Lead scoring : la méthode que j'aurais aimé qu'on m'explique il y a trois ans
Le premier barème de lead scoring que j'ai construit était faux. Pas "perfectible". Faux. J'avais attribué 20 points à toute personne visitant la page tarifs, persuadé de tenir le signal ultime. Résultat après six semaines : mes commerciaux ont appelé 340 prospects, signé deux contrats, et l'un des deux concernait un étudiant curieux venu vérifier nos prix pour un exposé. Voilà. C'est ça, le lead scoring quand on le bricole sans méthode : un tri automatique qui donne l'illusion de l'ordre.
Depuis, j'ai refait le barème de mon équipe quatre fois. J'ai pesté, j'ai supprimé des règles, j'ai réintroduit certaines honteusement. Et aujourd'hui, quand je vois passer un article qui résume le lead scoring à "donnez des points à vos prospects", j'ai envie de répondre qu'on ne donne pas des points, on construit un modèle de décision — et un modèle ça se pèse, ça se teste, ça se dégrade, ça se révise.
Points clés à retenir
- Un score n'a de sens que par rapport à un seuil et à une action déclenchée derrière. Un score sans seuil est une décoration de tableau de bord.
- Le scoring démographique (fit) et comportemental (intention) doivent rester deux colonnes distinctes avant d'être combinés.
- Les points négatifs (désabonnement, inactivité, adresse jetable) comptent autant que les points positifs.
- Tout modèle dérive en 3 à 6 mois : sans révision calendaire, il classe du bruit.
- La coordination marketing-ventes sur les seuils MQL/SQL vaut plus que la finesse du barème.
Ce que le lead scoring fait vraiment (et ce qu'il ne fait pas)
Un lead scoring est une note, généralement sur 100, attribuée à chaque contact de votre base pour estimer sa probabilité de devenir client. La note vient d'un empilement de critères pondérés : des attributs de profil d'un côté, des comportements de l'autre.
Ce qu'il ne fait pas, en revanche : il ne remplace pas la qualification humaine, il ne devine pas l'intention d'achat d'un contact qui n'a jamais interagi, et surtout il ne convertit personne. Je l'ai cru au début. J'ai passé trois semaines à optimiser un score en pensant que le score ferait le travail. Non. Le score priorise. C'est tout. Et c'est déjà énorme.
Démographique ou comportemental : pourquoi il faut deux colonnes
Le scoring démographique (aussi appelé firmographique en B2B) mesure si le contact ressemble à votre client type : taille d'entreprise, secteur, fonction, zone géographique, outil déjà utilisé. Le scoring comportemental mesure ce qu'il fait : pages consultées, e-mails ouverts, formulaires remplis, vidéos vues, fréquence de retour sur le site.
Sur mon projet actuel, un directeur technique d'une boîte de 200 salariés dans la bonne verticale démarre à 45 points de fit avant même d'avoir cliqué quelque chose. Une personne hors cible mais qui visite la page tarifs quatre fois en une semaine part de 5 en fit et monte à 30 en comportement. Ces deux profils ne doivent pas être fusionnés trop tôt : le premier est un potentiel à aller chercher, le second est un signal à confirmer. Si on additionne trop vite, on noie le signal d'intention dans le bruit du profil.
Construire un barème de lead scoring qui tient debout
Voici concrètement comment j'ai monté la grille qui tourne aujourd'hui chez nous. Elle n'a rien de magique, elle est juste chiffrée et assumée.
La grille de points, avec les vraies valeurs
On part d'une base de 100 points, répartis sur deux axes. Le fit plafonne à 40 points, le comportement à 60, parce que dans notre cas l'intention pèse plus lourd que le profil. C'est un choix, pas une vérité universelle — à vous de trancher selon votre cycle de vente.
| Critère | Type | Points |
|---|---|---|
| Secteur d'activité cible | Fit | +15 |
| Taille d'entreprise 50-500 salariés | Fit | +12 |
| Fonction décisionnaire (DSI, CTO, dirigeant) | Fit | +13 |
| Visite de la page tarifs | Comportement | +10 |
| Trois visites ou plus en 7 jours | Comportement | +12 |
| Remplissage d'un formulaire de démo | Comportement | +25 |
| Adresse e-mail jetable | Négatif | -20 |
| Désabonnement newsletter | Négatif | -15 |
| Aucune interaction depuis 45 jours | Négatif | -10 |
Le seuil MQL, chez nous, est fixé à 65 points. Le SQL à 80. J'ai mis deux mois à trouver ces chiffres — au début j'avais pris 50 et 70, et mes commerciaux recevaient tellement de leads tièdes qu'ils ont arrêté de faire confiance au score. C'est le pire scénario possible : une fois que l'équipe commerciale ignore le score, tout le travail du marketing part à la poubelle. Avouons-le, j'aurais dû tester les seuils avant de les figer.
