Quand un chiffre de pipeline tombe en dessous de l’objectif, une série de réunions prévisible s’enclenche. Quelqu’un sort le rapport de funnel, les stages sont audités, les commerciaux sont coachés, et le récit se fixe sur la conversion MQL vers SQL ou sur la vélocité des deals en fin de cycle. L’hypothèse : l’écart se situe entre deux stages du funnel, et corriger le handoff permettra de retrouver le chiffre.
D’expérience, c’est le mauvais point de départ pour la plupart des équipes. La fuite de revenu que nous passons le plus de temps à diagnostiquer chez Checkpoint GTM n’est pas du tout dans le funnel. Elle est dans les données CRM qui se trouvent en dessous.
Je m’explique.
À quoi ressemble réellement le problème de données
Trois catégories reviennent dans chaque audit CRM que nous menons. Je les appelle les trois poids morts : les doublons, les contacts inactifs et les leads non routés.
Les doublons sont les plus visibles, mais les plus difficiles à quantifier. Un contact créé à partir d’un formulaire côtoie la même personne créée par un import de liste six mois plus tôt. Aucun des deux n’est enrichi. Aucun n’a de propriétaire. Un commercial finit par appeler l’un ; l’autre reste indéfiniment au lifecycle stage « nouveau ». Quand vous interrogez le pipeline, ce contact apparaît comme jamais travaillé. On dirait un lead passé entre les mailles du filet. C’en est un, mais la maille a été créée par de mauvaises données, pas par un processus cassé.
Les contacts inactifs sont plus sournois. Ce sont de vraies personnes qui, à un moment donné, ont donné leur consentement, assisté à un webinar ou téléchargé un contenu, puis ont complètement disparu des radars. Le CRM n’a aucun mécanisme pour les signaler comme ne valant plus la peine d’être nourris, alors ils restent dans la base, gonflent vos totaux et vos taux de rebond email. Les acheteurs avec qui nous échangeons décrivent des SDR qui passent une part significative de chaque semaine à appeler des numéros qui ont changé ou à écrire à des adresses qui rebondissent. Ce temps est une fuite de revenu directe, même s’il n’apparaît jamais dans un rapport de conversion.
Les leads non routés sont les plus coûteux et les plus faciles à corriger. Ce sont des leads entrés dans le CRM mais jamais attribués à un commercial, jamais placés dans une séquence, jamais travaillés. Parfois, la règle de routage a cassé. Parfois, les attributions de territoire n’ont jamais été configurées pour un nouveau segment. Parfois, un import de salon a atterri dans la base sans champ propriétaire renseigné. Ces leads pensent avoir levé la main. L’entreprise ignore qu’ils existent. Il n’y a pas de fuite de revenu plus nette qu’un lead qualifié que personne n’a appelé.
Pourquoi cette fuite de revenu reste non mesurée
Si cette fuite de revenu précise n’apparaît pas dans le reporting standard, c’est parce que les CRM sont conçus pour rendre compte de l’activité. Ils suivent ce qui s’est passé. Ils ne font pas remonter ce qui ne s’est pas passé. Un lead non routé ne déclenche aucune alerte d’activité manquée. Un doublon ne crée aucun trou visible dans un rapport de transition entre stages. Un contact mort n’est signalé comme anomalie nulle part.
Pour le meilleur ou pour le pire, la plupart des reportings de revenu reposent sur ces fondations défaillantes. Quand les dashboards paraissent raisonnables, rien ne signale que quelque chose ne va pas. La fuite de revenu est invisible par construction.
Je l’ai constaté dans des CRM qui semblent bien tenus en surface : conventions de nommage cohérentes, lifecycle stages renseignés, véritable structure de segmentation. Puis vous lancez une requête sur les contacts créés au cours des quatre-vingt-dix derniers jours sans propriétaire ni activité, et vous trouvez des centaines de leads qui n’ont jamais été travaillés. Le système paraissait propre. Les données ne l’étaient pas.
Ce que révèle réellement un audit de données
Chez Checkpoint GTM, nous cadrons ce travail comme un audit de données d’abord, un audit de funnel ensuite. L’ordre compte. Inutile d’optimiser le lead scoring si le même lead existe trois fois dans la base. Inutile de construire un parcours de nurturing si 40 % des contacts d’un segment donné n’ont pas ouvert un email depuis dix-huit mois.
En pratique, un audit de données CRM comporte quatre volets. Premièrement, une analyse des doublons : combien de contacts partagent un domaine email, un nom d’entreprise ou un numéro de téléphone, et quelle est la stratégie de fusion ? Deuxièmement, un bilan de santé des contacts : ancienneté de l’engagement, date de dernière activité, statut de délivrabilité. Troisièmement, un audit du routage : y a-t-il des leads dans une file sans propriétaire attribué, et quel âge a le plus ancien ? Quatrièmement, un contrôle d’intégrité du lifecycle : des contacts sont-ils bloqués dans des stages qu’ils auraient dû quitter, ce qui signale généralement qu’un processus a cassé sans que personne ne s’en aperçoive ?
Les chiffres de ces audits sont presque toujours surprenants. Une règle empirique que j’utilise : dans un CRM qui n’a pas été audité depuis plus d’un an, entre 15 % et 30 % de la base de contacts est soit en doublon, soit totalement inactive, soit de fait sans propriétaire. C’est la population à partir de laquelle votre pipeline est généré. C’est la fuite de revenu qui n’apparaît sur aucun dashboard.
Je n’ai pas de très bonne explication à ce que les équipes laissent la situation s’accumuler aussi longtemps. Une part tient au fait que corriger des données est un travail ingrat. Une autre au fait que le marché prend lentement conscience du problème : les outils dont disposent les équipes RevOps intégrées traitent désormais ce sujet comme un diagnostic d’entrée plutôt que comme un nettoyage après coup. Mais surtout, personne ne porte l’audit tant que quelqu’un ne décide pas de s’en charger.
Corriger les données avant d’ajouter des effectifs
Le point sur lequel j’insiste le plus auprès des CRO et des fondateurs, c’est l’ordre des opérations. Ajouter un SDR dans un CRM qui compte 20 000 leads non routés et 25 % de doublons ne corrige pas la fuite de revenu. Cela la dilue. Le SDR appelle les mêmes personnes que le précédent, travaille sur les mêmes listes gonflées et se heurte aux mêmes problèmes de qualité. Le reporting finit par montrer une productivité plus faible par commercial, et le réflexe est d’ajouter de la formation ou de l’outillage.
Ce qu’il faut, c’est un audit de données.
L’approche standard d’implémentation GTM sur ce marché commence par l’optimisation du funnel ou le déploiement de technologie. Notre point de départ est différent : on ne bâtit pas un moteur de revenu fiable sur des données qui ne le sont pas. Réparez les fondations, et l’arithmétique du funnel change d’elle-même. C’est le travail que nous documentons et que nous menons aux côtés des équipes, pas à distance.
Si vous voulez voir à quoi cela ressemble en pratique, les détails se trouvent dans nos archives insights. La séquence est presque toujours la même : audit de données, puis travail sur le funnel, puis décisions d’effectifs ou d’outillage. Dans cet ordre.