Le défaut le plus fréquent d’une grille de lead scoring n’est pas le manque de critères. C’est le fait de donner une seule note à des signaux qui ne répondent pas à la même question. Un compte parfaitement dans la cible mais encore peu actif n’est pas équivalent à un visiteur très engagé qui ne correspond pas au profil client idéal.
Un modèle utile sépare donc deux dimensions : l’adéquation au profil client idéal et l’intention d’achat actuelle. Les valeurs proposées ci-dessous sont des points de départ, pas des benchmarks pour le marché français. Leur seule fonction est de rendre le modèle testable avant de le recalibrer sur vos propres résultats commerciaux.
Réponse directe — Quels critères utiliser pour un lead scoring B2B ?
Un lead scoring B2B exploitable combine des critères d’adéquation — secteur, taille d’entreprise, fonction, rôle dans l’achat, zone desservie et compatibilité avec le cas d’usage — avec des signaux d’intention récents comme une demande de démo, la consultation des tarifs, l’étude de contenus d’implémentation, des sessions produit répétées, un essai actif ou l’engagement de plusieurs contacts d’un même compte. Les actions répétitives doivent être plafonnées, les signaux anciens doivent perdre du poids et les seuils doivent être calibrés sur des résultats réels, pas copiés d’une grille générique.
Séparez l’adéquation de l’intention avant de calculer une note
Dans les contenus français sur le lead scoring, le mot engagement est courant. C’est un terme utile, à condition de ne pas lui faire dire plus qu’il ne dit. Une ouverture d’e-mail, un téléchargement de livre blanc et une demande de démonstration sont trois interactions observables, mais elles n’apportent pas la même preuve d’une évaluation en cours.
La première dimension mesure donc l’adéquation : l’entreprise et le contact appartiennent-ils au marché que vous pouvez réellement servir ? La seconde mesure l’intention actuelle : existe-t-il des signaux suffisamment récents et proches de l’achat pour justifier davantage d’attention humaine ?
Cette séparation n’est pas qu’un principe éditorial. Les outils actuels permettent de l’opérationnaliser. HubSpot, par exemple, prend en charge des scores de fit et d’engagement, des groupes avec limites, des règles de fréquence et la décroissance de certains événements dans le temps. Ce n’est pas une méthode universelle, mais cela montre qu’il est possible de garder les dimensions visibles au lieu de les écraser trop tôt dans un seul total. La documentation actuelle de HubSpot sur le lead scoring détaille ces mécanismes.
Le modèle d’exemple qui suit plafonne l’adéquation et l’intention à 50 points chacune. Le partage 50/50 est uniquement pédagogique. Une entreprise qui vise un marché très étroit peut exiger des critères d’adéquation plus stricts ; un produit disposant de données d’usage fiables peut donner davantage d’importance à certains signaux d’intention.
12 critères de lead scoring B2B avec points de départ
L’objectif n’est pas de créer la grille la plus longue. Douze critères suffisent pour construire un premier modèle explicable, à condition que chaque valeur reste une hypothèse et que chaque signal ait un garde-fou.
Adéquation : ce prospect appartient-il vraiment à votre cible ?
| Critère | Ce qu’il permet d’évaluer | Point de départ | Garde-fou |
|---|---|---|---|
| 1. Secteur cible | L’entreprise appartient-elle à un vertical que l’offre sait réellement servir ? | +15 | Si un secteur est réellement non desservi, utilisez une règle d’exclusion plutôt qu’un énorme malus. |
| 2. Taille d’entreprise pertinente | La variable d’échelle correspond-elle au modèle économique et au cas d’usage ? | +10 | L’effectif n’est pas toujours le bon proxy ; le chiffre d’affaires, le nombre de sites ou le volume d’usage peuvent être plus utiles. |
| 3. Fonction ou département pertinent | Le contact travaille-t-il dans l’équipe qui possède, utilise ou influence le problème ? | +10 | Être dans le bon département ne signifie pas avoir l’autorité d’achat. |
| 4. Rôle dans le groupe d’achat | Le contact est-il sponsor, évaluateur, décideur, influenceur ou utilisateur ? | +5 | La séniorité seule ne remplace pas la compréhension du rôle réel dans la décision. |
| 5. Zone desservie | L’entreprise se trouve-t-elle dans une zone que vous pouvez vendre et servir ? | +5 | Une zone non desservie relève d’une règle d’éligibilité, pas d’un comportement que l’engagement peut compenser. |
| 6. Compatibilité technique ou cas d’usage | L’environnement, le workflow ou le besoin correspond-il à ce pour quoi l’offre est conçue ? | +5 | Ne scorez que des données observables de façon fiable et maintenues à jour. |
Intention actuelle : existe-t-il des signes d’évaluation active ?
