Un prospect vient d’être trouvé. Aucune visite de site, aucun email ouvert, aucune conversion passée à consulter : seulement un profil LinkedIn et une entreprise qu’on découvre à l’instant. La plupart des méthodes de scoring de leads supposent l’inverse, un historique déjà accumulé dans un CRM, des pages visitées, des emails ouverts, des conversions passées. Pour qui prospecte à froid, ce point de départ n’existe tout simplement pas encore.
Scorer sans historique n’est pas une version dégradée du scoring comportemental. C’est un problème différent, avec ses propres critères et ses propres pièges : un mauvais score à ce stade fait perdre du temps sur un prospect qui ne mérite pas d’être contacté, et un bon score mal interprété fait passer à côté du seul signal qui compte vraiment une fois le message envoyé, l’intérêt réel.
Étape 1 : Distinguez le scoring comportemental du scoring de fit à la découverte
Le scoring comportemental regarde ce qu’un contact a déjà fait : les pages visitées sur le site, les emails ouverts ou cliqués, les conversions passées enregistrées dans le CRM. C’est un scoring puissant pour prioriser une base de contacts qui interagit déjà avec vous, en marketing automation ou sur des leads entrants. Mais il repose sur une condition silencieuse : il faut déjà un historique à observer. Sans clic, sans visite, sans conversion antérieure, ce scoring ne dit rien.
C’est exactement la situation d’une prospection outbound pure. Le prospect n’a jamais entendu parler de vous. Il n’a rien cliqué, rien visité, rien converti. Le scoring qui s’applique ici n’est pas comportemental, c’est un scoring de fit à la découverte : la question posée n’est pas si cette personne montre de l’intérêt, mais si elle correspond au profil qui, logiquement, a besoin de ce que vous vendez. Ce sont deux instruments différents, pas deux versions du même outil. Confondre les deux, c’est appliquer une grille conçue pour du chaud à du froid, puis se demander pourquoi elle ne marche pas.
Étape 2 : Listez vos critères de fit sans données comportementales
Sans historique, deux familles de critères restent disponibles, et elles suffisent à construire un scoring solide. La première est firmographique : le rôle exact de la personne, le secteur d’activité de son entreprise, sa taille. Ce sont les critères de qualification d’un lead B2B les plus fiables quand aucune donnée comportementale n’existe encore, et ce sont aussi ceux que porte un ICP bien construit, avec ses missions, ses points de douleur et ses signaux d’achat. Je détaille comment construire cet ICP avec l’IA dans un article dédié : les critères de fit qui alimentent le scoring viennent de là, pas d’un tableau à part.
La seconde famille de critères est publique et observable sans jamais avoir contacté personne : les signaux business. Un recrutement récent sur le poste que vous adressez, une levée de fonds, un changement de direction, une actualité sectorielle qui touche l’entreprise. Ces signaux ne remplacent pas la firmographie, ils l’affinent : deux entreprises identiques sur le papier, même secteur, même taille, même rôle ciblé, peuvent avoir des priorités radicalement différentes selon ce qui leur arrive en ce moment. La qualification de leads par IA gagne aussi ici, mais un peu plus tard dans le parcours : une fois le prospect validé, un agent peut lire ces signaux à l’échelle de centaines de profils enrichis, quand un humain ne les repère que sur les quelques comptes qu’il suit de près.
Étape 3 : Construisez une grille de scoring pondérée à la main
Avant d’automatiser quoi que ce soit, la méthode la plus solide reste de construire cette grille soi même, sur une poignée de critères. Prenez le rôle ciblé, le secteur, la taille d’entreprise et un signal business récent, puis attribuez un poids à chacun selon ce qui compte le plus pour votre offre. Sur un persona de directeur commercial dans une PME de services B2B, une répartition courante donne 30 points au rôle, 20 points au secteur, 20 points à la taille d’entreprise, et 30 points à un signal business récent, pour un total de 100.
