Le modèle de scoring est généralement la dernière chose qu'une équipe audite lorsque le pipeline se dégrade. Les équipes retravaillent leurs séquences, revisitent la définition de l'ICP, testent de nouveaux messages. Le modèle reste intact car il donne l'impression d'être une infrastructure : construit une fois, fonctionnant discrètement, probablement correct.
Ce que nous constatons régulièrement lorsque nous nous intégrons à une équipe, c'est que le modèle n'est pas correct, et la raison remonte presque toujours au même endroit : les données d'enrichissement sur lesquelles il a été construit et qu'il continue d'exploiter. La qualité des données de lead scoring est le problème en amont qui rend le modèle erroné avant même qu'un commercial ne voie un score.
Pourquoi la qualité des données de lead scoring commence par l'enrichissement
Le fonctionnement standard est le suivant : un lead arrive, un outil d'enrichissement ajoute des champs, le modèle de scoring lit ces champs et attribue un score. La logique de scoring semble généralement raisonnable : adéquation firmographique, signaux d'engagement, correspondance des titres avec un ICP. Mais les données firmographiques que l'outil a ajoutées ? Dans de nombreux cas, 30 à 40 % de ces valeurs de champs sont erronées, obsolètes ou inadaptées.
Ce n'est pas une spéculation. C'est ce que nous constatons lorsque nous effectuons des audits de données sur un échantillon de comptes avant de construire ou de reconstruire un modèle de scoring. Les tranches d'effectifs sont décalées d'un niveau. Les tags sectoriels ne correspondent pas à l'activité réelle de l'entreprise. Les titres sont associés à des niveaux de séniorité qui ne reflètent pas la structure réelle de l'organisation. L'outil d'enrichissement a associé un domaine et extrait un enregistrement, mais le mauvais, ou un enregistrement qui était exact il y a deux ans.
Pour le meilleur ou pour le pire, la plupart des équipes ne le découvrent que lorsque les SDRs commencent à se plaindre que les leads scorés ne correspondent pas à ce qu'ils trouvent lorsqu'ils appellent réellement. C'est un signal tardif pour identifier un problème fondamental.
Le problème de l'héritage silencieux
Ce qui piège les équipes, c'est que votre modèle de scoring n'utilise pas seulement de mauvaises données une fois. Il hérite des mauvaises données comme d'un schéma. Si votre outil d'enrichissement classe systématiquement à tort les entreprises de 50 à 200 employés comme des entreprises de taille enterprise, et que votre modèle a été entraîné sur des conversions historiques qui incluaient ce même mauvais étiquetage, le modèle apprend le mauvais signal comme prédicteur.
Vous vous retrouvez donc avec des problèmes de qualité des données de lead scoring qui corrompent à la fois l'ensemble d'entraînement et le flux d'inférence en production. Vous corrigez le flux d'enrichissement pour l'avenir, mais les pondérations du modèle reflètent toujours l'ancienne classification erronée. Les acheteurs avec lesquels nous échangeons décrivent souvent cela comme une dérive lente : "Notre scoring fonctionnait bien pendant les six premiers mois, puis nous avons commencé à rater des choses." Fréquemment, ce n'est pas un changement de comportement du marché. C'est l'erreur d'enrichissement accumulée qui s'exprime à grande échelle.
À mon sens, il s'agit d'un problème d'erreurs cumulatives. Chaque champ erroné n'est pas seulement un score incorrect, c'est un schéma erroné intégré dans un modèle qui s'applique à chaque lead suivant. Le mécanisme est important car vous ne pouvez pas corriger la qualité des données de lead scoring en ajustant les critères de scoring. Vous devez corriger ce qui alimente ces critères.
Ce que requiert la qualité des données de lead scoring
Il y a ici deux audits, liés mais distincts.
