一家公司的 Tech Stack（技术栈），往往比几乎任何其他数据都更能反映其采购成熟度。刚刚部署数据仓库的公司，很快就会需要能与之对接的工具。一家公司同时使用三款功能重叠的项目管理应用，通常意味着内部已经有人感到不满，并开始寻找替代方案。

Technographic Targeting（技术画像定向）可以把这些信号转化为一套可重复执行的客户发现与排序方法，让你不再只依赖企业画像进行猜测。

本文将介绍什么是 Technographic Data（技术画像数据）、从哪里获取这些数据、如何围绕它建立评分模型，以及哪些常见错误会在不知不觉中浪费销售团队的时间。

📌 时间有限？先看摘要

本文内容： Technographic Targeting 利用企业的 Tech Stack，包括 CRM、营销工具和基础设施，找出最有可能采购的客户，并确定跟进优先级。

核心要点：

  1. Tech Stack 数据能够揭示仅靠企业画像和 Intent Data（意向数据）无法判断的采购成熟度。
  2. 没有任何单一来源能够覆盖完整的 Tech Stack；网站扫描工具、招聘信息和供应商数据库各自补足不同的数据缺口。
  3. 简单的积分制评分模型，可以把原始工具识别结果转化为有明确优先级、可直接执行的目标客户名单。

结论： 真正能从 Technographic Targeting 中获得最大价值的团队，都会持续保持数据干净、及时更新，并采用统一的评分标准。

什么是 Technographic Targeting

Technographics（技术画像）是关于企业所使用的软件、平台和基础设施的数据，包括 CRM、营销自动化工具、支付处理服务、分析工具、CDN、电商平台以及数十种其他类别。

Technographic Targeting 会根据这些 Tech Stack 数据，决定应该向哪些企业销售，以及以什么顺序跟进。它与另外两类数据共同构成 Account-Based 客户优先级管理的三大支柱：

  • Firmographics（企业画像）：行业、员工人数、营收
  • Intent Data（意向数据）：内容下载、网站访问
  • Technographics（技术画像）：企业实际运行的工具

三者的区别在于信息的具体程度。企业画像描述一家公司的基本轮廓，Intent Data 反映它在关注什么，而 Technographics 展示其真实的运营环境，因此能让你更接近一个具体且可以解决的问题。

为什么 Tech Stack 比单纯的企业画像更有效

企业画像告诉你谁可能会买

像“北美地区、员工人数 50–500 人的 SaaS 公司”这样的筛选条件，可以得到一大批可能购买的企业，却无法告诉你其中哪些公司确实存在你的产品能够解决的问题。

两家企业可能拥有完全相同的企业画像，却处于截然不同的采购阶段。一家已经部署了成熟的解决方案，另一家则仍在用电子表格和兼职外包人员勉强完成同样的工作。

这就是为什么只依据企业画像制作的名单，往往会拉低整体回复率。销售面对一份“员工人数 50–500 人的 SaaS 公司”名单时，无法针对已经解决问题的企业和正在被问题困扰的企业，采用不同的开场方式。名单本身没有提供任何相关信号，最终每个 Account 收到的都是同一套泛泛而谈的首封邮件。

Technographics 告诉你谁现在更可能购买

Tech Stack 数据恰好可以补上这一缺口。如果你销售 Shopify 插件，那么确认一家企业使用的是 Shopify Plus 而不是 BigCommerce，就是一个硬性筛选条件，而非可有可无的信息。如果你的工具能够与 Snowflake 集成，那么上个季度刚采用 Snowflake 的企业，显然比仍在使用本地数据仓库的企业更值得优先联系。

Technographic Data 还能帮助你发现替换竞品的机会。如果一家企业正在使用你所在品类中的旧式工具，尤其是已经停止发布重要更新的产品，那么它很可能愿意更换方案，而不只是首次采购。

Technographic Data 从哪里获取

没有任何单一来源能够完整呈现一家企业的 Tech Stack。更可靠的做法是综合以下几类渠道：

  • 网站扫描工具（BuiltWith、Wappalyzer）： 通过读取网站的公开代码，识别分析 Pixel、CDN、CMS 平台和支付组件等前端技术
  • 供应商提供的数据（HG Insights、G2、Datanyze）： 汇总自 IT 资产管理工具、供应商合作关系和用户主动提交的评价
  • 招聘信息： “Salesforce 管理员”或“Snowflake 数据工程师”等职位，可以直接、及时地反映企业正在使用什么工具，通常也能说明它准备在哪些方面扩大投入
  • DNS 和 SSL 记录： 可以识别托管服务商、邮件基础设施和安全供应商
  • 客户案例和新闻稿： 供应商会公开客户 Logo；这类数据虽然不完整，但通常较为可靠
  • 技术支持论坛和社区讨论： 工程师公开排查问题时，常常会直接说出正在使用的具体 Tech Stack

