La revue trimestrielle de l'activité suit généralement le même scénario. Le marketing présente la liste de niveau A : quatre cents comptes, tous dans le bon secteur, avec la bonne tranche d'effectif et la bonne infrastructure technologique. Les ventes confirment que les commerciaux ont travaillé ces comptes avec assiduité. Puis quelqu'un consulte le rapport des affaires gagnées du trimestre et pose la question gênante : combien de ces affaires venaient du niveau A ? La réponse est souvent moins de la moitié. Les autres venaient de comptes classés B ou C, de comptes qui n'ont jamais figuré sur la liste ou de comptes qui y étaient il y a deux ans et en ont discrètement disparu.
Personne dans cette salle n'a mal fait son travail. Le score a fait exactement ce pour quoi il avait été conçu. Il a classé les comptes selon leur ressemblance avec l'idée que l'entreprise se fait d'un bon client. Il n'a jamais été conçu pour indiquer lesquels traversaient un cycle d'achat ce trimestre, et c'est la seule question à laquelle un commercial disposant de quarante heures de travail par semaine a besoin d'une réponse.
Ces trois chiffres expliquent pourquoi le scoring statique de l'adéquation échoue. Le Buyer Experience Report 2024 de 6sense a constaté que 81 % des acheteurs B2B ont déjà un fournisseur préféré lorsqu'ils contactent un vendeur pour la première fois, que ce contact intervient lorsqu'ils ont parcouru environ 70 % de leur parcours d'achat et que 85 % ont déjà défini leurs exigences d'achat. Lorsqu'un compte adopte un comportement que votre CRM reconnaît, l'essentiel de la décision est déjà pris. Le rapport State of Business Buying 2024 de Forrester situe le groupe d'achat moyen à 13 personnes, avec 89 % des achats impliquant deux départements ou plus, et indique que 86 % des achats B2B se retrouvent bloqués à un moment du processus. Un score qui observe un contact à la fois ne peut pas voir un comité se former. Et le rapport State of Sales de Salesforce (5 500 professionnels de la vente, interrogés de mars à avril 2024) a constaté que seuls 35 % des professionnels de la vente font entièrement confiance aux données de leur organisation, tandis que les commerciaux déclarent consacrer 70 % de leur temps à des tâches autres que la vente. Lorsqu'ils ne font pas confiance au score, ils construisent leurs propres listes sur leur temps de vente.
Ce problème ne se règle pas en ajoutant des champs firmographiques ou en achetant un autre flux de données d'intention. C'est un problème de modèle. Le score a besoin de données qui changent lorsque le comportement d'achat d'un compte change, et de pondérations fondées sur des preuves plutôt que sur une séance devant un tableau blanc.
Diagnostic : pourquoi les scores d'adéquation cessent de prédire
Lorsque nous examinons la construction des scores de comptes dans des entreprises réalisant de $3M à $30M d'ARR, les mêmes quatre faiblesses apparaissent presque toujours. Ensemble, elles produisent un score qui semble rigoureux et prédit très peu de choses.
L'adéquation décrit l'éligibilité, pas le moment de l'achat
Un score d'adéquation firmographique répond à une vraie question : cette entreprise pourrait-elle raisonnablement acheter chez nous ? Le secteur, la taille, la géographie et l'infrastructure technologique sont de bons filtres pour cela. Le cadre de définition de l'ICP montre comment encoder ces filtres dans votre CRM. Mais l'adéquation est presque statique. Un compte qui obtient 85 aujourd'hui obtiendra 85 au prochain trimestre et au suivant, qu'il évalue des fournisseurs ou qu'il vienne de signer un contrat de trois ans avec votre concurrent. Lorsque l'adéquation constitue tout le score, le classement ne bouge jamais, et les commerciaux apprennent à ignorer une liste qui leur dit la même chose chaque lundi.
Les valeurs des points ont été inventées en réunion
Demandez comment la plupart des modèles de scoring ont été pondérés, et la réponse honnête sera un atelier. Dix points pour le secteur cible, quinze pour plus de deux cents salariés, cinq pour une visite de la page des tarifs, vingt pour une demande de démo. Personne n'a vérifié si une visite de la page des tarifs précède le chiffre d'affaires plus souvent qu'une participation à un webinaire, ni si l'effectif compte encore une fois le compte inclus dans l'ICP. Le modèle paraît quantitatif, mais chaque chiffre est une opinion.
