Le modèle de scoring est généralement la dernière chose que l'on audite lorsque le pipeline fléchit. Les équipes retravaillent leurs séquences, revoient la définition de l'ICP, testent de nouveaux messages. Le modèle, lui, reste intact, car il passe pour une infrastructure : conçu une fois, il tourne en silence et, probablement, tout va bien.
Ce que nous constatons sans cesse lorsque nous intervenons au sein d'une équipe, c'est que le modèle n'est pas correct, et que la cause remonte presque toujours au même endroit : les données d'enrichissement sur lesquelles il a été construit et qu'il continue d'utiliser. La qualité des données de lead scoring est le problème en amont qui rend le modèle faux avant même qu'un commercial ne voie un score.
Pourquoi la qualité des données de lead scoring commence par l'enrichissement
Le schéma classique est le suivant : un lead arrive, un outil d'enrichissement ajoute des champs, le modèle de scoring lit ces champs et attribue une note. La logique de scoring paraît généralement raisonnable : adéquation firmographique, signaux d'engagement, correspondance du poste avec l'ICP. Mais les données firmographiques ajoutées par l'outil ? Dans bien des cas, 30 à 40 % de ces valeurs sont fausses, périmées ou mal appariées.
Ce n'est pas une supposition. C'est ce que nous observons lorsque nous auditons un échantillon de comptes avant de construire ou de reconstruire un modèle de scoring. Des tranches d'effectif décalées d'un cran. Des secteurs d'activité qui ne correspondent pas au métier réel de l'entreprise. Des postes associés à des niveaux de séniorité qui ne reflètent pas l'organisation réelle. L'outil d'enrichissement a fait correspondre un domaine et récupéré une fiche, mais la mauvaise, ou une fiche qui était exacte il y a deux ans.
Pour le meilleur ou pour le pire, la plupart des équipes ne s'en aperçoivent que lorsque les SDR se plaignent que les leads bien notés ne correspondent pas à ce qu'ils découvrent au téléphone. C'est un signal bien tardif pour détecter un problème de fondation.
Le problème de l'héritage silencieux
Ce qui piège les équipes, c'est que votre modèle de scoring n'utilise pas une mauvaise donnée une seule fois. Il hérite de la mauvaise donnée sous forme de schéma récurrent. Si votre outil d'enrichissement classe systématiquement les entreprises de 50 à 200 salariés comme des grands comptes, et que votre modèle a été entraîné sur des conversions historiques comportant ce même mauvais étiquetage, il apprend un faux signal comme prédicteur.
Vous vous retrouvez donc avec des problèmes de qualité des données de lead scoring qui corrompent à la fois le jeu d'entraînement et le flux d'inférence en production. Vous corrigez le flux d'enrichissement pour l'avenir, mais les poids du modèle reflètent toujours l'ancienne erreur de classification. Les acheteurs que nous rencontrons décrivent souvent cela comme une dérive lente : « Notre scoring fonctionnait bien les six premiers mois, puis nous avons commencé à passer à côté de choses. » Bien souvent, ce n'est pas un changement du comportement du marché. C'est l'erreur d'enrichissement accumulée qui se manifeste à grande échelle.
À mon sens, il s'agit d'un problème d'erreur cumulative. Chaque champ erroné ne produit pas seulement un mauvais score ; il inscrit un mauvais schéma dans un modèle qui s'applique à chaque lead suivant. Le mécanisme compte, car on ne corrige pas la qualité des données de lead scoring en ajustant les critères de scoring. Il faut corriger ce qui alimente ces critères.
Ce qu'exige la qualité des données de lead scoring
Il y a ici deux audits, liés mais distincts.
Le premier est un audit de l'enrichissement. Quels champs votre modèle utilise-t-il ? Quelle est la précision de ces champs sur un échantillon ? Vous extrayez 100 à 200 comptes du CRM, vous comparez les valeurs enrichies à des sources vérifiables et vous mesurez le taux d'erreur par champ : effectif, classification sectorielle, siège géographique, stack technologique et séniorité du contact d'origine. Faites-le avant de construire un modèle de scoring, et surtout avant d'en reconstruire un.
Le second est un audit du modèle : quels champs prédisent la conversion dans les données historiques, et lesquels donnent simplement l'impression de devoir la prédire ? Beaucoup de modèles de scoring reposent sur l'intuition de quelqu'un quant à ce qu'est 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 éditeur ne résout cela automatiquement. Les outils d'enrichissement, y compris ceux nativement basés sur l'IA, annoncent des taux de correspondance, mais taux de correspondance et exactitude des champs sont deux chiffres différents. Un outil peut faire correspondre 90 % des fiches et se tromper sur 40 % des valeurs qu'il ajoute. Un cabinet de conseil RevOps en temps partagé revendique des gains de précision des prévisions d'environ 40 % après 90 jours d'intervention, et je le crois pour le bon client. Mais cette amélioration commence presque toujours par ce qui alimente la prévision, et non par la logique de prévision elle-même.
Certaines sociétés RevOps publient désormais des tarifs forfaitaires à périmètre fixe pour des refontes de systèmes incluant précisément ce type de remise à plat des données et du scoring, ce qui permet au moins aux acheteurs de mieux cerner le travail concerné.
Ce que nous faisons lorsque nous intervenons sur ce sujet
Les deux premières semaines ne se déroulent presque jamais dans le modèle de scoring. Elles se déroulent dans les données : extraction d'un échantillon, audit de l'enrichissement, cartographie des champs que le modèle lit et du taux d'erreur observé lors d'un contrôle ponctuel.
Je n'ai pas de réponse satisfaisante à vous donner 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 la plupart des API d'enrichissement n'intègrent aucun signal fiable de précision en temps réel. La meilleure pratique que nous ayons trouvée est une revue trimestrielle d'échantillon sur les champs les plus pondérés, associée à un contrôle de fraîcheur sur vos comptes actifs les mieux notés.
Le second point consiste à s'assurer que le modèle de scoring est testé sur un jeu de validation qui utilise les données d'enrichissement produites par votre outil, et non des données nettoyées manuellement. Si vous construisez un modèle sur des données firmographiques vérifiées puis le déployez sur des données ajoutées automatiquement, vous l'avez conçu pour une autre distribution d'entrée. La qualité des données de lead scoring implique que les données vues par votre modèle à l'entraînement correspondent à celles qu'il voit en inférence, erreurs comprises.
La plupart des échanges du type « notre scoring ne fonctionne pas » que nous avons ramènent à ce point. La logique de scoring est souvent correcte. L'hygiène des données CRM qui la sous-tend, non. Et c'est en corrigeant la couche de données, plutôt qu'en empilant davantage de critères de scoring sur la même fondation défaillante, que le travail aboutit généralement.
Si vous travaillez sur ce sujet, les analyses et cadres méthodologiques que nous avons publiés sur les systèmes RevOps expliquent comment nous abordons un audit des données et de l'enrichissement avant toute refonte du scoring. La qualité des données de lead scoring est, pour la plupart des équipes, le point de départ, et c'est aussi la partie la plus souvent négligée.