Le lead scoring a la réputation d'être une chose que seules les entreprises dotées d'une équipe data et d'une plateforme de marketing automation peuvent gérer correctement. Un modèle de scoring simple, tenu manuellement, revu et ajusté à la main chaque mois, bat l'absence totale de scoring, et bat souvent aussi un modèle surtravaillé trop compliqué pour que quiconque lui fasse confiance ou le mette à jour.
Ce que le scoring résout réellement
Sans scoring, une équipe commerciale travaille les leads à peu près dans l'ordre d'arrivée, ou au feeling sur le nom de l'entreprise qui semble prometteur. Ces deux approches ignorent le signal le plus clair disponible : ce que le lead a réellement fait. Un score simple existe pour placer « a demandé une démo » avant « a téléchargé une checklist et n'est jamais revenu », pas pour produire une probabilité de conclusion précise.
Le comportement l'emporte sur l'intitulé de poste, la plupart du temps
L'intitulé de poste et la taille de l'entreprise sont utiles pour écarter les leads qui ne seront jamais pertinents, mais ils en disent peu sur l'intention — un « directeur marketing » qui a téléchargé un guide et n'est jamais revenu n'est pas plus prêt à acheter qu'un contact au titre plus modeste ayant visité la page tarifs trois fois cette semaine. Le comportement — ce que quelqu'un a réellement fait sur le site, dans les e-mails, en demandant une démo — reflète une décision en cours ; un intitulé reflète un rôle qui existait avant même que le lead rencontre l'entreprise et paraîtrait identique, qu'il soit intéressé aujourd'hui ou non.
Un modèle assez simple pour être tenu à la main
Un modèle de départ viable n'a besoin que d'une poignée d'actions pondérées : visiter la page tarifs, demander une démo ou un appel, ouvrir plusieurs e-mails d'affilée par opposition à ignorer les trois derniers, et revenir sur le site peu après une visite précédente. Attribuez à chacune une valeur en points approximative — une demande de démo pèse largement plus qu'une ouverture d'e-mail — et fixez un seuil au-delà duquel un lead reçoit un appel le jour même plutôt qu'une séquence de nurturing. Cela ne nécessite pas plus qu'un tableur ou les champs déjà présents dans le CRM ; il faut simplement que quelqu'un mette réellement à jour les valeurs de points quand elles cessent de correspondre à la réalité.
Revoir le modèle chaque mois vaut mieux que le rendre parfait une seule fois
Un modèle construit une fois et jamais retouché dérive vite par rapport à la réalité de l'entreprise, surtout une fois que l'équipe commerciale commence à remarquer que certains leads « très bien notés » ne concluent jamais, et se met à ignorer discrètement le score. Une courte revue mensuelle — quels leads notés ont converti, lesquels non, quels comportements l'équipe commerciale aimerait voir mieux pris en compte — maintient un score en qui les gens ont assez confiance pour agir, ce qui est tout l'intérêt d'en construire un.
Le piège de la sur-ingénierie
Un modèle de scoring à vingt variables pondérées et des seuils à la décimale près paraît plus rigoureux qu'un tableur à cinq variables, mais il n'est généralement pas plus précis — il est simplement plus difficile pour quiconque à expliquer, à qui faire confiance, ou à ajuster quand il cesse de fonctionner. Un modèle que l'équipe commerciale peut décrire en une phrase est utilisé. Un modèle que personne ne peut expliquer est discrètement ignoré dès la première fois qu'il envoie un mauvais lead en tête de liste.
Notre équipe logicielle peut aider à construire un modèle de scoring adapté à la façon dont votre équipe commerciale revoit réellement les leads, et le connecter à la manière dont les leads arrivent déjà — y compris ceux gagnés via un travail SEO continu — sans nécessiter d'équipe data pour le maintenir.
