● Contexte
Ton équipe marketing annonce 500 MQL le trimestre dernier. Ton équipe sales en a exploité 50. Quelqu'un se trompe, et le procès a déjà commencé.
En réalité, les deux ont raison. Le marketing atteint son chiffre de MQL parce que le seuil est fixé si bas que le moindre téléchargement de PDF compte. Le sales ignore 90% de ces leads parce que ce sont pour la plupart des étudiants, des concurrents ou des personnes dans des entreprises avec un budget de 200$/mois.
L'écart entre 500 et 50 n'est pas un problème d'équipe. C'est un problème de scoring.
Chez Cashmyrr, on a refondu des modèles de lead scoring pour des dizaines d'entreprises B2B. Le schéma est toujours le même : un système de scoring monté une fois, au moment de l'implémentation du CRM, jamais revu, qui devient peu à peu inutile. On corrige ça en ancrant les scores dans les données de deals gagnés et en reconstruisant la boucle de feedback entre marketing et sales.
Ce guide explique comment construire un modèle de lead scoring B2B de zéro, le configurer dans HubSpot ou Salesforce, et le garder pertinent dans le temps.
● Explications
Qu'est-ce que le Lead Scoring ?
Le lead scoring attribue une valeur numérique à chaque lead selon sa probabilité de devenir client. Cette valeur repose sur deux dimensions distinctes, qui fonctionnent très différemment.
Fit score mesure qui est le lead. Des attributs firmographiques et démographiques : taille d'entreprise, secteur, chiffre d'affaires, poste, zone géographique. Un VP Marketing dans une SaaS de 200 personnes peut être un fit parfait. Un stagiaire à l'université, non. Le fit scoring répond à une seule question : est-ce que cette personne correspond à notre ICP ?
Engagement score mesure ce que fait le lead. Visites de pages, téléchargements de contenu, ouvertures d'email, participation à un webinar, demandes de démo. Un lead qui a visité ta page tarifs trois fois cette semaine et téléchargé une étude de cas montre un comportement d'achat. Quelqu'un qui a ouvert un email il y a six mois, non.
La magie opère quand tu combines les deux. Un lead à fit élevé et engagement élevé part directement chez le sales. Un lead à fit élevé mais engagement faible part en nurturing. Un lead à fit faible mais engagement élevé est mis de côté, quelle que soit son activité, parce qu'il ne signera jamais.
Voici un tableau de scoring simplifié pour illustrer :
Remarque les scores négatifs en bas. On y revient juste après.
Pourquoi la plupart des modèles de scoring échouent
On a audité plus de 40 instances CRM via notre process d'audit CRM. Environ 70% avaient le lead scoring activé. Peut-être 15% avaient un scoring auquel le sales faisait réellement confiance. Les causes d'échec sont toujours les mêmes.
Monté une fois, jamais mis à jour. Le problème le plus courant, de loin. Un modèle de scoring créé en 2023 pour un produit qui a depuis changé de marché cible, de pricing et de process de vente. Les scores reflètent toujours l'ancien ICP. Plus personne ne se souvient pourquoi "visiter la page carrières" vaut 10 points.
Au feeling, pas sur la donnée. Quelqu'un a décidé en réunion qu'un téléchargement de livre blanc vaut 15 points et la participation à un webinar, 20. Ces chiffres ne sont issus d'aucune analyse de ce qu'ont réellement fait les clients avant de signer. Ce sont des suppositions, et elles se sont accumulées en un système qui a tort avec assurance.
Sur-ingénierie. On a vu des modèles avec plus de 80 critères de scoring. À ce stade, le système est tellement complexe que personne ne peut expliquer pourquoi un lead a tel score. Quand le sales ne comprend pas le score, il l'ignore. Vise 15 à 25 critères maximum.
Le sales n'était pas dans la pièce. Le marketing a construit le modèle de scoring. Le sales n'a jamais validé le seuil MQL. Résultat : quand le marketing transmet un lead avec un score de 60, le commercial regarde et pense "cette personne a téléchargé deux PDF et travaille dans une entreprise que je ne connais pas." La confiance dans le système s'évapore en quelques semaines.
Pas de scoring négatif. Sans scores négatifs, les leads à faible fit accumulent assez de points d'engagement pour ressembler à des leads en or. Un concurrent qui lit chaque article de blog que tu publies finira par franchir ton seuil MQL. Un étudiant qui fait une thèse aussi. Le scoring négatif pour les attributs disqualifiants (domaines concurrents, mauvais secteur, emails gratuits, décroissance d'activité) n'est pas optionnel.
