● Contexte
La plupart des exercices de TAM finissent en tableur de 50 000 comptes balancé dans le CRM. Six mois plus tard, personne n'en a appelé aucun. Le fichier dort sur un drive partagé, dernière ouverture en janvier, pendant que les commerciaux prospectent toujours les 200 mêmes comptes trouvés sur LinkedIn.
On a construit tout le total addressable market de Vizzia l'an dernier, depuis zéro : 35 000 fiches de communes couvrant 98,3 % des communes françaises, enrichies avec numéros SIRET, emails et contacts téléphoniques. Ça a pris quatre semaines, pas quatre mois, et la base est allée en production dans HubSpot dès le premier jour. Ce projet nous a appris plus sur la construction de TAM B2B que n'importe quel slide de framework.
Ce guide déroule le process qu'on utilise chez Cashmyrr pour construire des TAM opérationnels, ceux dont les équipes commerciales se servent vraiment. Pas du market sizing pour pitch deck. De vraies bases de prospects qui génèrent du pipeline.
TAM, SAM, SOM : c'est quoi ?
Ces trois acronymes circulent dans les comités et les levées de fonds, mais leurs définitions comptent aussi pour l'opérationnel.
TAM (Total Addressable Market) : l'univers entier des entreprises ou organisations à qui on pourrait vendre, en théorie, avec des ressources, une distribution et une couverture produit illimitées. Pour un cabinet de conseil CRM, ça peut être toute entreprise B2B de plus de 10 salariés en Europe. Pour un SaaS secteur public, ça peut être toutes les communes de France.
SAM (Serviceable Addressable Market) : la part du TAM qu'on peut réellement atteindre avec son produit, son pricing et son go-to-market actuels. Si le produit ne propose l'onboarding qu'en français et que l'équipe commerciale est basée à Paris, le SAM est bien plus petit que le TAM, quoi que le produit puisse faire en théorie.
SOM (Serviceable Obtainable Market) : ce qu'on peut réalistement closer dans les 12 prochains mois, compte tenu de la taille de l'équipe, de la capacité de pipeline et de la vélocité commerciale. Si le cycle de deal moyen dure 90 jours et qu'on a trois AE, le SOM a un plafond, quelle que soit la taille du SAM.
La relation entre ces trois couches, c'est ce qui rend l'exercice utile. Un TAM énorme avec un SOM minuscule en dit long sur les contraintes de go-to-market. Un SAM qui colle de près au TAM signifie qu'on est soit très ciblé, soit en train de sous-estimer le filtrage à appliquer.
Pour les entreprises B2B, le TAM bottom-up (compter les entreprises réelles une par une) compte bien plus que la version top-down (partir du chiffre d'affaires global du marché et diviser). On y revient plus loin.
Pourquoi la plupart des TAM échouent
On a hérité de suffisamment de projets TAM cassés pour repérer les schémas récurrents. Voici où ça dérape.
L'approche « on balance 50K comptes ». Quelqu'un achète un export ZoomInfo ou Apollo, filtre par secteur et effectif, et charge tout dans le CRM. Les commerciaux héritent d'un territoire de 3 000 comptes sans aucun contexte sur ceux qui comptent vraiment. Ils piochent 50 noms familiers et ignorent le reste.
Pas d'alignement ICP. Le TAM a été construit sans impliquer la direction commerciale. Le marketing a défini les critères sur des paramètres de ciblage pub. Les commerciaux regardent la liste et disent : « la moitié sont trop petits pour nous acheter quoi que ce soit ». Les filtres firmographiques seuls ne captent ni les signaux d'achat, ni le fit organisationnel.
Une seule source de donnée. Chaque base a ses trous. Apollo a une bonne couverture tech US mais une donnée SMB européenne plus faible. LinkedIn donne des personnes mais pas les finances des entreprises. Les registres publics ont la donnée légale mais pas de contacts. Un TAM construit sur une seule source hérite de tous les angles morts de cette source.
