Trois revues RevOps en quinze jours, trois entreprises différentes, trois secteurs différents, un constat identique : environ la moitié du pipeline ouvert avait dépassé sa close date prévue. Pas en commit. Pas reportée une seule fois avec une note. Au-delà de la close date, dans un stage actif, comptée dans la coverage. C'est une stale pipeline. Les forecasts qui en découlaient relevaient, pour rester poli, de la fiction. Et dans chaque cas, le symptôme était visible depuis des mois. Personne n'avait passé le diagnostic stale pipeline.
Pourquoi cela compte maintenant
Les cycles de vente en B2B SaaS se sont allongés en 2025 et n'ont commencé que récemment à se compresser à nouveau. Le bilan mi-année de SaaStr donnait un cycle passé de 25 semaines au S1 à 19 semaines au S2, ce qui ressemble à un progrès jusqu'à ce que vous vous souveniez de ce que cela signifie pour toute pipeline dont les définitions de stage ont été écrites pour un cycle de 12 semaines. Les deals n'avancent pas plus vite parce que le commercial est plus motivé ; ils s'éternisent dans des stages sans critère de sortie, les close dates glissent silencieusement au trimestre suivant, et le ratio de coverage paraît sain, jusqu'au moment où le forecast manque de 30 %.
Ce n'est pas un problème de forecasting. Le forecast est en aval. L'article fondateur du Harvard Business Review sur la précision du forecast, publié il y a quelques années, pointait la même cause en amont : les commerciaux retiennent les informations sur les deals qui se passent mal et s'accrochent à des close dates optimistes pour les opportunités en difficulté. Plus un deal reste longtemps dans la pipeline, plus sa probabilité de closing diminue, et plus la plupart des CRM masquent ce signal sous un graphique de coverage.
Le problème, c'est que tout le monde veut débattre de la méthodologie de forecast tant que la pipeline elle-même n'a pas été triagée. Permettez-moi de le reformuler : il n'y a pas de revue de forecast utile sans un diagnostic stale pipeline préalable. Le diagnostic est l'outil bon marché et falsifiable. Exécutez-le avant la réunion, ou annulez la réunion.
Le diagnostic stale pipeline, en quatre chiffres
Pour toute pipeline HubSpot ou Salesforce, quatre requêtes en cinq minutes vous diront si le forecast que vous vous apprêtez à discuter repose sur des données réelles ou sur la pensée magique. Chacune se résout en un chiffre. Traitez-les comme un signal de triage, pas comme un verdict. Aucune des quatre ne nécessite de nouvel outillage ; tout CRM moderne les expose sous forme de vue enregistrée ou de custom report. Si la plupart des équipes ne les ont pas sur un dashboard, ce n'est pas parce que les données sont difficiles à extraire. C'est que personne ne veut nommer une stale pipeline pour ce qu'elle est.
1. Part des deals ouverts au-delà de la close date
Le chiffre le plus diagnostique. Tirez chaque deal ouvert dans la pipeline de vente active. Comparez la close date prévue à aujourd'hui. Tout ce qui est antérieur à aujourd'hui est en retard. Si ce chiffre dépasse 25 %, le forecast est peu fiable et il est inutile de débattre de la méthodologie. S'il dépasse 40 %, la pipeline n'est plus pilotée du tout, et la prochaine conversation se tient avec le Sales Manager, pas avec l'équipe RevOps.
2. Âge médian des deals ouverts, par stage
Pour chaque stage actif, calculez le nombre médian de jours pendant lesquels les deals y restent. Comparez ce chiffre à la durée attendue documentée pour ce stage. Si la durée attendue est de 10 jours et la médiane de 35, le stage n'a pas de critère de sortie, les critères ne sont pas appliqués, ou la définition du stage est fausse. Aucun de ces problèmes n'est un problème de forecast ; tous y contribuent.
3. Nombre de stages distincts dans la pipeline active
Comptez les stages de deal actifs, en excluant closed-won et closed-lost. La bonne réponse se situe entre quatre et six. La recherche OpenView sur les définitions de stage est claire : au-delà de six stages, vous obtenez moins de transitions fiables, pas plus de granularité. En dessous de quatre, vous n'avez pas assez de signal pour forecaster. Au-delà de six, vous offrez aux commerciaux un endroit où garer indéfiniment un deal. Si le compte dépasse huit, c'est l'architecture des stages qui est le problème, avant les données.
