clay CLI или MCP либо Deepline в зависимости от привычного способа работы. Возьмите 20-100 компаний из целевого профиля. Оставьте исходные доказательства видимыми и не пытайтесь сразу строить сложную систему баллов.

Пометьте каждый вывод как полезный, неоднозначный или ошибочный. Запишите причину сбоя: устаревший источник, повтор одного события, неверно сопоставленная компания, слабый косвенный признак или несущественная проблема. Откажитесь от формулы, если для большинства компаний ее приходится спасать длинным объяснением.

Соберите небольшой анализ, сравнение, карту, список проверки или найденную возможность, которыми получатель сможет воспользоваться без покупки. Отправьте материал вручную небольшой группе или передайте владельцу компании внутри отдела продаж. Сформулируйте предложение и желаемое действие покупателя без двусмысленности.

Оцените точность после ручной проверки, влияние вывода на действие, свежесть, повторяемость, полезность для получателя, стоимость источника и будущую поддержку. Возможные решения: закрыть гипотезу, изменить ее, оставить в общем интерфейсе или углубить один источник. Один положительный ответ еще не оправдывает постоянную систему.

Два поставщика могут сообщать об одном и том же исходном событии. Это повтор, а не подтверждение. Вакансии, оценки трафика, размер команды, отзывы и сведения о технологиях могут быть рассчитаны моделью, проиндексированы с задержкой или просто ошибочны. Поэтому нужно сохранять даты и прямые ссылки.

Корреляция не является причинностью. Публикация заметного автора вместе с ростом посещаемости все еще требует исходного уровня или контрольной группы. Старая фотография, постоянно открытая вакансия или скопированное описание могут создать очень убедительную, но ложную историю. Данные о физическом мире бывают слишком дорогими, старыми или недостаточно подробными для обычной задачи продаж.

Открытый доступ не отменяет условия использования, конфиденциальность, требования к указанию источника и защите данных. У меня есть простой тест: если система строит убедительную историю для каждой компании, она не умная. Она просто не умеет говорить «нет».

И еще раз: точный сигнал не исправит предложение, которое не решает предполагаемую проблему.

Спутниковый снимок становится полезным только тогда, когда контекст превращает его в проверяемую оценку. С коммерческими сигналами работает тот же принцип.

Начните со скрытого состояния бизнеса. Соедините независимые наблюдения. Запишите альтернативное объяснение. Проверьте небольшую выборку компаний. Попросите человека вынести вердикт. Превратите уцелевший вывод в полезный результат, а затем углубите только тот источник, который действительно создает преимущество.

На этой неделе попробуйте выбрать одну болезненную ситуацию клиента и записать для нее три формулы. Если вывод не меняет ни адресата, ни предложение, ни время обращения, ни решение ничего не делать, такой сигнал вам не нужен.

Один сигнал сообщает, что что-то произошло. Хорошая интерпретация подсказывает, что может иметь значение дальше.

Подпишись на телеграм канал, чтобы не пропустить новые посты