Lead scoring B2B : un modèle pratique pour savoir quels contacts méritent l'appel du commercial

Lundi matin, le commercial ouvre le CRM et trouve quarante nouveaux contacts. Il y a l’étudiant qui a téléchargé un guide pour son mémoire, le fournisseur qui veut vous vendre quelque chose, l’acheteur d’une entreprise idéale qui a regardé trois fois la page des tarifs. Sans critère, il les appelle dans l’ordre d’arrivée, ou n’en appelle aucun.

La réponse courte est la suivante : le lead scoring B2B sert à mettre de l’ordre. Chaque contact reçoit un score d’adéquation (à quel point il ressemble au client idéal : fonction, secteur, taille, zone géographique) et un score de comportement (à quel point il avance vers l’achat : page des tarifs, demande de démo, webinar, clics). Au-dessus d’un certain seuil, le contact passe aux ventes ; en dessous, il reste dans le nurturing. Les seuils se calent sur les contrats signés.

Vous trouverez ci-dessous le modèle que nous utilisons comme point de départ dans nos projets d’automatisation marketing, avec les barèmes, les seuils et les règles de passage au commercial.

Qu’est-ce que le lead scoring B2B et à quoi sert-il en pratique ?

Le lead scoring est un système de points qui classe les contacts selon leur probabilité de devenir clients, pour que le commercial consacre son temps à ceux qui ont le plus de chances de signer. En B2B, il sert surtout quand les leads sont plus nombreux que ce que les ventes peuvent rappeler avec attention, ou quand marketing et ventes ne sont pas d’accord sur ce qu’est un « bon lead ».

Le score, seul, ne vend rien. Sa valeur tient dans trois décisions qu’il rend automatiques :

• qui appeler aujourd’hui, parce qu’il a le bon profil et montre de l’intérêt ;
• qui laisser au nurturing, parce qu’il a le bon profil mais est encore loin de la décision ;
• qui ignorer, parce qu’il n’achètera jamais (concurrents, candidats, étudiants, fournisseurs).

Si votre entreprise reçoit dix demandes par mois et que le commercial les rappelle toutes dans l’heure, vous n’avez probablement pas besoin d’un modèle de scoring : vous avez besoin de plus de volume. Le lead scoring devient utile quand il faut choisir.

Adéquation et comportement : pourquoi il faut deux scores séparés

Un bon modèle sépare le score d’adéquation (qui est le contact) et le score de comportement (ce qu’il fait), parce qu’ils répondent à des questions différentes et qu’un total unique les mélange. Le dirigeant d’une entreprise cible qui n’a encore rien fait et un étudiant qui a téléchargé cinq e-books peuvent arriver au même chiffre, mais ils méritent des traitements opposés.

Le scoring explicite : l’adéquation avec le client idéal

L’adéquation se calcule à partir des données que le contact vous donne (formulaire, LinkedIn, enrichissement du CRM) et de celles de son entreprise. Les critères qui comptent presque toujours en B2B sont au nombre de quatre :

• la fonction : décideur, prescripteur technique, utilisateur final, ou aucun rôle dans le processus d’achat ;
• le secteur : ceux où vous avez déjà des clients et des cas clients pèsent plus que les secteurs « possibles » ;
• la taille : nombre de salariés ou chiffre d’affaires, dans la tranche où votre produit a du sens ;
• la zone géographique : là où vous avez un réseau commercial, un service après-vente, une logistique.

Nous y ajoutons souvent le type d’e-mail (professionnel ou personnel) et, pour ceux qui vendent des machines ou des installations, le parc installé ou la technologie utilisée.

Le scoring implicite : le comportement qui signale l’intérêt

Le comportement se mesure à partir des actions suivies sur le site, dans les e-mails et lors des événements. Elles n’ont pas toutes la même valeur : ce qui fait la différence, c’est la proximité avec l’achat.

• signaux forts : demande de démo ou de devis, visite de la page des tarifs ou du configurateur, retour sur le site après un appel ;
• signaux moyens : participation à un webinar, téléchargement d’une fiche technique, lecture d’un cas client de son secteur ;
• signaux faibles : clic dans une newsletter, lecture d’un article du blog.

Les ouvertures d’e-mails, nous les laissons à zéro ou presque. Depuis qu’Apple a introduit la protection de la confidentialité dans Mail, annoncée en juin 2021 avec iOS 15, beaucoup d’ouvertures sont enregistrées automatiquement, même si personne n’a lu le message, et elles gonflent le score sans rien dire de l’intérêt.

