Logiciel de lead scoring : un score ne vaut que ses champs

Un logiciel de lead scoring classe vos leads pour que vos commerciaux travaillent la liste par le haut plutôt que par le milieu. Tous les outils de la catégorie font bien la partie classement. Ce qui sépare un déploiement de scoring qui survit à son premier trimestre d'un déploiement qu'on cesse discrètement de regarder, ce n'est pas le moteur, c'est ce que vous pouvez lui donner à manger : un score est une fonction de champs, et un champ que vous n'avez pas ne vaut pas zéro, il vaut faux.

Ce guide évalue donc un logiciel de lead scoring comme on évaluerait une cuisine, pas un chef. On avance type de critère par type de critère, firmographique, comportemental, intentionnel et relationnel, et pour chacun on nomme la donnée qu'il exige, ce que devient le score quand cette donnée manque, à quelle vitesse elle se périme, et ce que coûte son remplissage. Si vous êtes en train de choisir un outil, votre liste courte sera davantage façonnée par cela que par n'importe quel tableau de fonctionnalités. La plupart des outils de lead scoring vous aident à juger votre donnée. Ce guide montre aussi comment la réparer : le contrat entre enrichissement et score, ce que coûte le fait de nourrir le modèle, et le champ qui a l'air rempli et ne l'est pas.

Ce qu'est vraiment un logiciel de lead scoring

Un logiciel de lead scoring attribue un nombre, une lettre ou un palier à chaque lead et à chaque compte, pour que le routage, la priorisation et la relance puissent s'automatiser dessus. Il lit des attributs qui disent qui est le lead et des événements qui disent ce qu'il a fait, applique des règles que vous avez écrites ou un modèle entraîné sur votre historique d'affaires gagnées, et réécrit un score dans la fiche.

Il existe trois familles de logiciels de lead scoring, et la distinction est réelle. Le scoring par règles ajoute et retranche des points que vous avez définis : plus quinze pour un titre de directeur, moins dix pour une adresse email gratuite. Le lead scoring prédictif s'entraîne sur vos résultats passés et déduit les pondérations lui-même. Le premier est transparent et reflète votre biais. Le second est plus précis et reflète votre couverture de données, ce qui est un autre biais, et un biais moins visible.

La troisième famille est plus récente : le scoring par IA ou hybride, où un modèle de langage lit chaque fiche face à une grille que vous avez écrite et rend un score accompagné d'une phrase d'explication, souvent mêlé à des règles ou à un modèle prédictif. Le lead scoring par IA est utile quand le signal se trouve dans du texte qu'une règle de points ne sait pas lire : une offre d'emploi, le texte du site d'une entreprise, une actualité. Il n'a pas besoin d'historique d'entraînement, mais il hérite de chaque trou dans les champs que vous lui donnez, exactement comme les deux autres.

Aucune des trois ne répare une donnée manquante. Le lead scoring prédictif et le scoring par IA sont souvent vendus comme le remède à une base clairsemée. En pratique, ce sont les deux familles qui cachent le mieux les trous, parce que la sortie ressemble toujours à un chiffre précis.

Score, note et routage

Un score désigne en général l'engagement : ce que le lead a fait. Une note désigne en général le fit : qui est le lead. Beaucoup d'outils calculent les deux et les combinent, et c'est la bonne forme, parce qu'un compte parfaitement dans la cible qui n'a rien fait et un compte hors cible qui a tout téléchargé appellent des traitements très différents qu'un chiffre unique masque. Le routage est l'automatisation qui consomme le résultat. Acheter un logiciel de lead scoring sans décider ce que le routage fera de la sortie est la façon la plus courante de se retrouver avec un chiffre sur lequel personne n'agit.

Les quatre types de critères, et la donnée que chacun exige

Évaluez n'importe quel logiciel de lead scoring avec ce tableau avant de regarder son interface. La troisième colonne est la vraie exigence système. La quatrième est ce qui se passe sur les fiches où vous ne la satisfaites pas, et dans la plupart des bases ces fiches sont une large minorité.

