Définition
Le lead scoring consiste à attribuer un score à chaque lead pour le prioriser, en combinant son fit (à quel point il correspond à l’ICP) et son intérêt (son niveau d’engagement). L’objectif est simple : envoyer les leads les plus chauds au sales en premier et laisser les autres en nurturing, plutôt que de traiter tout le monde de la même façon. C’est une brique classique d’une démarche RevOps, qui transforme un volume de leads en priorités claires.
Les critères d’un bon lead scoring
Un score fiable croise plusieurs familles de critères, positives comme négatives.
Fit (ICP)
- Firmographie : secteur, taille, géographie, maturité
- Poste et séniorité du contact dans la décision
- À quel point le lead ressemble à vos meilleurs clients
Intérêt (engagement)
- Ouvertures, clics, réponses aux emails
- Visites de pages clés (pricing, démo, cas clients)
- Téléchargements et interactions à forte intention
Signaux d’intent
- Levée de fonds, recrutement, changement de stack
- Recherches ou activité sur des sujets liés à votre offre
- Le bon moment autant que le bon profil
Signaux négatifs
- Concurrent, étudiant, candidat, hors cible géographique
- Désengagement prolongé qui fait baisser le score
- Ce qui évite d’envoyer du bruit au sales
La méthode lead scoring en 5 étapes
De la définition du lead idéal jusqu’au recalibrage sur les conversions réelles.
Définir le lead idéal
Partir des meilleurs clients existants pour identifier les critères de fit qui comptent vraiment. Le scoring commence par une définition claire de l’ICP, sinon on note des leads sur des critères arbitraires.
Choisir fit et intérêt
Distinguer les critères de fit (qui est le lead) et d’intérêt (que fait-il). Un modèle courant croise les deux : un lead à fort fit ET fort intérêt est prioritaire, un fort intérêt sans fit reste à surveiller. Les deux axes se complètent.
Pondérer les critères
Attribuer des points selon l’importance réelle de chaque critère, en s’appuyant sur la donnée historique de conversion. Une visite pricing vaut plus qu’une ouverture d’email. La pondération se cale sur ce qui prédit vraiment la vente.
Router selon le score
Définir des seuils : au-dessus, le lead part au sales ; en dessous, il reste en nurturing. Le routing automatique fait gagner un temps précieux et garantit que les leads chauds sont traités vite, pas noyés dans le volume.
Mesurer et recalibrer
Comparer les scores aux conversions réelles et ajuster le modèle. Un lead scoring n’est jamais figé : il se recalibre avec la donnée, car les signaux qui prédisent la vente évoluent avec le marché et l’offre.
4 erreurs courantes en lead scoring
Celles qui font envoyer du bruit au sales au lieu des bons leads.
Ne scorer que l’engagement
Noter uniquement l’intérêt (ouvertures, clics) sans le fit. Un lead très engagé mais hors ICP fait perdre du temps au sales. Sans dimension fit, le scoring envoie des curieux enthousiastes plutôt que des acheteurs potentiels.
Un modèle trop complexe
Empiler des dizaines de critères pondérés que plus personne ne comprend. Un scoring illisible n’est ni maintenu ni ajusté. Mieux vaut un modèle simple, transparent et recalibré que l’usine à gaz de départ.
Oublier les signaux négatifs
Ne compter que les points positifs. Sans malus pour les concurrents, étudiants ou désengagements, le score gonfle artificiellement et le sales reçoit du bruit. Les signaux négatifs sont aussi importants que les positifs.
Ne jamais recalibrer
Poser un modèle une fois et ne plus y toucher. Si les leads bien scorés ne convertissent pas, le modèle est faux. Sans boucle entre score et conversion réelle, le lead scoring dérive et perd sa fiabilité.
Discuter scoring chez vous
Vos meilleurs leads arrivent-ils au sales à temps ?
30 minutes pour cadrer vos critères de fit et d’intérêt, poser un modèle de scoring simple et le brancher à votre CRM. Gratuit, sans engagement.
Réserver un appelQuestions fréquentes sur le lead scoring
Les questions qui reviennent quand on veut prioriser ses leads intelligemment.
Quelle différence entre lead scoring fit et engagement ?
Le scoring de fit mesure à quel point un lead correspond à votre client idéal (secteur, taille, poste). Le scoring d’engagement mesure son niveau d’intérêt (ouvertures, visites, téléchargements). Un bon modèle croise les deux : le fit dit si le lead vaut le coup, l’engagement dit s’il est prêt maintenant.
Lead scoring et lead qualification, c’est pareil ?
C’est lié mais distinct. Le lead scoring est le mécanisme automatisé qui attribue un score pour prioriser. La qualification est le jugement, souvent humain, qui valide qu’un lead est réellement exploitable (MQL puis SQL). Le scoring aide à qualifier plus vite et plus objectivement, mais ne le remplace pas totalement.
Faut-il un outil pour faire du lead scoring ?
Un CRM ou une plateforme de marketing automation (HubSpot, par exemple) permet d’automatiser le scoring et le routing. Sur de petits volumes, un scoring simple peut se gérer manuellement, mais dès que le nombre de leads augmente, l’automatisation devient nécessaire pour traiter les leads chauds à temps.
Le lead scoring peut-il utiliser l’IA ?
Oui. Au-delà des règles manuelles, des modèles prédictifs peuvent apprendre des conversions passées pour scorer automatiquement. C’est puissant à fort volume, mais cela demande des données propres et suffisantes. Sur des volumes plus modestes, un scoring à règles bien conçu et recalibré reste souvent plus lisible et efficace.
À quelle fréquence recalibrer son lead scoring ?
Il n’y a pas de règle fixe, mais un bon repère est de comparer régulièrement les scores aux conversions réelles, par exemple chaque trimestre. Si les leads bien notés ne se transforment pas, ou si de bons clients avaient un faible score, c’est le signe qu’il faut ajuster les critères et les pondérations.
Sujets liés
Trois concepts à connecter au lead scoring pour construire une vraie machine d’acquisition.
Glossaire · Data
Firmographics
Données qui décrivent une entreprise : taille, secteur, géographie, chiffre d’affaires, statut de financement. La base du ciblage B2B.
Lire la définitionGlossaire · Data
Technographics
Stack technologique d’une entreprise : CRM, outils marketing, langages, hébergement. Permet un ciblage chirurgical et des angles d’approche concrets.
Lire la définitionGlossaire · Data
Intent Data
Signaux qui indiquent qu’un compte ou un contact est en phase d’achat : recherches, downloads, visites de pages produit, comparaisons concurrents.
Lire la définition