● Le contexte
Scorer pour prioriser, pas pour compliquer
Un modèle de scoring est une façon structurée de classer vos comptes et vos leads pour que les ventes sachent qui contacter, quand, et dans quel ordre. Il transforme des données enrichies et des signaux d'intention en un seul chiffre lisible qui pilote la priorisation, le routage et le suivi.
Sans scoring, chaque compte semble aussi important, et cela signifie que les commerciaux perdent du temps sur des entreprises mal qualifiées pendant que celles à fort potentiel restent intouchées. Avec le scoring, le CRM cesse d'être une liste et devient un moteur de priorisation.
Ce que vous devriez obtenir au final (les livrables) :
- un Account Fit Score (dans quelle mesure cette entreprise correspond à votre ICP),
- un Hotness / Intent Score (dans quelle mesure cette entreprise ou ce contact montre des signaux d'achat en ce moment), et
- un système de tiers (A / B / C) qui rattache les scores à des actions commerciales concrètes (SLA, règles d'assignation, cadence de suivi).
Si ces trois éléments ne sont pas clairement produits, vous n'avez pas un modèle de scoring, vous avez un chiffre que personne n'utilise.
Pourquoi le scoring vient après l'enrichissement (et pas avant)
Scorer sans données propres et enrichies, c'est deviner avec une formule par-dessus.
Si votre champ secteur est vide pour 40 % des entreprises, tout score basé sur le secteur est faux 40 % du temps. Si l'effectif est périmé, votre pondération basée sur la taille est de la fiction. C'est pourquoi notre méthode RevOps séquence toujours Audit → Nettoyage → Enrichissement → Scoring.
Les données vous le disent :
- Gartner note que les entreprises à fort taux de conversion utilisent en moyenne quatre critères pour scorer les leads, pas quarante. Vous n'avez pas besoin de données parfaites sur tout. Vous avez besoin de données fiables sur les quelques champs qui prédisent réellement la conversion.
- Selon Forrester (2024), les entreprises qui utilisent des modèles de scoring constatent jusqu'à 38 % d'augmentation de la conversion lead-vers-opportunité et un cycle de vente 28 % plus court.
- Pourtant, les entreprises SaaS B2B qui utilisent le scoring comportemental atteignent des taux de conversion MQL-vers-SQL de 39-40 %, bien meilleurs que celles qui s'appuient uniquement sur un scoring démographique basique.
À retenir : le scoring fonctionne, mais seulement par-dessus des données fiables. Sans les étapes précédentes (audit, nettoyage, enrichissement), vous scorez du déchet en entrée et vous priorisez du déchet en sortie.
Les deux scores dont vous avez besoin (et pourquoi ils sont différents)
La plupart des équipes construisent un seul score et considèrent que c'est terminé. C'est une erreur. Un bon système de scoring a deux dimensions distinctes :
Account Fit Score (statique : « cette entreprise est-elle de notre type ? »)
Il répond à : cette entreprise correspond-elle à notre profil de client idéal ?
Il repose sur des données firmographiques qui changent lentement :
- Secteur / sous-secteur (dans quelle mesure ce vertical s'aligne avec notre produit ?)
- Taille de l'entreprise (effectif ou tranche de chiffre d'affaires, quel est notre sweet spot ?)
- Géographie (sont-ils dans un marché que nous servons ?)
- Signaux de stack technique (utilisent-ils des outils qui indiquent un besoin pour notre produit ?)
- Valeurs / fit culturel (optionnel, ex. statut B-Corp, alignement ESG)
L'Account Fit Score est relativement stable. Une entreprise qui score bien aujourd'hui scorera encore bien le mois prochain, sauf changement majeur (acquisition, pivot, licenciements).
Hotness / Intent Score (dynamique : « cette entreprise achète-t-elle en ce moment ? »)
Il répond à : cette entreprise montre-t-elle des signaux qui suggèrent un intérêt actif ou une intention d'achat ?
Il repose sur des données comportementales et sensibles au temps :
- Visites du site web (surtout les pages à forte intention : tarifs, cas clients, capacités)
- Engagement sur le contenu (téléchargements, inscriptions à des webinaires, abonnements à la newsletter)
- Signaux sociaux (suivre votre entreprise ou vos concurrents sur LinkedIn)
- Vélocité des offres d'emploi (recrutement sur des postes qui signalent un besoin pour votre produit)
- Demandes de démo ou d'essai (le signal d'intention le plus fort)
- Croissance des effectifs ou levées de fonds (signaux d'expansion)
Le Hotness Score est volatil. Il peut grimper quand une entreprise visite votre page de tarifs trois fois dans la semaine, et décroître quand elle reste silencieuse pendant 60 jours.
