Le lead scoring expliqué : bâtir un modèle vraiment utile

Le lead scoring consiste à poser un nombre sur un contact ou un compte pour qu’une attention commerciale limitée se pose sur les leads les plus susceptibles de se convertir. C’est là tout son objet. Un score ne prévoit pas le chiffre d’affaires, ne remplace pas la qualification, et n’est pas un rapport. C’est un ordre de file.

Le problème qu’il résout n’apparaît qu’à une certaine taille. Avec trente leads par mois, un commercial les lit tous et aucun modèle ne bat son jugement. Avec trois cents, il travaille le haut de la liste et le bas n’est jamais touché — et sans score, le haut de la liste signifie simplement ce qui est arrivé en dernier. Le scoring remplace la fraîcheur par quelque chose de plus proche de la probabilité.

Deux conséquences. D’abord, un score ne vaut la peine d’être construit que s’il y a plus de leads que de capacité à les traiter ; sinon, vous classez une file qui sera de toute façon travaillée en entier. Ensuite, le modèle doit être lisible par ceux qui s’en servent. Un commercial qui ne voit pas pourquoi un lead affiche 82 reviendra discrètement à appeler les derniers arrivés, et vous ne vous en apercevrez pas avant un trimestre.

Tout modèle s’appuie sur deux types d’entrées. Les signaux explicites sont ce que le lead ou une source de données déclare ouvertement — des attributs. Les signaux implicites sont ce que le lead fait — des comportements. Les deux comptent, et ils échouent différemment.

L’erreur habituelle consiste à pondérer les signaux implicites au volume. Dix visites sur le blog, ce n’est pas de l’intention, c’est un abonné. Une visite de la page tarifs suivie d’un retour deux jours plus tard, c’est de l’intention, à partir de bien moins d’événements. Pondérez une action selon ce qu’elle coûte à la personne et ce qu’elle révèle de sa position dans une décision, pas selon sa fréquence.

Traitez aussi honnêtement les données explicites manquantes. Une taille d’entreprise vide n’est pas une petite entreprise. Notez-la comme inconnue et laissez l’enrichissement la compléter plus tard, sinon vous déclasserez systématiquement tous ceux qui ont rencontré un formulaire court.

Fondre l’adéquation et l’intention en un total unique est la façon la plus courante de faire dérailler un modèle. Elles répondent à des questions différentes, et chaque combinaison appelle une action différente.

L’adéquation demande si c’est le genre d’entreprise que vous savez servir et à qui vous savez vendre : taille, secteur, géographie, budget, et présence du problème que vous résolvez réellement. L’intention demande si elle est en mouvement maintenant : ce qu’elle a consulté, ce qu’elle a demandé, à quelle date.

Gardez-les comme deux scores et les quadrants vous diront quoi faire. Forte adéquation et forte intention appellent un appel aujourd’hui. Forte adéquation et faible intention appellent une piste de maturation, pas un rejet — le compte vaut toujours la peine au trimestre prochain. Faible adéquation et forte intention forment le quadrant dangereux : un lead enthousiaste qui ne signera pas ou ne restera pas, et qui consommera la semaine d’un commercial si un score fusionné le fait remonter en tête. Faible adéquation et faible intention, c’est une exclusion, pas une entrée en file.

Un chiffre unique ne peut pas distinguer le deuxième cas du troisième, car un 40 issu de l’adéquation et un 40 issu de l’intention se ressemblent dans la liste. Si votre outil impose un seul nombre, stockez au moins les deux composantes et affichez la répartition à côté.

Commencez à la main et petit. Quinze règles auditables surpasseront une boîte noire que vous ne pouvez pas ouvrir, et vous les assemblez en une après-midi.

1. Définissez la cible. Pas « un bon lead » — quelque chose de comptable, comme un rendez-vous de découverte réellement tenu, ou une affaire signée sous quatre-vingt-dix jours.
2. Listez les signaux candidats que vous pouvez capter aujourd’hui pour la plupart des leads. Un signal présent sur un dixième des fiches est inutilisable, si prédictif paraisse-t-il.
3. Regardez en arrière. Prenez vos affaires gagnées et perdues récentes et vérifiez, signal par signal, comment le taux de conversion diffère quand il est présent. Tout ce qui ne le bouge presque pas est écarté.
4. Attribuez des nombres entiers sur une échelle fixe — par exemple 0 à 100 pour l’adéquation et 0 à 100 pour l’intention. Des poids ronds, uniquement. Une précision que vous ne pouvez pas justifier est du bruit.
5. Testez sur un historique mis de côté avant que le modèle ne touche la file réelle : aurait-il classé les affaires gagnées du trimestre dernier près du sommet ?
6. Écrivez les règles quelque part où l’équipe commerciale peut les lire sans vous les demander.

Quel que soit votre outil, les règles de scoring et vos sources de génération de leads ont leur place dans le même système : un score calculé sur des champs que l’étape de sourcing n’a jamais remplis n’est qu’une valeur par défaut déguisée en nombre. Growmindr note les leads dès leur entrée dans l’espace de travail et garde les règles contributrices visibles sur la fiche contact, pour qu’un commercial voie ce qui a produit le nombre avant de décider de la confiance à lui accorder.