La colonne qui compte est la quatrième, et c'est celle qu'aucun comparatif d'éditeurs ne vous montre. Une donnée manquante ne déclenche pas d'erreur dans un logiciel de lead scoring. Elle prend une valeur par défaut, et les valeurs par défaut sont presque toujours neutres, ce qui veut dire que toute fiche dont vous ne savez rien est traitée comme médiocre plutôt que comme inconnue. Ce n'est pas un problème d'arrondi. Cela enterre systématiquement les comptes que vous n'avez pas encore enrichis, qui sont fréquemment les nouveaux.

Critères firmographiques : la moitié la plus facile à réparer

Les firmographiques sont la colonne vertébrale du fit sur laquelle un logiciel de lead scoring s'appuie le plus : taille, secteur, géographie, maturité. Ce sont aussi les plus souvent incomplets, parce qu'ils arrivent en général d'un formulaire web où le visiteur a tapé un nom de société et rien d'autre, ou d'un import de liste qui portait trois colonnes.

La façon dont cela casse ici est particulière et mérite d'être nommée. Quand le secteur est vide sur un tiers de vos fiches, une règle qui attribue des points aux secteurs cibles ne les attribue qu'aux fiches qui se trouvent être remplies : votre score devient discrètement une mesure de la complétude de la saisie plutôt que de l'adéquation de l'entreprise. La couverture d'enrichissement devient la variable cachée, et elle ne corrèle avec rien de ce qui vous intéresse.

Vitesse de péremption : lente. Le secteur et le pays changent rarement. L'effectif bouge assez sur un an pour compter dans une règle par tranches, donc un rafraîchissement annuel suffit généralement.

Coût de remplissage : compléter les attributs d'une entreprise avec Enrich Companies coûte 1 crédit par entreprise, plan gratuit inclus, une fois votre compte LinkedIn connecté via l'extension Chrome Derrick. Comme les entreprises sont bien moins nombreuses que les contacts, c'est la ligne la moins chère de tout l'exercice, et celle qui déplace le plus le score.

Critères comportementaux : justes, et plus étroits qu'il n'y paraît

Le scoring comportemental est la partie d'un logiciel de lead scoring qui marche le mieux sans réglage, parce que l'outil génère lui-même son entrée. Pages vues, emails ouverts, demandes de démo, visites de la page tarifs : les événements sont captés par le système qui les score, donc la couverture est complète par construction.

La limite n'est pas la justesse, c'est la population. Le scoring comportemental ne peut classer que des gens qui se sont déjà identifiés. Le compte qui vous étudie anonymement pendant trois semaines n'obtient aucun point tant que personne ne remplit un formulaire, ce qui veut dire qu'un modèle purement comportemental classe très bien vos leads connus et reste aveugle au vrai haut de votre entonnoir. Les équipes le découvrent quand le top dix du modèle ressemble à une liste d'abonnés à la newsletter.

La seconde limite est la décroissance. Une ouverture d'email de mars n'est pas une preuve sur aujourd'hui. Tout critère comportemental sans règle de décroissance dans le temps accumule des points pour toujours, et finit par faire passer chaque vieille fiche devant chaque nouvelle. Si un outil que vous évaluez ne sait pas exprimer cette décroissance, c'est un vrai motif d'élimination, et il pèse plus lourd que trois fonctionnalités d'un tableau comparatif.

Vitesse de péremption : rapide. La pertinence comportementale se mesure en jours et en semaines. Coût de remplissage : rien de plus, c'est inclus dans l'outil. C'est le seul type de critère pour lequel vous n'achetez pas de donnée.

Critères intentionnels : les seuls qui répondent à « pourquoi maintenant »

Le fit vous dit s'il faut parler à un compte. L'intention vous dit s'il faut lui parler cette semaine. La plupart des logiciels de lead scoring vendent l'intention comme une option premium, et la plupart des équipes l'achètent avant d'avoir réparé la moitié firmographique, ce qui est le mauvais ordre : un signal d'intention sur un compte que vous ne savez pas qualifier vous rend seulement rapide dans une direction au hasard.

