Le lead scoring est un modèle qui classe les leads par leur probabilité d’achat, en combinant l’adéquation firmographique (qui ils sont) avec l’intention comportementale (ce qu’ils font). Un modèle efficace permet au marketing de router immédiatement le décile supérieur vers les ventes, de nurturer le milieu et d’ignorer le bas. Sans modèle, les ventes gaspillent 60 à 80 % du temps de suivi sur des leads qui ne se convertiront jamais.
Le modèle à deux axes
La plupart des équipes B2B scorent sur deux axes indépendants :
- Score d’adéquation (firmographique). Secteur, nombre d’employés, chiffre d’affaires, géographie, adéquation du stack technologique à votre ICP. Plage : 0 à 100.
- Score d’intention (comportemental). Pages consultées, contenu téléchargé, emails ouverts, participation à des webinaires, demandes de démo, visites répétées. Plage : 0 à 100.
Un lead avec une forte adéquation et une forte intention est un inbound chaud. Forte adéquation, faible intention est une cible pour l’outbound. Faible adéquation, forte intention est un curieux à déprioritiser poliment.
Comment concevoir le modèle
- Extrayez 12 mois de Closed-Won et Closed-Lost. C’est votre ensemble d’entraînement.
- Listez les signaux candidats. Firmographiques depuis ZoomInfo ou Clearbit ; comportementaux depuis votre marketing automation et les données produit.
- Faites tourner une régression logistique ou, si vous avez un dataset propre, entraînez un modèle. L’objectif est d’apprendre les pondérations à partir des données, pas d’un atelier.
- Définissez des seuils. Le décile supérieur devient MQL. Les 30 % suivants vont en nurture. Les 60 % du bas vont en outreach à froid à long terme ou sont supprimés.
- Révisez mensuellement. Les taux de gain par tranche de score vous indiquent si le modèle est bien calibré.
Un modèle simple ajusté manuellement surpasse souvent un modèle ML complexe en première année parce que vous avez 200 gains, pas 20 000.
Cibles et benchmarks
Calibrez le score pour que :
- Les leads du décile supérieur se convertissent en opportunité à 30 à 50 %
- La tranche MQL se convertisse en SQL à 20 à 35 %
- Le lift entre le décile supérieur et le décile inférieur soit d’au moins 5x
Si le lift est inférieur à 3x, le modèle apprend à peine quoi que ce soit ; reconstruisez-le avec des signaux différents.
Écueils fréquents
- Ajouter trop de champs à faible signal. Chaque question de formulaire marketing réduit la conversion de 5 à 10 %. Scorez sur des données que vous pouvez enrichir, pas sur des données que vous demandez.
- Seuils statiques. L’ICP évolue chaque année ; les seuils aussi. Recalibrez trimestriellement.
- Aucun signal négatif. Domaine email gratuit, titre étudiant, entreprise concurrente — ceux-ci doivent soustraire des points, pas être ignorés.
En lien
- MQL vs SQL — ce que le score détermine
- ICP — le fondement de l’axe d’adéquation