Le piège du score decay et des leads négatifs
Un contact qui atteint 70 points en mars et ne revient plus jamais n'est pas un lead chaud en juin. C'est un contact froid avec un vieux score. Les outils de CRM sérieux gèrent ce qu'on appelle le score decay : le score comportemental décroît mécaniquement avec le temps, par exemple -5 points tous les 30 jours d'inactivité. Sans ce mécanisme, votre base se remplit de fantômes bien notés. Bon, franchement, c'est le genre de détail qu'aucun billet de blog ne mentionne et qui tue votre pipeline en silence.
CRM, HubSpot et compagnie : ce que l'outil ne fera pas à votre place
HubSpot, Salesforce, ActiveCampaign et consorts proposent tous des modules de lead scoring. C'est pratique. C'est aussi un piège classique : on paramètre une grille par défaut, on l'active, et on considère le sujet réglé. La grille par défaut est calibrée sur un client moyen qui n'existe pas.
Comparatif des approches
| Approche | Mise en place | Révision | Coût réel |
|---|---|---|---|
| Scoring manuel (tableur + import) | 2-3 jours | Hebdomadaire, chronophage | Faible en argent, élevé en temps |
| Module natif CRM (HubSpot, Salesforce) | 1 à 2 semaines de paramétrage | Trimestrielle | Inclus dans l'abonnement, souvent cher à monter en gamme |
| Outil d'automatisation tiers (Madkudu, LeanData) | 3 à 6 semaines | Mensuelle | À partir de plusieurs centaines d'euros par mois |
| Scoring prédictif basé sur l'historique de conversion | Plusieurs mois, besoin de volume | Continue, via réentraînement | Élevé, exige des données propres |
Mon conseil, et je vais être partial : commencez par le module natif de votre CRM. Pas le plus sexy, pas le plus précis, mais c'est celui que votre équipe marketing saura modifier seule. J'ai vu une boîte claquer 1 200 € par mois dans un outil de scoring prédictif pour finalement revenir à HubSpot au bout de six mois, faute d'équipe data pour nourrir le modèle. Le coût réel n'est jamais l'abonnement. C'est le temps humain derrière.
Les limites et les biais dont personne ne parle
Un modèle de scoring apprend sur vos données passées — donc sur vos biais passés. Si votre équipe commerciale a historiquement mieux converti les contacts d'une certaine région ou d'un certain secteur, le score va sur-pondérer ces critères et invisibiliser des opportunités réelles ailleurs. C'est mécanique.
Sur-noter est plus dangereux que sous-noter
Quand le score surestime un lead, on l'appelle, on perd 20 minutes, on passe au suivant. Quand le score le sous-estime, on ne l'appelle jamais. Et on ne saura jamais qu'on a raté quelque chose. La sous-notation est invisible, donc jamais corrigée. C'est la raison pour laquelle je garde toujours un canal de qualification manuelle hors score : tout contact entrant par recommandation est revu humainement, quel que soit son score. Ça en agace certains dans l'équipe, mais ça nous a sauvé au moins trois deals significatifs cette année.
RGPD, consentement et données personnelles
Le scoring lui-même n'est pas interdit par le RGPD, mais les données qui l'alimentent doivent avoir une base légale. Scorer un contact sur des données obtenues sans consentement, ou croiser des données achetées avec votre base, c'est risqué. Je ne suis pas juriste, je le dis clairement, mais je vois trop d'équipes empiler des signaux d'intention publicitaires dans leur score sans se poser la question une seule fois. Faites-le, posez-la.
Réviser, mesurer, recommencer : la partie que tout le monde zappe
Un barème de lead scoring n'est pas un livrable, c'est un process. Chez nous, on le révise tous les trois mois en réunion commune marketing-ventes. Pas plus souvent, sinon on n'a pas le recul statistique. Pas moins, sinon le modèle dérive.
- On compare le taux de conversion réel par tranche de score : les leads à 80+ convertissent-ils vraiment mieux que ceux à 65-79 ? Si non, le seuil est faux.
- On regarde les leads signés qui avaient un score bas. À chaque fois, on cherche le signal manquant.
- On retire sans pitié les critères qui n'ont jamais rien discriminé. Chez moi, "a ouvert un e-mail" est passé à la trappe : tout le monde ouvre ou n'ouvre pas, ça ne veut rien dire.
- On documente chaque changement avec une date et un motif. Sans historique, impossible de comprendre pourquoi le modèle s'est dégradé.
Et puis il y a la question qu'on oublie toujours : qui décide du seuil ? Si c'est le marketing seul, les commerciaux n'y croient pas. Si c'est le commercial seul, il tire le seuil vers le haut pour ne recevoir que du prêt-à-signer. Il faut les deux dans la pièce, et un chiffre accepté par les deux. C'est politique autant que technique. Je sais, ce n'est pas glamour.
La vérité, c'est qu'un bon lead scoring ne se voit pas. Il ne génère pas de tableau de bord spectaculaire. Il fait juste que vos commerciaux appellent les bonnes personnes au bon moment, et qu'ils arrêtent de perdre leur après-midi sur des exposés d'étudiants curieux. Le jour où votre équipe cesse de demander "pourquoi ce lead est chaud ?" et commence à faire confiance à la note, c'est gagné. Ce jour-là arrive rarement sans avoir cassé le barème deux ou trois fois d'abord.