Comment construire un modèle de Lead Scoring en 6 étapes
Étape 1 : Partir de ton ICP
Avant d'attribuer le moindre point, mets deux choses au clair : ton profil d'entreprise idéal et ton buyer persona.
Prends tes deals gagnés des 12 derniers mois et cherche les patterns. Quelle taille d'entreprise revient le plus souvent ? Quels secteurs ? Quel chiffre d'affaires annuel type ? Regarde ensuite les personnes qui ont signé ces deals. Quel est leur poste ? Leur niveau de séniorité ? Leur département ?
Chez Cashmyrr, on constate en général que 60 à 70% des deals gagnés se concentrent autour de 3-4 profils d'entreprise et 2-3 buyer personas. Le reste, c'est du bruit. L'étude de cas Uptoo est un bon exemple de ce que donne cette analyse en pratique : on a d'abord nettoyé leurs données CRM, puis on s'est servi de ces données propres pour définir leur ICP avec confiance.
Note-le noir sur blanc. Sois précis. "Entreprises SaaS mid-market, 50-500 salariés, basées en Europe, avec un VP ou Director Sales/Marketing comme acheteur principal" est un ICP utile. "Entreprises B2B" n'en est pas un.
Étape 2 : Choisir tes dimensions de scoring
Répartis tes critères entre fit et engagement, et reste discipliné sur la longueur de la liste. Voici un framework qu'on utilise avec nos clients :
Dimensions de fit scoring :
Dimensions d'engagement scoring :
Un détail important : pondère fit et engagement à peu près à égalité dans ton score total possible. Si le fit peut monter à 85 points et l'engagement à 40 max, tu finis par qualifier des leads sur la seule démographie, avant qu'ils aient montré le moindre comportement d'achat.
Étape 3 : Fixer les valeurs de points sur la donnée
C'est là que la plupart des équipes se plantent. Elles s'enferment en salle de réunion et négocient les valeurs de points comme on marchande sur un marché. Ne fais pas ça.
Reprends ton analyse des deals gagnés de l'Étape 1. Pour chaque critère, calcule le taux de conversion. Si les leads avec le titre "VP" signent à 12% et les "Manager" à 4%, le titre VP doit valoir environ 3x plus de points. Si les visiteurs de la page tarifs convertissent 8x plus que les visiteurs qui ne lisent que le blog, tes points doivent refléter ce ratio.
La justesse de direction compte plus que la précision décimale. Mais ancrer tes valeurs de points dans de vraies données de conversion, c'est ce qui distingue un modèle de scoring qui marche d'un modèle qui prend la poussière.
$Lead Scoring Simulator$
Teste le simulateur ci-dessus. Regarde comment changer une seule dimension fait basculer toute la catégorie. Cette sensibilité, c'est ce qui rend le scoring puissant, et aussi ce qui rend une mauvaise pondération dangereuse.
Étape 4 : Fixer tes seuils MQL et SQL
Ton seuil MQL, c'est le score à partir duquel le marketing transmet un lead au sales. Ton seuil SQL, c'est quand le sales l'accepte comme une vraie opportunité.
Démarre ton seuil MQL entre 50 et 60 points. C'est volontairement prudent. Il vaut mieux transmettre moins de leads, mais de meilleure qualité, que d'inonder le sales de leads marginaux. Tu pourras toujours baisser le seuil plus tard, une fois la confiance installée.
Le point critique : fixe ces seuils avec le sales dans la pièce. Montre-leur 20 leads à un score de 50, 20 à 40, et 20 à 30. Demande-leur quel lot ils voudraient réellement appeler. La réponse calibrera ton seuil plus vite que n'importe quel modèle Excel.
Revois les seuils tous les mois pendant le premier trimestre, puis tous les trimestres ensuite. Suis deux métriques de près : le taux d'acceptation MQL-to-SQL (objectif : au-dessus de 60%) et le taux de conversion SQL-to-opportunité (objectif : au-dessus de 25%). Si l'acceptation est sous les 60%, soit ton seuil est trop bas, soit ton fit scoring est mal calibré.