Pas de dédoublonnage contre le CRM existant. On importe 20 000 comptes et on crée 4 000 doublons parce que personne n'a vérifié ce qui existait déjà dans le système. Résultat : l'équipe commerciale a deux fiches pour la même entreprise, avec des propriétaires différents et des notes contradictoires. Notre audit CRM finit par les attraper, mais le dégât sur la confiance des commerciaux est immédiat.
Pas de politique de rafraîchissement. La donnée B2B se dégrade d'environ 22,5 % par an selon Gartner. Les gens changent de poste, les entreprises fusionnent, les numéros de téléphone meurent, les domaines email changent. Un TAM construit au Q1 est déjà obsolète à 5-6 % au Q2. Sans calendrier de rafraîchissement, notre base « exhaustive » devient un cimetière d'emails qui bouncent et de numéros déconnectés.
Pas de segmentation ni de priorisation. Traiter chaque compte de son TAM de la même façon, c'est un échec d'allocation de ressources. Une entreprise de 500 personnes avec un point de douleur identifié n'a rien à voir avec une entreprise de 15 personnes dans un secteur vaguement lié. Sans niveaux de priorité, on demande aux commerciaux de prioriser au hasard.
● Explications
Le process en 7 étapes pour construire un TAM
Voici le process qu'on suit pour chaque mission TAM. L'ordre compte, parce que chaque étape dépend des résultats de la précédente.
Étape 1 : Définir son ICP avec les parties prenantes
C'est un exercice cross-fonctionnel. On met le CEO, le head of sales, le head of CS et le responsable marketing dans la même pièce pendant 90 minutes. Si on a une fonction RevOps, c'est elle qui anime.
On travaille ces dimensions :
- Secteur/vertical. Soyons précis. « SaaS », c'est trop large. « SaaS B2B qui vend au mid-market dans la RH tech », c'est exploitable.
- Taille d'entreprise. Le chiffre d'affaires est plus parlant que l'effectif, quand on peut l'obtenir. Un cabinet de conseil de 50 personnes et une startup VC-backed de 50 personnes ont des budgets très différents.
- Géographie. Où peut-on réellement vendre et livrer ? On est honnête sur la langue, le fuseau horaire, les contraintes réglementaires.
- Signaux de stack techno. Nos meilleurs clients utilisent-ils HubSpot ? Salesforce ? SAP ? L'usage d'outils peut être un bon proxy de budget et de maturité.
- Indicateurs de budget. Levées de fonds récentes, offres d'emploi pour des rôles pertinents, relations fournisseurs existantes visibles sur LinkedIn ou dans les avis G2.
- Filtres négatifs. Qui ne veut-on explicitement pas ? Administrations, entreprises sous un seuil de CA, sous-secteurs qui se ressemblent mais ont des process d'achat différents.
On rédige tout ça en un document ICP d'une page. On fait valider par la direction commerciale avant d'aller plus loin. Sauter cette étape, et tout ce qui suit devient du pifomètre.
Étape 2 : Identifier les sources de données faisant autorité
Une fois qu'on sait qui on cherche, il faut trouver où cette donnée vit. Ça varie énormément selon le marché et le secteur.
Les registres publics sont la source la plus fiable pour l'existence légale d'une entreprise. En France, l'INSEE fournit les numéros SIRET, les codes d'activité (NAF/APE), et les adresses enregistrées. Au Royaume-Uni, Companies House propose une donnée similaire via une API gratuite. Ces sources manquent de coordonnées, mais confirment qu'une entreprise existe et où elle opère.
Les associations professionnelles et annuaires sectoriels tiennent souvent des listes de membres qui font d'excellentes sources de TAM sur un vertical précis. L'Association des Maires de France publie la donnée des élus. Les fédérations professionnelles du bâtiment, de la santé, ou du conseil tiennent des annuaires avec coordonnées.
Les bases commerciales comme Apollo, ZoomInfo, Cognism et Lusha remplissent la couche d'enrichissement : emails, téléphones, stack techno, organigrammes. Chacune a ses forces selon la géographie et la taille d'entreprise. On a comparé les principaux outils d'enrichissement dans un article dédié.
