Un commercial m'a dit un jour une phrase que je n'ai jamais oubliée : « Ton fichier de 4 000 leads, c'est pas un pipeline, c'est une décharge. » Il avait raison. À l'époque, on refilait tout ce qui remplissait un formulaire à l'équipe commerciale, elle appelait en aveugle pendant deux semaines, et le taux de réponse tournait autour de 8 %. On brûlait des commerciaux sur des contacts qui n'avaient ni le budget, ni le besoin, ni l'envie d'acheter quoi que ce soit. La mise en place d'un lead scoring a changé la donne — pas en rendant le fichier plus gros, mais en le rendant plus court et mieux trié. Le taux de décrochage au téléphone est descendu sous les 30 %, contre 70 % avant.
Voici ce que j'ai appris sur le terrain : la théorie du scoring est simple, et tout le monde la répète à peu près correctement. Ce qui coince, c'est la fabrication du barème, la gouvernance entre marketing et ventes, et l'usure du modèle dans le temps. C'est là que je vais m'attarder.
Points clés à retenir
- Le lead scoring attribue des points à un contact selon son profil et son comportement, pour savoir qui appeler en premier.
- Deux familles de critères se combinent : démographiques (qui est ce contact) et comportementaux (ce qu'il fait).
- Un score sans seuil de bascule ni contrat avec les ventes ne sert à rien.
- Les points comportementaux doivent s'éroder avec le temps, sous peine de scores gonflés artificiellement.
- Un modèle de scoring se recalibre tous les trimestres, pas une fois pour toutes.
- MQL et SQL ne veulent pas dire la même chose : l'un est prêt à être contacté, l'autre est jugé apte à acheter.
Lead scoring : la définition qui tient debout
Une note attribuée à un contact, calculée à partir de critères prédéfinis, pour évaluer son potentiel de conversion. C'est la définition nu. Le problème, c'est que cette phrase décrit le résultat, pas le mécanisme. Et c'est le mécanisme qui décide si votre dispositif fonctionne ou s'il produit des chiffres que personne ne regarde.
Deux familles de critères, à ne pas confondre
Un bon score combine le profil et le comportement. Le profil répond à « qui est cette personne » : taille d'entreprise, secteur, fonction, zone géographique, budget déclaré. Le comportement répond à « qu'est-ce qu'elle fait chez nous » : pages consultées, fréquences de visite, ouvertures d'e-mails, téléchargements de documents, demandes de démo.
Confondre les deux est l'erreur la plus fréquente. Un directeur financier d'une PME de 40 salariés qui visite trois pages de tarifs en dix minutes, ça vaut plus qu'un étudiant qui s'inscrit à une newsletter. Le profil seul ne le dit pas. Le comportement seul non plus. Il faut les croiser.
Scoring positif, scoring négatif
On parle souvent des points qu'on ajoute. On parle moins des points qu'on retire — et c'est pourtant là que se joue la précision. Une désinscription, une adresse e-mail invalide, une demande de suppression, une inactivité de six mois : tout ça doit faire baisser le score. Sans pénalités, votre modèle finit par classer en tête des contacts qui se sont inscrits il y a deux ans et n'ont jamais rouvert un e-mail.
Et il faut aussi faire expirer les points comportementaux. Une visite de page tarifs en janvier ne doit pas encore peser en septembre. J'ai vu un fichier où un contact restait à 85 points parce qu'il avait téléchargé un livre blanc l'année précédente. Il n'avait jamais répondu à un seul e-mail depuis. Ce genre d'artefact pourrit la confiance des commerciaux dans tout le système.
Comment construire un barème qui sert vraiment
Sur le papier, tout le monde sait qu'il faut pondérer. En pratique, la plupart des grilles que j'ai vues étaient soit trop fines (37 critères, personne ne les comprend), soit trop grossières (deux critères, ça ne discrimine rien). Voici une trame utilisable.
Un exemple de grille chiffrée
Deux blocs, une échelle de 0 à 100, et un seuil de bascule. Le détail ci-dessous est celui que j'applique sur un projet B2B de taille moyenne ; adaptez les valeurs, gardez la structure.
| Catégorie | Critère | Points |
|---|---|---|
| Profil | Fonction décisionnaire (direction, achats) | +15 |
| Profil | Taille d'entreprise dans la cible | +10 |
| Profil | Secteur hors cible | −20 |
| Comportement | Demande de démo | +25 |
| Comportement | Visite de la page tarifs (moins de 30 jours) | +12 |
| Comportement | Trois ouvertures d'e-mails ou plus | +5 |
| Comportement | Désinscription ou e-mail invalide | −30 |
| Comportement | Aucune interaction depuis 180 jours | −15 |
Le seuil de bascule vers le commercial, dans ce projet, était fixé à 60 points. En dessous, le contact restait en nurturing. Au-dessus, il partait dans la file d'appel. Simple, lisible, contestable — ce qui est exactement ce qu'on veut.