L'intention a une propriété qui sépare les signaux utiles des signaux décoratifs : un signal d'intention exploitable est daté. Une entreprise qui a publié trois postes commerciaux ce mois-ci est un fait avec un horodatage attaché. Une entreprise qui « montre de l'intérêt pour votre catégorie » est un score dont vous ne pouvez inspecter ni la provenance ni la date, et dont vous ne pouvez pas tirer une première phrase.

Deux signaux datés se résolvent à bas coût par vous-même. L'activité de recrutement, via Company Hiring Signal à 1 crédit par entreprise, vous dit qu'un compte construit la fonction à laquelle vous vendez. Les changements de technologie vous disent qu'une stack a bougé. Les deux sont vérifiables, les deux portent leur propre date, et les deux survivent à la question qu'un manager finira par poser : pourquoi ce compte est-il en tête.

Vitesse de péremption : très rapide, et c'est le critère qu'il vaut le plus la peine d'automatiser à une cadence. Un signal de recrutement d'il y a quatre mois n'est pas un signal d'intention, c'est de l'histoire.

Critères relationnels : le champ qui a l'air rempli et ne l'est pas

La séniorité et le département décident si la personne peut engager l'entreprise. C'est le critère le plus susceptible d'être présent dans votre CRM et pourtant inutilisable, et c'est là qu'un logiciel de lead scoring perd discrètement en précision, parce que les intitulés de poste arrivent en texte libre. « Head of Revenue Operations », « RevOps Lead », « Sr. Manager, Revenue Ops » et « revops » sont quatre chaînes qui décrivent un seul rôle, et une règle de points qui s'appuie sur une liste de mots-clés en attrape certaines et en rate d'autres sans vous dire lesquelles.

C'est pourquoi la normalisation des titres mérite une question explicite pendant une évaluation. Demandez à un éditeur comment son scoring gère les variantes de titre, et si la normalisation intervient avant le scoring ou pas du tout. C'est une question de cinq minutes qui prédit mieux vos résultats que la démo.

Vitesse de péremption : moyenne, et invisible. Les gens changent de rôle dans la même entreprise sans qu'aucun événement n'atteigne votre CRM, donc un champ de titre vieillit sans jamais avoir l'air faux.

Coût de remplissage : rafraîchir le rôle d'un contact avec Enrich Leads coûte 1 crédit par profil, plan gratuit inclus. Notez que c'est par contact et non par entreprise : c'est donc la ligne qui grandit avec la taille de votre base.

Évaluer un logiciel de lead scoring par ses entrées

Les tableaux de fonctionnalités comparent les sorties d'un logiciel de lead scoring, qui se ressemblent toutes. Ces huit questions comparent les entrées, et c'est là que les outils diffèrent réellement. Emportez-les en démo.

Sait-il exprimer une décroissance dans le temps, par critère ? Pas une expiration globale, une demi-vie par critère. Le comportement se mesure en semaines, les firmographiques en année. Un outil avec un seul réglage pour les deux se trompera définitivement sur l'un des deux.

Que fait-il d'une valeur nulle, explicitement ? Demandez à voir une fiche où un champ scoré est vide. Si la réponse est « il n'ajoute simplement pas de points », vous savez désormais qu'inconnu et non qualifié sont la même chose dans ce système, et vous pouvez composer avec.

Normalise-t-il avant de scorer ? Les titres, les secteurs et les codes pays arrivent tous en plusieurs orthographes. La normalisation est soit dans le produit, soit dans votre chaîne de traitement, et si personne ne sait dire laquelle, elle n'est nulle part.

Peut-on y réécrire des champs ? Le score ne vaut que ses entrées : la capacité à pousser des champs enrichis dans la fiche à intervalle régulier, par API ou autrement, est une exigence dure et non une commodité d'intégration.

Sait-il expliquer un score unitaire ? Un détail par fiche montrant quels critères ont contribué est ce qui permet à un commercial de faire confiance au classement. Sans cela, l'adoption repose sur la foi, et la foi s'épuise vers la troisième semaine.

