Un prospect ouvre l'e-mail, visite la page tarifs, télécharge la plaquette produit, revient trois jours plus tard lire la page « sécurité ». Puis, silence radio. Votre commercial le rappelle le lundi, croyant tenir une piste chaude. Rien. Il ne répondra jamais.
Combien de fois avez-vous vécu cette scène ? Moi, chaque mois, jusqu'à ce que je mette au point un barème de lead scoring qui distingue enfin le vrai signal du bruit. Le scoring de prospects reste la méthode la plus efficace pour trier automatiquement les leads selon leur probabilité de conversion — et la plus mal utilisée dans la majorité des PME que je croise.
Soldat en apparence. En réalité, la plupart des équipes appliquent un scoring sans jamais le calibrer, sans critères négatifs, sans décroissance du score. Résultat : des MQL annoncés que les commerciaux ignorent au bout de deux semaines.
Points clés à retenir
- Le lead scoring attribue une valeur numérique à chaque prospect selon son profil (critères explicites) et son comportement (critères implicites).
- Le vrai différenciateur n'est pas le barème initial, c'est sa calibration sur vos données réelles de conversion.
- Sans critères négatifs et sans décroissance du score, votre modèle se remplit de leads fantômes.
- Vos seuils MQL et SQL doivent être définis avec l'équipe commerciale, jamais imposés par le marketing seul.
- Le scoring de prospects s'intègre naturellement dans une logique d'inbound marketing et de lead nurturing via votre CRM.
Le lead scoring, ou comment arrêter de perdre votre temps commercial
Attribuer un score à un prospect, c'est poser une question simple : parmi tous ceux qui traînent dans votre base, lesquels ont réellement une chance d'acheter — et lesquels ne l'ont pas ?
Le principe remonte à bien avant les CRM modernes. Les vendeurs de voitures comptaient déjà mentalement : « il est venu deux fois, il a parlé budget, il revient samedi ». Le numérique a simplement rendu ce comptage automatique et détaillé.
Deux familles de critères, et une erreur classique
On distingue habituellement les critères explicites (qui est la personne : secteur, taille d'entreprise, fonction, zone géographique) des critères implicites (ce qu'elle fait : pages consultées, e-mails ouverts, formulaires remplis, temps passé).
L'erreur que je vois partout : pondérer uniquement le profil et ignorer l'activité, ou l'inverse. Un directeur marketing dans une entreprise de 200 salariés qui n'a ouvert aucun de vos e-mails depuis trois mois ne vaut pas grand-chose. Un étudiant qui consulte la page tarifs douze fois commence à mériter votre attention — pas nécessairement votre appel, mais au moins une place dans votre base à surveiller.
Le scoring remplace-t-il votre CRM ?
Non, et c'est une confusion fréquente. Le lead scoring est une couche de lecture posée sur les données que votre CRM collecte déjà. HubSpot, Salesforce ou Pipedrive gèrent les contacts, les interactions, l'historique. Le scoring vient s'ajouter pour hiérarchiser.
Concrètement : votre outil stocke « a visité la page tarifs le 12 mars ». Le scoring traduit cela en « +20 points, ce prospect progresse ».
Un barème de lead scoring concret, avec des points et des seuils
Voici l'exemple de barème que j'utilise comme point de départ chez mes clients. Ce n'est pas une formule magique — les pondérations dépendent de votre cycle de vente — mais c'est un vrai point de départ chiffré, ce que la plupart des articles sur le sujet oublient de donner.
Critères explicites (le profil)
- Fonction décisionnaire (direction, responsable marketing, DSI) : +25 points
- Taille d'entreprise dans votre cible (par ex. 50 à 500 salariés) : +15
- Secteur d'activité correspondant à vos références : +10
- Adresse e-mail professionnelle (pas gmail/yahoo) : +5
- Zone géographique hors périmètre : −15
- Concurrent identifié : −50
Critères comportementaux (l'activité)
Ici, tout dépend de ce que votre CRM peut tracer. En général, je pondère plus fort les actions qui demandent un effort : télécharger un livre blanc coûte moins cher que demander une démo. Une visite de page tarifs, elle, est presque toujours un signal fort.
- Demande de démonstration ou de devis : +30
- Consultation de la page tarifs (par visite) : +15
- Téléchargement d'un contenu à forte valeur : +10
- Ouverture d'e-mail : +2
- Clic sur un lien d'e-mail : +4
- Désabonnement de la newsletter : −25
- Aucune activité depuis 60 jours : −20 (c'est la fameuse décroissance du score, dont presque personne ne parle)
Où placer les seuils MQL et SQL ?
