Als YOYABA 2024 zusammen mit Nick Bhutani mit der Arbeit an CRM-Architektur und Tracking begann, wurde die Größe der Infrastruktur-Lücke schnell sichtbar.

‍

Proof gab Budget über Paid Search, Social und Organic aus, hatte aber keinen verlässlichen Weg, diese Ausgaben mit Revenue zu verknüpfen. CRM-Daten lagen getrennt von den Advertising-Daten, Ad-Plattformen optimierten auf Sign-ups statt auf zahlende Kunden. Auf der Sales-Seite kamen Inbound Sign-ups ohne strukturiertes Scoring, Routing oder Priorisierung an. Es gab kein Account-Grading-System mit ICP-Logik, keine Territory- und Multi-State-Client-Zuordnung und keinen klar definierten Funnel. Marketing generierte Sign-ups. Aber was danach passierte, lief weitgehend manuell. Die größte Frustration des Sales-Teams bestand darin, ICP-Prospects zu identifizieren.

‍

Die Legal-Branche hat das Problem vergrößert. Anders als in den meisten B2B-SaaS-Verticals gibt es für die Legal-Audience keine verlässlichen Daten in Tools wie ZoomInfo oder Clay. Die richtigen Kanzleien anhand von Einsatzgebiet, Fallgröße, Kanzleityp und Entscheidungsträger zu identifizieren, erforderte eine eigene Lösung.

‍

Auf der Growth-Seite war das Paid-Programm, das Proof mit einer vorherigen Agentur gefahren hatte, stark auf SEM konzentriert, mit schwankender Sign-up-Qualität. Dazu nahm der Wettbewerbsdruck auf Paid-Kanälen 2025 spürbar zu. Direkte Versuche auf Social Media produzierten Sign-ups in schlechter Qualität, die selten zu First Jobs konvertierten. Eine Demand-Creation-Schicht fehlte komplett. Das gesamte Budget floss in Demand Capture statt in Awareness.

‍

Durch das schnelle Wachstum von Proof hatte sich das Messaging über Teams und Kanäle hinweg auseinanderentwickelt, ohne ein gemeinsames Narrativ als roten Faden. Ad Creatives, Landingpages und SEO-Content erzählten jeweils leicht unterschiedliche Geschichten über die Vorteile von Proofs Lösung. Dazu generierte der Großteil der Webpages null Traffic, was die Crawl-Effizienz schwächte und die Site Authority verwässerte, während kommerziell relevante Seiten unterpriorisiert blieben.

‍

„Vor gerade einmal sechs Monaten waren 80 % jährliches Wachstum noch kaum vorstellbar. Heute sind wir auf bestem Weg dorthin. Die Grundlage, die wir gemeinsam geschaffen haben – von Attribution und Datenanreicherung über Analytics bis hin zu Markt- und Produkt-Know-how – ist der Schlüssel zu diesem Erfolg. Wir treffen unsere Entscheidungen heute datenbasiert, und die wirklich spannende Phase beginnt erst jetzt."

Nick Bhutani
VP Marketing @ Proof

‍

Gemeinsam mit YOYABA hat Proof eine Full Revenue Marketing Engine über RevOps, Paid und Organic aufgebaut und so gestaltet, dass jede Schicht die anderen verstärkt. Die RevOps-Infrastruktur speist Paid-Targeting und Sales-Priorisierung, Paid-Performance-Daten treiben die Organic-Strategie und das Attributionsmodell erlaubt es allen Teams, gegen dieselben Revenue-Metriken zu messen.

‍

Entscheidend dafür war die Zusammenarbeit in drei Kernbereichen:

1. Revenue Operations & Infrastruktur

In enger Kollaboration mit Proofs VP of Marketing, Head of RevOps und dem Sales-Team ist die operative Schicht entstanden, auf der die GTM-Teams heute laufen.

‍

• Attribution & Offline Conversion Tracking: Wir haben das gesamte Attributionsmodell von Grund auf neu aufgebaut und Tracking über alle Kanäle standardisiert. Außerdem haben wir ein eigenes Touchpoint Handling für Multi-Touch-Attribution und Offline-Conversion-Signale implementiert sowie die Ad-Plattform-Optimierung von Sign-up-Volume hin zu First Job Submitted (dem tatsächlichen Revenue Event) verschoben.
• Enrichment & ICP Scoring: In enger Zusammenarbeit mit dem Proof-Team wurde ein heute tief verankertes und weiter iteriertes ICP-Scoring-Modell mit Waterfall-Enrichment-Architektur aus Clay, ZoomInfo und Custom Scripts entwickelt, weil Standard-Tools die Identifikation der ICP nicht zuverlässig leisten konnten.
• Account Routing & Sales Funnel: Das Projekt lieferte eine strukturierte Pre-Deal- und Deal-Pipeline mit definierten Exit-Kriterien pro Stage. Ein Account-Scoring-System, gestützt durch Enrichment und ICP Scoring, leitet hochwertige Inbounds an AEs und Mid-Market-Accounts an die SDR-Teams. Accounts werden vom richtigen Ansprechpartner zur richtigen Zeit bearbeitet, und jede Deal-Stage erfasst die Daten, die für Pipeline-Visibility nötig sind.
• Analytics & Forecasting: In Absprache mit Proofs Data-Team haben wir Plattform-, CRM- und Ad-Channel-Daten in Proofs eigenem Data Warehouse zusammengeführt, was saubere Reportings ermöglicht hat. Als beide Teams Ende 2025 wussten, dass das Growth Model funktioniert, lautete die Frage: Wie weit treiben wir das? Gemeinsam haben wir Forecasting-Modelle für 40 %‑, 50 %‑ und 80 %-Wachstumsszenarien gebaut, basierend auf einem Demand-Capture-/Demand-Creation-Framework. Budgetentscheidungen können seitdem auf längere historische Datenzeiträume gestützt werden und größere Wetten sind möglich, ohne die Kontrolle aufzugeben.

