L’AI lead scoring utilise l’apprentissage automatique pour prédire quels leads sont les plus susceptibles de devenir des clients, en se basant sur des modèles de données CRM passées tels que la taille de l’entreprise, le comportement sur le site web et l’engagement par e-mail. Il remplace ou soutient les règles manuelles basées sur des points. Il fonctionne bien avec suffisamment d’affaires historiques et de données propres, et mal lorsque l’un ou l’autre manque.
La promesse est simple : les ventes appellent d’abord les bonnes personnes. Le défi pratique est d’amener une équipe de vente à faire confiance à un chiffre dont ils ne peuvent pas voir pleinement la logique.
En quoi l’AI lead scoring diffère-t-il du scoring basé sur des règles ?
Le scoring traditionnel attribue des points à la main : dix points pour la visite de la page tarifaire, vingt pour un titre de directeur, moins cinq pour une adresse e-mail gratuite. C’est transparent, mais basé sur des suppositions et rarement mis à jour.
Le scoring par IA examine les leads passés qui ont converti ou non, trouve quels attributs et comportements ont prédit le résultat et attribue des probabilités aux nouveaux leads. Il peut détecter des combinaisons auxquelles une personne ne penserait pas et peut être réentraîné à mesure que les modèles changent.
- Basé sur des règles : transparent, facile à changer, mais basé sur des suppositions et souvent obsolète.
- Basé sur l’IA : axé sur les données et adaptatif, mais nécessite du volume et est plus difficile à expliquer.
- Hybride : règles pour des critères clairs de disqualification et d’adéquation, IA pour le classement au sein des leads qualifiés.
Quels outils proposent l’AI lead scoring ?
La plupart des grands CRM incluent un scoring prédictif dans les niveaux de plan supérieurs, et des outils spécialisés ajoutent plus de profondeur.
- HubSpot : scoring prédictif des leads et fonctionnalités de scoring assisté par IA dans ses niveaux Marketing et Sales Hub.
- Salesforce : Einstein Lead Scoring et fonctionnalités Einstein dans Sales Cloud et Account Engagement.
- Microsoft Dynamics 365 : scoring prédictif des leads dans Sales.
- Zoho CRM : prédictions Zia.
- Plateformes spécialisées telles que 6sense, Demandbase et MadKudu, combinant souvent les données d’intention avec l’historique CRM.
Les exigences des plans et les noms des fonctionnalités changent, vérifiez donc ce que votre abonnement actuel inclut.
Quelles données nécessite-t-il ?
Le modèle apprend des résultats, il a donc besoin d’un nombre significatif de leads convertis et non convertis avec des données cohérentes. Les fournisseurs fixent des minimums différents ; en règle générale, un modèle entraîné sur quelques douzaines d’affaires fermées apprendra principalement du bruit.
Vérifications de la qualité des données avant l’activation
- Les étapes du cycle de vie et les résultats des affaires sont enregistrés de manière cohérente.
- Les contacts et entreprises en double sont fusionnés.
- Les champs clés tels que l’industrie, la taille de l’entreprise et le pays sont remplis pour la plupart des enregistrements.
- Le suivi du site web et les soumissions de formulaires sont connectés aux enregistrements de contact.
- Les affaires perdues ont un motif enregistré, de sorte que le modèle n’apprend pas à partir de données mal étiquetées.
Où l’AI lead scoring échoue-t-il ?
Le biais historique est le risque principal. Si l’équipe de vente a historiquement ignoré un segment, peu de leads de ce segment ont converti, et le modèle apprend à leur donner un score bas. La prédiction confirme alors la vieille habitude. Examiner les scores par segment aide à détecter cela.
D’autres problèmes sont plus banals. Les signaux comportementaux peuvent être gonflés par des bots ou des employés testant des formulaires. Les changements majeurs dans l’offre ou le marché rendent les anciens modèles moins utiles. Et lorsque les ventes ne peuvent pas voir pourquoi un lead a obtenu un score élevé, ils ignorent le score et le système meurt silencieusement.