Étape 5 : Configurer dans ton CRM
Configuration HubSpot. HubSpot propose deux voies. Le scoring manuel se configure dans Settings > Properties > en créant une propriété "Score" avec tes règles. Tu définis chaque critère comme un attribut positif ou négatif. Ça marche bien et te donne un contrôle total. Pour les utilisateurs HubSpot Enterprise, le scoring prédictif est disponible dans Settings > Properties > "Likelihood to close." Il s'appuie sur du machine learning entraîné sur tes deals gagnés pour générer les scores automatiquement. Le piège : il te faut au moins 100 contacts closed-won et 100 closed-lost sur les 12 derniers mois pour que ce soit fiable.
Notre recommandation pour HubSpot : commence par le scoring manuel pour valider ton modèle, puis superpose le scoring prédictif une fois que tu as assez de données. Utilise le score manuel pour le routing et le score prédictif comme vérification de cohérence.
Configuration Salesforce. Salesforce Einstein Lead Scoring est disponible avec Sales Cloud Einstein. Il analyse tes données historiques et note les leads sur une échelle de 1 à 100. La configuration est simple : active Einstein, sélectionne les champs à inclure, et laisse-le s'entraîner. Einstein montre aussi quels facteurs ont le plus contribué au score de chaque lead, ce qui facilite l'adoption côté sales puisque les commerciaux voient le raisonnement.
Pour Salesforce sans Einstein, utilise Flow pour créer un champ de scoring personnalisé avec tes règles. Plus manuel, mais ça te donne le même contrôle que l'approche HubSpot.
Assure-toi que le score est visible sur la fiche du lead et dans les vues en liste. Un score enterré à trois clics de profondeur, c'est un score que personne ne consulte.
Étape 6 : Tester, mesurer, itérer chaque trimestre
Lance ton modèle de scoring en pilote. Choisis un segment de ta base de leads, score-les, et compare les prédictions du modèle aux résultats réels sur 60 à 90 jours. Les leads bien notés convertissaient-ils davantage ? Les leads mal notés étaient-ils correctement mis de côté ?
Programme une review de scoring trimestrielle avec le marketing et le sales. Apporte des données : taux de conversion par tranche de score, délai de closing par tranche de score, et une liste de deals gagnés qui avaient un score bas (les angles morts de ton modèle). Ajuste les valeurs de points et les seuils sur ce que montre la donnée, pas sur des anecdotes du type "ce deal-là."
Documente chaque changement. Dans six mois, quelqu'un demandera pourquoi "participation webinar" est passé de 20 à 10 points. Avoir un changelog évite que ton modèle devienne une nouvelle boîte noire.
Scoring manuel vs scoring prédictif
Le scoring manuel te donne du contrôle et de la transparence. Tu choisis les critères, tu fixes les points, et tu peux expliquer précisément pourquoi un lead a tel score. C'est le bon point de départ pour n'importe quelle entreprise.
Le scoring prédictif utilise le machine learning pour trouver dans tes données historiques des patterns que les humains ne voient pas. Le scoring prédictif de HubSpot et Salesforce Einstein analysent tous les deux des centaines de points de données sur tes deals gagnés et perdus pour générer les scores automatiquement.
Les résultats valent le coup. Forrester a constaté que les entreprises utilisant le scoring prédictif obtenaient une amélioration de 41% du taux de leads acceptés par le sales, comparé aux modèles purement manuels. L'IA capte des signaux qui n'entrent jamais dans un modèle manuel : la combinaison du taux de croissance de l'entreprise, des séquences précises de visite de pages, et des patterns de timing corrélés à la signature.
Quand utiliser quoi ?
Reste en manuel si tu as moins de 200 deals clôturés dans ton CRM, si ton cycle de vente dépasse 6 mois (moins de données pour entraîner le modèle), ou si ton équipe sales ne fait pas confiance au process actuel. Le scoring manuel construit la compréhension et l'adhésion.
Ajoute le prédictif une fois que tu as 200+ deals clôturés, un ICP stable, et un modèle manuel qui tourne depuis au moins un trimestre. Superpose-le à ton score manuel plutôt que de le remplacer. Quand les deux scores divergent significativement sur un lead, cherche pourquoi. Ces désaccords t'apprennent quelque chose.
Passe en prédictif dès le départ si tu as 500+ deals clôturés, des données CRM propres, et une équipe data qui peut surveiller la performance du modèle. À ce volume, l'IA va quasi certainement surpasser tes règles manuelles, mais il te faut quand même quelqu'un qui surveille la dérive des données et la dégradation du modèle.
Une mise en garde : le scoring prédictif ne vaut que ce que valent tes données. Si ton CRM est plein de doublons, de champs manquants et d'informations obsolètes, l'IA va apprendre sur des données pourries. Nettoie tes données en premier.