Points négatifs et dégressivité : comment éviter que le score mente

Les points négatifs retirent du radar ceux qui n’achèteront jamais, la dégressivité fait baisser le score de ceux qui se sont arrêtés. Sans ces deux règles, le score ne fait que monter, et au bout d’un an la moitié de la base paraît « chaude ».

Exemples de points négatifs que nous mettons presque toujours :

• visite de la page « nous rejoindre » ou candidature ;
• e-mail avec le domaine d’un concurrent ;
• fonction d’étudiant, de consultant commercial, d’agence ;
• entreprise hors de la zone couverte ou sous la taille minimale ;
• désinscription des e-mails, rebond définitif de l’adresse.

La dégressivité ne s’applique qu’au comportement. La fonction d’un directeur des achats n’expire pas ; la visite de la page des tarifs il y a huit mois, si. Les outils la gèrent de façon différente : dans le lead scoring de HubSpot (offres Professional et Enterprise), vous pouvez définir une réduction en pourcentage à intervalles réguliers, par exemple 50 % tous les trois mois ; dans ActiveCampaign, vous pouvez faire expirer les points d’une règle après une certaine période, l’action cessant alors de compter d’un seul coup. Si votre CRM ne le prévoit pas, une automatisation suffit : chaque mois, elle remet à zéro ou divise par deux les points de comportement des contacts inactifs depuis 60 ou 90 jours.

Un modèle de lead scoring B2B complet, avec le barème

Le modèle qui suit est pensé pour une entreprise qui vend un produit ou un service technique à d’autres entreprises, avec un cycle de vente de quelques mois. C’est un point de départ : les pondérations doivent être adaptées à votre marché, puis corrigées avec les données.

Prenons une entreprise qui fabrique des systèmes d’automatisation pour l’industrie agroalimentaire, vend en Italie et dans les pays germanophones, et travaille bien avec des clients de 50 à 500 salariés.

Domaine	Critère	Points
Adéquation	Fonction de décideur (dirigeant, directeur général, directeur technique ou de production)	+15
Adéquation	Fonction de prescripteur (bureau d’études, achats, maintenance)	+8
Adéquation	Étudiant, consultant, agence	-15
Adéquation	Secteur principal (agroalimentaire, boissons)	+10
Adéquation	Secteur secondaire (emballage, pharmaceutique)	+5
Adéquation	Secteur hors cible	-10
Adéquation	50-500 salariés	+10
Adéquation	10-49 salariés	+4
Adéquation	Moins de 10 salariés	-10
Adéquation	Italie, Allemagne, Autriche, Suisse	+5
Adéquation	Hors de la zone couverte	-20
Adéquation	E-mail professionnel	+5
Comportement	Demande de démo ou de devis	+40
Comportement	Visite de la page des tarifs ou du configurateur (une fois tous les 7 jours)	+15
Comportement	Participation à un webinar	+15
Comportement	Inscription au webinar sans participation	+5
Comportement	Téléchargement d’une fiche technique	+10
Comportement	Lecture d’un cas client de son secteur	+8
Comportement	Clic dans un e-mail (3 fois par mois au maximum)	+3
Comportement	Ouverture d’e-mail	0
Comportement	Visite de la page « nous rejoindre »	-30
Comportement	Désinscription des e-mails	-20
Dégressivité	Aucune activité pendant 60 jours	-50 % des points de comportement

Adéquation maximale : 45 points. Le comportement n’a pas de plafond théorique, mais les limites de fréquence (une visite des tarifs par semaine, trois clics par mois) évitent qu’un contact très actif dans la newsletter dépasse celui qui a demandé un devis.

Deux exemples pour voir comment le modèle se comporte. Le directeur de production d’une fromagerie d’Émilie de 120 salariés atteint 45 points d’adéquation ; il participe à un webinar et regarde la page des tarifs : 30 points de comportement. Adéquation élevée et comportement moyen : dans la matrice ci-dessous, c’est un MQL. Un consultant d’un organisme de formation en Espagne part avec une adéquation négative (consultant, secteur hors cible, hors de la zone couverte) et peut cliquer sur toutes les newsletters qu’il veut : le commercial ne le verra jamais dans sa liste.

