Le lead scoring par IA classe les leads B2B selon leur probabilité de devenir clients, en utilisant des modèles issus d’affaires passées plutôt que des points attribués manuellement. Un modèle analyse les données firmographiques, les comportements tels que les visites de pages et les clics sur les e-mails, ainsi que l’historique CRM, puis attribue à chaque lead un score ou une probabilité. Cela fonctionne lorsque les données CRM sont propres et que l’équipe commerciale fait réellement confiance au chiffre ; sans ces deux conditions, cela devient un champ ignoré de plus.
En quoi le lead scoring par IA diffère-t-il du scoring basé sur des règles ?
Le scoring traditionnel attribue des points pour des actions et des traits : dix pour une visite de la page tarifaire, vingt pour un titre de directeur, moins cinq pour une adresse e-mail gratuite. Les règles sont faciles à lire, mais elles reflètent des opinions, et personne ne les met à jour lorsque le marché change.
Le scoring par IA apprend les pondérations à partir des résultats. Il compare les leads qui se sont transformés en opportunités ou en affaires conclues avec ceux qui ne l’ont pas fait, et trouve les combinaisons qui les séparent. Le résultat est souvent moins intuitif. Un modèle pourrait décider qu’une deuxième visite sur une page d’intégration en une semaine est plus importante que l’intitulé du poste, car c’est ce que montrent les données.
De quelles données un modèle de scoring B2B a-t-il besoin ?
Le modèle ne peut apprendre que de ce que le CRM enregistre. Avant de choisir un outil, vérifiez que ceux-ci existent et sont raisonnablement complets :
- Une étape claire du cycle de vie pour chaque contact, avec les dates auxquelles les étapes ont changé.
- Résultats des opportunités gagnées et perdues, liés aux contacts d’origine.
- Données d’entreprise telles que l’industrie, la taille et le pays, saisies ou enrichies.
- Engagement sur le site web et par e-mail suivi pour les contacts connus.
- Un minimum de quelques centaines de leads convertis, afin que le modèle ait suffisamment d’exemples positifs.
De nombreuses entreprises B2B échouent sur le deuxième point. Les affaires sont créées sans associer les contacts qui les ont initiées, de sorte que le modèle ne peut pas apprendre quel comportement précoce a conduit au chiffre d’affaires.
Quels outils proposent le lead scoring par IA ?
La plupart des principaux CRM incluent désormais une option prédictive. HubSpot propose le lead scoring prédictif dans ses niveaux supérieurs Sales et Marketing Hub ainsi que des fonctionnalités de scoring assisté par IA. Salesforce fournit Einstein Lead Scoring et Einstein Opportunity Scoring pour Sales Cloud. Microsoft Dynamics 365 Sales intègre le lead scoring prédictif. Zoho CRM propose le scoring via son assistant Zia. Les noms des fonctionnalités et les exigences de niveau changent souvent, vérifiez donc la disponibilité actuelle dans la documentation de chaque fournisseur.
Les équipes disposant d’un entrepôt de données peuvent également créer leur propre modèle dans des outils tels que BigQuery ML ou un notebook Python et renvoyer les scores vers le CRM. Cette voie offre plus de contrôle, mais nécessite quelqu’un pour la maintenir.
Intégré ou personnalisé ?
Le scoring intégré est le choix par défaut sensé pour la plupart des équipes de taille moyenne. Il est déjà connecté aux données, se met à jour automatiquement et ne nécessite aucune ingénierie. Les modèles personnalisés ont du sens lorsque les données vivent dans plusieurs systèmes, comme l’utilisation du produit dans une plateforme SaaS plus les données CRM, et que le modèle intégré ne peut pas les voir.
L’adéquation et l’intention sont deux scores différents
De nombreuses équipes obtiennent de meilleurs résultats en divisant le score en deux. Un score d’adéquation indique à quel point l’entreprise correspond au profil de client idéal : industrie, taille, région, pile technologique. Un score d’intention indique à quel point la personne est active en ce moment : visites, téléchargements, réponses. Une entreprise parfaitement adaptée sans activité nécessite une action différente de celle d’un lead actif provenant d’une entreprise peu adaptée, et un seul chiffre combiné masque cette différence. La plupart des CRM vous permettent de stocker les deux et d’acheminer en fonction de la combinaison.