Le scraping ciblé couvre les trous. Sites d'entreprises, offres d'emploi (pour les signaux de recrutement), plateformes d'avis comme G2 ou Capterra (pour l'intelligence sur le stack techno), et plateformes sectorielles contiennent toutes de la donnée structurée, si on sait l'extraire.
Pour toute construction de TAM, on prévoit de combiner au moins deux à trois sources. Un registre faisant autorité pour la donnée entreprise, une base commerciale pour les contacts, et une source scrapée pour les signaux spécifiques que demande son ICP.
Étape 3 : Valider avec un scrape échantillon
Avant de s'engager sur une construction complète, on fait tourner un échantillon de 500 à 1 000 fiches dans tout le pipeline. Ça permet de détecter les problèmes tôt.
On vérifie ces métriques sur l'échantillon :
- Taux de match. Quel pourcentage de fiches de la source primaire se retrouve dans l'outil d'enrichissement ?
- Complétude des champs. Quel pourcentage de fiches a un email valide ? Un téléphone ? Une taille d'entreprise ?
- Précision. On vérifie manuellement 50 fiches. Les emails sont-ils à jour ? Les entreprises existent-elles toujours ? Les codes secteur sont-ils corrects ?
- Fit ICP. Sur les 500 fiches, combien correspondent vraiment à l'ICP après enrichissement ? En dessous de 60 %, la sélection de source ou le filtrage a besoin d'être retravaillé.
Sur le projet Vizzia, notre scrape échantillon de 800 fiches de communes a révélé que l'annuaire public primaire n'avait des numéros de téléphone que pour 12 % des entrées. Cette découverte a changé notre stratégie d'enrichissement avant de passer à l'échelle : on a ajouté une deuxième source dédiée aux contacts municipaux, ce qui a porté la couverture téléphonique à 31 % sur l'ensemble.
Étape 4 : Exécuter le scrape complet et l'enrichissement
Une fois l'échantillon validé, on passe à l'échelle. Le choix d'outillage dépend de la complexité des sources et du volume de fiches.
Pour le scraping : Apify gère les sites lourds en JavaScript et propose des scrapers préconstruits pour les plateformes courantes. PhantomBuster est solide pour l'extraction de donnée adjacente à LinkedIn. Pour les registres publics sur mesure, des scripts Python avec BeautifulSoup ou Playwright gèrent l'authentification et la pagination.
Pour l'enrichissement : Apollo donne jusqu'à 10 000 crédits gratuits par mois et une bonne recherche d'emails. FullEnrich agrège plus de 15 sources en cascade pour les téléphones et les emails. Cognism reste l'option la plus solide pour les mobiles européens conformes RGPD. On les combine pour maximiser la couverture.
Pour l'orchestration : n8n fait le lien entre tout. Un pipeline type : déclenchement sur un nouveau lot de fiches, appel à Apollo pour l'enrichissement email, repli sur FullEnrich pour les manques, validation de la délivrabilité via MillionVerifier, écriture des résultats dans une feuille de staging, signalement des fiches à revoir manuellement.
On fait tourner l'enrichissement par lots de 500 à 1 000 pour éviter les limites de taux des API, et on surveille la qualité au fil de l'eau.
Étape 5 : Nettoyer et dédoublonner
Une donnée brute n'est jamais prête pour le CRM (le sujet mérite un guide à part entière). On budgète du temps réel pour cette étape.
Standardiser les noms d'entreprise. « IBM » et « International Business Machines Corp. » sont la même entreprise. On utilise les identifiants d'entité légale (SIRET, numéros d'immatriculation) pour le matching exact, et du fuzzy matching pour le reste.
Normaliser les champs. Numéros de téléphone au format E.164. Pays en codes ISO 3166. Classifications sectorielles mappées sur les valeurs de liste déroulante du CRM, pas celles fournies par la source.
