Risques, limites et règles de gouvernance pour le AI Lead Scoring

Le scoring traditionnel ajoute des points manuellement : dix pour une visite de la page tarifaire, vingt pour un intitulé de poste, moins cinq pour un domaine d’e-mail gratuit. Le scoring par IA remplace ces pondérations manuelles par un modèle entraîné sur les prospects passés et leurs résultats. HubSpot, Salesforce Einstein, Microsoft Dynamics 365 et Zoho CRM offrent tous un scoring prédictif intégré, et de nombreuses équipes construisent le leur avec un entrepôt de données et un modèle de classification simple.

Le résultat est généralement un nombre ou une bande, comme de A à D, avec une courte liste de facteurs contributifs. Les ventes l’utilisent pour décider qui appeler en premier. Le marketing l’utilise pour décider quand un prospect devient “prêt pour la vente”.

Un score semble objectif, donc les gens lui font plus confiance qu’ils ne le devraient. Une fois que les représentants commencent à ignorer les prospects à faible score, les erreurs du modèle deviennent invisibles : personne n’appelle les prospects qu’il sous-évalue, donc personne n’apprend qu’ils auraient acheté. Ce manque de retour d’information est la raison la plus importante pour établir des règles en premier.

Il y a aussi un angle juridique. En vertu du RGPD et de règles similaires comme la KVKK en Turquie, le profilage automatisé des individus nécessite une base légale et de la transparence, et les décisions ayant des effets significatifs sur une personne entraînent des obligations supplémentaires. Le scoring B2B des contacts d’entreprise est généralement moins risqué, mais il s’agit toujours d’un traitement de données personnelles.

Historique biaisé

Le modèle apprend de ceux qui ont acheté dans le passé. Si votre équipe de vente a historiquement ignoré certaines régions, tailles d’entreprise ou secteurs, le modèle apprendra que ces segments ne convertissent pas et les maintiendra dans la bande basse.

Dérive des données

Le comportement des acheteurs change. Une nouvelle gamme de produits, un changement de prix ou un canal publicitaire différent apporte des prospects qui ne ressemblent pas à l’ensemble d’entraînement. La précision peut chuter pendant des mois sans que personne ne s’en aperçoive, car le score semble toujours confiant.

Fuites et faux signaux

Certains champs ne sont remplis qu’après l’avancement d’une affaire, comme les dates de “contrat envoyé”. S’ils se glissent dans l’entraînement, le modèle semble brillant lors des tests et échoue en production. Une sélection minutieuse des caractéristiques l’empêche.

Sur-automatisation

Utiliser le score pour rejeter automatiquement des prospects, ou pour arrêter de les nourrir, transforme un outil de classement en un gardien. C’est une décision politique, et elle doit être prise délibérément.

Gardez le livre de règles assez court pour que les gens le lisent. Ces sept points couvrent la plupart de ce qui peut mal tourner.

• Objectif : une phrase sur ce que le score décide (ordre d’appel) et ce qu’il ne décide pas (si un prospect est contacté du tout).
• Inventaire des données : la liste des champs que le modèle peut utiliser, à l’exclusion des champs sensibles ou proxy.
• Propriétaire : une personne nommée dans les opérations de revenus qui approuve les changements et répond aux questions.
• Droit de dérogation : les représentants peuvent déplacer un prospect vers le haut ou vers le bas avec une raison, et ces dérogations sont enregistrées.
• Groupe témoin : une petite partie aléatoire des prospects est travaillée indépendamment du score, afin que vous continuiez à mesurer ce que le modèle manque.
• Cadence de révision : vérification mensuelle de la précision et décision trimestrielle de réentraînement.
• Transparence : avis de confidentialité mis à jour pour mentionner le profilage, et une voie pour les demandes des personnes concernées.

Mesurez-le comme n’importe quelle prévision. Comparez les bandes prédites avec les résultats réels sur une période fermée, comme les prospects créés il y a quatre-vingt-dix jours.

• Taux de conversion par bande de score : A devrait clairement battre B, B devrait battre C.
• Part des affaires conclues-gagnées provenant des bandes inférieures.
• Conversion du groupe témoin par rapport aux prospects scorés.
• Fréquence des dérogations et si les prospects dérogés ont converti.

Si la conversion cesse de se séparer clairement par bande, ou si les bandes inférieures commencent à produire une part significative des gains, le modèle a besoin d’un réentraînement ou d’une révision des caractéristiques.

Aucun modèle de scoring ne voit une intention pour laquelle il n’a pas de données. Un prospect qui lit trois avis de concurrents hors ligne avant de visiter votre site vous semble froid. Les petites entreprises avec peu d’affaires conclues manquent également de l’historique pour un entraînement fiable ; avec seulement quelques dizaines de gains par an, un scoring basé sur des règles bien conçu est souvent plus honnête qu’un scoring prédictif.

Les modèles des fournisseurs ajoutent une autre limite. Le scoring CRM intégré peut ne pas montrer ses pondérations de caractéristiques complètes, vous vous fiez donc à des explications résumées. C’est acceptable si vous maintenez les vérifications de résultats ci-dessus.