Le premier est un audit d'enrichissement. Sur quels champs votre modèle s'appuie-t-il ? Quelle est la précision de ces champs sur un échantillon ? Vous extrayez 100 à 200 comptes du CRM, vérifiez les valeurs enrichies par rapport à des sources vérifiables et mesurez le taux d'erreur par champ : nombre d'employés, classification sectorielle, géographie du siège social, stack technologique et séniorité du contact d'origine. Faites cela avant de construire un modèle de scoring, et certainement avant d'en reconstruire un.
Le second est un audit du modèle : quels champs prédisent réellement la conversion dans les données historiques, par opposition aux champs qui semblent intuitivement devoir la prédire ? De nombreux modèles de scoring sont construits sur l'intuition de quelqu'un concernant l'apparence d'un bon lead. Ensemble, ces deux audits vous donnent une définition opérationnelle de la qualité des données de lead scoring : les bons champs, avec des données propres dans ces champs, vérifiées par rapport aux résultats qui vous importent.
Aucun fournisseur ne résout cela automatiquement. Les outils d'enrichissement, y compris ceux natifs à l'IA, citent des taux de correspondance, mais le taux de correspondance et la précision des champs sont des chiffres différents. Un outil peut associer 90 % des enregistrements et être néanmoins erroné sur 40 % des valeurs qu'il ajoute. Un cabinet de conseil RevOps fractionné publie une amélioration de 40 % de la précision des prévisions après un engagement de 90 jours, et je le croirais volontiers pour le bon client. Mais cette amélioration commence presque toujours par ce qui alimente les prévisions, et non par la logique de prévision elle-même.
Certains prestataires RevOps publient désormais des tarifs à périmètre fixe pour les reconstructions de systèmes qui incluent exactement ce type de refonte des données et du scoring, ce qui facilite au moins pour les acheteurs la définition du périmètre des travaux impliqués.
Ce que nous faisons lorsque nous travaillons en immersion sur ce sujet
Les deux premières semaines ne se passent presque jamais à l'intérieur du modèle de scoring. Elles se passent dans les données : extraction d'un échantillon, réalisation de l'audit d'enrichissement, cartographie des champs que le modèle lit et analyse du taux d'erreur lors d'une vérification ponctuelle.
Je n'ai pas de réponse parfaite à vous proposer sur l'automatisation du contrôle continu de la précision. La précision de l'enrichissement se dégrade à mesure que les entreprises évoluent et que les outils mettent à jour leurs sources, et il n'existe pas de signal de précision en temps réel fiable intégré dans la plupart des APIs d'enrichissement. La meilleure pratique que nous ayons trouvée est un examen trimestriel par échantillon des champs à plus fort poids, associé à une vérification de la fraîcheur des données sur vos comptes actifs les mieux scorés.
La seconde chose est de s'assurer que le modèle de scoring est testé sur un ensemble de validation qui utilise les données d'enrichissement que votre outil produit, et non des données nettoyées manuellement. Si vous construisez un modèle sur des données firmographiques vérifiées et que vous le déployez ensuite sur des données ajoutées, vous avez construit pour une distribution d'entrées différente. La qualité des données de lead scoring signifie que les données que votre modèle voit lors de l'entraînement doivent correspondre à ce qu'il voit lors de l'inférence, y compris les erreurs.
La plupart des conversations du type "notre scoring ne fonctionne pas" que nous menons remontent ici. La logique de scoring est souvent correcte. L'hygiène des données CRM qui la sous-tend ne l'est pas. Et corriger la couche de données, plutôt que d'empiler davantage de critères de scoring sur la même base défaillante, c'est là que le travail tend à se concentrer.
Si vous travaillez sur ce sujet, les analyses et cadres que nous avons publiés sur les systèmes RevOps couvrent notre approche d'un audit de données et d'enrichissement avant toute reconstruction du scoring. La qualité des données de lead scoring est, pour la plupart des équipes, le point de départ, et c'est la partie qui est le plus souvent ignorée.