Dédoublonner contre le CRM existant. On exporte les comptes et contacts actuels, on matche les fiches entrantes par domaine, numéro d'immatriculation, ou combinaisons nom-plus-ville. Pour du fuzzy matching à l'échelle, Dedupely fonctionne à l'intérieur de HubSpot. Pour du matching plus complexe, un dédoublonnage assisté par LLM via Claude ou GPT-4 peut évaluer si « Mairie de Lyon » et « Ville de Lyon - Services Techniques » doivent être fusionnées.
Flag, ne pas supprimer. On marque les doublons potentiels pour une revue humaine plutôt que de fusionner automatiquement. Une fusion automatisée ratée crée des problèmes plus gros que les doublons eux-mêmes.
Étape 6 : Importer dans le CRM avec segmentation
On n'importe pas une liste plate. On segmente et on priorise avant que quoi que ce soit ne touche le CRM.
On priorise les comptes selon le potentiel de revenu et le fit :
- Tier A : fit ICP parfait, signaux d'achat forts, taille de deal potentielle élevée. Ils reçoivent des séquences outbound dédiées et des propriétaires de compte nommés.
- Tier B : bon fit ICP, signaux modérés. Ils vont dans des séquences de nurturing automatisées avec revue manuelle périodique.
- Tier C : fit marginal ou donnée insuffisante. Ils restent dans la base pour les campagnes marketing, mais sans attention commerciale directe.
On assigne la propriété selon le territoire, le vertical, ou en round-robin selon le modèle commercial. Un compte sans propriétaire, c'est un compte qui ne sera jamais travaillé.
On configure des vues et des filtres CRM pour que les commerciaux puissent réellement naviguer dans leur territoire. Une vue « Mes comptes Tier A sans activité depuis 30 jours » vaut plus qu'un dashboard de statistiques TAM agrégées.
On crée une fiche d'import dédiée dans le CRM avec la source, la date, et le volume. Quand quelqu'un demande « d'où viennent ces 8 000 comptes ? » six mois plus tard, on veut une réponse claire.
Étape 7 : Mettre en place le rafraîchissement et les boucles de feedback
Un TAM est un actif vivant. On construit la maintenance dès le premier jour.
Rafraîchissement trimestriel de la donnée. On relance l'enrichissement tous les 90 jours. On signale les changements : nouveaux emails, téléphones mis à jour, entreprises rachetées ou fermées. À 22,5 % de décroissance annuelle, sauter un trimestre veut dire des centaines de fiches obsolètes qui s'accumulent en silence.
Boucles de feedback commerciales. On crée un mécanisme simple pour que les commerciaux signalent les mauvaises fiches : mauvais secteur, entreprise trop petite, contact parti. Ce feedback doit remonter à l'équipe data et améliorer les prochains cycles d'enrichissement.
Retirer les mauvais matchs. Si un compte a été contacté trois fois sans réponse et que la recherche confirme un mauvais fit, on le retire des territoires actifs. Un TAM plus petit et plus propre bat un TAM boursouflé.
Suivre les métriques de couverture. On surveille le pourcentage du TAM avec emails valides, téléphones, et propriétaires assignés. Si la couverture email passe sous 70 %, on déclenche un cycle de ré-enrichissement.
● Conclusion
Calcul top-down vs bottom-up
Les deux approches ont leur place, mais elles résolvent des problèmes différents.
Top-down : on part de la donnée de taille de marché globale et on affine. On prend un rapport d'analyste qui dit que le marché HR tech européen vaut 4,2 milliards de dollars, on estime que son segment en représente 15 % (630 M$), et on calcule combien de clients à sa taille de deal moyenne composent ce chiffre d'affaires. Utile pour un pitch investisseur. Ça donne le plafond, pas les entreprises à appeler lundi.
Bottom-up : on part de fiches d'entreprises réelles. On compte chaque organisation qui correspond à son ICP, on estime le potentiel de revenu par compte, et on additionne. Le résultat est toujours plus petit que le chiffre top-down, mais il est ancré dans des entités réelles qu'on peut prospecter.