Le score observe des personnes, mais ce sont les comptes qui achètent
De nombreuses équipes calculent encore les scores au niveau du contact et les agrègent par addition. Un analyste enthousiaste qui télécharge six ebooks peut propulser un compte en tête de file, tandis qu'un compte où un VP, un directeur des opérations et deux ingénieurs ont chacun effectué une seule visite paraît froid. Avec des groupes d'achat d'une douzaine de personnes ou plus, l'étendue de l'engagement entre fonctions est généralement un signal plus fort que la profondeur de l'engagement d'une seule personne, et l'addition des scores de contacts inverse cette logique. La couche de résolution d'identité doit rattacher ces personnes au même compte avant que l'étendue de leur engagement puisse être mesurée.
Rien ne perd de valeur avec le temps et rien n'est vérifié
Un webinaire suivi il y a neuf mois conserve tous ses points. Les pics d'intention du printemps dernier restent dans la fiche. Sans horloge, les scores gonflent avec le temps jusqu'à ce que la plupart des comptes paraissent actifs. Pire encore, presque aucune équipe ne compare le score aux résultats : un modèle défaillant peut donc fonctionner pendant des années tandis que les commerciaux travaillent discrètement à partir de leurs propres feuilles de calcul.
Le cadre : un score de comptes à quatre signaux testé sur l'historique
Le guide du lead scoring couvre la qualification individuelle ; ici, l'unité de prédiction est le compte et son groupe d'achat. La solution est un modèle combiné à quatre composantes, chacune répondant à une question différente. L'adéquation demande si le compte pourrait acheter. L'intention demande s'il recherche le problème que vous résolvez, généralement au moyen de signaux de recherche tiers tels que des pics d'intérêt thématique, l'activité sur des sites d'avis ou le recrutement pour des fonctions pertinentes. L'engagement demande si le compte interagit avec vous, mesuré à travers vos points de contact directs comme les sessions web, les inscriptions au produit, la participation aux événements et les réponses ; il faut surtout compter les personnes et les fonctions distinctes impliquées plutôt que l'activité brute. La récence demande de quand datent ces interactions et s'applique sous forme de décroissance afin qu'un signal perde du poids avec l'âge.
La structure compte autant que les composantes. L'adéquation fonctionne mieux comme filtre d'entrée accompagné d'un poids modeste : les comptes hors ICP sont exclus ou plafonnés, afin qu'un pic d'activité d'un étudiant ou d'un concurrent ne parvienne pas à un commercial. L'intention et l'engagement portent l'essentiel du poids parce que ce sont les éléments qui changent. La récence est un multiplicateur de l'intention et de l'engagement, pas un bloc séparé.
Les pondérations distinguent ce modèle de l'approche par atelier. Elles proviennent d'un backtest sur votre propre historique. Vous reconstruisez l'état de chaque compte à un moment passé, puis vérifiez quels signaux étaient présents dans les comptes qui ont ensuite généré du chiffre d'affaires gagné et lesquels étaient présents dans ceux qui n'en ont pas généré. Un signal qui apparaît trois fois plus souvent dans les comptes ayant conclu reçoit davantage de poids qu'un signal présent autant chez les gagnants que chez les perdants, quelle que soit son importance apparente.
Exemple illustratif. Les chiffres ci-dessous sont inventés et arrondis pour montrer la méthode ; ce ne sont ni des benchmarks ni des résultats clients. Supposons que vous preniez un instantané de 1 000 comptes dans l'ICP tels qu'ils étaient il y a douze mois, et que 100 d'entre eux aient produit une affaire gagnée au cours des deux trimestres suivants : un taux de base de 10 %. Vous vérifiez ensuite le taux de conclusion des comptes qui présentaient chaque signal au moment de l'instantané. Les comptes de la tranche d'adéquation la plus élevée ont conclu à 14 %, soit un lift de 1,4 par rapport au taux de base. Les comptes présentant un pic d'intention tiers sur votre catégorie ont conclu à 22 %, soit un lift de 2,2. Les comptes comptant au moins trois contacts distincts engagés dans au moins deux fonctions ont conclu à 30 %, soit un lift de 3,0. Et les mêmes signaux observés dans les 14 jours précédents ont montré environ deux fois le lift des signaux âgés de plus de 60 jours.
