Lead scoring B2B : comment construire un score vraiment utile ?

Qu’est-ce que le lead scoring ?

Le lead scoring attribue une valeur à un prospect à partir des informations disponibles dans votre CRM : profil de l’entreprise, rôle de l’interlocuteur, besoin exprimé, temporalité du projet ou encore certains signaux comportementaux.

Il ne remplace pas pour autant la qualification commerciale.

La qualification cherche à déterminer si un prospect mérite réellement d’avancer dans le processus commercial. Le scoring permet plutôt de rendre certains critères mesurables et reproductibles afin de classer ou prioriser les leads.

Si cette première étape n’est pas encore structurée, mieux vaut généralement commencer par définir comment qualifier correctement ses leads B2B avant de construire un système de scoring.

Le scoring prend surtout de la valeur lorsqu’il s’inscrit dans un processus Revenue plus large : acquisition, qualification, opportunité, conversion puis expansion. C’est l’un des sujets que nous détaillons dans notre article consacré au RevOps.

À quoi sert réellement un lead scoring ?

Un lead scoring devient intéressant lorsqu’il permet de prendre une décision concrète.

Il peut notamment servir à :

1. prioriser les leads lorsque tous ne peuvent pas être traités immédiatement ;

2. router automatiquement un prospect vers le bon commercial ou la bonne équipe ;

3. déclencher une action : tâche, notification, séquence de nurturing ou relance ;

4. éviter de mobiliser les Sales trop tôt sur des prospects encore peu matures.

La principale règle à garder en tête est simple :

un score n’a de valeur que s’il modifie une décision ou une action.

Afficher « Lead score : 76 » dans un CRM sans savoir ce qui doit se passer à 76 plutôt qu’à 52 apporte finalement peu de valeur.

Avez-vous vraiment besoin d’un lead scoring ?

Toutes les entreprises B2B n’ont pas besoin d’un système de scoring.

Une agence qui reçoit quinze demandes entrantes par mois et peut analyser chacune d’elles individuellement a probablement davantage intérêt à structurer quelques champs de qualification qu’à maintenir un modèle composé de vingt critères.

Par exemple :

• besoin ;

• type d’entreprise ;

• ordre de grandeur du projet ;

• échéance ;

• prochaine action.

Le lead scoring devient plus pertinent lorsque la complexité augmente :

• plusieurs canaux génèrent des leads ;

• tous les prospects ne peuvent pas être traités immédiatement ;

• plusieurs commerciaux doivent se répartir les opportunités ;

• certaines actions peuvent être automatisées ;

• suffisamment de données permettent réellement de différencier les prospects.

Il n’existe pas pour autant de seuil universel à partir duquel une entreprise devrait mettre en place du lead scoring.

La bonne question est plutôt :

Avons-nous réellement besoin d’un mécanisme pour décider automatiquement quels prospects méritent notre attention ?

Si la réponse est non, une qualification simple et correctement utilisée sera souvent préférable.

Fit et intent : les deux dimensions à distinguer

L’une des limites d’un score unique est qu’il mélange facilement des informations qui ne répondent pas à la même question.

Il est souvent plus utile de distinguer le fit et l’intent.

Le fit : est-ce un prospect que nous voulons ?

Le fit mesure l’adéquation entre le prospect et le type de client que l’entreprise souhaite réellement accompagner.

Selon votre activité, il peut prendre en compte :

• l’adéquation du besoin avec votre offre ;

• le type d’entreprise ;

• sa taille ;

• son secteur lorsque celui-ci est réellement discriminant ;

• sa localisation ;

• le rôle de l’interlocuteur.

Tous ces critères ne sont pas pertinents partout.

Une entreprise spécialisée sur un secteur précis pourra donner beaucoup de poids à l’industrie du prospect. Une autre pourra servir de la même manière une agence, un cabinet de conseil ou une startup : le secteur ne devrait alors quasiment pas influencer son score.

L’intent : le prospect semble-t-il prêt à avancer ?

L’intent cherche à déterminer si le prospect manifeste actuellement une intention d’achat ou une maturité suffisante.

Les signaux les plus intéressants sont souvent les plus directs :

• demande de rendez-vous ou de démonstration ;

• problème clairement exprimé ;

• projet déjà identifié ;

• échéance relativement proche ;

• interaction avec une proposition commerciale ;

• signaux d’utilisation dans un contexte SaaS.