Un profil qui coche le bon rôle, le bon secteur, une taille légèrement hors cible et une levée de fonds récente obtient 30, plus 20, plus 10, plus 30, soit 90 sur 100. Un profil identique sans aucun signal business plafonne à 60. La différence entre les deux n’est pas anecdotique : c’est exactement l’écart qui distingue un prospect à contacter aujourd’hui d’un prospect à recontacter dans trois mois. Faire ce calcul à la main sur les vingt premiers profils d’une nouvelle cible force à clarifier ce qui compte vraiment, avant de laisser un agent le faire à grande échelle.
Cette grille a une seconde utilité, moins évidente quand on travaille seul : pour un Sales Manager qui pilote plusieurs commerciaux, elle donne une référence commune à appliquer sur un même persona, plutôt que de laisser chacun juger un prospect selon son propre feeling. Deux commerciaux qui reçoivent le même profil devraient arriver au même chiffre, ou à un chiffre proche, s’ils partent des mêmes critères et des mêmes poids. Ce n’est pas une question d’outil qui partagerait automatiquement la grille entre eux, c’est une discipline d’équipe : documenter la grille une fois, puis s’assurer que chaque commercial l’applique de la même façon, plutôt que de laisser le scoring reposer sur l’intuition de chacun.
Étape 4 : Laissez un agent automatiser cette grille dès la découverte
Une fois la logique posée à la main, la reproduire manuellement sur des centaines de profils n’a plus de sens. C’est là qu’un agent de prospection prend le relais, avec un fonctionnement différent d’une simple somme pondérée : il analyse chaque profil trouvé individuellement et lui attribue une note de 1 à 5 étoiles selon son adéquation avec le persona et l’offre, avec une explication du score en une phrase. C’est le mécanisme que j’applique pendant la découverte de prospects : je cherche et j’analyse les profils un par un, avant tout contact, sans qu’aucune conversation ni aucun historique n’existe encore avec eux.
Mon seuil de rétention par défaut est 3 étoiles sur 5. Au-dessus, je retiens le prospect et j’attends une validation avant de l’ajouter à la base. En dessous, je continue la recherche, mais le profil reste visible et peut être récupéré manuellement si vous jugez qu’il mérite une seconde chance. En Semi-Auto, ce seuil joue un rôle différent : je découvre, analyse et score automatiquement les prospects des personas sélectionnés, et j’ajoute directement ceux qui atteignent le score configuré, sans validation prospect par prospect. Le contact et la relance restent alors une action que vous gérez ensuite avec moi. Je détaille cette étape de recherche et de scoring en profondeur dans mon article sur comment trouver des leads B2B avec l’IA.
Ce que je ne fais pas, c’est reproduire littéralement une somme pondérée à points fixes par critère. Le résultat visé est le même, une note fiable qui reflète le fit réel, mais la méthode manuelle sert surtout à comprendre ce qui doit compter avant de faire confiance à un score automatisé.
Étape 5 : Faites vivre le score dans le temps, pas seulement à la découverte
Un prospect scoré à la découverte n’est pas une fiche figée pour toujours, même si le score de fit lui-même reste stable tant que le persona ciblé ne change pas. Ce qui ne dure pas, ce sont les signaux business récupérés ensuite à l’enrichissement, une fois le prospect validé : une levée de fonds récente justifie de prioriser un contact pendant quelques semaines, pas pendant un an. Un recrutement qui signale un besoin urgent perd de sa force à mesure que le poste se pourvoit ou que la priorité de l’entreprise change. Traiter ces signaux comme une information permanente, c’est ignorer qu’ils ont une durée de vie courte, à la différence du score qui les a précédés.
