Previously in…

• On voulait détecter des signaux d’intent.

• On voulait faire mieux que de simples notifications Slack (i.e. analyser l’impact des signaux sur nos taux de conversion, les distribuer dans le CRM, les inclure dans le scoring, etc.)

• Je vous ai convaincus que pour y parvenir il ne suffisait pas d’automatiser, il fallait aussi stocker.

• Dès lors, je vous ai présenté mon blueprint pour construire un système complet de détection des signaux d’intent — un système qui vous permette de faire toutes ces choses aisément.

  

  Retournez lire le TL;DR à la fin de l’épisode 1 si votre mémoire vous fait défaut.

Bref, on a vu la théorie, l’heure est venue de passer à la pratique.

Cette semaine, pour la deuxième et dernière partie de la série House of Data, on va dérouler mon blueprint sur trois exemples concrets ET réels, en provenance d’une mission réalisée aux côtés de Bulldozer il y a quelques mois.

Je vais vous présenter :

• l’entreprise qu’on a aidée

• l’outil qu’on a utilisé (Cargo)

• vous expliquer comment est-ce qu’on a posé les fondations de la base de données

• puis vous montrer en détail comment on a implémenté les signaux :

  • Website Visits

  • Negative Lemlist Interaction

  • Big Headcount Variation

• et, en bonus, avec un peu moins de détails, les signaux :

  • Lead Magnet Download

  • Ongoing Persona Hiring

  • Hired Persona

In fine, sur le mois qu’a duré la mission, voici les signaux que nous avons détectés :

Bref, sans plus attendre…

…un peu de contexte

Rapide. Promis 🌝

Hiretrend, le client qu’on a aidé, est une jeune HR Tech dont la proposition de valeur est d’aider les entreprises à “sentir le sens du vent” en ce qui concerne le bien-être des employés au travail.

Sans surprise, en aidant ses clients à maximiser le bien-être de leurs employés, Hiretrend les aide à baisser les coûts pour les remplacer (aka les coûts de turnover).

À cet égard, leurs personas sont les responsables qualité de vie au travail dans les ESN et les cabinets de conseil (leur ICP).

C’était une mission pour le compte de Bulldozer sur un format ABM. J’y ai occupé le rôle de growth engineer et Benoît Pasquier, de Head of Growth et responsable ABM (sa spécialité).

Et c’est là que ça vous intéresse :

pour mener à bien la mission, j’ai utilisé CARGO.

S’il fallait résumer l’outil en une phrase, je dirais que c’est la fusion de n8n et de postgreSQL.

Je vous en parle, d’abord parce que vous allez en voir des captures d’écran, mais surtout parce que c’est le premier que je vois faire la synthèse entre les briques automatisation et stockage.

En vertu de l’épisode 1 de House of Data, vous comprendrez que je trouve cette thèse extrêmement prometteuse (même si Cargo a encore des lacunes selon moi et que je continue de lui préférer n8n x PostgreSQL).

Bref, nous voici prêts à dérouler le blueprint.

I. Fondations : le marché adressable

Dès le début de la mission, Benoît Pasquier a constitué une liste de 170 entreprises dans la cible de Hiretrend.

Mais plutôt que de toutes les contacter à froid, dès le départ, nous allions les contacter après qu’elles ont émis un certain nombre de signaux les faisant dépasser un certain seuil de score.

J’attire votre attention sur deux points :

1. la table contact

   En théorie, on a dit que le marché adressable était constitué d’une table pour les entreprises et d’une autre pour leurs contacts.

   Or, vous le savez, les contacts sont toujours plus durs (et onéreux) à trouver que les entreprises. Donc nous avons choisi de n’avoir en base et de ne scorer que des entreprises — quitte à nous enquérir de leurs contacts plus tard.

   (et puis, même si un signal est émis par un contact stricto sensu, on peut presque toujours le lier à son entreprise — l’inverse n’est pas vrai)

2. l’inflation du marché adressable

   Toujours d’après le blueprint, le marché adressable stocké en base est censé croître à mesure qu’on détecte des signaux en provenance d’entreprises inconnues.

   Mais, comme pour le 1. ci-dessus, nous avons choisi de ne pas faire croître le marché adressable dans les premières semaines de la mission — quitte à changer ensuite.

Ce que vous devez retenir, c’est qu’on peut appliquer des contraintes très fortes au début du projet pour ne pas se faire dépasser par le nombre de signaux, de contacts, d’entreprises, etc.

De cette manière, on peut consolider les fondations du système avant de le faire lentement passer à l’échelle. Je vous recommande de procéder ainsi.

