On a déjà les réponses.

HubSpot (Diamond Partner), Salesforce (admins certifiés), Pipedrive, Attio. On gère aussi les migrations entre les quatre. Sur Zoho, Monday ou un setup custom : on regarde au cas par cas, on dit non quand le fit n'est pas là.

On est operators ET consultants. On code, on configure, on dédoublonne, on ne livre pas un slide deck. Et après la mission, on reste accessible sur Slack Connect pendant 90 jours, pas une hotline qui répond en J+5.

Non, on l'augmente. La majorité de nos missions tournent en binôme avec un·e RevOps interne. On apporte la bande passante et l'expertise scaling ; vous gardez le contexte business.

Premiers livrables en S+1 (audit). Premiers résultats commerciaux mesurables dès S+4 (séquences live, scoring activé). ROI calculable en S+8. On vous le chiffre dès le diagnostic, pas après.

Oui, on a livré sur 5 pays simultanément (FR, BE, IT, ES, DE). L'équipe écrit et délivre en FR et en EN. Pour les setups multi-pays, on cartographie les sources publiques par juridiction (ORIAS, FSMA, IVASS, DGSFP, BaFin, etc.) avant d'enrichir.

NDA signé avant tout accès. Accès view-only pendant le diagnostic, role-based ensuite. RGPD-compliant, hébergement EU. Pour les clients sensibles : data room dédiée, accès auditable.

Cela dépend du volume et du désordre. Pour Tellent, trois CRM fusionnés, 90 000 contacts, 60 000 entreprises, environ 300 propriétés, la phase de nettoyage a pris environ quatre à six semaines, y compris la coordination avec une agence externe chargée du dédoublonnage initial. La clé est de définir des critères d'archivage clairs avant de commencer à supprimer quoi que ce soit, et de garder une fenêtre de récupération au cas où quelque chose d'important aurait été retiré par erreur.

Oui. Les objets personnalisés de HubSpot, combinés à un outil d'orchestration comme Cargo et un peu de développement sur mesure (dans notre cas, un microservice Python pour la détection d'ATS), peuvent fournir un suivi d'intention pertinent à une fraction du coût des plateformes dédiées de données d'intention. Le compromis, c'est qu'il faut quelqu'un capable de construire et de maintenir les intégrations, ce n'est pas une configuration prête à l'emploi.

Le scoring d'adéquation de compte est statique : il indique si une entreprise correspond à votre profil de client idéal d'après des données firmographiques comme la taille, le secteur et la géographie. Le scoring d'intention est dynamique : il capte des signaux d'achat en temps réel comme les visites de site, les téléchargements de contenu ou l'activité de veille concurrentielle. Il faut les deux, l'adéquation vous dit qui cibler, l'intention vous dit quand entrer en contact.

Nous avons construit un scraper sur mesure qui visite la page carrières d'une entreprise, analyse la structure HTML et les scripts embarqués, et rapproche les motifs d'une liste de référence de plateformes ATS/HRIS connues. Cette approche fonctionne bien pour les outils ayant une empreinte web visible (comme les intégrations de page carrières). Certains systèmes, en particulier les outils internes de gestion de la performance, sont plus difficiles à détecter parce qu'ils ne laissent pas de traces publiques.

C'était une contrainte de conception centrale. Chaque automatisation et chaque workflow ont été construits pour tourner de façon autonome avec des notifications d'erreur, des processus documentés et des cadences de rafraîchissement qui ne nécessitent pas d'intervention quotidienne. Le service de scraping d'ATS, par exemple, tourne sur un déclencheur depuis Cargo et ne demande de l'attention que si l'infrastructure change. Tellent opère ce système aujourd'hui avec une équipe réduite et un soutien ponctuel de Cashmyrr pour l'optimisation.

TAM signifie Total Addressable Market (marché total adressable). Un TAM Build consiste à définir et peupler l'univers complet des entreprises et contacts auxquels une activité pourrait vendre. Les entreprises en ont besoin quand leur marché cible n'est pas couvert par les bases de données standard, typiquement des verticaux de niche comme les municipalités, ou quand elles ont besoin de points de données (comme les délégations politiques) que les outils conventionnels ne capturent pas.

On va à la source. En France, les API gouvernementales (data.gouv.fr, geo.api.gouv.fr, l'Annuaire du Service Public) fournissent des données structurées sur les communes et des identifiants. Mais aucune source unique ne donne un jeu de données complet et prêt pour la vente. Il faut les combiner, les recouper, et ajouter une couche d'enrichissement de contacts via scraping, agents IA et des outils comme Apollo et FullEnrich. C'est un projet de data engineering, pas un abonnement.