Comment fixer les seuils MQL et SQL ?

Le seuil MQL (Marketing Qualified Lead) indique quand un contact est assez dans la cible et assez actif pour mériter l’attention des ventes ; le SQL (Sales Qualified Lead) arrive ensuite, quand le commercial a vérifié qu’il y a un vrai projet. Les premiers seuils s’estiment, puis on les corrige en regardant les scores des contrats signés.

Avec deux scores séparés, mieux vaut raisonner par combinaisons plutôt que sur un chiffre unique. Voici la matrice que nous proposons comme première version :

Adéquation / comportement	Faible (moins de 15)	Moyen (15-34)	Élevé (35 ou plus)
Élevée (30-45)	Nurturing ciblé	MQL	MQL prioritaire, appel dans la journée
Moyenne (15-29)	Nurturing	Nurturing intensif	MQL
Faible (moins de 15)	Aucune action	Nurturing générique	Vérification manuelle

La demande de démo ou de devis fait exception : si l’adéquation est au moins moyenne, le contact va tout de suite au commercial, quel que soit le reste. Personne ne veut qu’une entreprise qui demande une offre attende parce qu’elle « n’a pas encore assez de points ».

Caler les seuils sur les contrats signés

Après trois à six mois, vous avez assez de données pour vérifier si les seuils sont justes. La méthode est simple :

1. Exportez du CRM les opportunités clôturées des 12 à 24 derniers mois, gagnées et perdues, avec le score qu’avait le contact au moment du passage aux ventes.
2. Répartissez les contacts par tranches de score et calculez pour chacune le pourcentage d’opportunités gagnées.
3. Regardez où le pourcentage change nettement. Si en dessous de 40 points de comportement presque personne ne signe et qu’au-dessus si, le seuil est là.
4. Contrôlez les critères un par un : si les clients gagnés viennent presque tous d’un secteur que vous aviez classé « secondaire », augmentez son poids.
5. Faites de même avec les opportunités perdues : un critère qui revient souvent chez ceux qui ont dit non mérite moins de points, ou des points négatifs.

Si les opportunités clôturées sont peu nombreuses, le modèle reste en bonne partie une hypothèse. Ce n’est pas grave, à condition de le dire et de le revoir plus souvent. Pour relier le score à ce qui se passe ensuite, jusqu’à la facture, nous avons écrit un guide sur le suivi du parcours du lead au contrat, du CRM au chiffre d’affaires.

Le passage aux ventes : le SLA qui rend le score utile

Le SLA (accord de niveau de service) entre marketing et ventes fixe ce qui se passe quand un contact dépasse le seuil : qui le prend, dans quel délai il le contacte et comment il fait remonter le résultat. Sans cet accord, le score devient un chiffre que personne ne regarde.

La rapidité compte. Une étude publiée dans la Harvard Business Review, portant sur 1,25 million de leads reçus par 42 entreprises américaines (29 B2C et 13 B2B), a montré que ceux qui tentaient de joindre le lead dans l’heure avaient près de sept fois plus de chances de le qualifier que ceux qui attendaient ne serait-ce qu’une heure de plus (The Short Life of Online Sales Leads). L’étude date de 2011, mais la dynamique n’a pas changé : une demande de devis rappelée le lendemain a souvent déjà reçu une autre offre.

Un SLA de départ peut ressembler à ceci :

• demande de démo ou de devis : premier contact dans l’heure ouvrée ;
• MQL prioritaire : contact dans la même journée ouvrée ;
• MQL : contact sous deux jours ouvrés ;
• retour obligatoire sous cinq jours : accepté (il devient SQL), refusé avec motif, ou à recontacter à une date précise ;
• engagement du marketing : un nombre minimum de MQL par mois convenu, la qualité étant mesurée par la part acceptée par les ventes.

Le motif de refus est la donnée la plus précieuse de tout le système. « Entreprise trop petite », « pas de budget cette année », « déjà client d’un concurrent avec un contrat pluriannuel » : si le même motif revient souvent, il faut le transformer en critère du modèle.

Que faire de ceux qui ne sont pas encore prêts : automatisations et nurturing

Les contacts sous le seuil ne doivent pas être jetés : il faut les suivre avec un parcours de lead nurturing qui les ramène au commercial quand leur score monte. C’est là que le lead scoring et l’automatisation marketing travaillent ensemble.