Une façon simple de convertir ces résultats en pondérations consiste à noter chaque composante selon son amélioration par rapport au taux de base. Dans cet exemple, l'adéquation apporte 0,4 de lift, l'intention 1,2 et l'engagement 2,0 : les pondérations normalisées atteignent donc environ 11 % pour l'adéquation, 33 % pour l'intention et 56 % pour l'engagement, avec un multiplicateur de décroissance qui divise par deux la valeur d'un signal après environ un mois. Vos propres chiffres seront probablement très différents. Les pondérations appartiennent à votre marché, à votre modèle commercial et à vos acheteurs, pas à un modèle préétabli.
Avant toute utilisation, vous validez le modèle sur des comptes qu'il n'a pas vus. Réservez une partie de l'historique, calculez ses scores avec les nouvelles pondérations et vérifiez si la tranche supérieure a effectivement capté une part disproportionnée du chiffre d'affaires. Un modèle qui place 20 % des comptes dans sa tranche supérieure devrait y capter bien plus de 20 % des affaires gagnées ultérieures, sinon il ne mérite pas sa place dans la journée du commercial.
Mise en œuvre : six étapes vers un score validé
Votre équipe RevOps peut suivre cette séquence avec les données dont elle dispose déjà. Chaque étape aboutit à un élément vérifiable.
Définir le résultat à prédire
Choisissez un résultat et une période : du chiffre d'affaires gagné sous deux trimestres est un bon choix initial ; du pipeline qualifié sous un trimestre convient aux cycles plus longs. Écrivez-le. Un score qui tente de prédire à la fois les réunions, le pipeline et le chiffre d'affaires ne prédit correctement aucun de ces résultats. Vérification : chaque participant peut énoncer le résultat et la période en une phrase.
Reconstruire des instantanés à une date donnée
Pour une date passée, reconstruisez les attributs d'adéquation, les signaux d'intention et l'engagement de chaque compte tels qu'ils étaient alors, pas tels qu'ils sont aujourd'hui. C'est l'étape la plus difficile, car les CRM écrasent l'historique. Les tables d'historique des champs, les journaux d'activité d'automatisation marketing, les événements produit et les exports d'intention archivés permettent généralement une approximation suffisante. Le guide du diagnostic avant la construction explique comment procéder en lecture seule, sans toucher à la production. Vérification : vous pouvez montrer l'état de n'importe quel compte à la date de l'instantané.
Mesurer le lift de chaque signal candidat
Comparez le taux de résultat des comptes avec et sans chaque signal au taux de base global. Incluez les signaux déjà notés et ceux que vous soupçonnez d'être importants. Éliminez ceux qui ne montrent aucun lift ou apparaissent sur trop peu de comptes pour être fiables. Vérification : vous disposez d'une liste classée de signaux avec leur lift et leur couverture.
Fixer les pondérations, les filtres et la décroissance
Convertissez le lift en pondérations, appliquez l'adéquation comme filtre et choisissez un taux de décroissance selon la vitesse à laquelle le lift diminuait avec l'âge du signal dans vos données. Un point de départ suggéré, pas un benchmark, est une demi-vie de 30 jours pour l'engagement et l'intention, à ajuster après observation de votre propre courbe. Vérification : chaque pondération remonte à un chiffre de la troisième étape.
Valider sur l'historique réservé
Calculez les scores des comptes réservés et mesurez quelle part de leur chiffre d'affaires ultérieur la tranche supérieure a captée. Nous imposons le même seuil à chaque système : des tests sur environ 20 cas passés du client et 85 pour cent de réponses correctes, sinon il n'est pas livré. Vérification : le modèle dépasse votre seuil sur des données qui n'ont pas servi à le construire, et chaque erreur a une raison documentée.
Intégrer le score au travail du commercial et programmer le prochain test
Inscrivez le score et ses composantes dans la fiche du compte, montrez aux commerciaux pourquoi un compte a obtenu un score élevé et utilisez-le pour orienter les actions. Programmez ensuite un nouveau backtest trimestriel, car les acheteurs, les produits et les marchés changent. Vérification : un commercial peut voir les trois principales raisons de tout score, et le prochain test figure au calendrier.
Workflow : ce que déclenche chaque tranche de score
Un score n'apporte de valeur que lorsqu'il change les actions des personnes. Les tranches ci-dessous sont une structure suggérée ; fixez les seuils à partir de vos propres résultats de validation pour que chaque tranche ait un responsable, une action et un délai clairs.
