Comment fonctionne un lead scoring ?
Chaque critère et chaque action rapportent des points. Le total classe les prospects, et un seuil fixé à l’avance déclenche une action : transmettre aux ventes, écrire, ou laisser mûrir.
Le score mélange deux mesures. L’adéquation, ou fit : le prospect ressemble-t-il à vos clients ? L’intérêt, ou engagement : que fait-il en ce moment ? Beaucoup d’outils gardent les deux séparées et les croisent au lieu de les additionner. Un prospect très actif mais hors cible ne doit pas passer devant un prospect idéal qui vient de réagir une fois.
Les outils de lead scoring ont été pensés pour trier des milliers de contacts entrants. Sur LinkedIn, les volumes sont plus petits, mais le principe tient. Notre grille de température, avec les points, l’action et le délai pour chaque signal, est sur la page prospect chaud, tiède, froid.
Données explicites ou implicites : que faut-il noter ?
Les deux. Les données explicites décrivent le prospect (poste, secteur, taille de l’entreprise) et se notent une fois. Les données implicites décrivent ce qu’il fait (visites, réactions, réponses, demandes) et s’ajoutent à chaque nouveau signal.
Explicites, ou déclaratives : ce qui se lit sur le profil et la fiche de l’entreprise. Elles reprennent les critères de votre ICP : secteur, effectif, zone, fonction. Implicites, ou comportementales : ses actions sur votre site, dans vos e-mails, sur LinkedIn.
Les actions ne se valent pas. Une question sur vos prix dit plus qu’une visite de profil, une réponse plus qu’une réaction. Donnez peu de points aux gestes faciles et beaucoup à ceux qui demandent un effort. Un signal d’intention clair (besoin daté, demande de démo) court-circuite le score : on le traite tout de suite, quel que soit le total.
Faut-il retirer des points dans un lead scoring ?
Oui, de deux façons. Le score négatif retire des points pour ce qui éloigne d’une vente (hors cible, concurrent, candidat à un emploi). La dégradation en retire avec le temps, parce qu’un signal ancien ne dit plus rien.
Le score négatif empêche un contact très actif mais inintéressant de remonter en tête : un concurrent qui lit tous vos contenus, un étudiant qui prépare un mémoire. Les critères que votre ICP écarte méritent l’exclusion plutôt qu’un malus.
La dégradation, ou score decay, corrige l’autre biais : un prospect qui a cumulé des points il y a six mois garde un total flatteur alors qu’il ne fait plus rien. HubSpot propose ainsi de faire décroître les points d’engagement sur 1, 3, 6 ou 12 mois (documentation HubSpot). Dans un tableur, une colonne « date du dernier signal » suffit : passé la fenêtre choisie, le signal ne compte plus.
Comment construire et calibrer un score de lead ?
Partez de vos clients signés : quels critères et quelles actions les distinguent des contacts qui n’ont pas acheté ? Donnez plus de points à ce qui distingue le plus, fixez un seuil, puis corrigez après quelques semaines.
Une méthode simple, décrite sur le blog de HubSpot : calculez votre taux de conversion global, du contact au client, puis le taux de chaque critère. Un critère qui convertit cinq fois mieux que la moyenne vaut cinq fois plus de points. Exemple fictif : si 2 % de vos contacts deviennent clients, mais 10 % de ceux qui dirigent une PME industrielle, ce critère vaut 5 points là où un critère moyen en vaut 1.
Le seuil se fixe de la même façon : regardez le score qu’avaient, au premier contact, les prospects devenus rendez-vous. Sans historique, les poids de départ sont des hypothèses : datez chaque changement et revenez-y chaque mois. Un score jamais recalibré finit par classer au hasard.
Lead scoring manuel ou prédictif : lequel choisir ?
Le manuel, tant que l’historique est mince. Le scoring prédictif laisse un modèle statistique trouver ce qui annonce une conversion, mais il lui faut des centaines de conversions passées pour apprendre quelque chose de fiable.
Le modèle compare vos leads convertis et non convertis, puis attribue à chaque nouveau contact une probabilité de conversion. Il repère des combinaisons qu’une grille manuelle manque, mais on ne sait pas toujours pourquoi un contact a tel score.
Les éditeurs fixent des seuils de données (voir le repère chiffré plus bas). Faute de données, Salesforce applique un modèle global, construit sur les données anonymisées de nombreux clients. Il note alors vos leads d’après les conversions d’autres entreprises.