Les automatisations que nous mettons en place le plus souvent :

• adéquation élevée, comportement faible : séquence de contenus adaptés au secteur et à la fonction (cas clients, fiches techniques, invitations à des webinars), avec un e-mail personnel du commercial au bout de quelques semaines ;
• adéquation moyenne, comportement en hausse : alerte au commercial quand le contact revient sur la page des tarifs, même s’il n’a pas encore dépassé le seuil ;
• refusé par les ventes avec le motif « pas maintenant » : retour automatique dans le nurturing et rappel au commercial à la date indiquée ;
• MQL non traité dans le délai du SLA : notification au responsable commercial ;
• contact inactif depuis six mois : campagne de réactivation, puis retrait de la liste s’il ne répond pas.

Nous avons rassemblé des exemples de scénarios complets dans le guide du lead nurturing B2B, et le fonctionnement de base des workflows, des déclencheurs et des segments est expliqué dans l’automatisation marketing : définition et fonctionnement.

Les conséquences pour la génération de leads, le CRM et les campagnes

Un modèle de scoring change aussi la façon de mesurer le marketing : le nombre de leads compte moins, ce qui compte, c’est combien deviennent des MQL acceptés puis des opportunités. C’est la même logique que les indicateurs de gestion des leads B2B, avec un niveau de détail en plus.

En pratique :

• campagnes : vous pouvez comparer les sources (Google Ads, LinkedIn, salons, naturel) selon leur part de MQL et non selon le coût par lead. Une campagne qui apporte peu de contacts, mais presque tous à forte adéquation, vaut plus qu’une campagne qui remplit le CRM d’étudiants ;
• conversions hors ligne : si vous renvoyez à Google Ads ou à Meta l’événement « MQL » ou « SQL » au lieu du simple envoi de formulaire, les algorithmes apprennent à chercher des contacts semblables aux bons ;
• CRM : il faut des champs propres pour la fonction, le secteur et la taille. Un formulaire qui propose « Secteur : autre » comme première option rend inutile la moitié de l’adéquation ;
• rapports : chaque mois, nous regardons combien de MQL ont été générés, combien ont été acceptés, en combien de temps ils ont été traités et combien sont devenus des opportunités.

Scoring prédictif et IA dans les CRM : ce que font aujourd’hui HubSpot, ActiveCampaign et Salesforce

Le scoring prédictif utilise le machine learning pour estimer la probabilité de conversion à partir de l’historique des clients, au lieu de barèmes écrits à la main. Il fonctionne bien quand vous avez beaucoup de données propres ; avec peu de contrats par an, un modèle à règles reste plus fiable et plus facile à expliquer au commercial.

La situation en octobre 2026 dans les trois CRM que nous rencontrons le plus souvent :

CRM	Scoring à règles	Scoring prédictif	À savoir
HubSpot	Scores d’adéquation, d’engagement et combinés, avec seuils et dégressivité (Marketing ou Sales Hub Professional et Enterprise)	Propriétés « Likelihood to close » et « Contact priority » (offres Enterprise)	La probabilité estimée porte sur une signature dans les 90 jours, et les contacts sont regroupés en quatre niveaux de priorité
ActiveCampaign	Scores sur les contacts et sur les affaires, avec points positifs, négatifs et expiration	Win Probability sur les affaires	La probabilité est calculée sur les affaires gagnées de chaque pipeline, et les facteurs non pertinents peuvent être exclus
Salesforce	Règles personnalisées ou via Account Engagement	Einstein Lead Scoring	Il faut un historique minimum : au moins 1 000 leads créés au cours des 200 derniers jours et au moins 120 convertis ; sinon, il utilise un modèle global construit sur des données anonymes

Les sources : la documentation de HubSpot sur le predictive lead scoring, la page d’ActiveCampaign sur la Win Probability et celle de Salesforce sur les prérequis d’Einstein Lead Scoring, inclus dans Sales Cloud Einstein (éditions Performance et Unlimited, payant en Enterprise).

Notre conseil : commencez par un modèle à règles, faites-le tourner six mois, puis ajoutez le prédictif et comparez. Si le score prédictif et le score à règles désignent les mêmes contacts, tant mieux ; s’ils divergent, la comparaison vous dit quels signaux vous ignoriez. Le prédictif a une limite pratique : il explique mal pourquoi un contact a tel score, et un commercial a tendance à ne pas faire confiance à un chiffre qu’il ne comprend pas.