Les signaux marketing doivent être interprétés avec davantage de prudence.

Ouvrir une newsletter, télécharger une ressource ou consulter plusieurs articles montre un engagement. Cela ne signifie pas automatiquement que la personne souhaite acheter.

Un prospect qui précise vouloir remplacer son CRM dans les trois prochains mois envoie généralement un signal plus important que quelqu’un qui a ouvert cinq emails.

La matrice Fit × Intent

Plutôt que de transformer immédiatement toutes ces informations en une note sur 100, une matrice simple permet déjà de prendre des décisions utiles :

Imaginons maintenant deux leads :

Lead A

• Fit : 9/10

• Intent : 5/10

Lead B

• Fit : 4/10

• Intent : 10/10

Les deux obtiennent 14 points si l’on additionne simplement leurs scores.

Pourtant, ils ne racontent pas la même histoire.

Le premier correspond très bien à votre cible mais n’est peut-être pas encore prêt à acheter. Le second semble vouloir avancer rapidement, mais ne correspond pas nécessairement au type de client que vous souhaitez signer.

Les actions associées doivent donc être différentes.

Comment construire son modèle de lead scoring ?

Un bon modèle ne commence pas par une grille de points trouvée sur Internet.

Il commence par la décision que vous cherchez à améliorer.

1. Commencer par la décision à prendre

Posez d’abord la question :

Que voulons-nous faire différemment grâce au score ?

Par exemple :

• appeler certains leads en priorité ;

• attribuer automatiquement les demandes ;

• envoyer certains prospects dans une séquence de nurturing ;

• déclencher une qualification humaine.

Si aucune action n’est associée au résultat, le scoring risque simplement de devenir un nouvel indicateur dans le CRM.

2. Identifier quelques critères réellement discriminants

Regardez vos propres données et l’expérience de vos équipes :

• quels profils deviennent réellement clients ?

• quelles opportunités sont régulièrement perdues ?

• quels critères les commerciaux utilisent-ils déjà pour prioriser ?

• quels signaux précèdent réellement une conversion ?

Avec peu d’historique, cinq critères pertinents seront souvent plus utiles qu’un modèle de trente variables donnant une impression de précision.

3. Séparer fit et intent

Une caractéristique stable de l’entreprise ne doit pas nécessairement être mélangée avec un comportement ponctuel.

La taille d’une entreprise décrit son fit.

Une demande de démonstration décrit plutôt son intent.

Conserver cette distinction facilite à la fois la compréhension et l’évolution du système.

4. Pondérer sans rechercher une fausse précision

Tous les critères n’ont pas la même importance.

Un besoin correspondant parfaitement à votre offre peut compter davantage qu’une caractéristique secondaire.

Mais attribuer +4 plutôt que +3 ne constitue pas une vérité scientifique. Les pondérations représentent d’abord une hiérarchie, qui doit ensuite être confrontée aux résultats réels.

5. Disqualifier plutôt que soustraire des dizaines de points

Tout ne doit pas être transformé en scoring.

Si une caractéristique rend réellement un prospect incompatible avec votre offre, une règle explicite est parfois préférable :

Entreprise située dans une zone non desservie → disqualifiée

plutôt que :

Zone non desservie → -50 points

Le score peut ensuite servir à différencier uniquement les prospects qui ont effectivement une chance de devenir clients.

6. Associer chaque niveau à une action

Par exemple :

• Fit fort + Intent fort → traitement commercial prioritaire ;

• Fit fort + Intent faible → suivi ou nurturing ;

• Fit faible + Intent fort → qualification rapide ;

• Fit faible + Intent faible → aucune action commerciale immédiate.

Le scoring devient alors un véritable mécanisme opérationnel.

7. Tester puis ajuster

Testez votre modèle sur les leads passés.

Aurait-il fait remonter les opportunités finalement gagnées ? Certains critères prennent-ils trop de poids ? Les commerciaux trouvent-ils les résultats cohérents ?

Le scoring doit évoluer avec l’ICP, les offres et les canaux d’acquisition.

Exemple simple de lead scoring B2B

Prenons une entreprise B2B souhaitant prioriser ses demandes entrantes.