Comment savoir si le score est bon ?
Vérifiez-le par rapport à l’historique avant que quiconque ne s’y fie. Prenez des leads d’un trimestre passé, regardez leurs scores au moment de leur arrivée, et voyez combien dans la tranche supérieure sont devenus des opportunités par rapport à la tranche inférieure. Si la tranche supérieure ne convertit pas nettement mieux, le modèle n’est pas prêt.
Après le lancement, surveillez la dérive. Une nouvelle campagne ciblant une industrie différente peut apporter des leads que le modèle n’a jamais vus, et les scores pour eux peuvent ne pas être fiables. Examiner le taux de conversion par tranche de score chaque mois permet de détecter cela tôt.
- Comparez la conversion par tranche de score, pas la précision globale.
- Vérifiez les principaux facteurs contribuant au score pour détecter toute anomalie, comme un seul champ de formulaire qui domine.
- Recherchez les faux négatifs : les bonnes affaires qui provenaient de leads à faible score.
- Vérifiez à nouveau après tout changement important dans les formulaires, les campagnes ou les marchés cibles.
Comment les ventes et le marketing doivent-ils utiliser le score ensemble ?
Un score n’a d’importance que s’il modifie le comportement. Mettez-vous d’accord sur ce que chaque tranche déclenche. La tranche supérieure pourrait aller directement à un représentant commercial avec un objectif de suivi d’un jour ouvrable. La tranche moyenne pourrait entrer dans une séquence de nurturing avec une vérification après trois semaines. La tranche la plus basse reste dans l’automatisation marketing.
Inscrivez ces règles dans l’accord de niveau de service entre les équipes et dans les flux de travail CRM, afin que l’acheminement se fasse automatiquement. Ensuite, réunissez-vous mensuellement pour examiner une poignée de leads de chaque tranche. Ces courtes revues renforcent la confiance plus rapidement que n’importe quel graphique de précision.
Qu’est-ce qui échoue le plus souvent ?
Les échecs courants sont plus organisationnels que techniques. Les représentants commerciaux ignorent le score parce que personne n’a expliqué ce qui le motive. Le marketing célèbre une augmentation des leads à haut score provenant d’une seule audience de webinaire sans budget. Le modèle est entraîné sur une année où l’entreprise vendait principalement à une industrie, puis le marché cible change. Chacun de ces problèmes est réparable avec une revue régulière, une brève explication des principaux facteurs sur la fiche de contact et l’habitude de réentraîner après de grands changements.
Comment Alien Road applique le lead scoring par IA
Dans une mission typique, nous commençons par un audit des données CRM. Nous vérifions les étapes du cycle de vie, les associations d’affaires, les contacts en double et la part des enregistrements avec des données d’entreprise. L’audit produit généralement une liste de nettoyage avant que tout travail de scoring ne commence, car un modèle entraîné sur des enregistrements désordonnés apprend le désordre.
Ensuite, nous activons le scoring prédictif intégré dans le CRM du client là où le plan le permet, ou nous construisons un modèle simple dans l’entrepôt de données lorsque les données sont réparties entre les systèmes. Nous le testons rétrospectivement sur les trimestres passés avec le responsable des ventes dans la salle, nous convenons des tranches de score et nous connectons les flux de travail d’acheminement. Le reporting suit la conversion par tranche, la vitesse de suivi pour les leads de la tranche supérieure et la valeur du pipeline de chaque tranche, de sorte que le score est jugé par le chiffre d’affaires plutôt que par sa sophistication apparente.
Par où commencer cette semaine
Exportez vos affaires conclues des douze derniers mois et vérifiez combien ont le contact du lead d’origine attaché. Si la part est faible, corrigez les règles d’association dans votre CRM avant d’acheter quoi que ce soit. Des données de résultats propres sont la seule chose qu’aucun outil de scoring ne peut vous fournir, et c’est l’étape que la plupart des équipes sautent.
Continuer la lecture : Système CRM · Système Crm