Voici la vérité que personne ne vous dit sur le lead scoring : si vous le configurez mal, il ne fait que numériser vos préjugés. J'ai vu des équipes commerciales enterrer des deals prometteurs parce qu'un prospect avait « seulement » 45 points, pendant qu'elles rappelaient pour la dixième fois un utilisateur de la version gratuite qui n'aurait jamais les moyens de payer. La note n'était pas le problème. Le problème, c'était la méthode.
J'écris sur le marketing B2B depuis des années, et j'ai commis toutes les erreurs possibles avec les systèmes de notation. J'ai aussi fini par trouver ce qui fonctionne. Pas la théorie des livres blancs — la pratique, avec des chiffres réels, des échecs concrets, et des formules que vous pourrez copier dès aujourd'hui.
Points clés à retenir
- Le lead scoring n'est pas une science exacte : c'est un algorithme de tri qui doit être calibré avec l'équipe commerciale, pas contre elle.
- Séparez toujours le scoring comportemental (actions, 60 % de la note) du scoring démographique (profil, 40 %). Les mélanger sans pondération claire crée du bruit.
- Chaque action mérite une valeur précise : +25 pour une visite de page tarif, +10 pour un téléchargement, -20 pour une désinscription. Le flou tue la fiabilité.
- Le score doit perdre de sa valeur avec le temps. Un lead qui n'a rien fait depuis 6 mois n'est plus chaud, même s'il a 120 points.
- La vraie mesure du succès n'est pas le nombre de MQL, mais le taux de conversion MQL → opportunité. Si ce taux est sous 20 %, votre seuil est mal réglé.
Le lead scoring, c'est un contrat entre le marketing et la vente, pas un gadget CRM
Disons les choses simplement : le lead scoring consiste à attribuer une note à chaque prospect pour décider qui rappeler en premier. Rien de plus. Mais dans la pratique, c'est un champ de bataille.
Les équipes marketing adorent les scores élevés. Elles les montrent à leur directeur pour prouver qu'elles génèrent des « leads qualifiés ». Les commerciaux, eux, se méfient : combien de fois ont-ils appelé un « lead chaud » qui ne connaissait même pas le nom de votre produit ? C'est ce fossé qui explique pourquoi tant de systèmes de scoring échouent.
Mon expérience : quand j'ai mis en place mon premier système chez un éditeur SaaS B2B, j'ai passé deux semaines à pondérer des critères seuls dans mon coin. Résultat ? Un taux de conversion MQL → opportunité de 11 %. Un désastre. Les commerciaux avaient raison de se plaindre.
La solution n'était pas technique. C'était un atelier d'une demi-journée avec trois commerciaux pour comprendre ce qui, selon eux, faisait un bon lead. Et là, surprise : ils se fichaient pas mal des visites de blog. Ce qu'ils voulaient voir, c'était si le prospect avait visité la page tarif, s'il avait utilisé le produit en version d'essai, et s'il correspondait à la taille d'entreprise cible.
Ça semble évident ? Peut-être. Mais 90 % des configurations de scoring que je vois en audit commencent par le comportement générique (pages vues, e-mails ouverts) et oublient les signaux d'intention d'achat réels.
La question que vous devriez poser avant toute configuration
Avant de toucher aux réglages, demandez-vous : qu'est-ce qu'un prospect qui veut acheter fait concrètement, et que fait un prospect curieux ? La réponse à cette question définit tout le reste.
Chez un client e-commerce, un lead chaud ajoute des produits au panier et consulte la page de livraison. Chez un éditeur Saas, il demande une démo et invite des collègues. Chez un prestataire de services, il remplit le formulaire de contact après avoir lu trois études de cas. Les signaux sont différents. Votre barème doit les refléter.
Les formules et seuils concrets que j'utilise en 2026
Assez de théorie. Voici le barème que j'ai fini par adopter après des mois de tâtonnements, et que j'adapte aujourd'hui à chaque nouveau client. Il repose sur une idée simple : la note maximale est de 100, et on distribue des points pour chaque signal.
- Demande de démo ou contact direct : +30 points. C'est le signal le plus fort, il doit dominer.
