Il existe trois grandes approches du lead scoring, chacune avec ses avantages selon la maturité de l'organisation et la quantité de données disponibles :
Scoring démographique (ou BANT). Basé sur les attributs du prospect : secteur d'activité, taille d'entreprise, poste, localisation, budget déclaré. Simple à mettre en place, mais peu prédictif seul. Un directeur marketing dans une grande entreprise peut avoir un profil parfait sans aucune intention d'acheter maintenant.
Scoring comportemental. Basé sur les actions du prospect : pages visitées, durée des sessions, contenus téléchargés, e-mails ouverts et cliqués, démos demandées. Bien plus prédictif que le seul profil, car les comportements révèlent l'intention. Une visite répétée de la page de tarification est un signal bien plus fiable qu'un titre de poste.
Scoring prédictif. Utilise des algorithmes de machine learning pour analyser l'ensemble des données disponibles (CRM, activité web, signaux tiers) et prédire la probabilité de conversion. Réservé aux organisations avec un volume suffisant de leads historiques convertis et non convertis pour entraîner un modèle.
Les critères démographiques typiquement scorés en B2B :
Les critères comportementaux typiquement scorés :
La pondération doit refléter votre historique réel de conversions. Analysez vos 50 à 100 derniers clients signés : quels comportements avaient-ils en commun ? Quels attributs de profil ? Ces données sont bien plus fiables que des règles théoriques.
Le scoring définit deux seuils clés qui structurent la collaboration entre équipes marketing et commerciales :
MQL (Marketing Qualified Lead) : prospect dont le score indique un intérêt suffisant pour mériter un suivi marketing actif. Il entre dans une séquence de lead nurturing adaptée à son niveau de maturité. Seuil typique : 40 à 60 points.
SQL (Sales Qualified Lead) : prospect dont le score et le comportement indiquent une intention d'achat réelle. Il est transmis aux équipes commerciales pour un contact direct. Seuil typique : 70 à 90 points, ajusté selon le taux de conversion observé.
Un seuil MQL/SQL mal calibré est l'une des principales sources de friction entre marketing et ventes. Si les commerciaux trouvent que les leads transmis ne sont pas assez mûrs, le seuil SQL est trop bas. S'ils se plaignent de ne pas recevoir assez de leads, il est trop haut. La segmentation fine permet d'avoir des seuils différents selon le segment de marché.
Un scoring efficace intègre aussi des critères qui réduisent le score (scoring négatif). L'idée : certains comportements ou attributs signalent explicitement qu'un prospect ne correspond pas à votre cible ou n'est pas prêt.
Exemples de critères négatifs courants : utilisation d'un email générique (gmail, yahoo, hotmail) au lieu d'un email professionnel ; concurrence identifiée dans le formulaire ; inactivité prolongée (aucun engagement depuis 45 à 60 jours) ; consultation répétée de la page "offres d'emploi" plutôt que des pages produit.
Sans scoring négatif, des leads anciens qui accumulent des points par leur simple ancienneté dans la base finissent par dépasser le seuil SQL sans réelle intention d'achat. Le scoring doit représenter l'état actuel du lead, pas son historique cumulé.
Construire le modèle sans données historiques. Un scoring basé sur des intuitions plutôt que sur l'analyse des conversions passées est peu fiable. Sans données, mieux vaut commencer par du scoring comportemental simple (visite page tarification = SQL) avant de construire un modèle complet.
Ne jamais recalibrer le modèle. Un modèle de scoring construit il y a 2 ans ne reflète plus votre ICP (Ideal Customer Profile) actuel. Les critères qui prédisaient la conversion évoluent avec votre produit, votre marché et votre stratégie commerciale.
Utiliser uniquement le scoring démographique. Des entreprises tombent dans le piège du "profil parfait, signe jamais". Un grand compte avec le bon secteur et le bon titre mais aucun comportement digital est souvent moins qualifié qu'une PME qui consulte la page de tarification tous les jours.
Fixer un unique seuil global. Un commercial chasse du grand compte en cycles longs de 6 mois. Un autre traite des PME en cycles de 3 semaines. Le même seuil SQL ne peut pas fonctionner pour les deux. Segmentez les seuils par taille de cible ou par cycle de vente.
