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 le cas d’une prospection outbound sans interaction connue. L’absence d’historique observé ne prouve pas que le prospect ne vous connaît pas. 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 pertinent pour votre offre. 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, je conseille d’examiner deux familles de critères selon les informations disponibles. La première est firmographique : le rôle exact de la personne, le secteur d’activité de son entreprise, sa taille. Ce sont des points de départ à relier à votre offre, aux missions et aux problèmes visés par un ICP bien construit. 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 peut être observable avant contact : 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 différentes. Après validation du prospect, je complète le contexte avec les informations et signaux que je peux obtenir. Cela ne constitue ni une veille exhaustive ni une preuve de besoin ou de disponibilité à acheter.
Étape 3 : Construisez une grille de scoring pondérée à la main
Pour clarifier ce qui compte, je vous propose un exercice manuel 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 votre offre. Dans cet exemple fictif visant un directeur commercial de PME de services B2B, je 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. Ces poids ne sont ni une norme ni ma formule de calcul.
Dans cette grille, 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 signal business observé obtient 60. Cet écart reflète les poids choisis, pas une urgence d’achat ou un calendrier de contact. Faire ce calcul sur quelques profils peut révéler un poids excessif accordé à un signal, avant de confronter les critères à des prospects réels.
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.
Exemple pédagogique fictif sur 100 points, distinct du score LEO de 1 à 5 étoiles. Les poids ne prédisent ni une réponse ni le bon moment pour acheter.
Étape 4 : Utilisez un score expliqué dès la découverte
L’exercice manuel vous aide à préciser le persona et l’offre ; il ne devient pas automatiquement une formule que j’exécute. Pendant la découverte, j’analyse chaque profil trouvé et lui attribue une note de 1 à 5 étoiles selon son adéquation avec le persona et l’offre, avec une explication. Je peux le faire avant tout contact, sans avoir besoin d’une conversation ou d’un historique d’interactions.
En découverte guidée, à partir de 3 étoiles sur 5, 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, après validation explicite de la configuration et sous réserve de crédits, je découvre, analyse et score les prospects des personas sélectionnés. J’ajoute ceux qui atteignent le seuil configuré, sans validation prospect par prospect, puis les enrichis selon les données disponibles. Le contact et la relance restent des actions 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. La méthode manuelle sert surtout à comprendre ce qui doit compter et à relire la justification d’un score automatisé, sans tenir sa justesse pour acquise.
Étape 5 : Faites vivre le score dans le temps, pas seulement à la découverte
Un score reflète les informations disponibles lors de l’analyse. L’offre, le persona, le rôle ou la situation de l’entreprise peuvent changer. Il en va de même pour les signaux business récupérés ensuite à l’enrichissement, une fois le prospect validé : une levée de fonds ou un recrutement peut perdre sa pertinence pour votre offre, sans durée universelle. Ni le score ni le signal ne dispensent de vérifier le contexte avant d’agir.
En pratique, je conseille de relire la justification et de vérifier les informations d’un prospect ancien avant de le recontacter. Confrontez aussi votre persona aux profils trouvés et aux échanges obtenus pour décider s’il faut l’ajuster. C’est une discipline de revue humaine, pas la promesse d’un recalcul automatique du score ou d’une surveillance continue des signaux.
Les repères de une, trois et six semaines illustrent l’évolution possible d’un contexte. Ils ne fixent ni la durée de validité d’un signal ni une cadence de contact.
Étape 6 : Repérez le faux positif propre à l’outbound, bon fit et aucun signal d’intérêt
Un scoring comportemental peut faire remonter un contact engagé qui ne correspond pas au profil visé. Le scoring de fit à la découverte porte un autre risque : un profil qui coche les critères de rôle, de secteur et de taille, mais dont rien n’indique encore un intérêt pour ce que vous vendez. Le score répond à une question de pertinence par rapport à l’offre et au persona, pas à celle du besoin réel ou de la probabilité de réponse.
Un bon score de fit à la découverte est une hypothèse à vérifier, pas une certitude. Une invitation acceptée ou une réponse apporte un élément supplémentaire, mais son sens dépend du contenu et du contexte. L’absence d’un signal observé ne prouve pas l’absence d’intérêt ; sa présence ne prouve pas une intention d’achat. C’est pour ça qu’un score élevé ne devrait jamais dispenser de regarder les échanges. 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.
La matrice est une aide à la lecture. « Aucun signal » signifie ici aucun signal observé, et « cible réelle » un profil à examiner, pas une qualification commerciale complète ni un acheteur prêt.
Si vous voulez voir ce scoring de fit appliqué à votre propre cible, planifiez une démo personnalisée.
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 beaucoup de profils obtiennent 2 ou 3 étoiles plutôt que 4 ou 5, je conseille de lire les justifications et de vérifier les informations disponibles, l’offre et le persona. La distribution seule ne permet pas de diagnostiquer la cause ni de choisir entre resserrer et élargir les critères. Les observations internes sur les résultats de prospection donnent un autre éclairage sur l’activité, mais ne prouvent pas qu’il faut toujours resserrer un persona. Ajustez-le selon les écarts réellement observés.
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. L’exercice manuel aide à préciser les critères, pas à définir ma formule de calcul. Je peux ensuite analyser des profils et expliquer leur pertinence ; vous gardez la responsabilité de vérifier cette lecture. Un bon score aide à choisir qui contacter, il ne garantit pas une conversation.