Pour Vizzia, l'échantillon initial a été livré en quelques semaines. La base complète, incluant scraping, nettoyage, enrichissement et import dans le CRM, a été construite sur environ trois à quatre mois en parallèle d'autres chantiers concurrents. Le calendrier dépend du nombre de sources de données, de la complexité de la couche contacts et des cycles de validation client.

Les données municipales évoluent à un rythme prévisible, principalement autour des cycles électoraux (tous les six ans en France) et des restructurations annuelles. Entre deux élections, la rotation sur les postes d'adjoints et de cabinet est gérable avec des passes de rafraîchissement périodiques. C'est ce que traite le composant TAM Refresh : un processus structuré pour revalider les titulaires de fonctions et mettre à jour le CRM sans tout reconstruire de zéro.

Oui, nous l'avons prouvé en étendant la méthodologie de la France au Royaume-Uni au sein de la même mission. Le cadre (sources de données gouvernementales → scraping → enrichissement → import dans le CRM) est portable. Ce qui change, ce sont les sources de données spécifiques et les structures administratives. La méthodologie reste la même.

Les bases de données B2B commerciales sont conçues pour la scalabilité sur des segments horizontaux (entreprises tech, services professionnels, SaaS). Les verticaux réglementés, intermédiaires en assurance, conseillers financiers, santé, exigent des données au niveau de la licence que les fournisseurs commerciaux ne capturent pas avec précision. Le statut d'enregistrement, le type de licence et la spécialité ne sont disponibles de façon fiable qu'auprès de l'organisme de régulation officiel. Toute base de données commerciale s'appuyant sur des sources secondaires présentera des lacunes importantes et des fiches obsolètes sur ces segments.

Pour cinq pays à ce périmètre (~51 000 fiches + enrichissement), le cycle complet de l'extraction à la livraison prête pour Salesforce prend 4 à 8 semaines selon la qualité des données à la source et le nombre de tours de validation nécessaires. Les TAM mono-pays peuvent être livrés nettement plus vite.

Une liste de prospection est un export à plat de contacts qui correspondent à un filtre grossier. Un TAM est une base de données structurée, scorée et segmentée qui cartographie l'intégralité de votre marché adressable, pas seulement la portion facile à trouver. La distinction compte sur le plan opérationnel : un TAM vous dit quelle part du marché vous avez couverte, quels segments restent inexploités, et où allouer les ressources commerciales sur tout l'horizon du pipeline.

Nous construisons la logique de déduplication avant l'import, en rapprochant les nouvelles fiches des données CRM existantes via une combinaison de l'URL du site web, du nom d'entreprise (normalisé), et du numéro d'enregistrement lorsqu'il est disponible. Les correspondances ambiguës sont signalées pour revue manuelle plutôt que fusionnées automatiquement, car des fusions incorrectes sont plus difficiles à corriger que des doublons non résolus.

Oui. L'approche centrale, identifier le registre réglementaire faisant autorité par marché, extraire les données structurées, standardiser entre juridictions, et enrichir avec du contexte commercial, s'applique à toute industrie réglementée dotée d'organismes de licence nationaux. L'effort varie selon l'accessibilité du registre et la qualité des données par pays.

Pour une équipe revenue de cette complexité, plus de 200 champs, plusieurs pipelines, une intégration avec une plateforme CS tierce, comptez 6 à 10 semaines pour une migration correctement séquencée. Précipiter la phase d'architecture pour déplacer les données plus vite est la cause la plus fréquente de reprise post-migration.

Oui, mais cela exige de cartographier en amont chaque objet, champ et étape de pipeline avant que la moindre donnée ne bouge. Les pipelines hérités qui ne correspondent plus à votre nouveau processus (comme le pipeline Renewal de Maki) nécessitent une stratégie de migration délibérée, pas un simple export en masse.

MEDDPICC fonctionne dans Salesforce grâce à une combinaison de champs personnalisés sur l'objet Opportunity et de règles de validation qui rendent ces champs obligatoires à des progressions d'étape précises. Sans règles de validation, MEDDPICC reste optionnel en pratique, quoi qu'en dise la méthodologie.

La clé est de reconstruire la logique d'intégration nativement, pas de s'appuyer sur un connecteur générique. Cela signifie mapper explicitement chaque champ synchronisé, faire correspondre exactement les valeurs de listes, et définir la logique de déclenchement (quel événement Salesforce crée ou met à jour une fiche Planhat) avant la mise en production.