Sur ce barème, un prospect atteint 75 points devient MQL — marketing qualified lead — et entre dans le champ de vision des commerciaux. À 120 points, il passe SQL : la relation passe des mains du marketing à celles des ventes.
Ces seuils ne sont jamais des absolus. Je les fixe toujours lors d'un atelier d'une heure avec les commerciaux, parce que ce sont eux qui vont vivre avec.
| Type de critère | Exemple | Points | Qui le définit |
|---|---|---|---|
| Explicite | Fonction décisionnaire | +25 | Marketing + Ventes |
| Explicite | Hors zone géographique | −15 | Ventes |
| Comportemental | Visite page tarifs | +15 | Marketing |
| Comportemental | Désabonnement | −25 | Marketing |
| Temporel | Inactivité 60 jours | −20 | Les deux |
Les trois erreurs qui tuent un modèle de lead scoring
La première fois que j'ai déployé un barème, j'ai fait les trois. Je les ai vues se répéter chez presque tous mes clients depuis.
Erreur n°1 : oublier les critères négatifs
Sans points négatifs, votre score ne fait que monter. Un prospect qui consulte votre site tous les jours pendant six mois finit par atteindre 200 points sans jamais avoir l'intention d'acheter. C'est ce qu'on appelle un lead fantôme : actif, curieux, jamais converti.
La solution : chaque action positive a son pendant négatif. Désabonnement, inactivité prolongée, secteur exclu, adresse jetable. Un barème où rien ne redescend est un barème cassé.
Erreur n°2 : ne jamais calibrer sur vos données réelles
Un barème posé au doigt mouillé dérive en deux ou trois mois. La seule façon de savoir s'il fonctionne : comparer le score prédit avec le taux de conversion réel. Si vos prospects à 80 points convertissent à 2 % et ceux à 60 points à 6 %, quelque chose est mal pondéré.
Chez un client éditeur de logiciel, j'avais surpondéré la consultation de la page « fonctionnalités ». On a corrigé en recalibrant sur les 400 derniers deals signés : la page « intégrations API » pesait en réalité beaucoup plus lourd. Un simple ajustement de pondération a fait passer le taux de réponse des commerciaux aux MQL de 18 % à 34 % en deux mois.
Erreur n°3 : fixer les seuils sans les commerciaux
Si le marketing impose seul le seuil MQL, les commerciaux le contourneront. Ils ont leurs propres critères mentaux, et ils ont souvent raison. Le meilleur moyen d'éviter ça : leur demander, à froid, quels signaux les font décrocher leur téléphone en premier.
Leurs réponses sont souvent plus justes que n'importe quelle pondération théorique.
Le lead scoring est-il autorisé par le RGPD ?
Oui, à condition de respecter certains garde-fous. Le scoring de prospects est un traitement de données personnelles : il doit reposer sur une base légale (en général l'intérêt légitime), être documenté, et le prospect doit pouvoir en comprendre les grandes lignes.
Ce qui est interdit, c'est le profilage produisant des effets juridiques automatiques sans intervention humaine — ce qui n'est pas le cas d'un score servant à prioriser un appel commercial. Vous devez aussi pouvoir expliquer, si on vous le demande, quels critères entrent dans le calcul.
Concrètement, je recommande toujours trois choses : documenter votre barème, mentionner le scoring dans votre politique de confidentialité, et prévoir un moyen pour le prospect de demander une explication de son score. Rien de compliqué, mais c'est ce qui distingue un scoring propre d'un scoring risqué.
Scoring et lead nurturing : les deux faces d'une même pièce
Le score vous dit qui est prêt. Le nurturing s'occupe de ceux qui ne le sont pas encore.
Un prospect à 40 points n'est pas un déchet — c'est un candidat pour votre séquence de nurturing. Une fois qu'il franchit le seuil, le scoring déclenche automatiquement l'alerte commerciale.
Sans cette mécanique, vous avez soit des commerciaux qui appellent trop tôt (et brûlent la relation), soit des prospects chauds qui refroidissent dans une base oubliée. Le scoring règle les deux problèmes à la fois, à condition d'accepter une chose désagréable : votre premier barème sera faux. Il faudra le réviser, probablement plusieurs fois, en regardant ce que vos données racontent vraiment.
La vraie question n'est pas « quel score doit atteindre ce prospect ». C'est « à partir de quel signal, chez nous, un commercial décroche-t-il vraiment son téléphone ». Répondez à celle-là avant de coder quoi que ce soit dans votre CRM.