没有一种数据源能够覆盖所有工具。网站扫描工具无法发现从未出现在前端的内部系统，例如 CRM 或数据仓库；招聘信息则可能晚于工具的实际部署时间。结合两到三个来源，通常能获得比单一来源明显更完整的覆盖。

数据覆盖率与时效性是两个问题

有两个经常被混为一谈的问题需要分开考虑：某个数据源能否识别出一种工具，以及识别结果出现后能保持多久的时效性。

网站扫描数据通常较新，因为工具可以每周重新抓取，但覆盖较浅，只能看到公开代码中暴露的技术，因此大多数后台软件都不会被发现。供应商数据库往往覆盖更深，能够识别 CRM 和数据仓库等内部工具，但更新速度较慢，有时一个季度才更新一次，因为数据通常来自合作伙伴集成或定期调研，而不是实时抓取。

实际应用中，可以用更新快但覆盖浅的数据源捕捉时机信号，例如当月新增的 Pixel 或 CDN；再用更新较慢但覆盖更深的数据源建立基础 Tech Stack。只使用其中任何一种，都无法获得既准确又及时的完整画像。

如何建立技术信号框架

在完成分类和整理之前，原始 Tech Stack 数据不过是一串工具名称，还不能直接用于销售行动。

品类信号与具体工具信号

首先要确定，你关注的是工具品类，还是某个具体供应商。如果你的产品可以连接“任何 CRM”，只需识别企业是否使用 CRM 这一品类即可。如果产品只支持 HubSpot，就必须准确识别具体供应商。

品类级信号覆盖范围更广，也更容易被可靠识别。供应商级信号更精准，但对数据质量要求更高，因为错误判断一家企业所使用的 CRM，会在不易察觉的情况下破坏整份名单的质量。

把 Tech Stack 缺口转化为销售机会

缺少某种工具，往往和使用某种工具同样有价值。假设你销售数据补全层，而一家企业已经部署 CRM 和营销自动化平台，却没有数据补全工具，那么这个缺口本身就是销售切入点。因此，识别逻辑不应只关注正向匹配，还应包含“已有 X 和 Y，但缺少 Z”这样的组合。

追踪 Tech Stack 的变化

Tech Stack 的单次快照已经很有用，但变化时间线更有价值。能够持续追踪工具安装和移除情况的平台，可以帮助你标记：

  • 新增工具：新的采购窗口刚刚打开
  • 移除工具：可能反映客户流失或使用不满，也可能指向某个竞品
  • 同一品类同时使用多款工具：很可能正在进行产品评估或迁移

在判断 Outbound 时机方面，变化类信号通常比静态信号更有效，因为它们对应的是团队正在做决策的具体时间点。

如何按 Tech Stack 为客户评分并排序

获得信号后，应将客户转化为有优先级的名单，而不是没有层次的平面列表。一套简单的积分制模型就很有效：

  • +30：正在使用可与产品直接集成的工具
  • +20：正在使用某个在特定方面存在已知短板的竞品
  • +15：存在与你的核心 Use Case 匹配的品类缺口
  • +10：最近新增或移除了相关工具（过去 90 天内）
  • +10：招聘信息提到与产品品类相关的岗位
  • -15：正在使用会让你的产品变得多余的工具

根据信号强度设置权重

并非所有信号都应该拥有相同的权重。招聘信息是面向未来的信号，说明企业计划为相关工作招聘人员；已部署的工具则反映当下的真实状态。如果销售周期较短，应提高已安装、正在使用的工具权重。如果你做的是长期 Account 规划，则可以提高招聘信息的权重。

结合技术画像、企业画像与行为数据

Technographics 最适合作为叠加的数据层，而不是独立的筛选条件。一套实用模型通常包含三层输入：

  1. 企业画像匹配度（行业、规模、地区）确定符合条件的客户池。
  2. Technographic Score（技术画像评分）根据 Tech Stack 所反映的采购成熟度，对客户池进行排序。
  3. Intent Data（访问、下载）用于区分同分客户，并标记正在主动调研的企业。

