Egy ilyen céglistát ugyanis nagyszerűen lehet használni LinkedIn Ads-ben. Fel lehet tölteni egy cégeket tartalmazó csv file-t, majd a rendszer az adott cégnél dolgozókból készíthet egy célközönséget. Hatalmas potenciál van ebben: a B2B hirdetés alapvetően egy elég nehezített pálya, de ha valami alapján van egy szűrt listánk az tűpontos célzást tehet lehetővé.

Legális ez?

Személyes adattal egyáltalán nem találkozunk, kizárólag nyilvánosan elérhető cégadatokkal. A cégadatból a LinkedIn készít az ott dolgozókból egy audience listát, de konkrétan nem tudjuk kik szerepelnek rajta. Így vélhetően ez a folyamat nem okozhat jogi bonyodalmakat, de mindenképpen szükséges adatvédelmi szakjogász bevonása aki nevét adja ehhez a folyamathoz.

Mire van szüksége a LinkedIn-nek a jó eredményekhez?

A LinkedIn a megkapott listát igyekszik megfeleltetni a LinkedIn-en szereplő cégeknek. Ezután pedig az ott dolgozó embereket teszi fel egy listára akiknek hirdethetünk. A céglistának tartalmazia kell többek között a cég nevét, weboldalának domain nevét, kategória, város, irányítószám, ország. A jolly joker a LinkedIn cég url, hiszen ha azt megkapja akkor nincs kérdés hogy melyik cégre célzunk.

A lista akkor tölthető fel, hogyha legalább 300 céget tartalmaz, de maximum 300.000-et. Magyarországon egészen pontosan 300 darab blokkolt egészségügyi szolgáltató céget sikerült azonosítanunk, így van egy magyarországi egészségügyi blokkolt listánk is egyébként.

A lista feltöltése után a LinkedIn 2-3 napig igyekszik match-eltetni a kapott adatokat a cégeivel. Ha sikerül a match 1-1 cégre, akkor az ott dolgozókat felveszi egy listára akiknek már hirdethetünk. A folyamat végén látunk egy match rate-et, hogy mennyire sikerült a folyamat. 80% fölötti match rate már jónak számít, de sokszor 90% fölötti listát is sikerül létrehozunk.

És a többi hirdetési rendszer?

Sajnos lehetőségeink kizárólag a LinkedIn Ads-re korlátozódnak. A többi elterjedt felületen csak first party user adatokat tudnánk feltölteni. Viszont ahhoz, hogy legyen ilyenünk, kifejezett hozzájárulását kell hogy adja a user, hogy listára tegyük.

A LinkedIn egész máshogy működik: nem személyes adatokat használunk fel, hanem nyilvánosan elérhető adatokból képzünk listát. A jogi perspektívákon kívül valószínűleg az eljárás nem is lenne hatékony. A Google/Meta/etc. felületek személyes adatokat (email címet, telefonszámot) várnak el, weboldalon lévő hello@ kezdetű email címekkel aligha lenne meg a megfelelő match rate. Illetve az adott felületek felhasználási feltételeit sértenénk meg már magával a feltöltéssel, így az ilyen felhasználást nem javasoljuk.

Hogyan működött auditunk?

A Meta blokkolása egy technikai dolog. A Meta pixel ha lefut, akkor egy config file töltődik be. Ez a config tartalmazza azt, hogy az adott weboldalon van-e blokkolás és ha van, akkor milyen szintű. Konkrétan ki lehet olvasni a config-ból, hogy milyen szintű tiltása van a domain-nek ha fefut rajta a pixel.

Tehát nekünk csak egy domain nevet kell tudunk ahhoz, hogy megállapítsuk róla, hogy blokkolja-e a Meta. Persze azért nem ilyen egyszerű a dolog, mert sok oldalon példásul csak consent elfogadás után fut le a Meta pixel (nagyon helyesen). Szóval ahhoz, hogy sok-sok oldalt le tudjunk auditálni egy automatikus folyamattal szükség van egy headless böngészőre, ami

1. Megnyitja a domain-t
2. Elfogadja a marketing sütiket
3. Megnézi, hogy van-e Meta pixel
4. Ha van, akkor megnézi a facebook pixel config-ban, hogy van-e blokkolás
5. Ha van, akkor be kell gyűjteni a struktúrált adatokból vagy máshonnan minden szükséges adatot, hogy a LinkedIn megfelelően tudja azonosítani a céget
6. Ezekből pedig egy listát kellett képezni amit később feltölthetünk LinkedIn Ads-be

Az egész folyamatot Claude Code-dal raktuk össze, és a futtatásokat is az felügyelte. A futtatás körülbelül 1 hétig tartott. Ezidő alatt a Claude nem evett túl sok token-t. A számítógép futtatta a script-et amit a Claude írt. Persze a Claude a futtatás közben mindenféle statisztikákat gyártott az audit eredményéről, illetve pár óránként elmondta hol tart a folyamat. Tehát az AI számlát sem dobja meg túlzottan ez az ügyféljelölt-átvilágítás.