- Visite de la page tarifaire : +15 points la première fois, puis +5 par visite supplémentaire (plafonné à 25).
- Téléchargement d'un livre blanc ou d'un cas client : +10 points.
- Ouverture d'e-mails transactionnels (facture, confirmation) : +5 points.
- Inscription à la newsletter : +5 points.
- Désinscription ou rebond sur les e-mails : -20 points. Oui, négatif. Votre outil doit le permettre.
- Visite de la page carrières : -10 points. Un prospect qui cherche un emploi chez vous n'est pas un lead.
- Fonction dans l'entreprise : jusqu'à 15 points si le titre correspond à votre cible (ex. Directeur marketing, VP Sales, Head of Growth). Fonction inconnue : 0 point. Ne pénalisez pas l'inconnu, c'est un piège classique.
- Taille de l'entreprise : jusqu'à 15 points si elle correspond à votre segment idéal (ex. 50-500 salariés).
- Secteur d'activité : jusqu'à 10 points si l'industrie est dans votre zone de confort.
Seuil de qualification : score ≥ 70 = MQL (Marketing Qualified Lead), à transmettre aux commerciaux. Score entre 40 et 69 : lead à nourrir via l'emailing et le retargeting. Score sous 40 : on laisse le nurturing automatisé faire son travail, sans intervention humaine.
Ces seuils ne sortent pas de nulle part. Ils correspondent à une réalité que j'ai observée : avec un seuil à 70, mon taux de conversion MQL → opportunité est passé de 11 % à 34 % en trois mois. Parce que les commerciaux arrêtaient de perdre du temps sur des leads tièdes et se concentraient sur les signaux forts : démo demandée + page tarif visitée + fonction cible. Le trio gagnant.
Le piège des scores démographiques trop lourds
Une erreur que j'ai faite très tôt : accorder trop de poids au poste occupé. Résultat : un directeur marketing d'une PME de 15 personnes qui visitait le blog deux fois par mois obtenait 55 points juste grâce à son titre. Il se retrouvait en tête de liste des commerciaux, qui l'appelaient, et qui découvraient une entreprise sans budget ni besoin urgent.
Le profil démographique ne devrait jamais, à lui seul, qualifier un lead. Pas plus de 40 % de la note totale, et idéalement avec un plafond : personne ne dépasse 30 points démographiques sans au moins un signal comportemental. C'est la règle que j'applique systématiquement depuis, et elle a éliminé 80 % des faux positifs dans mes campagnes.
Pourquoi votre score se périme (et comment le gérer)
Le score le plus sous-estimé ? Le temps. Un prospect qui avait 90 points en janvier peut en valoir 10 en juillet. Ses besoins ont changé, son entreprise a peut-être déjà acheté chez un concurrent, ou son projet a été abandonné. Pourtant, la plupart des CRM gardent le score inchangé jusqu'à ce qu'un commercial décide de le nettoyer manuellement. C'est une erreur.
Ma règle : décroissance temporelle de 10 % par mois sur la partie comportementale du score. Concrètement, les points gagnés par des actions datant de plus de 30 jours perdent 10 % de leur valeur chaque mois. Au bout de 6 mois sans nouvelle action, un lead qui avait 60 points comportementaux n'en a plus que 32. Il retombe dans la catégorie « à nourrir ». Et c'est exactement ce qu'il faut.
Cette règle m'a évité un vrai désastre. Un lead B2B SaaS avait accumulé 85 points grâce à une frénésie de téléchargements en novembre. En février, il était toujours à 85 points dans le CRM, et un commercial perdait son temps à l'appeler toutes les semaines. Grâce à la décroissance, son score était tombé à 45, et on le savait : il avait changé de poste, son entreprise avait été rachetée, et le projet était mort. Le score ne mentait plus.
L'erreur que je vois partout : les critères non alignés sur le cycle d'achat
Vous voulez savoir pourquoi votre lead scoring ne fonctionne pas ? Parce que vous notez des micro-actions sans réfléchir à où elles se situent dans le parcours d'achat.