Pourquoi deux scores, et pas un seul ?
Parce que combiner le fit et l'intention en un seul chiffre masque l'insight le plus important : cette entreprise est-elle un excellent fit pas encore actif (à nurturer), ou un fit médiocre très actif en ce moment (à qualifier vite) ?
Un modèle mental utile est le quadrant Fit × Intention :
- Fit élevé + Intention élevée → Tier A : priorité commerciale, prise de contact immédiate
- Fit élevé + Intention faible → Tier B : nurturing, réchauffement, inscription en séquences
- Fit faible + Intention élevée → à qualifier : ils sont intéressés, mais en valent-ils la peine ?
- Fit faible + Intention faible → à déprioriser ou exclure de la prospection active
● Les étapes
Le plan d'exécution du scoring
Étape 1 : définir ce que vous scorez (et pour qui)
Avant d'ouvrir HubSpot ou Salesforce, répondez à trois questions avec vos responsables ventes et marketing :
- Quel objet scorons-nous ? En général les entreprises (account scoring) et/ou les contacts (lead scoring). Commencez par les entreprises, c'est là que le ROI est le plus élevé en B2B.
- Quelle décision ce score pilote-t-il ? L'assignation ? La priorité de prise de contact ? La classification en tiers ? Si le score ne déclenche pas d'action, c'est de la décoration.
- Qui doit valider le modèle ? Le scoring est un langage commun entre le marketing et les ventes. Si les responsables ventes ne sont pas d'accord avec les pondérations, ils ne feront pas confiance au résultat.
Un conseil pratique : impliquez les responsables ventes dans la définition des critères de scoring avant l'implémentation. Partagez une première proposition (une courte vidéo ou un document d'une page), recueillez les retours, puis itérez. Ce n'est pas optionnel, c'est la différence entre un score qui est utilisé et un score qui est ignoré.
Étape 2 : construire l'Account Fit Score
L'Account Fit Score est le plus simple des deux. C'est une somme pondérée d'attributs firmographiques, chacun rattaché à votre ICP.
Comment le structurer :
Choisissez 3 à 5 critères firmographiques. Pour chacun, définissez une échelle de points (positifs pour un bon fit, négatifs pour un mauvais fit ou un champ inconnu). Voici un cadre généralisé :
A. Fit sectoriel (poids : modéré)
Rattachez chaque secteur ou sous-secteur à un score. Vos verticaux les plus performants obtiennent le plus de points. Les secteurs où vous n'avez jamais signé obtiennent zéro ou un score légèrement négatif. « Inconnu » écope toujours d'une pénalité, c'est le signe de données incomplètes à corriger.
Exemple de logique :
- Secteurs top-tier (taux de gain historiquement élevé) : +10
- Secteurs mid-tier (un peu de traction) : +5 à +8
- Secteurs low-tier ou non pertinents : 0 ou négatif
- Inconnu : −5
B. Taille de l'entreprise : tranche d'effectif (poids : élevé)
La taille de l'entreprise est souvent le meilleur prédicteur de fit d'un deal. Définissez votre sweet spot et attribuez-y le score le plus élevé, avec des points décroissants à mesure que vous vous en éloignez.
Exemple de logique :
- Sweet spot (ex. 1 000-10 000 employés) : +20 à +25
- Tranches adjacentes : +10 à +15
- Trop petite ou trop grande : 0 ou négatif
- Inconnu : −5
C. Chiffre d'affaires annuel (poids : élevé)
Le chiffre d'affaires indique la capacité budgétaire. Même logique que l'effectif : définissez des tranches, attribuez des points, pénalisez les inconnus.
D. Signaux bonus (poids : faible à modéré)
- Statut B-Corp ou ESG (si l'alignement culturel compte dans votre approche commerciale) : +10
- Levée de fonds récente : +5 à +10
- Tendance de croissance des effectifs : +5
- Correspondance de stack technique (ex. ils utilisent un outil avec lequel votre produit s'intègre) : +5 à +10
E. Pénalités
- Géographie hors des marchés servis : −5
- Chiffre d'affaires ou effectif trop petit : score négatif
- Valeurs inconnues sur des champs critiques : toujours pénaliser (cela incite aussi à l'enrichissement des données)
Exemple de plage de score totale : −25 à +70, selon vos critères.