● Conclusion
Ce qui change quand le scoring fonctionne vraiment
Les effets en aval dépassent le simple "meilleurs leads." C'est toute l'opération revenue qui bascule.
La speed to lead s'améliore radicalement. Quand le sales fait confiance à la qualification MQL, il arrête de trier et se met à appeler. Les recherches d'InsideSales.com montrent que les leads contactés dans l'heure convertissent à 53%, contre 17% après 24 heures. Un modèle de scoring auquel le sales fait confiance rend ce suivi rapide possible, parce que les commerciaux ne perdent plus de temps à se demander si le lead vaut l'appel.
Le sales arrête de faire son marché. Sans scoring, chaque commercial développe ses propres critères de qualification informels. L'un n'appelle que les demandes de démo inbound. L'autre ne travaille que les referrals. Le reste du pipeline pourrit. Avec un scoring transparent et basé sur la donnée, chaque lead au-dessus du seuil est traité de façon cohérente.
Le marketing obtient un vrai feedback. Quand les leads scorés remontent au sales avec un suivi clair d'acceptation ou de rejet, le marketing apprend enfin quelles campagnes et quels canaux produisent des leads qui signent réellement, pas juste des leads qui remplissent un formulaire. Cette boucle de feedback change l'allocation budgétaire, la stratégie de contenu et le ciblage. Elle change aussi la conversation : on passe de "le marketing nous a envoyé n'importe quoi" à "les leads du webinar scorent 23% plus haut que ceux du paid search, on double la mise."
L'alignement s'accumule dans le temps. La review de scoring trimestrielle devient la réunion la plus productive du calendrier. Les deux équipes apportent des données, les deux équipes ajustent, et le modèle s'affine à chaque cycle. Les entreprises qui tiennent ce rythme pendant 12+ mois observent en général des taux de conversion MQL-to-customer 2 à 3x plus élevés qu'à leurs débuts.
Ces progrès s'inscrivent dans une stratégie plus large autour des intent signals, où le scoring devient un input parmi d'autres pour identifier quels comptes sont prêts à acheter.
● Tips
Construis un modèle de scoring que le sales va vraiment utiliser
La différence entre un modèle de scoring qui marche et un modèle qu'on ignore tient à trois décisions : ancrer les valeurs de points dans les données de deals gagnés, fixer les seuils avec l'input du sales, et s'engager sur des reviews trimestrielles.
Si ton modèle de scoring actuel prend la poussière, ou que tu n'en as pas encore construit un, Cashmyrr peut t'aider. Notre service de modèle de scoring inclut l'analyse ICP, la configuration du scoring dans ton CRM, la calibration des seuils avec ton équipe sales, et les deux premières reviews trimestrielles pour que ça tienne dans la durée.
Commence par le simulateur ci-dessus. Puis récupère tes données de deals gagnés. L'écart entre tes MQL marketing et tes leads acceptés par le sales te coûte du pipeline chaque semaine.
Besoin d'aide sur ce sujet ? On fait ça tous les jours pour des équipes B2B. Parlons-en !
● Questions fréquentes
Entre 12 et 20. En dessous de 10, tu n'as pas assez de granularité pour différencier les leads. Au-dessus de 25, le modèle devient opaque. Démarre léger, ajoute des critères quand la donnée le justifie, et retire ceux qui ne corrèlent pas avec la conversion.
Au minimum chaque trimestre. Tous les mois pendant les 90 premiers jours après le lancement. Dès qu'il y a un changement significatif dans ton ICP, ton produit ou ton go-to-market, revois le modèle immédiatement. Un modèle de scoring vieux de six mois a déjà dérivé.
Vise 60% ou plus. Si le sales accepte moins de la moitié des MQL envoyés par le marketing, soit le seuil est trop bas, soit le fit scoring doit être retravaillé. Au-dessus de 80%, ça veut généralement dire que le seuil est trop haut et que tu laisses des leads qualifiés sans suite.
Oui, mais reste sur le scoring manuel. Les modèles prédictifs ont besoin de volume (200+ deals clôturés minimum). Le scoring manuel fonctionne quelle que soit la taille de ta base, parce que tu appliques des règles que tu as définies toi-même, pas des patterns découverts par l'IA. Même avec 50 deals gagnés, tu peux identifier ton profil d'entreprise idéal et pondérer les scores en conséquence.