Lead scoring B2B : construire un score d'engagement qui prédit l'intention d'achat

Un lead scoring B2B prédit l'intention d'achat quand il combine des signaux comportementaux frais (pages visitées, fréquence de retour, actions produit) avec des critères firmographiques qualifiants (seniority, taille d'entreprise, secteur). Un score qui ne fait que compter l'activité, nombre d'emails ouverts, nombre de pages vues sans distinction, mesure la curiosité, pas l'intention. Et ces deux choses ne se ressemblent pas.

Le problème du scoring plat : mesurer l'activité, pas l'intention

90 % des modèles de scoring en production ont le même défaut : ils sont additifs sans discernement. Chaque action rapporte des points. Un lead qui a ouvert cinq newsletters et téléchargé un livre blanc finit à 80 points. Il passe MQL, il tombe dans le pipeline Sales, il est rappelé et il n'a aucune intention d'acheter dans les six prochains mois. Résultat : les commerciaux perdent du temps, ils se méfient du scoring, et le système finit par être ignoré.

La cause racine est connue et rarement adressée : on score ce qu'on mesure facilement (les clics, les ouvertures), pas ce qui prédit le closing. Un directeur commercial qui visite la page pricing trois jours de suite à 22h a plus d'intention d'achat qu'un stagiaire qui a téléchargé tous vos guides depuis six mois. Pourtant, dans un modèle additif classique, c'est souvent le stagiaire qui a le score le plus élevé.

Les signaux qui comptent vraiment

Distinguez deux familles de signaux, et pondérez-les différemment.

Signaux comportementaux à haute valeur

Ce sont les indicateurs d'intention réelle, pas de curiosité passive.

La visite de pages à fort intent : page pricing, page démo, page comparaison concurrents. Ces pages ne s'ouvrent pas par hasard. Leur consultation doit rapporter au moins deux à trois fois plus de points que la lecture d'un article de blog.

La fréquence et la densité de retour : un prospect qui revient trois fois en 48 heures sur les mêmes pages est en phase d'évaluation. C'est un signal de timing, le plus précieux qui soit. Un retour isolé six semaines plus tard ne vaut pas la même chose.

Les actions produit : si vous avez un essai gratuit ou une démo, les actions à l'intérieur du produit (activation d'une fonctionnalité clé, invitation d'un collègue, paramétrage d'une intégration) sont les meilleurs prédicteurs de conversion que vous puissiez trouver. Ils surpassent tous les signaux marketing confondus.

Signaux firmographiques qualifiants

Ce ne sont pas des signaux d'intention, ce sont des critères de fit. Ils servent à déterminer si un lead mérite d'entrer dans le scoring, pas à prédire le closing en lui-même.

La seniority du contact : un VP, un DG ou un DAF qui fait les mêmes actions qu'un manager intermédiaire doit scorer différemment. Les décisionnaires ont moins de temps mais plus de pouvoir d'achat : leur engagement vaut davantage.

La firmographie de l'entreprise : taille (nombre d'employés, CA estimé), secteur, maturité digitale. Un lead chez un compte qui correspond exactement à votre ICP doit partir avec un socle de points positifs dès l'entrée dans le modèle.

Ce qu'il faut déprioritiser

Quelques signaux trompeurs à surveiller : l'ouverture d'email (mesurée via pixel, faussée depuis iOS 15), le nombre total de pages vues sans contexte, et les téléchargements de contenus haut de funnel (guides génériques, infographies). Ces actions montrent de l'intérêt pour le sujet, pas pour vous.

Construire votre modèle en 3 étapes

Étape 1 : définir les profils MQL et SQL avec vos commerciaux

Avant de pondérer quoi que ce soit, asseyez-vous avec un ou deux commerciaux et remontez dix deals closés des six derniers mois. Pour chaque deal, pose deux questions : quel était le premier signal qui aurait dû alerter que ce prospect était chaud ? Et quel était le point de bascule qui a déclenché l'urgence d'achat ?

Vous obtiendrez en une heure une liste brute des vrais signaux prédictifs dans votre contexte spécifique. C'est ce travail-là que la plupart des équipes sautent, en copiant un modèle générique trouvé en ligne, et c'est pour ça que leur scoring ne fonctionne pas.

Définissez ensuite deux seuils numériques clairs : le score MQL (nurturing Marketing déclenché) et le score SQL (passage de main Sales déclenché). Ces seuils doivent être validés en rétrospective sur vos dix deals closés : est-ce que les leads auraient franchi les seuils avant d'acheter ? Ajustez si ce n'est pas le cas.

Étape 2 : pondérer les signaux par valeur prédictive

Voici une grille de départ à adapter à votre contexte. Les points sont indicatifs, l'important est la hiérarchie relative entre les catégories.