La plupart des modèles ne font qu’additionner. C’est pourquoi, avec le temps, tout finit par obtenir un score élevé et le classement ne distingue plus rien de rien.

Retranchez des points pour les disqualifiants dont vous avez la preuve : un domaine concurrent, une adresse personnelle ou étudiante sur un produit professionnel, un pays que vous ne pouvez pas servir, une fonction sans part dans la décision, un client existant au milieu d’une escalade ouverte. Préférez une vraie soustraction à une exclusion ferme partout où le lead pourrait compter plus tard — un négatif laisse la fiche notable si les circonstances changent, une exclusion la cache pour toujours.

Ajoutez ensuite la décroissance, car l’intention est périssable. Une visite de la page tarifs est un signal fort le jour même, faible trois semaines plus tard, et nul un trimestre après. Sans décroissance, quelqu’un qui vous a étudié en mars puis s’est évaporé devance encore quelqu’un d’actif cette semaine. Une règle simple suffit : les points d’intention expirent après une fenêtre fixe, ou se réduisent de moitié tous les trente jours. Les points d’adéquation ne doivent pas décroître — l’entreprise a toujours la même taille — mais ils doivent être rafraîchis chaque fois que l’enrichissement met la fiche à jour.

Il existe un test rapide pour savoir si la décroissance est bien réglée. Sortez les vingt meilleurs leads par score et regardez la date de leur dernière action. Si plusieurs sont silencieux depuis des mois, votre décroissance est trop lente.

Un score sans action convenue n’est qu’une décoration. Avant le lancement, fixez par écrit les paliers et la réponse attachée à chacun, avec l’équipe commerciale dans la pièce.

Fixez le seuil du palier A d’après votre capacité, pas d’après l’esthétique. Si deux commerciaux peuvent traiter soixante leads par semaine à eux deux, le seuil se place là où environ soixante leads par semaine tombent — et non à 80 parce que 80 est un chiffre rond. Revoyez-le chaque fois que les effectifs ou le volume de leads changent, car un seuil calibré pour une taille d’équipe casse en silence pour une autre. Trop bas, le palier A devient un arriéré que personne ne résorbe ; trop haut, vos meilleurs leads dorment dans le palier B pendant que la file paraît saine.

Un modèle de lead scoring est ajusté à un instant : vos tarifs, votre client idéal, vos canaux, le marché. Les quatre bougent, et le modèle ne s’en aperçoit pas. Le recalibrage est de l’entretien courant, pas l’aveu que la première version était fausse.

Passez-le en revue à intervalles réguliers — le trimestre est une valeur par défaut raisonnable — et vérifiez trois choses.

• Le pouvoir discriminant. Rangez les leads du dernier trimestre par tranches de score et comparez la conversion par tranche. Les tranches doivent se séparer nettement. Si les 80 convertissent comme les 50, le modèle a cessé de classer et se contente d’attribuer des nombres.
• La dérive du mélange. Si la part de leads au-dessus du seuil a doublé sans évolution correspondante des résultats commerciaux, quelque chose a bougé en amont — un nouveau canal, un formulaire modifié, un script de suivi cassé — et le score mesure désormais cela.
• La disponibilité des signaux. Les règles meurent en silence quand un champ cesse d’être collecté ou qu’une intégration casse. Un signal désormais absent de la plupart des fiches retranche de la précision tout en paraissant sain dans la liste des règles.

Déclenchez une revue hors calendrier chaque fois que vous changez vos tarifs, entrez dans un nouveau segment ou ouvrez un canal au profil de visiteurs différent. Et prenez le signal qualitatif au sérieux : quand les commerciaux commencent à dire que les scores sonnent faux, ils ont généralement raison, et ils l’ont généralement remarqué un trimestre avant les chiffres.

Les modèles cassés échouent le plus souvent de quelques manières reconnaissables.

• Noter l’engagement au lieu de l’achat. Les ouvertures de newsletter et les lectures de blog sont corrélées à l’intérêt pour vos contenus, pas au budget ni à l’autorité. Elles gonflent le score de gens qui n’achèteront jamais.
• Un seul modèle pour deux produits. Si vous vendez à deux acheteurs différents, il vous faut deux modèles. Un modèle mixte est faux pour les deux, et faux en sens inverse.
• Des scores de personnes sans contexte de compte. Trois cadres intermédiaires de la même entreprise notés 45 chacun constituent un signal plus fort que n’importe lequel d’entre eux pris seul, et un modèle centré sur les personnes ne peut pas le voir.
• Le trafic interne et les robots. Votre propre équipe et les scanners automatisés génèrent des pages vues. Excluez les plages d’adresses de vos bureaux et les crawlers connus, sinon votre lead le mieux noté se révélera être un collègue.
• Un modèle que personne n’a expliqué. Si les commerciaux n’ont pas participé au choix des poids, ils ne travailleront pas la file, et vous passerez votre temps à défendre un nombre au lieu de l’améliorer.

Aucun de ces défauts n’est visible dans le modèle lui-même. Ils se manifestent par des commerciaux qui ignorent discrètement le score, ce qui reste l’indication la plus fiable que quelque chose ne va pas en dessous.