Table des matières :
- Ce que recouvre un lead scoring B2B en industrie (et ce qu’il ne résout pas)
- Modèle 0–100 : séparer le fit (0–60) et l’intention (0–40)
- Construire le score de fit : critères stables, données CRM et référentiels
- Mesurer l’intention : signaux web, contenu, devis, et signaux terrain
- Paramétrage opérationnel dans le CRM : champs, automatisations, seuils MQL/SQL
- Piloter et améliorer : contrôle qualité, calibrage, et passage vers un scoring prédictif
- Première itération en 10 jours avec une petite équipe
Ce que recouvre un lead scoring B2B en industrie (et ce qu’il ne résout pas)
Le lead scoring B2B consiste à attribuer un score à un prospect ou à une opportunité pour prioriser le traitement commercial. Concrètement, on classe les demandes entrantes et les contacts issus du web, des salons ou du réseau, afin que les commerciaux concentrent leur temps sur les dossiers qui ont le plus de chances d’aboutir. Dans l’industrie, c’est souvent moins un sujet de volume que de qualité et de vitesse de réaction sur des sujets techniques (plans, tolérances, normes, contraintes de série, délais).
Une définition simple et utile (souvent citée car opérationnelle) est celle proposée par Salesforce dans son glossaire : le lead scoring est une méthodologie qui classe les prospects sur une échelle représentant la valeur “perçue” du lead pour l’entreprise. Le mot perçue est central : il s’agit d’une estimation structurée, pas d’une certitude. Un bon scoring vise d’abord à réduire l’arbitraire et à rendre le tri des leads explicable, surtout quand marketing et commerce n’ont pas la même lecture.
Pour clarifier : le scoring n’est pas une “note de qualité” abstraite. C’est un outil de décision. Posez-le dès le départ comme une question simple :
- Qui doit être rappelé en priorité (et sous quel délai) ?
- Qui doit être nurturé (et avec quel type de contenu) ?
- Qui doit être disqualifié rapidement (et pourquoi) ?
Mini-scénario typique en PMI industrielle :
Un formulaire “devis” arrive à 16h40 un jeudi. Deux commerciaux voient passer le lead : l’un se dit “ça a l’air urgent”, l’autre “c’est sûrement hors cible”. Sans scoring, on perd 24–72h à tergiverser ou à se renvoyer la balle. Avec un score simple (fit + intention), on tranche : fit faible (zone non couverte + techno non maîtrisée) ⇒ réponse rapide mais cadrée, sans mobiliser un BE inutilement.
Il faut aussi cadrer ce que le scoring ne fera pas. Il ne compensera pas un formulaire de contact trop long, un site lent, un contenu imprécis, ou un positionnement confus. Si votre site perd déjà des demandes au moment de la conversion, il est souvent plus rentable de traiter les frictions avant d’empiler des règles de scoring. Sur ce point, l’article sur la demande de devis en ligne donne une grille très concrète pour sécuriser l’amont.
Enfin, en cycle long, le scoring doit accepter une réalité : une majorité de prospects ne sont pas “chauds” aujourd’hui, mais peuvent devenir pertinents dans 3, 6 ou 12 mois. Le scoring sert aussi à ne pas oublier les bons comptes “silencieux” et à détecter le bon timing quand un signal réapparaît (retour sur une page application, téléchargement d’une fiche matière, demande d’échantillon).
Checklist (rapide) avant de scorer :
- Avez-vous une définition partagée d’un lead “hors cible” (disqualification) ?
- Les demandes entrantes arrivent-elles toutes au même endroit (CRM) ?
- Avez-vous 1 à 3 actions concrètes déclenchées par un seuil (appel, séquence email, mise en nurturing) ?
- Vos commerciaux font-ils remonter un motif standard quand un lead est rejeté ?
Modèle 0–100 : séparer le fit (0–60) et l’intention (0–40)
Pour un modèle lisible et robuste, la séparation la plus efficace est Fit + Intention.
- Fit : adéquation structurelle du compte avec votre offre. Exemple : secteur, taille d’atelier, présence d’un bureau méthodes, exigences normatives, zone géographique, compatibilité matière ou process. Ce sont des critères assez stables.