Cela dépend de la taille et de la complexité de la base. Pour une instance HubSpot de l'ampleur de celle d'Uptoo, près de 140K contacts et 75K entreprises, nous avons livré l'ensemble nettoyage, enrichissement et déploiement des boutons en quatre mois. Les CRM plus petits peuvent être nettoyés en quelques semaines ; les configurations plus grandes ou plus complexes avec plusieurs pipelines et objets personnalisés peuvent prendre plus de temps.

Oui, c'est là que le nettoyage basé sur des règles compte. Nous définissons des règles d'exclusion explicites avant toute suppression. Dans le cas d'Uptoo, chaque client, chaque contact lié à un deal et chaque fiche dotée d'une prochaine étape planifiée était entièrement protégé. Le nettoyage ne cible que les fiches qui répondent à des critères clairs de « poids mort » : e-mails en rebond, identifiants manquants, inactivité prolongée, ou très faible complétude des champs.

Ce sont des boutons d'action personnalisés intégrés directement dans les vues de fiches HubSpot (sur une page contact ou une page entreprise) qui déclenchent des workflows automatisés en coulisses. Quand un commercial clique sur le bouton, il interroge des fournisseurs de données externes, récupère l'information manquante (comme un numéro de téléphone ou des contacts décideurs), et la réinscrit directement dans HubSpot, sans copier-coller, sans changer d'outil.

En général, non. Enrichir une base pleine de doublons, de fiches orphelines et d'entrées obsolètes revient à payer pour enrichir des contacts et des entreprises qui ne devraient pas y être en premier lieu. Cashmyrr recommande de nettoyer d'abord pour établir une base de référence fiable, puis d'enrichir les fiches qui comptent vraiment, c'est plus rentable et les résultats sont nettement meilleurs.

Sans maintenance, oui et vite. C'est pourquoi Cashmyrr a déployé pour Uptoo un workflow de nettoyage mensuel automatisé qui retire en continu les fiches tombant dans des critères de nettoyage prédéfinis. Combiné aux boutons d'enrichissement qui maintiennent les données entrantes complètes, cela crée un cycle d'hygiène durable plutôt qu'une correction ponctuelle.

N'importez pas les CSV historiques directement. Faites transiter chaque fichier source par une base de staging d'abord (nous utilisons SQL + MongoDB) pour normaliser les opt-ins, exclure les plaintes et les NPAI, et nettoyer les mauvais formats. Seules les données qui passent le staging atteignent le nouveau CRM. En parallèle, configurez Brevo avec un sous-domaine d'envoi dédié et une authentification DKIM / SPF / DMARC complète avant le premier envoi, pour que la délivrabilité ne s'effondre pas sur le bruit historique.

Oui, si le basculement est échelonné. Nous avons migré la stack de TGV Lyria sur trois marchés et trois langues sans sauter un seul envoi, y compris pendant une campagne commerciale stratégique déjà au calendrier. Le principe : nettoyer et valider les données dans une couche de staging, mettre en place la nouvelle infrastructure d'envoi en parallèle, et ne basculer les campagnes qu'une fois Brevo entièrement authentifié et synchronisé avec HubSpot.

Parce que les deux métiers sont différents. HubSpot est un socle CRM : modèle de contact structuré, étapes du cycle de vie, relations entreprises parent/enfant, segmentation, traçabilité RGPD. Brevo est une plateforme d'envoi en masse : outils de délivrabilité, warming d'IP, authentification native. Les outils tout-en-un tendent à être forts d'un côté et faibles de l'autre. La combinaison, avec une synchro bidirectionnelle native, vous donne les deux sans compromis.

TAM, c'est Total Addressable Market. Un TAM Build, c'est définir et peupler l'univers complet des entreprises et contacts qu'une boîte pourrait adresser. Les entreprises en ont besoin quand leur marché cible n'est pas couvert par les bases de données standards, typiquement des verticales de niche comme les municipalités, ou quand elles ont besoin de data points (comme les délégations politiques) que les outils conventionnels ne capturent pas. Vous trouverez notre article sur le TAM dans Services.

On va à la source. En France, les API gouvernementales (data.gouv.fr, geo.api.gouv.fr, l'Annuaire du Service Public) fournissent des données structurées sur les municipalités et des identifiants. Mais aucune source unique ne donne un dataset complet et prêt pour la vente. Il faut les combiner, croiser, et ajouter une couche d'enrichissement contact avec du scraping, des agents IA, et des outils comme Apollo et FullEnrich. C'est un projet de data engineering, pas un abonnement.

