Glossaire

Lead scoring (notation des leads)

Le lead scoring (notation des leads) est une méthode attribuant un score numérique à chaque lead — en fonction d'attributs explicites (taille d'entreprise, secteur, fonction) et de signaux comportementaux (visites de pages, ouvertures emails, demandes de démo) — pour prioriser le travail des équipes sales.

Aussi appelé

  • lead scoring
  • qualification leads
  • notation des leads

Pratique formalisée par HubSpot et Marketo dans les années 2010, le lead scoring combine deux dimensions : **fit** (le lead correspond-il à l'ICP ? points sur le secteur, la taille, la fonction) et **intent** (le lead manifeste-t-il un signal d'achat ? points sur la visite de la page pricing, le téléchargement d'un cas client, la demande de démo). Un lead scoré au-delà d'un seuil (souvent 75 ou 100) devient un MQL (Marketing Qualified Lead) puis un SQL après qualification sales.

Les approches modernes 2026 abandonnent les scores fixes ("page pricing = +10 pts") au profit de **scoring prédictif par ML** : un modèle entraîné sur les conversions historiques attribue dynamiquement les points selon ce qui prédit réellement l'achat dans ton business. Études Forrester : un lead scoring bien implémenté augmente le taux de conversion lead → opportunité de **30 %** et raccourcit le cycle de vente de 15 à 20 %. Pièges fréquents : score qui dérive sans recalibrage (les comportements changent), trop de signaux non discriminants (tout vaut +1 point), absence de SLA sales pour traiter les leads chauds dans les 5 minutes.

Dans le produit chatsocial.fr

chatsocial.fr expose les outils Brandyze d'outreach incluant `score_lead` et `detect_intent_signals` pour scorer des prospects identifiés via `materialize_icp_leads` et `search_leads_pappers`.

Questions fréquentes

  • Lead scoring explicite vs prédictif : lequel choisir ?

    Scoring explicite (règles fixes type "visite pricing = +10") = simple à implémenter, utile pour démarrer mais devient vite obsolète. Scoring prédictif (modèle ML entraîné sur tes conversions) = plus précis mais demande > 500 conversions historiques pour être fiable. La règle moderne : commencer explicite, basculer prédictif après 6-12 mois de données.

  • Quel seuil de score pour passer du MQL au SQL ?

    Pas de seuil universel — à calibrer sur ton historique. Méthode : prends les 100 derniers deals fermés et regarde leur score au moment de la conversion ; le percentile 25 % devient ton seuil MQL, le percentile 75 % ton seuil SQL. Recalibrer trimestriellement.