Classification en tiers (la partie qui rend le score actionnable) :
- Tier A (priorité commerciale) : score ≥ 45
- Tier B (à valider / nurturer) : score 25-44
- Tier C (fit faible / données incomplètes) : score ≤ 24
Ces seuils devraient être ajustés après votre premier cycle de QA (voir Étape 5).
Étape 3 : construire le Hotness / Intent Score
Le Hotness Score est plus difficile à construire parce qu'il dépend de signaux souvent éparpillés entre les outils (CRM, analytics du site, marketing automation, LinkedIn, fournisseurs d'intent data tiers).
Comment le structurer :
Rattachez chaque signal d'intention à une valeur de points selon la force de sa corrélation avec un comportement d'achat réel. Les signaux qui précèdent historiquement les deals signés obtiennent plus de poids.
Signaux de faible intention (+5 chacun) :
- A visité le site web (pages générales)
- S'est inscrit à un webinaire
- A suivi un concurrent sur LinkedIn
Signaux d'intention moyenne (+10-15 chacun) :
- A suivi votre entreprise sur LinkedIn
- A téléchargé un asset de contenu (livre blanc, guide)
- S'est abonné à la newsletter
- A visité la page de tarifs
Signaux de forte intention (+20-40 chacun) :
- A demandé un essai
- A demandé une démo (c'est souvent le signal le plus fort, donnez-lui le poids le plus élevé)
- A soumis un formulaire de contact
Règles opérationnelles :
- Décroissance : les scores d'intention devraient décroître avec le temps. Une visite du site il y a 90 jours n'est pas la même chose qu'une visite d'hier. La plupart des CRM permettent de définir une fenêtre glissante (ex. « sur les 60 derniers jours ») ou une décroissance explicite du score.
- Plafonds : fixez un maximum par groupe de signaux pour éviter qu'un comportement gonfle le score. Par exemple, plafonnez les points de visite du site à +20 même si un contact visite 50 pages.
- Exclusions : excluez du scoring les mauvais contacts connus (e-mails en rebond, fiches en quarantaine) pour garder le modèle propre.
- Contacts connus uniquement : la plupart des scorings natifs du CRM (y compris HubSpot) ne fonctionnent que pour les contacts identifiés. Les visiteurs anonymes ne seront pas scorés sauf si vous utilisez un outil tiers qui dé-anonymise le trafic.
Étape 4 : implémentation dans le CRM
Une fois la logique de scoring validée par les ventes, l'implémentation relève surtout de la configuration, pas du code.
Dans HubSpot :
L'outil Lead Scoring de HubSpot (sous Marketing → Lead Scoring) permet de créer plusieurs propriétés de score. Un setup courant :
- Score 1 : Account Fit Score (sur l'objet Entreprise), utilise des critères basés sur les propriétés (secteur, effectif, chiffre d'affaires, etc.)
- Score 2 : Web Pages / Intent Score (sur l'objet Contact), utilise des événements web et des critères comportementaux
Chaque score crée deux propriétés :
- Une valeur de score numérique (ex.
company_fit_score) - Une étiquette de seuil (Faible / Moyen / Élevé) basée sur des plages que vous définissez
Dans Salesforce :
Salesforce n'a pas d'équivalent natif de l'interface de scoring par points de HubSpot, mais vous pouvez construire le scoring avec :
- Flows + champs formule pour un scoring basé sur des règles
- Einstein Lead Scoring (basé sur l'IA, nécessite Sales Cloud Einstein)
- Outils tiers (LeanData, Madkudu, etc.) pour le scoring prédictif
Dans Cargo (ou des outils d'orchestration similaires) :
Pour les équipes qui ont besoin d'une logique de scoring couvrant plusieurs sources de données (CRM + data warehouse + signaux tiers), des outils comme Cargo permettent de construire des modèles de scoring qui puisent partout et renvoient le score final dans le CRM. C'est particulièrement utile quand les signaux d'intention vivent hors de HubSpot (ex. offres d'emploi scrapées, données LinkedIn, événements d'usage produit).
Quelle que soit la plateforme, les étapes d'implémentation sont :
- Créer les propriétés de score (numérique + seuil)
- Configurer les critères et les valeurs de points
- Définir les plages de seuils (ce qui constitue Faible / Moyen / Élevé, ou Tier A / B / C)
- Définir les règles d'exclusion (listes de quarantaine, contacts en rebond)
- Tester sur un échantillon (voir Étape 5)
- Tout documenter (la logique, les seuils, les sources de chaque signal)
Étape 5 : QA, calibrage et boucle de feedback
Un modèle de scoring est faux le premier jour. C'est attendu. La valeur vient de la boucle de calibrage.