Elle pourrait commencer avec deux scores sur 10.

Score Fit

Score Intent

Cette grille n’est volontairement pas un modèle à copier tel quel.

Pour une entreprise, la taille sera déterminante. Pour une autre, presque sans importance. Il faut conserver uniquement les critères qui modifient réellement la probabilité qu’un prospect soit pertinent ou prêt à avancer.

Les erreurs qui rendent un lead scoring inutile

Ajouter trop de critères

Chaque nouveau critère augmente les données nécessaires et la maintenance du modèle. Un score basé sur vingt informations rarement renseignées sera moins fiable qu’un modèle simple alimenté correctement.

Donner des points à chaque interaction

Toutes les interactions ne sont pas des signaux d’achat. Une ouverture d’email ou une visite d’article ne devrait pas mécaniquement transformer un prospect en priorité commerciale.

Confondre fit et engagement

Un prospect hors cible peut consommer énormément de contenu. À l’inverse, une entreprise parfaitement adaptée à votre offre peut encore avoir très peu interagi avec vous.

Utiliser des données peu fiables

Un scoring automatise une décision à partir de vos données. Si celles-ci sont incomplètes ou mal structurées, le score automatise surtout leurs erreurs.

Ne jamais remettre le modèle en question

Votre ICP, vos offres et vos canaux évoluent. Le scoring doit régulièrement être confronté aux opportunités réellement créées et gagnées.

Comment intégrer le lead scoring dans son CRM ?

Dans beaucoup de cas, aucune architecture complexe n’est nécessaire.

Un modèle simple peut fonctionner ainsi :

données CRM → formules → scores → workflow → action commerciale

Si votre CRM sait déjà stocker les critères, calculer le résultat et déclencher les actions nécessaires, ajouter Make, n8n ou un backend uniquement pour calculer quelques points apporte rarement de valeur.

L’enjeu principal reste donc la structuration du CRM : données fiables, modèle compréhensible et actions réellement adoptées par les équipes. C’est cette logique qui doit guider une implémentation ou une refonte CRM.

Exemple avec Attio

Attio permet aujourd’hui de mettre en place ce type de logique directement dans le CRM.

Ses Formula attributes permettent de calculer des valeurs à partir des données existantes. La documentation officielle propose notamment un exemple de lead scoring combinant fit et intent, tandis que les workflows permettent ensuite d’utiliser ces informations pour déclencher les actions adaptées.

Pour un scoring relativement simple, rester dans Attio permet donc d’éviter d’ajouter automatiquement une couche d’automatisation externe.

Une architecture complémentaire devient surtout pertinente lorsque le score dépend de données provenant d’un produit SaaS, d’un data warehouse ou de plusieurs systèmes externes.

Quel rôle pour l’IA dans le lead scoring ?

L’IA peut améliorer certaines étapes du scoring, mais elle ne doit pas remplacer inutilement des règles simples.

Pour une information déterministe — taille d’entreprise, pays, type de compte — une formule reste généralement suffisante.

L’IA devient plus intéressante lorsque les données sont non structurées. Elle peut par exemple analyser une réponse libre à un formulaire pour identifier le besoin, la temporalité ou certains éléments de contexte, puis transformer ces informations en attributs exploitables par le CRM.

C’est également une logique que l’on retrouve avec les fonctionnalités IA et MCP d’Attio, qui permettent notamment de structurer ou exploiter davantage les informations présentes dans le CRM.

Enfin, lorsqu’une entreprise possède beaucoup d’historique et de volume, un scoring prédictif peut chercher des corrélations difficiles à formaliser manuellement.

Mais si cinq règles compréhensibles permettent déjà de prendre correctement la décision, ajouter de l’IA ne rend pas automatiquement le système meilleur.

Lead scoring, MQL et SQL : quel lien ?

Le lead scoring peut contribuer à faire évoluer un prospect dans le cycle marketing et commercial.

Un niveau suffisant de fit et d’intent peut par exemple déclencher une prise en charge par les Sales.

Mais un MQL ou un SQL ne devrait pas être défini uniquement par un seuil arbitraire comme « score supérieur à 70 ». Le score reste un signal parmi les règles permettant de déterminer la maturité et la qualification réelle du prospect.

Questions fréquentes sur le lead scoring