Profil : dans l'ICP, pic d'intention récent et plusieurs contacts engagés dans différentes fonctions, tous dans la fenêtre de décroissance.
Action : attribution à l'AE ou au SDR responsable avec les raisons jointes, premier contact sous un jour ouvré et prospection de plusieurs interlocuteurs dans les fonctions déjà engagées.
Responsable : ventes. Le SLA est suivi et les manquements sont examinés chaque semaine.
Profil : dans l'ICP avec un signal fort, par exemple de l'intention sans engagement ou un seul contact engagé.
Action : prospection déclenchée par un signal qui mentionne ce qui a changé, plus marketing ciblé pour élargir l'engagement au sein du groupe d'achat.
Responsable : équipe SDR avec le marketing. Les comptes qui ajoutent un deuxième signal montent automatiquement.
Profil : bonne adéquation, aucun signal actuel ou signaux ayant perdu de leur valeur.
Action : programmes marketing uniquement, sans mobiliser le temps des commerciaux. Le compte reste surveillé pour qu'un nouveau signal le fasse monter immédiatement.
Responsable : marketing.
Profil : ne passe pas le filtre d'adéquation, est un client actuel géré par CS ou fait déjà l'objet d'une opportunité active.
Action : aucune prospection sortante. L'engagement de ces comptes est enregistré et transmis au bon responsable plutôt que noté comme une nouvelle demande.
Responsable : RevOps maintient les règles.
Le récit pour le conseil d'administration
Trois affirmations suffisent généralement à structurer la conversation.
Nous avons cessé de classer les comptes selon leur ressemblance avec nos meilleurs clients et commencé à les classer selon les signaux qui ont précédé nos victoires passées. Les pondérations proviennent de notre propre historique d'affaires gagnées, pas d'opinions, et nous les testons à nouveau chaque trimestre.
Avant le déploiement, nous avons calculé les scores de comptes d'une période que le modèle n'avait jamais vue et mesuré la part du chiffre d'affaires de cette période captée par la tranche supérieure. Nous présentons ce taux de capture chaque trimestre avec le pipeline, afin que le conseil voie si le modèle continue à justifier sa place.
Le temps des commerciaux va désormais en priorité aux comptes montrant un comportement d'achat actif, et les comptes sans signaux sont traités par des programmes marketing. Les indicateurs à suivre sont le pipeline par heure de commercial, la conversion des comptes de la tranche supérieure en opportunités et le délai entre le premier signal et le premier contact.
Entre domaines : comment le scoring des comptes se connecte aux autres systèmes
Le scoring des comptes n'est pas un projet autonome. C'est la couche de priorisation dont dépendent plusieurs systèmes de revenus. Le Signal-Based Outbound Engine utilise les mêmes données d'intention, d'engagement et de récence pour décider quels comptes reçoivent de la prospection et ce qu'elle leur dit ; un score validé améliore donc directement qui il contacte et quand. Speed-to-Lead utilise le score pour décider à quelle vitesse et à qui transmettre une demande entrante ; une personne sollicitant un contact depuis un compte de tranche 1 mérite une réponse différente de celle d'un compte exclu.
Plus loin dans l'entonnoir, le Pipeline Hygiene Sentinel et le Forecast Assistant bénéficient de la distinction entre une opportunité née dans un compte à signaux forts et une opportunité poussée dans le pipeline depuis une liste froide, car ces deux types d'affaires se comportent différemment. Et la même logique à quatre signaux, appliquée aux clients existants, fonde le scoring de l'expansion et du risque dans le Churn Signal Watchtower. La vue d'ensemble de leur articulation figure sur la page GTM Operations.
Si vous décidez qui doit être responsable du modèle, l'arbre de décision entre GTM engineer, responsable RevOps et growth engineer vous aide à trancher. Notre approche est le forward-deployed engineering : commencer par un résultat, effectuer un backtest sur votre propre historique et mettre le score à disposition des commerciaux seulement après qu'il a fait ses preuves sur des affaires déjà gagnées et perdues.
Sources : 6sense, Buyer Experience Report 2024 (enquête mondiale auprès d'acheteurs B2B en Amérique du Nord, EMEA et APAC, octobre 2024). Forrester, The State of Business Buying, 2024 (décembre 2024). Salesforce, State of Sales, 6e édition (5 500 professionnels de la vente, interrogés de mars à avril 2024, publié en juillet 2024).