II. Identification

Nous disposions des id LinkedIn des 170 entreprises du marché adressables de Hiretrend. Or, je le disais plus haut, l’id LinkedIn est le roi des identifiants.

Malheureusement, nous ne pouvions pas nous en contenter.

Encore une fois les identifiants servent à éviter les doublons dans la table mais également à lier les tables entre elles.

Or, ici, nous sommes sur le point de lier une multitude de signaux d’intent aux entreprises, et il n’est pas garanti que nous ayons un id LinkedIn d’entreprise pour chaque signal détecté.

Ce qui signifie qu’il faut d’autres identifiants pour les entreprises selon les données disponibles pour chaque signal.

Bref, au total, quatre identifiants uniques pour les entreprises du marché adressables : linkedinId, referenceDomain, linkedinCompanySlug et lowerCompanyName.

Ils sont rangés par ordre de préférence : on utilise le linkedinId dès que possible et le lowerCompanyName en dernier recours.

III. Itérations

Capteur

“j’ai implémenté un signal”

“j’ai automatisé un signal”

“j’ai implémenté un intent”

On n’implémente pas une “intention”.

On n’implémente pas non plus un signal.

On le détecte.

Et des signaux, on en détecte depuis belle lurette, notamment en physique (ondes acoustiques, ondes électromagnétiques, …), et on les détecte avec des…

CAPTEURS — le voilà le mot consacré.

Je déclare donc solennellement que tout système complet de détection, stockage et traitement des signaux d’intent, s’appelle un capteur de signaux d’intent.

Les capteurs que j’ai implémentés

Bien que ce soit le cœur de l’épisode, les constructions de capteurs sont techniques et fastidieuses (ce qui ne les empêche pas d’avoir énormément de valeur).

J’ai préféré les conserver dans la galerie Notion ci-dessous pour que vous puissiez piocher dans ce qui vous intéresse le plus.

À mon avis, contentez-vous d’un unique capteur — celui qui vous intéresse plus que les autres —, voyez comment j’ai déroulé le blueprint dessus, enregistrez les deux épisodes de House of Data pour vous y référer à l’avenir, faîtes-moi un chèque de 10k€ et passez à la suite.

TL;DR

Nous y voilà. Wrap up. Clap de fin.

Voici le TL;DR (essentiel) à toute newsletter technique :

• L’implémentation d’un capteur est toujours différente; la méthode, elle, toujours identique. Retenez donc la méthode :

  1. quelle est la source de données pour notre signal d’intent ?

  2. quel extracteur de données va-t-on utiliser ?

  3. quelle données l’extracteur va-t-il me retourner ?

  4. lesquelles pourrais-je utiliser pour construire la clé primaire de mon signal ?

  5. quel identifiant des entreprises vais-je utiliser comme clé étrangère pour mon signal ?

  6. quel est le schéma de données de mon signal ?

  7. comment implémenter le workflow qui me permettra de stocker le signal en base ?

• En tant que growth/gtm engineer, votre rôle n’est pas uniquement technique.

  

  Vous êtes précieux parce que vous êtes au centre de ce diagramme Venn.

  Prenez du recul sur vos choix techniques pour comprendre leur influence sur les sales. Dès que vous en avez pris la pleine mesure, profitez de l’influence de vos choix techniques pour infuser votre vision du growth.

  Oserai-je dire que vous êtes des artistes ?

  Vous êtes au moins des artisans.

• En stockant les signaux d’intent en base de données et en déroulant le blueprint que j’ai exposé, pondre des graphes comme les SUBLIMES Notion charts ci-dessous ne demande pas plus d’un claquement de doigts.

  

  À visualiser dans Notion, ça rend beaucoup mieux.

  

  À visualiser dans Notion, ça rend beaucoup mieux.

  Pour rappel, le but n’est pas juste d’avoir de belles images à montrer, mais de prendre des décisions éclairées :

  • si vous avez détecté un unique signal de type x en 3 mois, il vaut peut-être mieux l’archiver plutôt que passer du temps à le maintenir

  • si les leads sur lesquels on a au préalable détecté le signal de type y convertissent mieux que les autres, ça vaut peut-être le coup d’en augmenter leur poids dans le scoring

  • etc.

  C’est ce que des graphes peuvent vous aider à déceler, donc ne vous formalisez pas outre-mesure sur ceux que je vous montre ici. Constatez juste à quel point c’est simple de les créer.

Dopamine shop

• The reality of dating apps → tous les nombres derrières les apps que nous sommes nombreux à utiliser, comment retenir les hommes vs. les femmes sur les apps, différences de comportement entre sexes, monétisation … Fascinant.

Aller, à plus ✌️ 

Bastien.