Modèle de scoring des leads : dimensions, pondération et calibrage des seuils
1. Pourquoi un modèle de scoring : sans scoring, on répartit son effort à l’aveugle
Les demandes qui arrivent chaque jour sur un site indépendant sont de qualité très inégale. Certaines viennent de concurrents qui sondent les prix, d’autres d’étudiants qui font un exposé, d’autres encore d’un acheteur de taille moyenne avec un vrai budget d’achat. Si les commerciaux suivent toutes les demandes au même rythme, le résultat est inévitable : les acheteurs à forte intention sont négligés et les demandes à faible intention absorbent un temps considérable.
Le modèle de scoring résout précisément ce problème de tri. Il décompose chaque demande en plusieurs dimensions notées, puis les agrège en une note pondérée de 0 à 100, avant de router selon le palier de score vers la bonne personne et le bon rythme de suivi. Sans modèle de scoring, l’équipe ne peut juger de l’importance d’une demande qu’à l’intuition, et l’intuition finit toujours par céder quand le volume de demandes augmente.
| Mode de séparation | Mise en œuvre | Étape concernée | Principaux problèmes |
|---|---|---|---|
| Pas de scoring, tout le monde suit | Tous les commerciaux suivent toutes les demandes | Moins de 20 demandes par mois | Engorgement dès que le volume monte |
| Répartition à l’intuition | Le responsable décide d’un coup d’œil qui suit quoi | 20 à 50 demandes par mois | Critères non uniformes, tout repose sur l’individu |
| Modèle de scoring par règles | Notation pondérée par dimension et routage automatique | Plus de 50 demandes par mois | Calibrage trimestriel nécessaire |
| Scoring prédictif | Entraîner le modèle sur les données de conversion historiques | Au moins 100 conversions en échantillon | Un échantillon insuffisant fausse les résultats |
La plupart des sites indépendants à l’international devraient passer au modèle de scoring par règles dès 50 demandes par mois, plutôt que d’attendre d’avoir assez de données. L’avantage du modèle par règles : il est transparent, explicable, et les commerciaux comprennent pourquoi telle demande leur a été attribuée. Pour évaluer l’étape du parcours de recherche de l’acheteur, voir Le parcours de recherche des acheteurs B2B à l’international.
2. Conception des dimensions : ce que gèrent le score de profil et le score comportemental
Les dimensions de scoring se répartissent en deux grandes catégories. Le score de profil porte sur l’identité de l’entreprise et de la personne ; le score comportemental porte sur ce qu’elle a fait sur le site. Le premier provient des champs remplis dans le formulaire et de la recherche inversée, le second des données de tracking. Le tableau ci-dessous présente la composition typique de ces deux catégories.
| Catégorie de dimension | Dimensions concrètes | Source des données | Poids conseillé |
|---|---|---|---|
| Score de profil | Taille de l’entreprise, secteur, zone géographique | Formulaire + recherche inversée sur le domaine | 20 % |
| Score de profil | Poste et rôle dans l’achat | Champ poste du formulaire | 10 % |
| Score de profil | Correspondance avec le profil client cible | Règles ICP | 10 % |
| Score comportemental | Temps passé sur la page produit | Tracking du site | 15 % |
| Score comportemental | Visite page devis / échantillon | Événement de page | 20 % |
| Score comportemental | Visites répétées sur 7 jours | Comptage de sessions | 15 % |
| Score comportemental | Téléchargement livre blanc / document | Événement de téléchargement | 10 % |
Le score de profil compte pour 40 %, le score comportemental pour 60 %. Ce ratio se justifie ainsi : le poste et l’entreprise qu’un acheteur indique dans un formulaire peuvent être embellis, voire falsifiés, mais le temps passé sur le site, la consultation d’une page de devis, la fréquence des visites sur une semaine sont des comportements difficiles à simuler. Les trois caractéristiques vérifiables du profil client cible sont détaillées ci-dessous.profil de client cible.
Exemple : une demande vient d’une entreprise manufacturière de taille moyenne dans un pays donné, le poste indiqué est acheteur, le score de profil est maximal ; mais le visiteur ne reste que 40 secondes sur le site et ne consulte aucune page produit, le score comportemental est très faible. Le score total de cette demande ne sera pas élevé, le système doit la classer en lead tiède et non en lead chaud : un beau poste ne signifie pas qu’il y a un vrai projet d’achat.
3. Attribution des pondérations et calibrage des seuils
Les pondérations ne se fixent pas au hasard, elles reposent sur un backtest des données de vente. Le premier trimestre après le lancement, appliquez les pondérations initiales du tableau ci-dessus, sans évaluer les commerciaux, en enregistrant simplement le statut final de chaque demande. En fin de trimestre, isolez les demandes gagnées et regardez sur quelles dimensions elles obtiennent des scores élevés ou faibles, puis ajustez les pondérations en conséquence.
| Signal de calibrage | Phénomène observé | Action d’ajustement |
|---|---|---|
| Score élevé sans conversion | Taux de conversion inférieur à 60 % pour les scores ≥ 80 | Vérifier quelle dimension est gonflée, réduire sa pondération |
| Score faible mais opportunité manquée | 30 % des demandes converties ont un score inférieur à 60 | Augmenter la pondération d’une dimension comportementale |
| Concentration de téléchargeurs | Les téléchargeurs de livre blanc représentent plus de 40 % des scores élevés | Réduire la pondération du téléchargement de 10 % à 5 % |
| Les visiteurs de la page devis convertissent massivement | Le taux de conversion double pour les demandes ayant consulté la page devis | Augmenter la pondération de la visite page devis de 20 % à 25 % |
| Échantillon insuffisant | Moins de 10 ventes conclues dans le trimestre | Ne pas ajuster les pondérations, observer un trimestre de plus |
Les seuils doivent aussi être calibrés. Au départ, on recommande deux paliers, 80 et 60, mais si le backtest montre que le taux de conversion des demandes au-dessus de 75 est déjà stable au-delà de 30 % et que l’échantillon au-dessus de 80 est trop faible, il faut abaisser le seuil des leads chauds à 75. Un seuil n’est pas meilleur quand il est plus élevé : s’il est si haut qu’aucun lead n’entre, le modèle perd tout intérêt pour la répartition.