- Intention : signaux montrant une activité réelle autour de votre solution. Exemple : consultation répétée de pages techniques, téléchargement de plans, demande de devis, participation à un webinaire, réponses à un email.
Un modèle 0–100 fonctionne bien en industrie car il permet de fixer des seuils simples (par exemple 60 pour déclencher un appel) tout en gardant de la nuance. En pratique, on obtient un scoring plus fiable en pondérant davantage le fit. Un prospect très actif mais hors cible consomme du temps commercial et finit en impasse. À l’inverse, un compte parfaitement dans votre cible peut être peu actif aujourd’hui mais devenir prioritaire dès qu’un signal d’intention apparaît.
Une répartition fréquente et facile à expliquer est : Fit 0–60 et Intention 0–40.
| Composant | Plage | Objectif | Exemple de seuil opérationnel |
|---|---|---|---|
| Fit | 0–60 | Éviter les leads hors cible, accélérer la qualification | Fit ≥ 35 = compte plausible |
| Intention | 0–40 | Déclencher le bon timing de contact | Intention ≥ 20 = activité notable |
| Total | 0–100 | Prioriser le pipeline | Total ≥ 60 = prise en charge rapide |
Deux règles “anti-déception” qui rendent ce modèle plus robuste en industrie :
- Plafond si fit trop faible : si Fit < 20, alors Total ne peut pas dépasser 40 (même avec une intention forte).
Objectif : éviter que le marketing “fabrique” des faux chauds hors cible. - Décroissance de l’intention : les signaux perdent de la valeur avec le temps.
Objectif : ne pas rappeler en priorité quelqu’un qui a téléchargé un PDF il y a 10 mois.
Exemple très simple de décroissance (à adapter) :
- événement < 14 jours : 100% des points
- 15 à 60 jours : 60% des points
- > 60 jours : 30% des points
Ce découpage aide aussi à gérer des cas très courants en PMI industrielles : vous recevez une demande “urgente” d’un acteur non compatible (mauvaise zone, mauvaise techno, volumes incompatibles). Le modèle doit savoir mettre un plafond au score total si le fit est trop faible, même avec des signaux forts.
Construire le score de fit : critères stables, données CRM et référentiels
Le fit démarre par une clarification de votre cible, souvent appelée ICP (Ideal Customer Profile), c’est à dire le profil de client idéal. En industrie, l’ICP se définit moins par des mots marketing que par des contraintes concrètes : plage de pièces (dimensions, matière), normes (ATEX, FDA, ISO), typologie de séries (proto, petite série, grande série), exigences qualité (PPAP, traçabilité), conditions logistiques, niveau d’ingénierie nécessaire.
Pour éviter un scoring “au doigt mouillé”, listez 8 à 12 critères maximum, et reliez-les à des champs que vous pouvez réellement maintenir dans votre CRM. Si votre CRM est en refonte, posez ces champs dès le départ. L’article CRM prospection : critères de choix et déploiement réussi en PME est utile pour sécuriser ce socle, notamment la gouvernance des champs, la déduplication et l’adoption par les commerciaux.
Exemple de grille Fit (ordre de grandeur), adaptée à un fabricant d’équipements ou un sous-traitant technique :
- Secteur et usage (0 à 15) : aéronautique, agro, énergie, médical, machine spéciale. On score l’adéquation avec vos références et contraintes.
- Taille et capacité (0 à 10) : volume de production, nombre de sites, budget typique.
- Zone géographique et logistique (0 à 8) : export géré, délais, incoterms, support local.
- Compatibilité technique (0 à 15) : matériaux, tolérances, standards, intégration.
- Organisation et rôle (0 à 12) : présence d’un bureau d’études (définition : équipe qui conçoit, dimensionne et industrialise) et maturité achats. Sur les rôles, l’article Bureau d’études : métiers, compétences et missions techniques clés aide à identifier les interlocuteurs et les signaux de maturité.