Quel historique minimum exige un modèle prédictif ? Demandez le chiffre, et comparez-le honnêtement à ce que vous avez. Les CRM publient le leur. Les prérequis d'Einstein Lead Scoring chez Salesforce demandent, pour chaque segment de leads, au moins 1 000 leads créés sur les 200 derniers jours, dont au moins 120 convertis. La documentation du lead scoring HubSpot demande un échantillon d'au moins 50 contacts, 25 convertis et 25 non convertis, avant que son scoring par IA ne produise un score. Sous ces seuils, le lead scoring prédictif est de l'arithmétique déguisée en machine learning.

À quelle vitesse le score se met-il à jour ? Demandez ce qui se passe entre le moment où un champ change et celui où le score change : quelques secondes, une tâche horaire ou un traitement de nuit. Un signal de recrutement qui arrive le lundi et fait bouger le score le jeudi a perdu l'essentiel de sa valeur, parce que l'intention est le critère qui se périme le plus vite.

Le score déclenche-t-il quelque chose ? Un score qui ne fait que trier une vue compte sur un commercial qui pense à la regarder. Demandez si le franchissement d'un seuil peut attribuer un responsable, créer une tâche, envoyer une alerte ou inscrire le lead dans une séquence, et si un score qui baisse peut défaire tout cela. Si la réponse est un tableau de bord, prévoyez le budget de l'automatisation à part.

Le meilleur logiciel de lead scoring par catégorie, et ce que chacune exige

La plupart des listes du meilleur logiciel de lead scoring classent des éditeurs. Pour un acheteur, un découpage par catégorie est plus utile, parce que la catégorie décide de la donnée que vous devez apporter, et que la donnée décide si le score sera réel. Les outils de lead scoring se rangent en quatre groupes.

Les fourchettes de prix des outils tiers sont indicatives, constatées sur des grilles publiées en octobre 2026 ; elles bougent avec le nombre de sièges et le volume.

Le scoring intégré au CRM est le choix par défaut, et pour une bonne raison : le score vit sur la fiche que vos commerciaux ouvrent déjà, et le routage peut le lire sans intégration. HubSpot et Salesforce proposent tous deux un scoring par règles et une option prédictive ou IA sur leurs offres supérieures. Le piège est celui sur lequel ce guide revient sans cesse : le modèle ne lit que les propriétés présentes dans le CRM, donc leur taux de remplissage décide du résultat.

Le lead scoring prédictif autonome justifie son prix quand vous avez du volume et de l'historique : des milliers de leads par trimestre et un résultat net, gagné ou perdu, sur chacun. Sans cet historique, il retombe sur des règles, et vous avez payé un modèle que vous ne pouvez pas entraîner.

Les plateformes d'intention et d'ABM comme 6sense ou Demandbase scorent des comptes plutôt que des personnes, à partir de signaux de recherche agrégés. Elles répondent à la question « quels comptes sont en marché », et vous laissent quand même trouver, vérifier et enrichir les personnes de ces comptes avant de pouvoir contacter qui que ce soit.

Le scoring maison sur une liste enrichie est la catégorie que la plupart des comparatifs oublient. Vous construisez ou importez la population, vous enrichissez les champs que votre grille lit, et vous scorez chaque ligne avec une étape d'IA et une grille écrite. C'est adapté aux équipes outbound, aux listes de comptes qui ne sont pas encore dans le CRM, et à quiconque veut voir exactement pourquoi une ligne a obtenu un score élevé. La section sur la construction de votre propre agent de lead scoring, plus bas, le déroule pas à pas.

Quelle que soit la catégorie choisie, le meilleur logiciel de lead scoring pour votre équipe est celui dont vous pouvez réellement satisfaire les exigences de donnée ce trimestre.

Ce qu'un logiciel de lead scoring coûte à nourrir

La licence est le coût visible d'un logiciel de lead scoring. Le coût invisible, c'est la donnée en dessous. Voici cette arithmétique, à partir des prix publics et en comptant les étapes plutôt que les fonctionnalités, parce que l'erreur de budget la plus courante consiste à facturer une chaîne comme si c'était un geste unique.