三项得分都高的 Account 应进入最高优先级。Technographic 匹配度高但尚未产生互动的企业，依然值得开展 Outbound，只是开场方式需要不同于已经访问过价格页面的潜在客户。

这种分层不仅决定联系顺序，也会影响渠道和话术。企业画像与 Technographic 匹配度都高、但互动较少的 Account，适合发送精准且明确提及其 Tech Stack 的 Cold Email：你已经掌握了足够的信息，可以进行有针对性的沟通，无须等待对方先表达兴趣。相反，互动度高但 Technographic 匹配较弱的 Account，可能根本不值得销售人员跟进；对方也许只是在研究竞品，或撰写一篇恰好涉及你所在品类的博客文章。

Technographic Targeting 的常见错误

  • 把识别结果当作确定事实。扫描工具会产生误报和漏报。六个月前发现的工具，如今可能早已停用。应定期刷新数据，并把单一来源的识别结果视为有待验证的假设，而不是事实。
  • 过度依赖单一供应商。不同数据供应商对行业和企业规模的覆盖能力各不相同。擅长覆盖 Enterprise SaaS 的供应商，可能并不擅长覆盖中端市场的电商企业。
  • 忽略负向信号。很多团队只建立目标客户名单，却没有制作同样有价值的降级名单，例如已经使用某款工具、导致你的产品没有必要存在的企业。
  • 为所有集成设置相同分数。使用第一大集成合作伙伴的企业，通常比使用几乎从未带来转化的合作伙伴产品的企业更匹配。
  • 任由名单过期。Tech Stack 数据不断变化。至少每季度刷新一次，才能避免评分逐渐失真。
  • 不追查工具背后的“原因”。在大多数数据工具中，用于评估的试用账号和全公司投入生产的系统看起来完全一样。对于高价值识别结果，应结合第二种信号进行交叉验证，例如招聘信息或客户案例，然后再将其视为已确认信息。

建立技术画像目标客户名单的实用流程

  1. 定义信号集合。根据现有优质客户实际使用的 Tech Stack，列出重要的工具、品类和组合。
  2. 从至少两个来源获取原始数据，同时覆盖前端信号（网站扫描）和后端信号（招聘信息、供应商数据）。
  3. 清洗并统一供应商名称。如果不先进行标准化，原始数据会把“Salesforce”“Salesforce.com”和“Salesforce CRM”列为三个不同项目。
  4. 应用评分模型，对合并并清洗后的名单进行排序。
  5. 按层级分流。高分客户交给销售直接跟进，中等分数客户进入 Nurture Sequence（培育序列），低分客户则被过滤掉。

大多数 Technographic 项目都会在第 3 步出问题。合并网站扫描工具、招聘网站 Scraper 和供应商数据库的导出结果，通常会产生混乱、重复且格式不统一的名称。先完成数据清洗，才能让后续模型的结果值得信任。

技术画像评分实例

假设有一家销售 Customer Data Platform（CDP，客户数据平台）的公司，其产品可以原生集成 Segment 和 Snowflake。

  • 某个 Account 同时使用 Segment、Snowflake 和一款旧式邮件工具，但没有 CDP，其得分会很高：既具备两项必要集成，又存在与核心 Use Case 高度匹配的明确缺口。
  • 某个 Account 使用 Segment，但也已经采用竞品 CDP，其得分处于中等水平：集成匹配度不错，但该品类的位置已经被占据，因此销售话术应转向竞品替换。
  • 某个 Account 没有使用 Segment 或 Snowflake，但过去一个月发布了三个“数据工程师、数据仓库迁移”相关职位，则应归入未来机会层级：现在尚未准备好，但值得在下个季度再次联系。

对这三类客户分别进行排序，而不是全部塞进同一份“CDP 潜在客户”名单，正是 Technographic Scoring（技术画像评分）的核心价值。

将 Technographic Targeting 落地

Technographic Targeting 不能取代企业画像和 Intent Data，而是在这些数据之上增加一层更精准的判断视角。真正能从中获得最大价值的团队，不一定拥有最复杂的识别工具，而是能够坚持刷新数据、在评分前统一供应商名称，并随着自身产品和集成能力的变化持续调整信号权重。

可以从小处开始：先选出最能预测现有客户转化的两到三种工具或品类，为它们建立识别逻辑。等模型确实带来更高质量的销售对话后，再逐步扩大覆盖范围。