Pour rendre cette grille actionnable, faites correspondre chaque critère à une source de donnée réaliste (et donc maintenable). Exemple :
| Critère Fit | Exemple de champ CRM | Source la plus fréquente | Risque si absent |
|---|---|---|---|
| Secteur / application | Secteur, codes interne “applications” | formulaire, qualification tél., salon | mauvaise priorisation (hors marché) |
| Normes / exigences | Exigences qualité / normes | devis, cahier des charges, BE | temps BE perdu si incompatible |
| Capacité / séries | Type de série, volume annuel | échange commercial, RFQ | devis non chiffrable ou non rentable |
| Zone / logistique | Pays, région, conditions livraison | formulaire + compléments | délai de réponse long, coût logistique ignoré |
| Techno / matière | Matière, process, tolérances | plans + pages techniques consultées | faux positifs “très chauds” mais impossibles |
Ajoutez dès le départ des critères éliminatoires qui mettent le score à zéro ou appliquent une pénalité forte. Exemple : “zone non servie”, “techno non maîtrisée”, “volumes incompatibles”, “exigences normatives impossibles”. Dans un modèle simple, mieux vaut un petit nombre de disqualifications nettes qu’une multiplication de micro-règles impossibles à maintenir.
Astuce “terrain” (souvent oubliée) : formalisez aussi les conditions de non-rentabilité. En industrie, un lead peut être “dans la cible technique” mais non traitable économiquement (série trop petite, complexité trop haute pour la valeur, coût matière, exigences métrologie). Sans ce garde-fou, vous aurez des SQL “enthousiastes” qui finissent en no-go tardif.
Mesurer l’intention : signaux web, contenu, devis, et signaux terrain
Les signaux d’intention sont plus volatils que le fit. Ils doivent donc être basés sur des événements observables, horodatés, et idéalement “dégradables” dans le temps (un téléchargement de fiche technique il y a 9 mois ne vaut pas un téléchargement hier). Pour une PMI, l’objectif n’est pas d’espionner, mais de repérer des actions qui traduisent un besoin en train de se structurer.
Côté site web, les signaux les plus utiles sont rarement les pages vues génériques. On privilégie des pages et actions à valeur : consultation de pages applications, pages tolérances ou matériaux, téléchargement de datasheets, consultation de FAQ qualité, clics sur “capacités” ou “moyens de contrôle”. La qualité du tracking dépend aussi de la propreté SEO et technique du site. Si vous êtes sur WordPress, l’article SEO WordPress : optimisation technique et éditoriale pour TPE/PME aide à fiabiliser les fondations (performance, structure, indexation), ce qui réduit les données incohérentes.
Pour un modèle 0–40, on peut partir d’une matrice d’intention simple :
- Demande de devis (15 à 25 points selon complétude) : la demande reste le signal le plus fort, surtout si elle contient une référence, un plan ou une contrainte normative. Pour limiter les faux positifs, le score dépend de champs renseignés. Le guide sur la réduction des frictions côté devis est directement actionnable.
- Téléchargement technique (8 à 12) : plans types, cahier des charges, fiches matériaux, guide de montage.
- Visite récurrente de pages clés (4 à 10) : 3 visites en 7 jours sur une page application vaut plus que 20 pages vues dispersées.
- Email (2 à 6) : clic sur un contenu technique, réponse, prise de RDV.
Enrichissement utile : scorer la qualité de la demande, pas seulement l’événement “demande de devis”. Exemple (simple et efficace) :
| Détail dans la demande | Points intention (exemple) | Pourquoi |
|---|---|---|
| Plan / fichier joint (PDF, STEP, DXF) | +8 | effort élevé, projet plus concret |
| Matière + tolérances précisées | +5 | besoin cadré, chiffrage possible |
| Volume annuel / prévision | +4 | permet de qualifier la rentabilité |
| Délai souhaité | +2 | aide à prioriser et à cadrer |
| Email générique uniquement (info@…) | −3 | qualification souvent plus longue |
Ajoutez des signaux terrain quand vous en avez : badge scan salon, participation à une démo, appel entrant, demande de documentation papier. L’enjeu est de les enregistrer de façon homogène. Un même contact qui a visité une page “tolérances” puis posé une question au salon n’est pas “magique”, il est juste plus mûr.