Commencez par la couche entreprise, parce que c'est là que vivent les critères de fit et que le coût unitaire y est le plus bas. Enrichir une entreprise coûte 1 crédit. Ajouter un signal de recrutement coûte 1 crédit de plus par entreprise. Une entreprise rendue scorable sur le fit et sur le timing coûte donc 2 crédits, et mille comptes coûtent 2000 crédits.

La couche contact grandit différemment. Si vous importez des profils plutôt que de partir d'une liste que vous possédez déjà, Import LinkedIn Leads coûte 1 crédit par profil, et enrichir chacun coûte 1 crédit de plus. Cela fait deux étapes, donc 2 crédits par contact et non 1. Sur le plan gratuit, 100 crédits par mois à zéro euro rendent scorables environ cinquante contacts, ou cinquante entreprises sur le fit et le timing. Les plans payants démarrent à 20 euros par mois sur STANDARD, le coût au crédit baissant à mesure que le volume monte.

Deux remarques pratiques. D'abord, priorisez les entreprises sur les contacts : l'enrichissement d'une entreprise améliore le score de tous les contacts qui lui sont rattachés, donc le même crédit travaille davantage. Ensuite, enrichissez le segment que vous allez réellement travailler ce trimestre plutôt que toute la base. La qualité du scoring est un problème de couverture dans la population que vous touchez, pas un trophée de complétude sur une base dont la plupart des fiches ne seront jamais appelées.

Si vous devez construire la population cible elle-même plutôt qu'enrichir une population existante, Import Companies from a Prompt à 1 crédit par entreprise avec votre compte LinkedIn connecté (10 sans) et Find Similar Companies à 1 crédit par entreprise bâtissent une liste à partir d'une description ou de vos meilleurs clients actuels, ce qui est un point de départ plus honnête pour un modèle de fit qu'un export de base que personne n'a choisi.

Le contrat entre votre enrichissement et votre score

Un logiciel de lead scoring recalcule en continu, donc la couche qui remplit ses champs doit satisfaire trois propriétés et pas seulement exister. Quel que soit l'outil que vous utilisez pour ce remplissage, confrontez-le à ces trois points, parce qu'un modèle de scoring se dégrade en silence dès que l'un d'eux manque.

Il réécrit à une cadence calée sur la péremption, pas sur le calendrier. Hebdomadaire pour l'intention, trimestriel pour les rôles des contacts, annuel pour les firmographiques. Un rafraîchissement mensuel appliqué uniformément est à la fois trop lent pour le premier et gaspillé sur le troisième. Fixer cette cadence champ par champ est précisément ce que déroule notre guide sur la stratégie de données CRM, et la gestion des contacts CRM porte l'audit d'une heure qui vous dit où vous en êtes avant de la fixer.

Il est idempotent et daté. Le relancer sur une fiche inchangée ne doit pas faire bouger le champ, et chaque champ écrit devrait porter sa date d'écriture, sans quoi vous ne pourrez jamais distinguer une valeur fraîche d'une valeur vieille de deux ans, et le modèle non plus.

Il tourne sans que personne n'y pense. C'est la propriété qui décide si le score est encore digne de confiance dans six mois. Un appel API REST depuis l'automatisation de votre CRM quand une fiche est créée ou qu'un rafraîchissement est dû, disponible à partir du plan PLUS, fait la différence entre une base scorée et une base qui a été scorée une fois. L'app web et la barre latérale Google Sheets couvrent la première passe et l'audit, là où vous découvrez quels champs manquaient vraiment, et ce ne sont en général pas ceux que vous imaginiez.

Pour un compte à la fois, passez par le MCP. Un rafraîchissement planifié relève de l'API, mais la question qu'un commercial ou un fondateur se pose vraiment porte souvent sur une seule entreprise : faut-il travailler ce compte maintenant ? Avec le serveur MCP Derrick connecté à Claude, à ChatGPT ou à tout client MCP, vous la posez en langage courant. L'assistant récupère via Derrick les données firmographiques de l'entreprise et les personnes de son comité d'achat, puis score le compte selon la grille que vous collez dans la conversation, champ par champ, en disant quels champs il n'a pas pu remplir. C'est la même donnée que celle que l'API réécrit dans le CRM, utilisée à la demande plutôt qu'à une cadence. Le MCP et l'API sont inclus à partir du plan PLUS, à 47,50 euros par mois.