Un lead qui ouvre vos e-mails depuis la newsletter ? C'est un signal de curiosité, pas d'intention. Un lead qui visite la page de comparaison de prix après avoir reçu une proposition ? Là, on parle. Les deux actions ne devraient pas avoir la même valeur, même si elles génèrent le même nombre de pages vues.
J'ai appris ça à mes dépens. Un client dans les services financiers notait +10 pour chaque e-mail ouvert. Rapidement, tous les leads avaient des scores élevés parce que sa newsletter avait un taux d'ouverture de 45 % (normal pour ce secteur). Les commerciaux croulaient sous les « leads chauds » qui n'avaient jamais manifesté d'intérêt d'achat. On a réduit la valeur de l'ouverture d'e-mail à +2, et le problème a disparu en deux semaines.
Le principe est simple : plus l'action est proche d'un achat, plus elle vaut de points. Ouvrir un e-mail est loin de l'achat. Demander une démo est presque l'acte d'achat lui-même. Votre barème doit refléter cette distance.
Le calendrier de calibration : ce que je fais tous les trimestres
Le lead scoring n'est pas un projet one-shot. C'est un système vivant qui doit être recalibré. Voici mon rythme : tous les trois mois, je m'assois avec l'équipe commerciale et on compare les leads notés MQL avec ceux qui ont réellement débouché sur des opportunités.
La question que je pose : qu'est-ce qu'on a raté ? Parfois, la réponse est « rien ». Parfois, c'est « les leads qui visitent la page de témoignages clients sont bien plus chauds que vos critères ne le suggèrent ». Et on ajuste.
Dans un cas précis, j'ai découvert que les leads qui avaient regardé la vidéo de démonstration de 12 minutes étaient deux fois plus susceptibles de demander une démo qu'un lead qui avait téléchargé un livre blanc. On a augmenté la valeur de la visualisation de la vidéo de +5 à +20. Le taux de conversion MQL a suivi.
C'est un travail de fourmi, mais c'est ce qui sépare un score qui dort d'un score qui vend.
Les outils en 2026 : règles manuelles vs scoring prédictif
Dernier point, et pas des moindres : la technologie. Aujourd'hui, les CRM ont tous une fonction de scoring intégrée. HubSpot, Salesforce, Pipedrive : chacun propose ses règles. Mais il y a une différence fondamentale entre les règles manuelles et le scoring prédictif basé sur le machine learning.
Les règles manuelles, c'est ce que j'ai décrit jusqu'ici : vous définissez les points, vous les ajustez. C'est transparent, c'est contrôlable, et c'est parfait pour les équipes qui comprennent leur marché.
Le scoring prédictif, lui, analyse l'historique de vos leads gagnés et perdus pour identifier automatiquement les corrélations. Il peut découvrir que les leads qui visitent la page de tarification un mardi à 14h sont plus susceptibles d'acheter (peu probable, mais bon). L'avantage : il s'adapte en continu. L'inconvénient : c'est une boîte noire, difficile à expliquer aux commerciaux, et qui peut intégrer des biais invisibles.
Mon conseil : commencez avec des règles manuelles. Vous les comprendrez, vous pourrez les ajuster, et vous saurez expliquer à votre équipe pourquoi un lead a tel score. Quand vous aurez accumulé plus de 500 leads qualifiés avec des données de conversion, vous pourrez envisager le prédictif comme un complément. Pas avant.
Le lead scoring n'est pas une destination, c'est un système de tri
Voilà où je veux en venir : le lead scoring ne résout pas le problème de la qualification. Il le structure. Il force le marketing à définir ce qu'est un bon lead, et il force la vente à expliciter ses critères. Si vous n'avez pas cette conversation, aucun algorithme ne la fera à votre place.
La prochaine fois que vous ouvrirez votre CRM et que vous verrez un score à trois chiffres, demandez-vous : est-ce que ce nombre correspond à une intention d'achat réelle, ou juste à un prospect qui a beaucoup cliqué ? Si la réponse est la deuxième, votre système a besoin d'une mise à jour. Et maintenant, vous savez par où commencer.