4. Part des deals ouverts sans activité depuis 14 jours
Tirez chaque deal ouvert et vérifiez la date du dernier engagement: e-mail, appel, réunion, note, tâche terminée, toute activité loggée. Les deals sans activité depuis deux semaines ne sont pas en pipeline ; ils sont sur une liste. Si ce chiffre dépasse 30 %, le ratio de coverage que vous remontez surévalue la réalité, et le forecast du trimestre suivant mettra quelqu'un dans l'embarras.
Schéma observé sur le terrain : une stale pipeline en chiffres
Une entreprise B2B SaaS en DACH, à un stade intermédiaire, lors d'une revue HubSpot : les quatre chiffres étaient à 50 %, 35 jours contre une durée attendue de 10 jours, onze stages actifs et 42 % sans activité, une stale pipeline de manuel. Aucun de ces chiffres n'était une surprise pour les personnes présentes lorsque nous les avons projetés à l'écran. Trois d'entre eux étaient visibles sur des dashboards toute l'année. L'équipe avait un problème de précision de forecast parce qu'elle avait un problème d'hygiène de pipeline, et le problème d'hygiène de pipeline était un problème d'architecture de stages avec un problème de définition de stage par-dessus. La solution n'était pas un meilleur modèle de forecasting. La solution était quatre heures de cleanup de pipeline, un document d'une page définissant chaque stage, et une règle d'inactivité qui poussait automatiquement les deals dans un stage de re-engagement au 14e jour. Au bout de huit semaines, les quatre chiffres étaient dans la bande acceptable. Le forecast a recommencé à atterrir à 10 % près. Rien dans la méthodologie de forecasting n'avait changé.
Le playbook
Pour toute équipe qui s'apprête à entrer en revue de forecast avec une pipeline non auditée depuis le dernier trimestre :
- Sortez les quatre chiffres avant la réunion. La requête prend cinq minutes par pipeline dans HubSpot ou Salesforce. Si l'un des quatre est dans le rouge, le point suivant à l'ordre du jour est la pipeline, pas le forecast.
- Forcez une mise à jour de close date sur tout ce qui est en retard. Chaque deal au-delà de sa close date reçoit, avant la réunion, l'une des trois actions suivantes : closed-lost, déplacé au trimestre suivant avec une raison écrite, ou escaladé au manager du commercial pour une vraie conversation. Pas de quatrième option.
- Écrivez les définitions de stage sur une page. Chaque stage reçoit une définition d'une phrase, un critère d'entrée, un critère de sortie et un owner. Si vous ne parvenez pas à écrire la page en une session de travail, c'est l'architecture des stages qui est le problème.
- Plafonnez à six le nombre de stages actifs dans la pipeline. Consolidez tout stage qui ne survit pas à l'exercice de définition. Les stages pré-deal: lead, MQL, SQL: appartiennent au lifecycle, pas à la pipeline. La pipeline est faite pour les deals.
- Mettez en place une règle d'inactivité. Tout deal ouvert sans activité loggée depuis 14 jours est routé selon le stage vers une file de re-engagement, une alerte manager ou un closed-lost automatique. Le coût des faux négatifs est faible ici ; le coût d'une pipeline gonflée est élevé.
- Réexécutez les quatre chiffres chaque mois. L'hygiène de pipeline n'est pas un projet, c'est une discipline. Si les quatre chiffres restent dans la bande, la méthodologie de forecast peut être discutée sur ses propres mérites. Sinon, la méthodologie de forecast est du bruit en aval.
Si le playbook paraît léger, c'est qu'il l'est. Le coût est dans la discipline de l'exécuter avant chaque revue de forecast, pas après le miss. Une stale pipeline ne redevient pas saine parce que la méthodologie s'améliore ; elle redevient saine parce que quelqu'un porte les quatre chiffres.
Où Checkpoint intervient
La plupart de nos missions en revenue operations commencent par une version de ce diagnostic. Les quatre chiffres, appliqués à une instance HubSpot héritée, prédisent où atterrira le reste du cleanup plus fiablement que n'importe quel framework que nous possédons. Si votre forecast s'est trompé de plus de 10 % sur deux trimestres consécutifs et que les conversations tournent toujours autour de la méthodologie, la conversation dont vous avez réellement besoin est en amont: dans la pipeline, pas dans le modèle. Sortez d'abord les quatre chiffres.
Sources
- « Slumping Deal Velocity? Embrace Contract Management to Generate Revenue. » SaaStr. saastr.com
- « From AI Billions to Sales Struggles: The Top 10 SaaStr Posts of The First Half of 2025. » SaaStr, juillet 2025. saastr.com
- « Sales Teams Aren't Great at Forecasting. Here's How to Fix That. » Harvard Business Review, 19 mars 2019. hbr.org