Notre guide sœur sur le lead scoring HubSpot déroule cette même plomberie dans un CRM nommé, propriété par propriété, si c'est vers cette mise en œuvre que vous allez.

Construire votre propre agent de lead scoring sur une liste enrichie

Les comparatifs en tête de cette recherche se terminent souvent par une option « construisez le vôtre », et ce n'est pas un hasard : un agent de lead scoring représente aujourd'hui quelques heures de travail, pas un projet de data science. La version qui tient n'est pas celle qui a le prompt le plus malin. C'est celle qui score des lignes dont les champs ont été remplis d'abord.

Étape 1 : construisez ou importez la liste. Partez dans l'app web Derrick des comptes que vous voulez classer : un import CSV de votre propre liste, ou une liste de sosies construite à partir de vos clients gagnés avec Find Similar Companies.

Étape 2 : enrichissez les champs que la grille va lire. Lancez Enrich Companies sur la couche entreprise (effectif, secteur, pays, description) et Enrich Leads sur les contacts (intitulé actuel, séniorité), à 1 crédit par ligne chacun. Ajoutez un signal de recrutement si le timing compte pour vous. Vérifiez ensuite le taux de remplissage colonne par colonne avant d'aller plus loin : une grille appliquée à une colonne vide note le vide.

Étape 3 : écrivez la grille avec des mots simples. Trois à cinq critères, chacun avec ce qui rapporte des points et ce qui en fait perdre, et une consigne explicite pour un champ manquant, du type « si l'effectif est vide, répondez inconnu, ne devinez pas ». Cette dernière ligne sépare un agent auquel vous pouvez faire confiance d'un agent qui invente un chiffre plausible.

Étape 4 : scorez chaque ligne avec Ask Claude. Ask Claude applique votre grille à chaque ligne et réécrit un score et une raison en une ligne, à 2 crédits par ligne. Ask Claude est réservé aux plans payants : il n'est pas disponible sur le plan gratuit, donc cette étape démarre sur un plan payant, dès 20 euros par mois sur STANDARD. Elle tourne dans l'app web, ou dans la barre latérale Google Sheets si votre liste vit déjà dans un tableur.

C'est le lead scoring par IA sous sa forme la plus transparente : le modèle ne voit jamais un champ que vous n'avez pas rempli, et il sait quoi faire quand l'un d'eux est vide.

Étape 5 : poussez le score là où le routage le lit. Exportez la liste scorée, ou écrivez le score et sa raison dans le CRM via l'API REST, disponible à partir du plan PLUS, pour que les règles de routage décrites plus bas puissent agir dessus.

Chiffrez-le en comptant les étapes plutôt que les fonctionnalités. Enrichir une entreprise avec Enrich Companies (1 crédit) puis la scorer avec Ask Claude (2 crédits) fait 3 crédits par compte, donc 1 000 comptes coûtent environ 3 000 crédits. L'avantage sur la plupart des outils de lead scoring n'est pas le prix, c'est la lisibilité : chaque score arrive avec la phrase qui le justifie, à côté des champs qu'il a lus.

Scorer des comptes qui ne sont pas encore dans votre CRM

Tous les guides sur ce sujet supposent que les leads sont déjà dans la base. Cette hypothèse exclut discrètement la population la plus précieuse que vous ayez : l'ensemble des entreprises qui correspondent parfaitement et n'ont jamais entendu parler de vous. Un logiciel de lead scoring ne peut pas classer une fiche qui n'existe pas, si bien que les équipes outbound finissent par scorer de l'inbound et appellent cela de la priorisation de pipeline.

Le remède est de construire la population avant de la scorer, ce qui inverse l'ordre habituel. Partez des comptes que vous avez déjà gagnés, trouvez leurs voisins structurels, enrichissez la liste obtenue sur les mêmes champs de fit que votre modèle pondère, et vous obtenez une liste cible scorée plutôt qu'une boîte de réception scorée. Find Similar Companies fait l'étape voisinage à 1 crédit par entreprise, en partant de vos meilleurs clients plutôt que d'un filtre deviné.