2. Paid Growth: Demand Creation & Demand Capture

Proof setzte ursprünglich ausschließlich auf Demand Capture. Die Zusammenarbeit begann damit, Optimierungspotenziale über iteratives Testing und Analytics zu identifizieren und das SEM-Programm auf Präzision, Skalierung und Revenue-orientierte Optimierung auszurichten. Nachdem die bereits vorhandene Marktnachfrage gesichert war, kam der strategische Schritt: eine Brand-getriebene Demand-Creation-Ebene aufbauen, die Demand Capture füttert. So entstand eine mächtige Symbiose aus Demand Capture und Demand Creation.

Demand Capture

• Kampagnenarchitektur: Single-Keyword Ad Groups (SKAGs), Tests mit Low-Intent Keywords zur Erweiterung des Demand Pools, Kampagnen auf Staat- und Stadt-Ebene für Geo-Targeting, Bing-Scaling parallel zu Google.
• Wettbewerbsumfeld navigieren: Zugeschnittene Bidding-Strategien für Proofs einzigartigen Mix aus lokalen, regionalen und nationalen Wettbewerbern mit speziell entwickelten Vergleichs-Landingpages.
• Performance Max Leverage: PMax wurde getestet, um inkrementelles Volumen zu erschließen. Prospecting und Retargeting wurden in separate Kampagnen getrennt, um saubere Attribution zu ermöglichen.‍
• Akribisches Testing & Scaling: Iterative Ansätze und Detailtiefe an allen Stellen führten zu +89 % Wachstum Year-over-Year (Q1 2026 vs. Q1 2025) über Paid Channels.

Demand Creation

• Brand Plays: Laufende Analysen von Sales- und Customer-Success-Calls führten zur "Like Uber"-Social-Kampagne. Die Idee kam direkt aus Proofs Sales-Team, das die Analogie ohnehin schon in Gesprächen nutzte: „Wir leben in einer Welt, in der wir sogar Uber-Fahrten oder ein FedEx-Paket tracken können. Warum können wir Legal Operations nicht tracken?“ Daraus wurde eine kanalübergreifende Brand-Awareness-Kampagne auf Meta, LinkedIn und Reddit. Die Message wurde formatgerecht neu inszeniert, mit Fokus auf Top-of-Mind-Recognition statt Direct Response. Zusätzlich wurden Thought Leader Ads mit Proof-Vertretern als Gesicht gelauncht, die besser funktionierten als alle anderen Social-Ad-Formate. Neue UGC-Kampagnen sind aktuell im Testing. Die Effektivität ist belegt: Die Daten zeigen eine direkte Korrelation (r=0,92) zwischen Social Spend und Branded Search Volume und Conversions.
• Reverse Engineering Messaging: Eine tiefe Analyse von Kundengesprächen aus Proofs Sales- und CS-Teams und eine KI-basierte visuelle Kategorisierung zur Receptiveness-Analyse der Zielgruppe hat Homepage Positioning und Ad Creative neu ausgerichtet.

3. Organic Growth & AI Visibility

Der Fokus lag darauf, Proofs bestehende Site-Infrastruktur zu stärken und die Inhalte auf eine Zukunft vorzubereiten, in der AI-generierte Antworten genauso zählen wie klassische Search.

‍

• Content Rebalancing: Die Priorisierung wurde von 90 % Blog und 10 % kommerziell hin zu einem Commercial-First-Ansatz mit page-by-page Empfehlungen für kommerzielle Seiten verschoben.
• Thin Content Consolidation: Im Projekt wurden mehr als 1000 „Local Service Area“- und „Process Rules”-Seiten mit schwacher Performance und niedrigem Engagement identifiziert. Dann wurde eine Konsolidierungsstrategie entwickelt, um granulare Local Pages auf State-Level-Parent-Pages umzuleiten und Authority dort zu bündeln, wo echte Ranking-Potenziale bestehen.
• Technical SEO: Crawlability- und Redirect-Probleme wurden behoben, die die Site-Performance gebremst haben. Internal Linking über ein speziell entwickeltes Python-Tool mit kommerziellen Seiten als Priorität für Authority Consolidation umgesetzt.‍
• AI Visibility: Durch Schema Markups, Entity Optimization und Tracking-Infrastruktur erscheint Proof in AI-generierten Antworten. Ein dedizierter SEO-/LLM-Workstream wurde gestartet, mit Fokus auf ChatGPT und andere AI-Search-Surfaces in 2026.