Intent fort (30 à 50 points par action)

Visite page pricing (40)
Visite page démo ou contact (35)
Activation d'une fonctionnalité clé en essai (50)
Retour sur le site 3 fois en 48h (30)

Intent moyen (10 à 20 points par action)

Ouverture d'un email de nurturing + clic (15)
Téléchargement d'un contenu bas de funnel (étude de cas, comparatif) (20)
Inscription à un webinar produit (10)

Fit firmographique (points de départ fixes, pas liés à l'action)

ICP exact (secteur + taille + zone géo) : +30 au profil
Seniority décisionnaire (C-level, VP, directeur) : +20 au profil
Hors ICP : score plafonné, pas d'escalade Sales possible

Décotes (signaux négatifs)

Inactivité depuis 30 jours : -20
Désabonnement email : sortie du scoring
Rôle non décisionnaire dans une structure hors ICP : -15

Étape 3 : automatiser le passage de main Sales

Le scoring n'a de valeur que si l'action qui suit est déclenchée au bon moment, sans délai. Un lead SQL qui attend 48 heures que quelqu'un le remarque dans le CRM perd entre 30 et 50 % de sa probabilité de conversion (c'est une constante documentée dans la recherche sur le contact-to-close en B2B).

Le passage de main doit être automatisé : quand le seuil SQL est franchi, une alerte part au commercial responsable du compte en moins de quinze minutes, avec le contexte complet, les pages visitées, la séquence d'actions, la firmographie. Le commercial n'a pas à enquêter : il a tout sous les yeux pour ouvrir la conversation dans le bon angle.

Le lien avec l'automation : enrichir et scorer en continu

Un modèle de scoring statique se dégrade rapidement. Les prospects évoluent, les signaux changent, les ICP se précisent. Pour que le scoring reste prédictif dans le temps, il faut que les données qui l'alimentent soient enrichies et mises à jour en continu.

C'est là que les agents IA changent la donne : ils récupèrent les signaux comportementaux depuis votre site et votre produit, ils enrichissent les profils avec des données firmographiques à jour, ils pondèrent automatiquement en fonction des règles définies, et ils déclenchent le passage de main sans intervention manuelle. L'équipe RevOps pilote les règles, les agents exécutent en continu.

L'équipe RevOps de la plateforme réunit les agents qui font exactement ce travail : enrichissement, scoring, qualification et routage. Consultez les agents disponibles pour voir lesquels correspondent à votre stack CRM, ou commencez par le pricing si vous voulez évaluer ce que ça coûte de déployer ce système sur votre base de leads existante.

La croissance ne se hacke pas. Elle se construit. Et un scoring qui prédit vraiment l'intention d'achat, c'est l'un des leviers les plus sous-exploités du pipeline B2B. Pas besoin d'un modèle en machine learning pour commencer : trois étapes, dix signaux bien choisis, deux seuils clairs, et un passage de main automatisé. C'est suffisant pour que vos commerciaux arrêtent de rappeler des curieux et commencent à parler à des acheteurs.

Questions fréquentes

Qu'est-ce qu'un bon lead scoring B2B ?

Un bon lead scoring B2B combine des signaux comportementaux (pages visitées, fréquence de retour, actions produit) et des critères firmographiques (taille d'entreprise, secteur, seniority du contact). Il prédit la probabilité de closing, pas l'activité brute. Un score qui classe correctement 70 % des deals comme MQL ou SQL avant le premier appel commercial est un score utile.

Quelle est la différence entre un MQL et un SQL en scoring ?

Un MQL (Marketing Qualified Lead) a montré un intérêt suffisant pour justifier un nurturing marketing : il a consulté vos pages clés, téléchargé un contenu, ouvert plusieurs emails. Un SQL (Sales Qualified Lead) a émis des signaux d'intention d'achat clairs : visite de la page pricing, retour répété sur une page produit en moins de 48 heures, ou engagement d'une seniority décisionnaire (DG, DAF, VP). La frontière entre les deux doit être définie avant de construire votre modèle.

Combien de signaux faut-il inclure dans un modèle de lead scoring ?

Entre 8 et 15 signaux bien choisis suffisent. Au-delà de 20, le modèle devient difficile à maintenir et les commerciaux ne comprennent plus pourquoi un lead est scoré comme il l'est. Priorisez la qualité et la fraîcheur des signaux sur la quantité : un signal comportemental daté de 48 heures vaut dix fois plus qu'un champ firmographique rempli il y a six mois.

Peut-on automatiser le lead scoring sans développeur ?

Oui. La plupart des CRM (HubSpot, Salesforce, Pipedrive) proposent un scoring natif basé sur des règles. Pour un modèle plus fin, des agents IA peuvent enrichir et scorer les leads en continu, puis déclencher automatiquement le passage de main vers Sales quand le seuil est franchi. Aucune ligne de code n'est nécessaire si les signaux sont bien définis en amont.