L'avantage pratique, c'est que les critères de fit se comportent bien mieux sur une liste que vous avez construite que sur une liste qui s'est accumulée. La couverture y est uniforme parce que vous avez enrichi chaque ligne dans la même passe : le score mesure alors l'adéquation, et non la complétude avec laquelle chaque fiche est arrivée. C'est la population de scoring la plus propre que la plupart des équipes puissent construire, et c'est en général celle que personne ne construit.

Scorer des comptes et des comités d'achat. En B2B, l'unité qui achète est rarement un seul lead. Une affaire implique en général plusieurs personnes, de l'utilisateur qui vit le problème à la personne qui signe, et scorer chaque contact isolément dilue le signal : trois leads de niveau intermédiaire dans la même entreprise peuvent chacun paraître tièdes alors que le compte est clairement en marché. Scorez d'abord le compte sur le fit et le timing, puis scorez votre couverture de son comité d'achat : connaissez-vous le décideur budgétaire, le champion et l'utilisateur principal, avec un intitulé à jour pour chacun ? Enrich Leads rafraîchit ces intitulés à 1 crédit par profil. Un compte au score élevé dont le comité est vide est une tâche de recherche, pas une décision de routage.

Après le score : routage, alertes et vitesse de mise à jour

Un score se rentabilise dans les minutes qui suivent son changement. L'essentiel de la valeur d'un logiciel de lead scoring se perd non pas dans le modèle mais dans le passage de relais, quand un chiffre bouge et que rien ne se passe.

Routage. Décidez à l'avance ce que fait chaque tranche : la tranche haute part chez un responsable dans l'heure, la tranche du milieu entre dans une séquence de nurturing, la tranche basse attend. Écrivez-le sous forme de règles que le CRM sait exécuter, parce qu'une tranche qui dépend d'un commercial qui consulte une vue n'est consultée que le lundi.

Alertes. Alertez sur le mouvement, pas seulement sur le niveau. Un compte qui gagne deux tranches en une semaine est une meilleure raison d'appeler qu'un compte installé dans la tranche haute depuis un trimestre. Gardez des alertes assez rares pour qu'on les lise encore.

Vitesse de mise à jour. Calez le rafraîchissement sur le critère. Les événements comportementaux peuvent faire bouger le score quasiment en temps réel, les firmographiques peuvent attendre une passe trimestrielle, et les signaux d'intention demandent au moins un rafraîchissement hebdomadaire pour rester utiles. Un score mis à jour chaque nuit convient au fit et reste trop lent pour une demande de démo.

Retour arrière. Laissez un score qui baisse sortir un lead d'une séquence ou de la liste d'un commercial. Des scores qui ne font jamais que pousser les leads vers l'avant remplissent le pipeline de fiches qui ont été chaudes un jour.

Comment prouver que votre modèle fonctionne vraiment

Les guides de configuration sont partout, les guides de vérification beaucoup moins. Voici comment savoir si votre logiciel de lead scoring classe vraiment ou se contente de trier, en une mesure que vous pouvez lancer dès le trimestre prochain.

Figez le score au moment du passage de relais, pas à la signature. Stockez le score tel qu'il était quand le lead a été routé. Lire le score actuel face à une affaire signée ne prouve rien, parce que le score a continué de bouger pendant que l'affaire avançait et paraîtra visionnaire par construction.

Comparez des déciles, pas des moyennes. Rangez les scores figés en dix tranches et calculez le taux de conversion de chacune. Un modèle qui marche montre une pente régulière de la tranche basse à la tranche haute. Un taux de conversion moyen des « scores élevés » contre les « scores faibles » peut paraître sain alors que tout le milieu est du bruit.

Nommez les KPIs sur ces dix tranches. Les mêmes tranches vous donnent les chiffres à suivre chaque trimestre : le taux de conversion MQL vers SQL par tranche, le délai entre le passage de relais et le premier contact dans la tranche haute, la part des affaires gagnées qui ont démarré dans les trois tranches hautes, et la précision de la tranche haute, c'est-à-dire la part des leads qu'elle a signalés qui ont fini par convertir. Si la tranche haute ne convertit pas nettement mieux que celle du milieu, le modèle trie, il ne classe pas.