Le contrat marketing-ventes, la partie que tout le monde saute
Un score que les commerciaux n'ont pas validé est un score mort. Il faut une définition commune de ce qu'est un lead « prêt », une procédure de contestation (si le commercial juge le lead mauvais, il doit pouvoir le signaler et ça doit faire bouger le modèle), et une revue régulière. Ce n'est pas de la bureaucratie : c'est ce qui fait que le barème vit au lieu de se figer.
Les questions qu'on me pose tout le temps
C'est quoi un lead nurturing ?
Le lead nurturing, c'est l'accompagnement d'un contact qui n'est pas encore prêt à acheter : on lui envoie du contenu utile, on l'informe, on l'entretient, jusqu'à ce qu'il soit mûr. Le scoring et le nurturing sont deux faces de la même pièce — le score dit qui est mûr, le nurturing s'occupe de ceux qui ne le sont pas encore. Sans le second, votre base se vide.
Que signifie le mot « lead » ?
Un lead, c'est un contact entrant avec lequel votre entreprise a établi un lien — pas encore un client, pas encore un prospect qualifié. Un inscrit à une newsletter, un visiteur qui remplit un formulaire, un professionnel qui télécharge un document : autant de leads, avec des niveaux de maturité très différents.
Quelle est la différence entre un MQL et un SQL ?
Un MQL (Marketing Qualified Lead) est un contact jugé suffisamment qualifié par le marketing pour être transmis aux ventes. Un SQL (Sales Qualified Lead) est un contact que les ventes ont examiné et jugé apte à entrer dans le cycle de vente. Le premier est un pari du marketing, le second une validation du commercial. La confusion entre les deux est la première cause de friction entre les deux équipes.
C'est quoi un scoring ?
Un scoring, c'est l'attribution d'une note calculée pour classer des éléments selon un critère — ici, la probabilité qu'un lead devienne client. Le mot vient de l'anglais score, qui désigne à la fois le décompte et la note obtenue. On parle de scoring en marketing comme en gestion des risques, avec la même logique : on quantifie pour prioriser.
Pourquoi votre modèle va se périmer (et comment le rattraper)
Le truc que personne ne vous dit assez tôt : un modèle de scoring n'est jamais terminé. Et je parle en connaissance de cause, parce que j'ai raté ce virage.
Il y a quelques années, on a construit une grille qui marchait très bien. Six mois plus tard, le taux de réponse des commerciaux s'était effondré : plus personne ne décrochait. On a mis trois semaines à comprendre que le produit avait changé, la cible aussi, mais que la grille n'avait pas bougé. Les points continuaient à récompenser des comportements qui n'intéressaient plus personne.
La règle que j'applique maintenant : revue trimestrielle obligatoire, avec trois questions systématiques.
- Les leads à fort score sont-ils réellement convertis ? (si non, le modèle ment)
- Les leads à faible score sont-ils réellement perdus ? (si non, on laisse passer du chiffre)
- Y a-t-il des critères que personne n'utilise plus et qui pèsent quand même ?
Si votre CMS ou votre CRM ne permet pas de tracer ces trois réponses, vous pilotez à l'aveugle — et le scoring devient un décor technique qui rassure les équipes sans les aider.
Le scoring ne vaut que par le CRM qui le porte
Théoriquement, un score peut se calculer dans un tableur. En pratique, sans CRM pour l'automatiser, il est mort dans les deux semaines. Le score doit s'afficher à côté du contact, se mettre à jour sans intervention, et déclencher des alertes. Sinon, personne n'ouvre la grille, personne ne suit les mouvements, et on revient à l'appel au hasard.
Un conseil pratique : commencez par cinq critères, pas trente. Un petit modèle incomplet mais utilisé bat un modèle exhaustif que personne ne consulte. J'ai vu trop de projets qui ont passé six mois à peaufiner un barème à 40 règles avant de découvrir que le commercial ne regardait même pas le score dans son écran.
Et si un jour votre score tourne bien, ne poussez pas jusqu'à le rendre parfait. Un modèle qui marche à 80 % et qui vit au quotidien fera plus pour votre pipeline qu'une grille parfaite qui prend la poussière dans un document partagé.