Quels outils utiliser pour le lead scoring ?
Un tableur pour commencer, un CRM ou un outil de marketing automation quand les signaux arrivent de plusieurs sources et que plusieurs personnes travaillent la même base. L’outil calcule le score ; il ne choisit pas les critères.
HubSpot propose, dans les éditions Pro et Entreprise de Marketing Hub et de Sales Hub, un score de pertinence (le fit), un score d’engagement et un score combiné, présenté en grille de A1 à C3 : la lettre pour la pertinence, le chiffre pour l’engagement (documentation HubSpot). Salesforce propose un score prédictif, Einstein Lead Scoring. Dans d’autres CRM, Pipedrive par exemple, un champ personnalisé « score » tenu à la main suffit pour démarrer.
Aucun de ces outils ne voit les signaux LinkedIn à votre place : visites, réactions et réponses se relèvent à la main ou avec un outil de détection. Les colonnes pour tenir ce fichier dans un tableur sont sur notre page liste de prospection LinkedIn B2B.
Quelles erreurs rendent un lead scoring inutile ?
Trop de critères, des poids jamais recalibrés, aucun seuil qui déclenche une action, aucun point retiré avec le temps, et un score pris pour une qualification. Un score que personne ne regarde avant d’écrire ne sert à rien.
Le score classe des faits observés ; seul un échange fait d’un prospect bien noté un lead qualifié.
Quand marketing et ventes sont deux équipes, le seuil se décide ensemble : c’est lui qui fait d’un contact un MQL transmis aux commerciaux. Fixé par le seul marketing, il produit des MQL que les ventes ignorent.
Comment appliquer un lead scoring sur LinkedIn ?
En séparant les deux mesures. L’adéquation se note une fois, sur le profil ; l’intérêt s’ajoute à chaque signal visible et s’efface après sa fenêtre. On écrit d’abord aux prospects bien placés sur les deux axes.
Situation : Une agence de recrutement spécialisée dans les profils techniques suit 300 DRH et responsables techniques de jeunes entreprises en croissance. Critères et poids fictifs.
Adéquation, sur 3 : un point pour le secteur, un pour l’effectif (20 à 200 salariés), un pour le poste. Les cabinets de recrutement concurrents, qui suivent l’agence de près, sont exclus.
Intérêt : les points de notre grille chaud, tiède, froid, remis à zéro après 30 jours sans nouveau signal.
Lundi, une DRH à 3 sur 3 a commenté puis répondu à un message. Un directeur technique à 3 sur 3 a seulement visité le profil. Le recruteur d’un cabinet concurrent a réagi à tout : il sort de la liste. Une responsable à 1 sur 3 demande les tarifs : signal d’intention, réponse le jour même.
Ordre du jour : la demande de tarifs, puis la DRH. Le directeur technique attend un deuxième signal.
Ce que ça change : Le concurrent le plus actif ne passe plus devant, et la demande de prix est traitée avant tout calcul.
Exemple fictif, écrit pour illustrer la définition.
Lead scoring : à ne pas confondre avec
- Qualification. La qualification vérifie un besoin dans un échange ; le lead scoring classe avant l’échange, sur des faits observés.
- Lead grading. Le grading note l’adéquation au profil idéal seule ; le scoring y ajoute le comportement. Beaucoup d’équipes fusionnent les deux dans un seul score.
- Prospect chaud, tiède, froid. Le froid n’a aucun signal, le tiède est classé par son score, le chaud est défini par un signal d’intention, quel que soit le score.
Un repère chiffré
Pour construire le modèle prédictif d’Einstein Lead Scoring avec vos propres données, Salesforce demande au moins 1 000 leads créés sur les 200 derniers jours, dont au moins 120 convertis en compte et contact. En dessous, quand tous les leads sont notés ensemble, Einstein applique son modèle global. Une équipe qui signe quelques clients par mois est loin de ces volumes. Source : Salesforce, « Sales Cloud Einstein Implementation Guide », section « Data Requirements for Sales Cloud Einstein », consulté le 3 octobre 2026.
Pour aller plus loin
La grille de température (signal, points, action et délai pour chacun) : notre page prospect chaud, tiède, froid.
Termes liés
Setting est un service de setting LinkedIn : un setter dédié prospecte à partir de signaux d’achat et pose des rendez-vous qualifiés pour des fondateurs et des indépendants B2B. La méthode · Tout le glossaire