Pour Vizzia, l'échantillon initial a été livré en quelques semaines. La base complète, incluant scraping, nettoyage, enrichissement et import CRM, a été construite sur environ trois à quatre mois en parallèle d'autres chantiers. Le timing dépend du nombre de sources de données, de la complexité de la couche contact, et des cycles de validation client.

Les données municipales changent à un rythme prévisible, principalement autour des cycles électoraux (tous les six ans en France) et des restructurations annuelles. Entre les élections, le turnover sur les postes d'adjoints et de cabinet est gérable avec des passes de rafraîchissement périodiques. C'est ce que couvre la brique TAM Refresh : un processus structuré pour revalider les élus en poste et mettre à jour le CRM sans tout reconstruire.

Oui, on l'a prouvé en étendant la méthodologie de la France au UK dans le même engagement. Le framework (sources de données gouvernementales → scraping → enrichissement → import CRM) est portable. Ce qui change, ce sont les sources de données spécifiques et les structures administratives. La méthodologie reste la même.

Oui, et beaucoup d'entreprises le font. HubSpot est un excellent premier CRM pour les entreprises de 10 à 100 commerciaux. Quand la complexité l'impose (en général au-delà de 200 commerciaux, ou quand le reporting multi-entités devient critique), migrer vers Salesforce a du sens. La migration n'est pas indolore, mais elle est gérable avec un nettoyage de données correct en amont.

Souvent, oui. On a audité des instances Salesforce pour des équipes de 20 à 30 personnes où 60 % des fonctionnalités n'étaient pas utilisées, et où les données étaient plus sales qu'elles n'auraient dû l'être, précisément parce que personne n'avait le temps de bien l'administrer. La puissance de la plateforme devient un handicap sans les ressources pour l'entretenir.

HubSpot Enterprise s'est nettement amélioré. Objets personnalisés, permissions avancées et conversation intelligence comblent beaucoup des lacunes historiques. Mais si vous avez besoin de hiérarchies de comptes complexes, de gestion de partenaires channel, ou d'intégration field service, Salesforce garde l'avantage.

L'application mobile de Salesforce est plus solide pour la vente terrain, avec un mode hors ligne et des vues de fiches plus détaillées. L'application HubSpot est plus épurée et plus facile à naviguer, mais moins riche en fonctionnalités. Si vos commerciaux sont sur le terrain sans connexion fiable, Salesforce gagne sur ce point.

Les usages IA les plus concrets en 2026 sont la rédaction d'emails, la préparation de rendez-vous (résumé automatique de l'historique d'un contact avant un appel), et le lead scoring. Les deux plateformes le font. La différence, c'est l'accès : HubSpot les inclut, Salesforce les facture en supplément. Les capacités plus avancées (agents de prospection autonomes, coaching de conversation) sont prometteuses mais encore jeunes.

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.

L'intent data et l'ABM sont des partenaires naturels. L'ABM donne une liste de comptes cibles. L'intent data indique lesquels de ces comptes sont actifs en ce moment. Sans intent data, l'ABM revient à de la pub diffusée sur une liste statique. Avec, on peut concentrer le budget sur les 15-20 % de son TAM réellement en phase d'achat ce trimestre.

Le lead scoring assigne une valeur numérique à un lead selon son fit (correspondance firmographique) et son engagement (actions comportementales). L'intent data est une des variables de ce score. Il faut les deux : l'intent data sans cadre de scoring ne donne que de la donnée brute, sans priorisation.

La donnée est claire : plus vite, c'est mieux. On répond aux signaux first-party (visites du site, demandes de démo) sous 4 heures. On répond aux signaux third-party à forte valeur (pic thématique + événement de financement sur le même compte) sous 24 heures. On répond aux signaux third-party isolés sous 72 heures. Passé 7 jours, la plupart des signaux d'intention se sont dégradés au point d'être mieux exploités en nurturing marketing qu'en prospection commerciale directe.

Pas à un horizon qui compte pour votre planning. L'IA transforme le métier de SDR : elle prend en charge la recherche manuelle et la prospection à volume, et laisse aux commerciaux le travail qui demande du jugement, qualification, gestion des objections, construction de la relation. Les entreprises qui déploient l'IA efficacement ne licencient pas leurs SDR : elles donnent à chacun la capacité de recherche d'une petite équipe. Le Bureau of Labor Statistics (l'agence américaine des statistiques du travail) projette toujours 4% de croissance des métiers commerciaux d'ici 2032, IA comprise.