| Critère | Ce qu’il permet d’évaluer | Point de départ | Garde-fou |
|---|---|---|---|
| 7. Demande de démo, de devis ou de contact commercial | Le prospect demande-t-il explicitement une interaction humaine pour avancer ? | +30 | Déclenchez une revue rapide au lieu d’attendre qu’un total arbitraire soit atteint. Les règles d’exclusion restent actives. |
| 8. Consultation des tarifs ou d’un comparatif | Le prospect examine-t-il des informations proches du choix ou de l’achat ? | +15 | Plafonnez les visites répétées dans une fenêtre définie pour éviter qu’un simple rafraîchissement de page ne fabrique de l’intention. |
| 9. Contenu d’implémentation, de sécurité ou d’intégration | Quelqu’un vérifie-t-il la faisabilité, le risque ou la compatibilité ? | +10 | Scorez la fonction du contenu dans l’évaluation, pas uniquement le nombre de pages vues. |
| 10. Deuxième session orientée produit dans une fenêtre récente | L’intérêt se poursuit-il au-delà d’une visite isolée ? | +10 | Définissez la fenêtre et le plafond ; n’ajoutez pas +10 à chaque retour. |
| 11. Activation d’un essai ou évaluation pratique du produit | Le prospect teste-t-il réellement l’adéquation, la faisabilité ou la valeur ? | +10 | Une simple inscription n’est pas une preuve suffisante ; privilégiez un usage ou une étape d’évaluation significative. |
| 12. Plusieurs contacts engagés dans le même compte | L’intérêt apparaît-il chez plusieurs membres du groupe d’achat ? | +10 | Traitez ce signal au niveau compte/entreprise ou avec une logique d’associations ; ne l’ajoutez pas silencieusement au score d’une seule personne. |
Plafond d’exemple pour l’intention : 50 points. Les valeurs brutes peuvent dépasser 50. C’est volontaire : le plafond empêche une activité très traçable de produire des points sans limite. Il ne remplace pas la décroissance dans le temps. Le plafond gère la répétition ; la décroissance gère l’ancienneté.
Un signal à traiter avec prudence est l’ouverture d’e-mail. Apple Mail Privacy Protection peut télécharger le contenu distant en arrière-plan, même sans interaction réelle du destinataire. Une ouverture seule est donc un indicateur fragile pour une décision de routage importante. Apple documente ce fonctionnement de Mail Privacy Protection. Si vous gardez les ouvertures dans le score, donnez-leur peu de poids et vérifiez qu’elles ajoutent réellement de la valeur prédictive dans vos données.
Plafond, exclusion, joignabilité, décroissance et signal négatif n’ont pas le même rôle
Une grille devient difficile à gouverner lorsque les points positifs et négatifs servent à tout. Cinq mécanismes distincts permettent de garder le modèle lisible.
| Mécanisme | Problème traité | Exemple | Effet opérationnel |
|---|---|---|---|
| Plafond | Une action répétable ne doit pas créer des points sans limite. | Dix consultations de la page tarifs dans la même période. | Les répétitions supplémentaires n’augmentent plus le score après le plafond. |
| Exclusion | Le contact ou le compte ne doit pas entrer dans le routage normal. | Contact interne, test, concurrent ou compte impossible à servir. | Ne pas router normalement ; traiter l’éligibilité séparément du score. |
| Joignabilité / blocage des communications | Le prospect peut rester pertinent, mais un canal ne doit plus être utilisé. | Désinscription, rebond permanent (hard bounce) ou statut de non-sollicitation. | Bloquer ou modifier le workflow de communication sans effacer artificiellement l’adéquation au client cible. |
| Décroissance dans le temps | Un signal comportemental ancien perd de sa valeur. | Une visite des tarifs vieille de plusieurs mois. | Réduire ou faire expirer les points d’intention selon une règle explicite. |
| Signal négatif | Une observation réduit la priorité actuelle sans rendre le prospect définitivement inéligible. | « Aucun projet ce semestre » ou plusieurs rendez-vous manqués. | Baisser la priorité tout en permettant une réévaluation ultérieure. |
La décroissance n’est pas une subtilité théorique. Adobe Marketo Optimizer calcule actuellement son score d’engagement individuel à partir des activités des 30 derniers jours ; les événements plus anciens sortent de la fenêtre et le score peut diminuer. La documentation Adobe décrit cette fenêtre glissante de 30 jours. Ce chiffre illustre un mécanisme produit ; ce n’est pas une recommandation universelle pour votre cycle de vente.
Le modèle public de GitLab montre aussi pourquoi les seuils ne doivent pas être copiés. L’entreprise documente ses propres règles, plafonds, exclusions, fréquences et mécanismes de decay dans Marketo. Le handbook public de GitLab est utile comme exemple de gouvernance explicite, pas comme barème à reproduire.
Définissez une règle de revue commerciale, pas un seuil magique
Un score ne vaut quelque chose que s’il change une action. Le piège consiste à décider qu’un total unique transforme automatiquement un contact en MQL ou en SQL. Le score peut participer à votre définition de cycle de vie, mais il ne remplace ni la logique d’éligibilité ni une véritable qualification commerciale.