En pratique, ça change deux choses. D’abord, un prospect validé il y a plusieurs mois sur un signal aujourd’hui expiré mérite qu’on revérifie son enrichissement avant de le recontacter, pas qu’on le relance tel quel. Ensuite, relancer régulièrement une recherche sur un même persona a plus de valeur qu’espérer qu’un enrichissement ancien reste pertinent : les signaux qui font un bon moment pour agir aujourd’hui ne sont pas ceux d’il y a six mois. Ce n’est pas un recalcul du score existant, c’est une discipline de calibrage : revenir régulièrement vérifier, plutôt que se fier à une photographie prise une seule fois.
Étape 6 : Repérez le faux positif propre à l’outbound, bon fit et aucun signal d’intérêt
Le scoring comportemental a un risque bien documenté : un contact très engagé, beaucoup de clics, beaucoup de visites, qui ne correspond en réalité pas du tout au profil visé. Le scoring de fit à la découverte porte le risque inverse, presque jamais traité ailleurs : un profil qui coche parfaitement les critères de rôle, de secteur et de taille, mais dont rien n’indique un intérêt réel pour ce que vous vendez. Le score de fit répond à une seule question, cette personne devrait elle avoir besoin de mon offre. Il ne répond pas à une autre question tout aussi importante, cette personne va t elle réellement réagir à un message.
Un bon score de fit à la découverte est une hypothèse à vérifier, pas une certitude. Le vrai signal d’intérêt n’existe qu’après le premier contact : une invitation acceptée, une réponse, la façon dont elle est formulée. C’est pour ça qu’un score de fit élevé ne devrait jamais dispenser de regarder ce qui se passe une fois le message envoyé. Je montre comment lire ce signal une fois le premier message parti, à travers le taux de réponse et la classification des réponses obtenues, dans mon article sur l’agent IA de génération de leads B2B.
Si vous voulez voir ce scoring de fit appliqué à votre propre cible, je peux scorer vos premiers prospects dès votre inscription.
Erreurs courantes à éviter
Copier une grille de scoring comportementale telle quelle en outbound
La tentation la plus fréquente est de reprendre une grille pensée pour du marketing automation, avec ses critères d’engagement (pages vues, emails ouverts, temps passé sur une démo), et de l’appliquer telle quelle à une liste de prospects jamais contactés. Le résultat est un score qui ne veut rien dire : tous les prospects obtiennent la même note basse, faute d’historique à mesurer, et la grille ne distingue plus rien. Un scoring outbound doit partir des critères de fit disponibles avant tout contact, pas d’une grille recyclée.
Ignorer une distribution de scores qui penche vers le bas sans revoir le brief
Quand la majorité des profils analysés obtiennent 2 ou 3 étoiles plutôt que 4 ou 5, ce n’est presque jamais la recherche qui a un problème, c’est le brief qui reste trop large ou pas assez signifiant. Élargir encore les critères pour faire remonter plus de profils aggrave le symptôme au lieu de le corriger. Mes données mesurées sur plus de 2 000 fondateurs montrent que ceux qui obtiennent le plus de réponses travaillent une base plus resserrée, pas plus large : la bonne réaction face à une distribution basse est de resserrer le persona, jamais de l’élargir.
Scorer sans expliquer le score
Un chiffre seul, 4 sur 5, ne dit rien sur ce qu’il faudrait changer pour améliorer le suivant. Un score utile porte toujours sa justification : quel critère a pesé, quel signal a compté. C’est ce qui permet de calibrer un persona sur les premiers cycles, pas seulement de trier une liste. Sans cette explication, un score élevé ou bas reste une boîte noire qu’on ne peut ni vérifier ni corriger.
Un score de fit à la découverte ne remplace jamais le jugement, il l’organise avant le premier message. Ce que vous gagnez à le construire à la main d’abord, ce n’est pas la note elle même, c’est de savoir exactement ce qu’elle mesure et pourquoi, avant de la déléguer à un agent qui la calcule à votre place, à un rythme qu’aucun humain ne tient dans la durée. Un bon score ouvre une conversation, il ne la remplace pas.