De honnan tudta az a headless böngésző, hogy milyen weboldalakat vizsgáljon?

Nyilvános adatbázisokból. A folyamathoz két adatbázist használtunk fel. Mindkettő teljesen ingyenes és jól struktúrált:

• OpenStreetMap
• Overture Maps

Tulajdonképpen rá kellett szűrnünk az egészségügyi szolgáltatókra egy adott országban. Az így megkapott lista már tartalmazott néhány adatot amikre szükség volt a LinkedIn számára. Ilyen volt a céges email cím, város és irányítószám. De a legfontosabb adat ezekben az adatbázisokban az adott cég weboldala. Hiszen mint feljebb bemutattuk, nekünk csak egy weboldal url kell ahhoz, hogy auditálni tudjunk.

Amint az adott cég domain-je elérhető, végig tudunk menni az auditálási folyamatokon. Persze nincs két egyforma weboldal, így előfordulhat olyan eset, hogy például nem tudja a headless browser feloldani a consent bar-t, esetleg nem tartalmaz a weboldal struktúrált adatot. Ilyenkor bizony az adott weboldalon kell totóznia a headless browser-nek, hogy megtalálja például a Kapcsolat oldalt, hátha ott találhatóak a számunkra aranyat érő információk.

Az ilyen plusz körök miatt az audithoz megfelelően erős (sok RAM-mal ellátott) számítógépet érdemes használni. Figyelni kell arra is, hogy párhuzamosan hány weboldalt auditáljon a headless böngésző.

Mire lehet ezt jól használni?

Mi tehát arra használtuk a folyamatot, hogy egy adott dolgot kiderítsünk az ügyféljelölt weboldaláról. Ugyanezt a folyamatot használjuk egyébként a Metamorph audit oldalán, csak ott az audit valós-időben történik. Tehát ha például LinkedIn-en meghirdetjük az audit oldalt az így nyert célközönség körében, akkor garantált a siker. Olyanok látják a hirdetést akikről mi már tudjuk hogy blokkolja őket a Meta, így a weboldali audit folyamat eredménye egyébként borítékolható.

Viszont nem kötelező auditálni a weboldalakat sem. Tehát lehetséges olyan ügyféllista elkészítése is ami egyszerűen a fenti adatbázisokra épül, weboldalról begyűjtött extra adatokkal fűszerezve. Készítettünk már például egy globális PPC-ügynökség listát is az adatbázisban szereplő adatok alapján.

Korlátok

Persze a folyamatnak megvannak a maga korlátai. Az adatbázisokban csak azok a cégek szerepelnek amiknek van fizikai üzletük/székhelyük vagy telephelyük. Teljesen online cégeket (mint sok PPC ügynökség) nem tartalmaz az adatbázis, így a listánk sem. Egészségügyi szolgáltatóknál általában ilyen probléma nem merül fel.

Eredmények

Lássuk hát hogyan működött az így nyert listánk! A már beharangozott 300 magyarországi Metán blokkolt egészségügyi szolgáltató céget tartalmazó listára hirdettünk rá egy Thought Leader Ads-et. LinkedIn-en kevésbé járatosaknak írjuk: Ez egy olyan hirdetési mód, amikor a cég egyik alkalmazottja (általában vezetője) a saját LinkedIn feed-jébe ír egy postot, majd egy cég azt kiemeli. Így hát Péterünk írt egy magyar nyelvű post-ot ami a Meta blokkolással foglalkozó blogpost-ot tartalmazta.

Az azonosított egészségügyi cégeket tovább szűkítettük azokra ahol 1-50 dolgozó van, hogy a legnagyobb Metán blokkolt cégeket kiszűrjük. A LinkedIn-en lehetőség lenne senior-ítás szerint is szűrni, de ezúttal ezzel nem éltünk.

Az eredmény 7.69%-os CTR lett, ami egy egyszerű képes LinkedIn hirdetésnél véleményünk szerint kimondottan szép eredmény.

The post B2B ügyféljelölt lista LinkedIn Company List-hez first appeared on DataCrew Blog.