Account-Based Marketing в развитии B2B-бренда

ABM — это не воронка, а репутация в конкретных головах

Классическая ошибка — считать, что ABM ускоряет продажи так же, как таргетированная реклама ускоряет лидген. На самом деле ABM работает медленнее лидогенерации, но глубже: он строит узнаваемость и доверие не к продукту вообще, а к бренду в сознании 5-15 конкретных стейкхолдеров одного аккаунта — инженера, финансового директора, закупщика, потенциального блокера сделки. Именно поэтому средняя договорная цена в ABM-сделках растёт на 171% по сравнению с неориентированными аккаунтами: клиент платит не за функцию, а за компанию, которую он уже знает и которой доверяет несколько человек одновременно, а не один лид.

В долгосрочной перспективе это и есть брендинг: если через год после запуска ABM-программы название компании ассоциируется у CFO трёх крупных клиентов с надёжностью, а не всплывает как «ещё один вендор из тендера» — программа сработала на бренд, даже если конкретная сделка ещё не закрыта. Пайпелайн в зрелых ABM-программах достигает 42–80% от общего нового пайплайна компании (Demandbase, 2024), и этот эффект накопительный, а не разовый.

ICP против брендового позиционирования: где расходятся приоритеты

ICP (Ideal Customer Profile) отвечает на вопрос «кому продавать», а позиционирование бренда — на вопрос «чем мы отличаемся и почему нам стоит доверять». Проблема в том, что при запуске ABM компании часто перестраивают таргет-лист под ICP, но не пересматривают позиционирование под новую аудиторию. Получается разрыв: сообщение бренда осталось массовым («мы решаем проблему X для всех»), а канал коммуникации стал точечным. Стейкхолдер крупного аккаунта видит персонализированный лендинг с его логотипом, но за ним — то же общее обещание, что и в баннере для холодной аудитории. Доверие не растёт.

Работающий подход — синхронизировать пересмотр позиционирования с переходом на ABM: формулировать ценностное предложение не «для рынка», а для 3-4 сегментов внутри ICP, с разной болью и разным языком для инженера и для CFO. Тогда бренд говорит с каждым стейкхолдером на его языке, но остаётся единым по сути.

Три паттерна ABM и разная логика позиционирования

Почему 70% программ проваливаются в первый год

Инструменты почти никогда не главная причина провала — это удобное объяснение, за которым прячется настоящая проблема. Реальные причины лежат в операционной разобщённости компании:

• Таргет-лист маркетинга не совпадает с приоритетным списком продаж — команды буквально работают по разным аккаунтам;
• KPI маркетинга остаются «количество лидов», хотя логика ABM требует KPI «глубина проникновения в аккаунт»;
• ABM запускается как параллельный процесс — отдельная команда, отдельный бюджет, без интеграции с воронкой продаж;
• Ожидание быстрого результата: положительный ROI в среднем достигается за 6-12 месяцев, а руководство ждёт эффекта в первый квартал;
• Нет данных о целевых компаниях достаточной глубины, чтобы персонализация была релевантной, а не косметической.

Кейс Acronis: от «сталкерской» персонализации к персонализации по ролям

Хороший пример того, где проходит грань между персонализацией, которая строит доверие, и персонализацией, которая пугает — опыт Acronis. Компания запустила ABM с максимальной степенью детализации: под каждый целевой аккаунт создавались отдельные лендинги — в какой-то момент их было около 20. Логотип клиента, имя конкретного контакта, упоминание недавних новостей компании на первом экране. Результат оказался обратным ожиданиям: стейкхолдеры воспринимали это как избыточное наблюдение за собой, а не как заботу бренда.

Программа заработала после упрощения: вместо персонализации «под конкретного человека» перешли на персонализацию «под роль» — отдельный контент-трек для инженеров, отдельный для закупщиков, отдельный для decision maker'ов, без имён и деталей личной активности. Разница принципиальная: релевантная персонализация говорит о боли и контексте роли, сталкерская — демонстрирует объём собранных данных о человеке. Первая читается как экспертиза бренда, вторая — как нарушение границ.

Синхронизация маркетинга и продаж: метрики, а не декларации

Единый таргет-лист — не разовое согласование на кикофф-встрече, а процесс с измеримыми точками контроля. Практика показывает, что работает следующая последовательность:

1. Совместное формирование и ежеквартальный пересмотр списка целевых аккаунтов маркетингом и продажами вместе, а не передача готового списка от одной команды другой;
2. Общая метрика «глубина проникновения» — процент ключевых стейкхолдеров аккаунта, вовлечённых в контакт с брендом, а не количество MQL;
3. SLA между отделами по скорости передачи сигналов вовлечённости (кто из аккаунта открыл контент, кто пришёл на демо) — не позже 24-48 часов;
4. Совместные ревью пайплайна по каждому аккаунту раз в две недели, а не по воронке в целом;
5. Единая система атрибуции, где вклад ABM засчитывается не по последнему касанию, а по влиянию на весь путь аккаунта.

Если хотя бы один из этих пунктов отсутствует, ABM формально существует, но фактически работает как параллельный маркетинговый эксперимент, изолированный от продаж — а именно это и убивает ROI в первый год чаще, чем неудачный выбор платформы.

Российская специфика: не только препятствия, но и рабочие решения

В российских B2B-компаниях ABM часто спотыкается о завышенные ожидания скорости — руководство хочет увидеть рост выручки за квартал, хотя сама природа ABM предполагает горизонт в полгода-год. Добавляется нехватка качественных данных о целевых компаниях: CRM часто заполнены неполно, а сторонние базы intent-данных для российского рынка развиты слабо. Плюс классический разрыв между отделами и попытка запустить ABM «на коленке» — силами одного маркетолога без выделенного бюджета и без изменения KPI продаж.

Рабочее решение — не ждать идеальных данных, а начинать с One-to-Few на 15-20 аккаунтах, где данные можно собрать вручную силами sales-команды за месяц, и сразу закладывать пересмотр KPI продаж под цикл сделки, который в ABM объективно длиннее. Ставка на постепенное масштабирование от узкого пилота, где видна связь бренда и конкретных стейкхолдеров, работает в российских реалиях лучше, чем попытка сразу построить масштабную автоматизированную программу без ресурсов на её поддержку.