Pensez aussi aux signaux négatifs (très utiles pour éviter de polluer les priorités) :
- visite répétée de pages “recrutement” → ce n’est pas un projet achat
- désinscription email / rebond → baisse d’intérêt ou données incorrectes
- formulaires incomplets récurrents depuis le même domaine → parfois de la veille, parfois un intégrateur en phase amont (à traiter différemment)
Sur la méthode, un audit SEO sert aussi à repérer les pages qui attirent des visiteurs hors cible et gonflent artificiellement l’intention (ex. trafic “informationnel” non pertinent). L’article Audit SEO B2B : détecter les fuites de revenus et prioriser peut vous aider à éliminer ces signaux parasites avant de calibrer le score.
Paramétrage opérationnel dans le CRM : champs, automatisations, seuils MQL/SQL
Un scoring utile doit vivre dans le système que les équipes utilisent tous les jours, généralement le CRM (Customer Relationship Management, outil de gestion des contacts, comptes et opportunités). Le principe : le score n’est pas un KPI marketing isolé, c’est un mécanisme de priorisation et de routage.
Commencez par décider l’objet que vous scorez. En B2B industriel, on vend rarement à une personne. Il est donc recommandé de gérer :
- Score Contact (individu) : intention personnelle, rôle, engagement.
- Score Compte (entreprise) : fit, potentiel, historique.
- Score Opportunité (dossier) : lorsque le besoin est qualifié.
Dans une petite équipe, on peut démarrer avec un score au niveau du contact, tout en répercutant un score “compte” simplifié (moyenne ou max des contacts, plus un fit fixé au niveau entreprise). L’important est d’éviter le cas classique : trois ingénieurs du même client visitent le site, mais comme ils utilisent des emails différents, vous ne voyez pas que l’intention est collective.
Deux points de paramétrage qui évitent 80% des irritants :
- Éviter le double comptage : une demande de devis + un téléchargement juste après ne doit pas gonfler artificiellement l’intention si c’est le même flux logique (vous pouvez plafonner l’intention journalière, ou appliquer un “bonus de session” unique).
- Tracer la “date de dernier signal fort” : un champ dédié (ex.
Dernier événement intention fort
aide les commerciaux à comprendre pourquoi le score est haut (et pas seulement combien).
Définissez ensuite des seuils et des règles d’action. Les termes standards sont :
- MQL (Marketing Qualified Lead) : lead jugé assez intéressant pour être transmis au commerce.
- SQL (Sales Qualified Lead) : lead accepté par le commerce et qualifié pour une opportunité.
Exemple de SLA (Service Level Agreement, accord d’équipe) pragmatique :
- Total ≥ 60 et Fit ≥ 35 : traitement en 24 à 48 h ouvrées.
- Total entre 45 et 59 : appel de qualification si disponibilité, sinon séquence d’email technique.
- Total < 45 : nurturing (contenus, retargeting B2B si vous en faites) et revue mensuelle.
Pour rendre le SLA plus “opération atelier”, explicitez aussi la sortie attendue côté commerce :
| Segment de score | Action attendue | Sortie CRM attendue (standardisée) |
|---|---|---|
| Prioritaire (≥60) | appel + qualification | “Accepté en SQL” ou “Rejeté” + motif |
| Intermédiaire (45–59) | appel si possible sinon relance | tâche créée + résultat (RDV / à relancer / no-go) |
| Nurturing (<45) | pas d’appel immédiat | inscription à une séquence + prochaine date de revue |
Le scoring doit déclencher des tâches claires : création automatique d’une tâche d’appel, assignation à un commercial par territoire, ou mise en liste de relance. Sans automatisation, le score devient un chiffre de plus que personne n’utilise.
Piloter et améliorer : contrôle qualité, calibrage, et passage vers un scoring prédictif
Un modèle 0–100 se règle comme un process industriel : on mesure, on corrige, on documente. La première étape est un contrôle qualité des données. Si 30 % des leads n’ont pas de secteur, ou si le pays est saisi librement, votre fit est biaisé. Corrigez les champs et les listes de valeurs avant de discuter pondérations.
Ensuite, calibrez avec des métriques simples, sur 2 à 3 mois si possible :
- Taux de transformation MQL → SQL.
- Temps moyen avant premier contact.
- Part des leads “score élevé” qui finissent en no-go (mauvaise cible, pas de budget, pas de projet).
- Part des leads “score moyen” qui finissent pourtant en opportunité (sous-score intention trop faible, signaux manquants).
