Les limites du scoring manuel
Comment ça marche
- +10 points : Télécharge un ebook
- +5 points : Visite la page pricing
- +20 points : Entreprise >100 employés
- Seuil MQL : 50 points
Les problèmes
- Arbitraire : Les points sont décidés au doigt mouillé
- Statique : Les règles ne s'adaptent pas
- Incomplet : Ignore des signaux subtils
- Linéaire : Ne capture pas les combinaisons
Le lead scoring prédictif
Comment ça marche
- Analyse des leads passés (won/lost)
- Identification des patterns de conversion
- Modèle ML qui score en temps réel
- Auto-amélioration continue
Les avantages
- Objectif : Basé sur des données réelles
- Dynamique : S'adapte au marché
- Complet : Intègre des centaines de signaux
- Non-linéaire : Capture les interactions complexes
Les signaux qui comptent vraiment
Signaux firmographiques
- Taille entreprise
- Industrie
- Localisation
- Technologie utilisée
- Croissance récente
Signaux comportementaux
- Pages visitées et temps passé
- Contenus téléchargés
- Emails ouverts/cliqués
- Engagement événements
- Interactions produit (freemium)
Signaux d'intent
- Recherches Google (intent data)
- Consommation contenus concurrents
- Job postings (signaux de besoin)
- Actualités entreprise
- Activité réseaux sociaux
Signaux temporels
- Moment dans l'année fiscale
- Récence de l'engagement
- Vélocité d'engagement
- Patterns de navigation
Implémentation pratique
Étape 1 : Collecter les données
- Minimum 500 leads avec outcome connu
- 12 mois d'historique idéalement
- Données nettoyées et normalisées
Étape 2 : Feature engineering
- Transformer les événements en features
- Créer des agrégations (nb visites/semaine)
- Calculer des ratios (engagement rate)
Étape 3 : Entraîner le modèle
- Split train/test
- Choix algorithme (Random Forest, XGBoost)
- Validation croisée
Étape 4 : Déployer et monitorer
- Intégration CRM/MA
- Alertes temps réel
- Feedback loop avec Sales
Métriques de performance
| Métrique | Scoring manuel | Scoring prédictif |
|---|---|---|
| Précision | 40-50% | 70-85% |
| Recall | 60% | 80% |
| Lift | 1x | 3-5x |
| Win rate MQL | 15% | 35% |
Best practices
DO
- ✅ Commencer simple (moins de features)
- ✅ Valider avec Sales régulièrement
- ✅ Réentraîner trimestriellement
- ✅ A/B tester vs. scoring manuel
- ✅ Expliquer le score aux Sales
DON'T
- ❌ Overfit sur peu de données
- ❌ Ignorer la qualité des données
- ❌ Déployer sans monitoring
- ❌ Oublier les edge cases
- ❌ Traiter comme une boîte noire