Les erreurs à éviter dans le lead scoring

Les erreurs que nous voyons le plus souvent ne sont pas techniques : elles concernent l’entretien du modèle et la relation avec les ventes.

• Trop de critères. Trente règles pondérées de 1 à 7, personne ne s’en souvient et personne ne sait les corriger. Dix à quinze critères suffisent presque toujours.
• Un score jamais revu. Le modèle configuré au lancement du CRM et jamais retouché décrit le marché de l’époque. Une révision tous les six mois, sur les contrats signés, est un minimum.
• Le commercial ne l’utilise pas. Si les ventes n’ont pas participé à la définition des critères, elles continueront à travailler à leur façon. Impliquez-les dès le départ, en leur montrant les listes classées et en leur demandant où le score se trompe.
• Un seul chiffre total. Additionner adéquation et comportement cache les pires cas, comme le contact hors cible très actif.
• Ni points négatifs ni dégressivité. Toute la base devient chaude et le score perd tout son sens.
• Des données d’adéquation vides. Si la fonction et le secteur manquent pour 60 % des contacts, le modèle ne travaille que sur le comportement. Rendez obligatoires les champs clés dans les formulaires à forte valeur et utilisez l’enrichissement quand c’est possible.

Check-list pour mettre en place le modèle en un mois

1. Réunissez marketing et ventes et définissez ensemble le client idéal : fonction, secteur, taille, zone.
2. Listez les actions qui précèdent aujourd’hui une demande d’offre (pages, contenus, événements).
3. Vérifiez que le CRM recueille ces données et que le suivi du site les enregistre sur le contact.
4. Rédigez la première version du modèle : 10 à 15 critères, points négatifs, dégressivité.
5. Appliquez-le à l’historique et vérifiez si les clients actuels seraient ressortis comme MQL.
6. Convenez du SLA : délais de contact, retours, motifs de refus.
7. Configurez les automatisations pour les alertes, le nurturing et les retours.
8. Au bout de trois mois, première révision des seuils sur les données réelles ; ensuite, tous les six mois.

Vous voulez mettre en place le lead scoring avec votre équipe commerciale ?

Le modèle fonctionne quand marketing et ventes le construisent ensemble. C’est pourquoi nous le mettons en place sous forme d’atelier : une ou deux séances pour définir le client idéal, les signaux d’achat, les seuils et le SLA, puis nous le configurons dans votre CRM et le relions aux scénarios de lead nurturing B2B. Cela fait partie de notre travail sur l’automatisation marketing et sur l’analyse des données.

Si vous voulez savoir si c’est pertinent dans votre cas, réservez un appel avec Federico ou écrivez-nous via le formulaire. Nous regardons les volumes, le CRM et le processus commercial, et nous vous disons franchement s’il vaut mieux commencer par le scoring ou par autre chose.

Questions fréquentes

Combien de leads faut-il pour faire du lead scoring ?

Pour un modèle à règles, il n’y a pas de minimum : il suffit d’avoir plus de contacts que ce que le commercial peut suivre avec attention. Pour le scoring prédictif, il faut des volumes plus élevés ; Salesforce, par exemple, demande au moins 1 000 leads en 200 jours et 120 conversions.

Quelle différence entre MQL et SQL ?

Le MQL est un contact qui, selon le score, est assez dans la cible et assez actif pour passer aux ventes. Il devient SQL quand le commercial lui a parlé et a vérifié qu’il y a un projet, un interlocuteur et un calendrier.

Tous les combien faut-il revoir le modèle de lead scoring ?

La première révision au bout de trois mois, puis au moins tous les six mois, en comparant les scores avec les opportunités gagnées et perdues. Il faut aussi le revoir quand le produit, les marchés ou le site changent.

Le lead scoring fonctionne-t-il avec peu de contacts par mois ?

Avec quelques dizaines de contacts par mois, le commercial peut les évaluer un par un. Dans ce cas, mieux vaut utiliser au moins l’adéquation et les points négatifs, pour filtrer ceux qui sont hors cible, et garder le reste pour quand les volumes augmenteront.

Le scoring prédictif remplace-t-il le scoring à règles ?

Non, en général il le complète, et seulement quand l’historique est large et propre. Avec peu de contrats signés par an, un modèle à règles est plus fiable et plus facile à expliquer aux ventes.