Pour construire un TAM opérationnel, on utilise toujours le bottom-up. Un TAM bottom-up de 8 000 comptes vérifiés avec donnée de contact bat un slide top-down qui affirme un TAM à 2 milliards de dollars. Le chiffre top-down rassure le board sur la taille du marché. La base bottom-up donne aux commerciaux quelque chose à exploiter.
On utilise le top-down comme test de cohérence. Si son TAM bottom-up suggère 8 000 comptes pour 400 M$ agrégés, et qu'un rapport d'analyste chiffre le marché total à 500 M$, la couverture paraît raisonnable. Si le rapport annonce 50 milliards de dollars, soit on est sur une niche minuscule, soit l'ICP est trop étroit.
Exemple réel : construire une base municipale de 35 000 fiches
Quand Vizzia est arrivé chez nous, leur marché cible, c'était les collectivités municipales françaises. Aucune base commerciale B2B ne couvre les élus et décideurs municipaux en France. Apollo et ZoomInfo indexent à peine les contacts du secteur public. La couverture LinkedIn pour les maires de petites communes est très faible.
Leur CRM existant comptait 6 000 fiches, avec 6 % de couverture SIRET et environ 1 000 numéros de téléphone sur l'ensemble de la base.
Voici à quoi la construction a ressemblé :
Sources : on a scrapé l'annuaire officiel des communes et élus municipaux du gouvernement français, croisé avec la donnée INSEE pour les numéros SIRET et les statistiques de population, et enrichi avec de la donnée de contact issue d'annuaires d'associations départementales.
Échelle : 35 000 fiches de communes, couvrant 98,3 % de toutes les communes françaises. Les 1,7 % manquants concernaient surtout des collectivités d'outre-mer aux structures administratives non standard.
Résultats d'enrichissement : la couverture SIRET est passée de 6 % à 95,2 %. Les numéros de téléphone sont passés de 1 000 à 2 500. La couverture email a atteint 78 % sur l'ensemble de la base.
Intégration CRM : tout a été importé dans HubSpot avec une priorisation basée sur la population des communes, une assignation par territoire géographique pour les commerciaux de Vizzia, et des vues automatisées filtrées par département et région.
Le projet complet a duré quatre semaines, du kickoff à la mise en production CRM. L'équipe commerciale de Vizzia a commencé à prospecter depuis la nouvelle base dès la cinquième semaine. On peut lire l'étude de cas complète ici.
Ce qui a fait la différence, ce n'est pas la technologie, c'est le process : un ICP précis, les bonnes sources (donnée publique plutôt que bases commerciales), une validation sur échantillon, un nettoyage rigoureux, et une segmentation appliquée avant l'import.
● Questions fréquentes
Pour un TAM B2B classique, basé sur des sources commerciales (Apollo, ZoomInfo) avec un enrichissement léger, on compte 2 à 3 semaines, ICP, extraction de données, nettoyage et import CRM inclus. Pour des constructions complexes qui demandent du scraping sur mesure, la réconciliation de plusieurs sources, ou de la donnée secteur public, on budgète 4 à 6 semaines. La seule définition de l'ICP prend généralement une semaine, si elle est faite correctement avec une contribution cross-fonctionnelle.
Le trimestre, c'est le minimum. Sur un marché qui bouge vite avec un fort turnover (tech, startups), des rafraîchissements mensuels sur les comptes Tier A valent le coût. Au minimum, on revalide la délivrabilité email tous les 90 jours et on relance l'enrichissement téléphonique tous les 6 mois. On met des rappels au calendrier. Personne ne pense à le faire sans système.
L'IA aide sur des étapes précises, mais elle ne remplace pas le process. Les LLM sont excellents pour le dédoublonnage flou, le classement des entreprises en tiers ICP, et la standardisation des noms d'entreprise mal formatés. Des outils d'enrichissement dopés à l'IA comme Clay et FullEnrich combinent plusieurs modèles pour trouver de la donnée de contact. Mais la définition de l'ICP, le choix des sources, et la validation demandent toujours du jugement humain. Les entreprises qui automatisent complètement la construction de leur TAM finissent avec de grandes bases de mauvaise qualité.