A) Test sur échantillon
Avant la mise en production, testez le score sur un échantillon de 5 000 à 10 000 entreprises (ou ce qui représente une part significative de votre base). Examinez le résultat :
- Les entreprises Tier A ressemblent-elles réellement à vos meilleurs comptes ?
- Y a-t-il des erreurs de classification évidentes (une entreprise clairement excellente en Tier C, ou un mauvais fit en Tier A) ?
- La distribution est-elle saine ? (Si 80 % des entreprises atterrissent en Tier A, vos seuils sont trop généreux.)
B) Validation par les ventes
Montrez le résultat scoré aux responsables ventes. Demandez-leur de signaler :
- Les entreprises qui ont scoré haut mais n'auraient pas dû
- Les entreprises qui ont scoré bas mais qui sont en réalité d'excellentes cibles
- Tout critère qui semble sur- ou sous-pondéré
C'est l'étape que la plupart des équipes sautent, et la raison pour laquelle la plupart des modèles de scoring meurent en moins de 3 mois.
C) Itérer et verrouiller
Ajustez les pondérations et les seuils en fonction des retours. Puis verrouillez le modèle V1 pour 4 à 8 semaines d'usage en conditions réelles avant d'apporter d'autres changements. Modifier les scores chaque semaine détruit la confiance.
D) Suivi continu
Après la mise en production, suivez :
- La distribution des scores (les tiers sont-ils équilibrés ? la courbe se déplace-t-elle ?)
- La conversion par tier (les entreprises Tier A convertissent-elles réellement plus que les Tier B ?)
- La précision du score (quel % des deals closed-won venait du Tier A ? Si c'est sous 50 %, le modèle a besoin d'un recalibrage)
- La qualité des données sur les champs scorés (taux de remplissage et fraîcheur — un score ne vaut que ses entrées)
Planifiez une revue du scoring chaque trimestre. Réexaminez les critères, les pondérations et les seuils. Votre ICP évolue. Votre produit change. Votre segment de meilleur fit se déplace. Le score doit suivre.
Étape 6 : activation (ce qui se passe après l'attribution d'un score)
Un score sans action n'est qu'un chiffre. La vraie valeur du scoring réside dans les workflows qu'il déclenche.
Schémas d'activation courants :
- Tier A → assignation immédiate : auto-assignation à un SDR ou un AE (round robin ou par territoire), création d'une tâche, déclenchement d'une notification Slack. SLA : contact sous 24 heures.
- Tier B → séquence de nurturing : inscription dans une séquence d'e-mails automatisée ou ajout à un batch hebdomadaire de « réchauffement » pour les SDR.
- Tier C → en attente : pas de prise de contact active. À revisiter quand l'enrichissement améliore les données ou quand les signaux d'intention grimpent.
- Forte hotness sur n'importe quel tier → alerte : si une entreprise Tier B ou même Tier C montre soudain une forte intention (demande de démo, visite de la page de tarifs), passez outre la logique de tier et routez vers les ventes immédiatement.
Le modèle de scoring alimente le modèle d'assignation. Ensemble, ils forment le moteur « qui reçoit quoi, quand » qui rend la prospection prévisible plutôt qu'aléatoire.
THE SCORING EXECUTION PLAN
● Les résultats
À quoi ressemble un « bon » résultat après le scoring
Après un modèle de scoring bien construit :
- Les ventes savent qui appeler en premier. Fini les suppositions, fini le « je vais juste travailler mes contacts existants ». Le CRM le leur dit, sur la base des données, pas du ressenti.
- Le marketing peut mesurer ce qui marche. Si une campagne augmente le Hotness Score des comptes Tier A, vous savez qu'elle fonctionne — avant même qu'un deal ne se signe.
- Les transferts deviennent objectifs. « C'est une entreprise Tier A avec un score d'intention élevé » est un meilleur transfert que « je pense que celle-ci a l'air intéressante ».
- Les tableaux de bord deviennent fiables. Les vues basées sur le score (pipeline par tier, conversion par plage de score, tendances d'intention) donnent à la direction une image réelle du moteur de revenu.
Vous n'« ajoutez pas un score au CRM ». Vous construisez la couche de décision qui dit à votre équipe où investir son temps et où ne pas le faire.