Gardez un groupe témoin. Routez un petit échantillon aléatoire par ordre d'arrivée plutôt que par score, et comparez. Sans témoin non scoré, vous ne pouvez pas séparer l'apport du modèle de l'effet des commerciaux qui travaillent simplement une liste plus courte avec plus de soin, et cet effet est réel.

Attendez un cycle de vente complet avant de juger. Lire les résultats à quatre semaines sur un cycle qui en dure douze mesure la vitesse de réaction, pas la qualité du classement. Fixez la fenêtre sur votre propre durée médiane de cycle et résistez à l'envie de lire plus tôt.

Si la pente est plate après une mesure honnête, la réponse n'est presque jamais de re-régler les pondérations. C'est de revenir au taux de remplissage des champs que ces pondérations lisent, parce qu'un modèle ne peut pas extraire un signal d'une colonne vide sur la moitié des lignes.

Cinq façons de rater un projet de logiciel de lead scoring

Scorer avant de mesurer le taux de remplissage. Un logiciel de lead scoring tournera volontiers sur une base qu'il n'a jamais auditée, et notre guide des workflows d'enrichissement explique comment remplir les propriétés à une cadence. Si vous ne savez pas quel pourcentage de fiches porte les champs que votre modèle pondère, vous ne pouvez pas distinguer un mauvais modèle d'une base mince, et vous passerez le trimestre suivant à régler des pondérations.

Acheter sur le jeu de données de l'éditeur. Toute démo tourne sur une base aux champs complets, c'est-à-dire exactement la condition que votre base ne remplit pas. Demandez à piloter sur un export de vos propres fiches, valeurs nulles comprises, et regardez ce que l'outil fait des trous : c'est ce comportement-là que vous achetez réellement. Notre rapport sur la qualité des données CRM explique comment mesurer cet état de départ.

Scorer toute la base au lieu du segment travaillé. Enrichir et scorer deux cent mille fiches dormantes pour classer les quatre cents que votre équipe appellera vraiment ce trimestre dépense le budget là où personne ne regarde. La qualité du scoring est un problème de couverture dans la population que vous touchez.

Des seuils fixés une fois pour toutes. Un seuil de MQL choisi en janvier sur un pipeline qui a doublé depuis envoie un volume de leads que personne n'avait prévu. Les seuils sont une décision trimestrielle.

Aucune boucle de retour depuis les affaires gagnées. Si rien ne compare le score au moment du passage de relais au résultat final, personne n'apprend jamais si le modèle marche, et la réponse honnête au bout d'un an est que vous ne le savez toujours pas.

Choisir un logiciel de lead scoring : la version courte

Le bon logiciel de lead scoring est rarement celui qui a la plus longue liste de fonctionnalités. La plupart des outils de lead scoring vous aident à juger votre donnée ; ce qui décide du résultat, c'est de la réparer, champ par champ, avant que la première règle ne tourne.

Choisissez votre logiciel de lead scoring sur trois propriétés plutôt que sur un nombre de fonctionnalités : il doit exprimer une décroissance par critère, il doit vous laisser voir ce qu'une valeur nulle a fait à un score, et il doit accepter des champs réécrits à intervalle régulier. Presque tous les outils sérieux de la catégorie savent classer ; c'est sur ces trois points qu'un logiciel de lead scoring se démarque réellement.

Passez ensuite les deux premières semaines sur les entrées plutôt que sur les pondérations. Mesurez le taux de remplissage des champs que vous comptez scorer, enrichissez la couche entreprise en premier parce que c'est le crédit le moins cher que vous dépenserez et qu'il remonte tous les contacts en dessous, ajoutez un signal daté pour que le classement puisse répondre à pourquoi maintenant, et normalisez vos titres avant qu'une seule règle ne s'applique dessus. Un modèle par règles modeste sur des champs bien couverts bat un modèle sophistiqué sur une base clairsemée, de façon fiable, et c'est la version que vos commerciaux utiliseront encore le trimestre prochain.