Comment maintenir la confiance des ventes dans le score ?
- Montrez les facteurs principaux derrière chaque score ; la plupart des CRM fournissent une brève explication.
- Convenez de ce que chaque bande de score signifie en pratique : appeler dans la journée, nourrir, disqualifier.
- Examinez mensuellement un échantillon de leads à score élevé et faible avec les ventes.
- Suivez le taux de conversion par bande de score pour que tout le monde voie si les scores élevés convertissent vraiment mieux.
- Gardez un champ de feedback simple pour que les représentants signalent les mauvais scores.
Comment Alien Road applique l’AI lead scoring dans les projets CRM
Dans un engagement typique, un audit de découverte évalue le CRM : combien d’affaires fermées existent, à quel point les champs clés sont complets et comment les données du site web et des publicités sont connectées aux contacts. Si les données ne sont pas prêtes, la première phase est le nettoyage et le suivi plutôt que le scoring.
La configuration combine des règles d’adéquation claires, comme les pays cibles et les tailles d’entreprise, avec le score prédictif du CRM pour le classement. Les bandes de score sont définies avec l’équipe de vente, et les flux de travail dirigent rapidement les leads à score élevé vers le bon représentant. Les plateformes publicitaires reçoivent des données de conversion hors ligne pour les leads qualifiés, de sorte que Google Ads et Meta optimisent vers la qualité plutôt que vers le volume de formulaires. La mesure compare le taux de conversion et le temps jusqu’au premier contact par bande de score, et les rapports examinent les résultats au niveau du segment pour détecter les biais.
Connecter les scores à la publicité
Les scores de leads deviennent plus précieux lorsque les plateformes publicitaires peuvent les voir. L’importation des conversions hors ligne de Google Ads et l’API Conversions de Meta acceptent toutes deux des événements du CRM, tels que lead qualifié par le marketing ou opportunité créée. L’envoi de ces événements permet aux systèmes d’enchères d’apprendre quels clics produisent des leads précieux plutôt que n’importe quelle soumission de formulaire.
Commencez par un événement qui a une définition claire et un volume suffisant chaque semaine, afin que les plateformes aient quelque chose à apprendre. Ajouter plusieurs événements rares à la fois donne généralement aux algorithmes d’enchères trop peu de données pour agir, et les campagnes deviennent moins stables plutôt que plus efficaces.
Réviser le modèle au fil du temps
Les marchés changent et les offres évoluent, donc un modèle de scoring qui fonctionnait l’année dernière peut dériver. Examinez le taux de conversion par bande de score chaque trimestre. Si les leads à score élevé cessent de convertir mieux que les moyens, réentraînez le modèle ou revoyez les règles d’adéquation avant que les ventes ne s’en aperçoivent et cessent d’utiliser le score.
Examinez également après des changements majeurs, comme une nouvelle gamme de produits, un nouveau pays ou un changement de prix. Ces moments créent des leads différents de tout ce qui se trouve dans l’historique d’entraînement, et le modèle n’a aucun moyen de savoir comment ils se comporteront jusqu’à ce que suffisamment de résultats soient enregistrés.
Documentez chaque date de réentraînement et la raison, afin que les changements ultérieurs dans les scores puissent être expliqués.
Par où commencer cette semaine
Exportez les leads des douze derniers mois avec leur résultat et leurs champs principaux. Comptez combien ont converti et à quel point chaque champ est complet.
Si les conversions se comptent par centaines et que les champs clés sont majoritairement remplis, activez le scoring prédictif de votre CRM en mode test et comparez-le avec vos règles actuelles pendant un mois. Sinon, réparez d’abord le suivi et la saisie des données ; ce travail améliore chaque étape ultérieure.
Continuer la lecture : Système CRM · Système Crm