4. Routage par score : trois règles de répartition
Le but d’un modèle de scoring n’est pas le score lui-même, mais l’action qu’il déclenche. Il est conseillé de lier directement les tranches de score à des règles de routage, intégrées à l’automatisation du CRM, sans laisser les commerciaux décider manuellement.
| Tranche de score | Étiquettes | Délai de réponse | Action de relance |
|---|---|---|---|
| ≥ 80 points | Lead chaud | Sous 5 minutes | Transférer à un commercial senior, appliquer le processus standard avec SLA de première réponse |
| 60 à 79 points | Lead tiède | Dans l’heure | Transférer à un commercial junior, ajouter un point d’information différenciant |
| 40 à 59 points | Lead froid | Dans la journée | Intégrer à une séquence de nurturing par e-mail, sans relance humaine immédiate |
| <40 points | Non pertinent / concurrent | Ne pas relancer | Marquer le motif, entraîner les règles anti-spam |
L’exigence des 5 minutes pour les leads chauds et SLA de première réponse aux demandes et taux de conversion Le SLA de traitement doit être identique des deux côtés : les deux règles doivent être alignées, sinon le commercial reçoit un lead chaud mais le traite au rythme normal, et le scoring ne sert à rien. Pour la partie détection d’intention, le jugement BANT est détaillé dans Identifier l’intention des demandes et y répondre de façon différenciée, qui répond à la question : comment aborder le prospect une fois le score établi.
V. Les erreurs de scoring courantes
| Erreur | Ce qu’on fait | Ce que ça donne | Bonne pratique |
|---|---|---|---|
| Ne regarder que le profil | Une grande entreprise = un score élevé | Les grands groupes ont beaucoup de curieux et peu de ventes | Le score comportemental doit peser plus que le score de profil |
| Un téléchargement = un score élevé | Télécharger un livre blanc = une intention forte | Les visiteurs en phase d’étude arrivent en masse, le commercial s’agite pour rien | Réduire le poids du téléchargement et regarder la page tarifs |
| Des poids fixés une fois pour toutes | Aucun backtest après la mise en ligne | Le modèle devient de moins en moins précis | Recalibrer chaque trimestre avec les données de vente |
| Un seuil trop élevé | Il faut 90 points pour être un lead chaud | Presque aucun lead n’entre dans la file des leads chauds | Fixer le seuil selon la distribution réelle des affaires gagnées |
| Un scoring qui ne débouche sur rien | On note mais on n’attribue personne | Le commercial ne sait pas qui suivre | Lier le score à des règles de routage automatique |
L’erreur la plus insidieuse est de ne regarder que le profil. Un salarié d’une entreprise du Fortune 500 télécharge un livre blanc : son score de profil est élevé, mais il rédige peut-être simplement un rapport sectoriel et n’a aucun budget d’achat. Passer le poids du score comportemental à 60 %, c’est justement pour que le modèle colle davantage à la phase d’achat réelle qu’au titre de l’entreprise. La synchronisation automatique des champs du formulaire vers le CRM est le prérequis technique pour que le modèle de scoring tourne, voir Des contacts du site au CRM.
FAQ — Questions fréquentes
Combien de dimensions prévoir au départ pour un modèle de scoring de leads ?
Quel poids donner au score comportemental et au score de profil ?
Quel seuil choisir pour les leads chauds ?
Pourquoi ne pas donner un score élevé aux visiteurs qui téléchargent un livre blanc ?
À quelle fréquence le modèle de scoring est-il calibré ?
Comment le scoring et le SLA de première réponse s’articulent-ils ?
Pour conclure
La valeur d’un modèle de scoring de leads ne réside pas dans la notation elle-même, mais dans l’affectation du temps commercial limité aux demandes les plus susceptibles de se convertir. Beaucoup d’équipes se lancent d’emblée dans des modèles complexes à plusieurs dizaines de dimensions : le commercial n’y comprend rien, ne les applique pas, et le modèle devient un simple objet décoratif. La bonne démarche consiste d’abord à construire un modèle à règles sur 6 à 7 dimensions, à le faire tourner un trimestre, à le backtester sur les données de conversion, puis à resserrer progressivement les seuils.
Trois étapes pour passer à l’action : premièrement, établir les poids initiaux à 40 % pour le profil et 60 % pour le comportement, et le mettre en ligne sans objectif de performance ; deuxièmement, rattacher directement les deux seuils de 80 et 60 points au routage automatique du CRM, avec 5 minutes pour un lead chaud, 1 heure pour un lead tiède et une séquence de nurturing pour un lead froid ; troisièmement, backtester une fois par trimestre sur les affaires gagnées : si un score élevé ne convertit pas, on réduit le poids, et si une affaire est manquée à score faible, on augmente le poids. La base technique de tout cela réside dans Technologie des sites indépendants une accumulation continue dans cette direction.
Une phrase à retenir : le scoring de leads ne classe pas les demandes, il classe le temps des commerciaux. Le score comportemental est plus fiable que le score de profil, et une calibration trimestrielle vaut mieux qu’un réglage définitif.