Vos commerciaux ont des centaines de contacts dans le CRM, mais par lesquels commencer ? Sans méthode, ils appellent dans l'ordre d'arrivée, ou selon leur intuition. Le lead scoring répond à cette question en attribuant une note à chaque prospect.
Le principe
Chaque prospect reçoit un score, par exemple sur 100, qui estime sa probabilité de devenir client. Plus le score est élevé, plus le prospect doit être contacté rapidement.
Le score combine en général deux dimensions :
- Le profil (fit) : le prospect correspond-il à votre client idéal ? Secteur, taille, fonction, zone géographique.
- L'engagement : montre-t-il un intérêt ? Visites du site, téléchargements, ouverture des emails, demande de devis.
Étape 1 : le scoring par règles
C'est le point de départ idéal pour une PME. On attribue des points selon des critères simples :
| Critère | Points |
|---|---|
| Secteur cible | +20 |
| Entreprise de 10 à 250 salariés | +15 |
| Interlocuteur décisionnaire | +20 |
| Visite de la page tarifs | +10 |
| Demande de devis | +30 |
| Adresse email personnelle | −10 |
Ces valeurs sont un exemple : elles doivent être ajustées à partir de vos propres données. Regardez vos clients actuels : quels points communs avaient-ils au moment où ils étaient prospects ?
Étape 2 : le scoring prédictif
Quand vous disposez d'un historique suffisant de prospects gagnés et perdus, un modèle de machine learning peut apprendre lui-même quels facteurs prédisent une vente. Il détecte des combinaisons que l'intuition ne voit pas.
C'est là qu'intervient un data scientist : nettoyer les données, choisir les variables, entraîner et tester le modèle, puis l'intégrer dans le CRM pour que le score se mette à jour automatiquement.
Les données utiles
- Données firmographiques : secteur, effectif, chiffre d'affaires, localisation.
- Données de contact : fonction, niveau hiérarchique.
- Comportement digital : pages visitées, contenus téléchargés, emails ouverts.
- Historique commercial : appels, rendez-vous, devis envoyés, résultats.
La qualité des données compte plus que leur quantité : un CRM mal rempli donnera un score peu fiable.
Passer à l'action : du score aux appels
Un score n'a d'intérêt que s'il change la façon de travailler :
- Score élevé : appel par un commercial dans la journée.
- Score moyen : séquence d'emails et appel de qualification par un téléprospecteur.
- Score faible : nurturing automatique (newsletter, contenus) jusqu'à ce que l'intérêt augmente.
Mesurer l'efficacité
Comparez le taux de transformation des prospects à score élevé et à score faible. Si l'écart est net, le modèle fonctionne. Sinon, revoyez les critères. Recalibrez le modèle régulièrement, car votre marché évolue.
En résumé
Le lead scoring aide vos commerciaux à consacrer leur temps aux prospects qui ont le plus de chances de signer. Commencez par un scoring simple par règles, puis passez au prédictif quand vos données le permettent.
Les data scientists d'Elyssa Call construisent des modèles de lead scoring, de prédiction du churn et des tableaux de bord sur mesure, intégrés à vos outils. Combinés à nos téléprospecteurs, ils transforment vos données en rendez-vous. Demandez un devis.
Questions fréquentes
Qu'est-ce que le lead scoring ?
C'est une note attribuée à chaque prospect pour estimer sa probabilité de devenir client. Elle aide les commerciaux à traiter en priorité les prospects les plus prometteurs.
Faut-il beaucoup de données pour faire du lead scoring ?
Pour un scoring par règles, non : quelques critères bien choisis suffisent. Pour un scoring prédictif par machine learning, il faut un historique de prospects gagnés et perdus suffisamment important.
Quels outils utiliser ?
La plupart des CRM du marché proposent un scoring par règles. Pour un modèle prédictif, un data scientist peut construire un modèle sur mesure et l'intégrer à votre CRM.