Le prix dépend de l'approche choisie. Les plateformes prêtes à l'emploi facturent par utilisateur et par volume ; les développements sur mesure ajoutent des coûts de mise en place, puis des frais d'API et d'infrastructure au fil de l'eau. Ce qui fait vraiment varier la facture : le niveau d'autonomie de l'outil (un agent 100% autonome ne se facture pas comme un agent HITL), le nombre d'utilisateurs ou de comptes traités, le choix entre solution sur étagère et solution sur mesure, et les fournisseurs de données ou intégrations nécessaires. La bonne question n'est pas le prix affiché, c'est le coût par rendez-vous obtenu : un workflow qui permet au même SDR de décrocher nettement plus de rendez-vous, à effectif constant, l'emporte sur ce critère, même si le logiciel coûte plus cher au départ.

La sales automation (Outreach, Salesloft, séquences HubSpot) exécute des workflows prédéfinis : envoyer l'email A à J1, l'email B à J3, appeler à J5. La logique est statique. Un agent commercial IA ajoute une couche de raisonnement : il décide quels comptes prioriser, quoi dire à partir de la recherche en temps réel, et comment ajuster la séquence selon le comportement du prospect. L'automatisation traditionnelle est un tapis roulant. Un agent IA se rapproche davantage d'un assistant de recherche qui rédige aussi vos emails.

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.

C'est possible. Avant de fusionner, auditez quels workflows référencent les fiches concernées. HubSpot conserve les associations et l'historique d'activité sur la fiche survivante, mais l'historique d'inscription aux workflows de la fiche supprimée est perdu. Les rapports basés sur le nombre total de contacts vont évidemment changer. Construisez vos rapports sur les contacts actifs et qualifiés plutôt que sur le total, et le problème disparaît.

Nettoyer d'abord. Toujours. Enrichir une base sale, c'est payer des crédits sur des fiches que vous allez ensuite fusionner ou supprimer. Et votre outil d'enrichissement risque de ne pas associer la bonne fiche, parce que les données existantes qu'il utilise pour la correspondance (nom d'entreprise, domaine d'e-mail) sont incohérentes. Nettoyez, standardisez, dédoublonnez, puis enrichissez. Les quatre phases existent dans cet ordre pour une raison.

Quantifiez le gaspillage. Sortez un rapport sur les deals perdus ou bloqués où le contact avait des informations obsolètes. Calculez les heures que les commerciaux passent chaque semaine à vérifier des données en dehors de HubSpot. Multipliez par leur coût horaire. Chez Tellent, le chiffre de 6 heures par commercial et par semaine a rendu l'argumentaire évident. Même une estimation prudente de 2 à 3 heures par commercial et par semaine, sur une équipe de 20 personnes, représente plus de 2 000 heures par an de productivité perdue à cause de mauvaises données.

Réalisez un audit complet une fois par an. Faites une vérification plus légère de la qualité des données (étapes 2 et 3) chaque trimestre. Si vous croissez vite, ajoutez de nouvelles intégrations ou modifiez votre processus de vente, auditez plus tôt. Le coût de l'attente est toujours plus élevé que celui de la vérification.

Pour un CRM de moins de 10 000 contacts avec une stack technique simple, comptez un à deux jours de travail concentré. Pour plus de 50 000 contacts avec plusieurs intégrations, prévoyez une semaine complète. Les bases plus volumineuses avec des couches d'automatisation complexes peuvent prendre deux à trois semaines. L'essentiel du temps passe dans les étapes 2, 3 et 5.

Vous pouvez tout à fait dérouler cette checklist en interne. Les étapes ci-dessus sont exactement celles que nous utilisons professionnellement. L'avantage d'une équipe externe, c'est l'objectivité et la reconnaissance des schémas. Après plus de 50 audits, nous repérons les problèmes plus vite parce que nous les avons déjà vus. Nous disposons aussi de benchmarks pour vous dire si votre score de complétude de 62 % est normal pour votre secteur ou un signal d'alarme majeur. Si vous voulez de l'aide, notre service d'audit déroule ce processus exact avec votre équipe.

Votre CRM lui-même (HubSpot, Salesforce, Pipedrive, etc.) plus un tableur. C'est le minimum. Pour la détection de doublons, les outils intégrés de votre CRM suffisent pour les cas basiques. Pour une analyse plus poussée, des outils comme Insycle (HubSpot) ou DemandTools (Salesforce) aident. Pour les lacunes d'enrichissement de données, Apollo, Clearbit ou Dropcontact peuvent compléter les champs manquants une fois que l'audit a identifié ce qui manque.