Ajoutez une lecture très utile pour éviter les débats “au ressenti” : comparez le taux de SQL par tranche de score total.
| Tranche score total | Volume leads | % devenus SQL | Lecture |
|---|---|---|---|
| 0–44 | … | … | base de nurturing / trop tôt |
| 45–59 | … | … | zone à optimiser (pondération + process) |
| 60–100 | … | … | prioritaire (vérifier les faux positifs) |
L’amélioration doit se faire avec les commerciaux. Un atelier mensuel de 30 minutes suffit : on prend 10 dossiers, on compare score et réalité, on décide une correction. Dans l’industrie, un ajustement fréquent est de mieux distinguer les contenus “documentation” (intention faible) des contenus “choix de solution” (intention forte). Autre correction classique : pénaliser les adresses génériques (info@) quand elles ne permettent pas de qualifier un rôle.
Si vous avez assez d’historique (souvent plusieurs centaines à quelques milliers de leads), vous pourrez aller vers un scoring plus prédictif, via une régression logistique ou un modèle de classification. Mais en PMI, le modèle simple reste souvent plus rentable car il est explicable et maintenable. Ce qui compte est la discipline de mesure et la boucle de retour.
N’oubliez pas le cadre RGPD : l’usage de traceurs et d’automatisation doit reposer sur une base légale et, selon les cas, sur le consentement. Le RGPD définit le consentement comme “libre, spécifique, éclairé et univoque” (Règlement (UE) 2016/679, art. 4(11), EUR-Lex). En pratique, gardez une traçabilité du consentement, limitez les données collectées au nécessaire, et documentez vos finalités.
Lien de référence (texte officiel) : texte officiel
Première itération en 10 jours avec une petite équipe
Pour une PMI industrielle avec une petite équipe marketing, le bon objectif n’est pas de créer un scoring parfait, mais un scoring utilisé. Une première itération peut se faire en 10 jours ouvrés, si vous acceptez un périmètre réduit : 10 critères fit, 8 événements d’intention, 3 seuils d’action, et une seule source de vérité (le CRM).
Plan de travail réaliste :
- Jour 1 à 2 : atelier marketing + commerce. Définir ICP, disqualifications, et les 3 décisions que le score doit permettre (appeler vite, relancer plus tard, écarter).
- Jour 3 à 4 : cartographie des données disponibles. Quels champs CRM sont fiables, quels événements web peuvent être trackés (GA4, logs, formulaires), et quelles sources terrain existent.
- Jour 5 : écrire la grille Fit (0–60) et Intention (0–40) sur une page. Valider avec 5 dossiers gagnés et 5 dossiers perdus.
- Jour 6 à 8 : paramétrage CRM. Champs, listes de valeurs, règles de calcul (ou champs calculés), automatisations de tâches et d’assignation.
- Jour 9 : test sur un lot de leads récents. Vérifier les cas limites, les doublons, et l’alignement des seuils.
- Jour 10 : mise en production + une règle de gouvernance simple : toute demande rejetée par le commerce doit avoir un motif standardisé.
Pour gagner du temps au Jour 5 (et éviter un modèle “trop théorique”), utilisez une fiche d’évaluation unique sur 1 page que tout le monde comprend. Exemple de format minimal :
- Fit : secteur (…/15), techno (…/15), normes (…/10), zone (…/8), série/volume (…/12)
- Intention : devis (…/25), téléchargement (…/10), visites pages clés (…/5), email (…/0–? selon votre canal)
- Motif de disqualification (liste déroulante)
- “Prochaine action” (appeler / nurturing / no-go)
Le point de vigilance le plus important est l’alignement sur la prise en charge. Un scoring n’a de valeur que si le commercial s’engage à traiter les dossiers au-dessus d’un seuil, et si le marketing s’engage à améliorer la qualité des leads en dessous. C’est un mécanisme de coopération, pas un tableau de bord.
Action simple pour démarrer dès cette semaine : choisissez 20 demandes récentes (web + salon), attribuez-leur un score fit et un score intention à la main dans un tableur, puis comparez avec la réalité commerciale (accepté, refusé, en cours). Vous aurez, en une heure, de quoi fixer vos premières pondérations et surtout de quoi éliminer 2 ou 3 critères inutiles avant d’automatiser.