Une règle plus lisible demande que l’adéquation et l’intention franchissent chacune un minimum. Une demande explicite de démo ou de contact peut déclencher une revue rapide ; elle n’annule pas une règle d’exclusion.
| Intention actuelle faible | Intention actuelle forte | |
|---|---|---|
| Adéquation forte | Faire progresser. Le compte correspond à la cible mais ne montre pas encore assez de signes d’évaluation active. | Revue commerciale. Les deux dimensions justifient une priorité normale. |
| Adéquation faible | Déprioriser. Exclure uniquement si une règle d’éligibilité séparée le justifie. | Revue manuelle ou parcours alternatif. Une forte activité ne corrige pas un problème de fit. |
Exemple de seuils pour un test en parallèle
Avec le modèle pédagogique 50/50, une équipe pourrait tester en arrière-plan :
- revue commerciale standard à partir de 30/50 en adéquation et 25/50 en intention ;
- revue immédiate pour une demande explicite de démo ou de contact, même si le score d’intention n’a pas encore atteint 25 ;
- aucun routage normal lorsqu’une règle d’exclusion est active ;
- transmission des raisons décisives de la priorité avec le lead.
Ces nombres sont des hypothèses de test. Une équipe enterprise à faible volume, un modèle PLG ou un cycle de vente très court peut aboutir à des seuils très différents.
Transmettez les raisons de la priorité et respectez le niveau compte/contact
Un commercial apprend peu de « Score = 72 ». Il est plus utile de voir quelques motifs compréhensibles : secteur_cible, tarifs_recents, demande_demo, plusieurs_contacts_actifs. Le nom technique des codes dépend de votre CRM ; le principe est que le vendeur puisse comprendre la décision sans reconstruire tout l’historique.
Cette exigence devient essentielle lorsqu’un signal existe au niveau du compte. Trois personnes de la même entreprise qui consultent des pages produit ou intégration peuvent indiquer une dynamique de groupe d’achat. Mais ces actions ne doivent pas être attribuées comme si un seul contact les avait toutes réalisées. Utilisez un score compte/entreprise, une logique de groupe d’achat ou des règles tenant explicitement compte des associations.
Le niveau du signal doit correspondre au niveau de la décision. Sinon, le système devient techniquement précis mais commercialement trompeur.
Calibrez les pondérations sur des résultats commerciaux réels
Les points de départ n’ont de valeur que s’ils sont confrontés à ce qui se passe ensuite. Choisissez d’abord un résultat commercial en aval suffisamment fréquent et clairement défini : acceptation par les commerciaux, création d’une opportunité ou autre progression du pipeline dans une fenêtre cohérente avec votre cycle de vente.
Comparez ensuite les dossiers avec et sans chaque signal. Vous cherchez une séparation prédictive utile, pas la preuve que le signal a causé la vente.
- Définir le résultat cible et la fenêtre. Qu’est-ce qui compte exactement comme réussite ?
- Backtester des dossiers historiques. Recalculez le modèle sur des leads dont les résultats sont connus.
- Étudier les faux positifs et faux négatifs. Un bon score moyen peut cacher de mauvaises priorités individuelles.
- Modifier une règle importante à la fois. Sinon, vous ne saurez pas ce qui a réellement amélioré le modèle.
- Lancer un test en parallèle (shadow run). Enregistrez les décisions du nouveau modèle avant de lui confier des automatisations difficiles à annuler.
- Mesurer la transmission. Acceptation commerciale, progression en opportunité, motifs de rejet et, si le volume le permet, taux de gain montrent si la priorisation aide réellement.
Attention aux signaux corrélés
Une visite des tarifs, une deuxième session produit et une demande de démo peuvent être trois traces de la même séquence d’évaluation. Si chacune est associée à davantage d’opportunités, cela ne signifie pas que les trois méritent indépendamment une hausse de poids. Examinez leurs recouvrements par segment et, lorsque le volume le permet, utilisez une analyse multivariable simple avant d’augmenter plusieurs pondérations corrélées en même temps.
Le bon rythme de recalibrage dépend du volume et des changements du business, pas d’un slogan du type « tous les trimestres ». Reconsidérez le modèle lorsque l’ICP, le prix, le produit, le tracking, les territoires ou le processus commercial changent suffisamment pour modifier le sens d’un signal.
Quand le scoring prédictif devient un autre problème
Un modèle à règles est facile à auditer : chaque point a une raison explicite. Il fonctionne bien lorsqu’une équipe a besoin de gouvernance, comprend raisonnablement son ICP et ne dispose pas encore d’une grande quantité de résultats propres et bien étiquetés.
Le scoring prédictif répond à une autre question. Salesforce Einstein Lead Scoring, par exemple, analyse les schémas historiques de conversion et affiche les champs qui influencent le plus le score. La documentation Salesforce explique l’utilisation de l’historique de conversion et des facteurs influents. Ce type de modèle peut repérer des motifs qu’une courte liste de règles ignore, mais il dépend toujours d’un résultat cible bien défini et de données historiques suffisamment propres.
Le meilleur point de départ n’est donc pas le modèle le plus sophistiqué. C’est celui que l’équipe peut expliquer, mesurer et corriger. Lorsqu’un lead arrive chez les commerciaux, deux questions devraient avoir une réponse visible : pourquoi ce lead est-il prioritaire maintenant, et les résultats du pipeline confirment-ils cette décision ?
