Automatiser la qualification des leads : lead scoring et workflows HubSpot

Une équipe commerciale B2B reçoit chaque semaine des leads de qualité très inégale : le responsable des achats d'une ETI cible qui demande une démonstration, un consultant indépendant abonné à la newsletter, un ancien prospect revenu sur la page tarifs après six mois sans contact. Faute de critère partagé, les commerciaux rappellent ces leads selon leur place dans la liste ou la notoriété de l'entreprise. Les plus prometteurs attendent alors aussi longtemps que les autres, parfois assez longtemps pour se tourner vers un concurrent.

Le lead scoring classe ces contacts selon deux critères : leur adéquation au profil de client que l'entreprise sait servir, et l'intérêt récent qu'ils manifestent pour l'offre. Ce classement sert à trois usages. Les commerciaux appellent en priorité les contacts qui réunissent les deux conditions. Le marketing place dans des parcours de nurturing ceux qui ont le bon profil mais pas encore de projet, et écarte ceux qui sont hors cible. Les deux équipes partagent enfin une définition écrite du lead qualifié, ce qui réduit les désaccords sur la qualité des leads transmis.

Automatiser la qualification des leads consiste à écrire cette définition avec la vente, puis à la confier à HubSpot : le lead scoring mesure le profil et l'intérêt de chaque contact, et les workflows transmettent les leads qualifiés aux commerciaux dans le délai convenu. Cet article détaille la méthode, du choix des critères au paramétrage dans HubSpot. Il approfondit la section consacrée à la qualification de notre guide pour choisir, intégrer et exploiter un CRM.

Qualifier un lead : le bon client, un intérêt réel, au bon moment

Un lead est qualifié quand il correspond au profil de client que l'entreprise sait servir (le fit), qu'il manifeste un intérêt mesurable pour l'offre (l'engagement) et que cet intérêt est récent. Un modèle qui ne mesure qu'une de ces trois conditions transmet aux commerciaux des contacts qui ne sont pas prêts à acheter. Un étudiant qui télécharge trois livres blancs a un engagement élevé et aucun fit. Le directeur financier d'un compte cible qui a ouvert un email il y a huit mois a un fit parfait, mais un intérêt trop ancien pour justifier un appel.

Beaucoup de portails HubSpot ne font pourtant pas cette distinction : un score unique, alimenté depuis des années, attribue par exemple 5 points à une visite de page et 10 points à un secteur d'activité, sans que personne dans l'équipe ne sache justifier ces valeurs.

La qualification repose d'abord sur un accord entre marketing et vente. Le marketing écrit sa définition du MQL (Marketing Qualified Lead, un lead jugé prêt à être transmis à la vente). La vente s'engage sur un délai de premier contact et sur un retour motivé quand un lead se révèle mauvais. Le lead scoring et les workflows le traduisent ensuite dans HubSpot.

Une entreprise qui ne parvient pas à écrire sa définition du MQL en cinq lignes a un désaccord interne à régler avant tout paramétrage, car aucun réglage de HubSpot ne fixera cette définition à la place des équipes. Chez Markentive, l'atelier de définition avec les directions marketing et commerciale précède toujours le paramétrage.

L'outil de lead scoring HubSpot : fit, engagement et score combiné

L'ancienne propriété « HubSpot score » additionnait des critères positifs et négatifs dans un chiffre unique. L'outil qui la remplace dispose d'un espace dédié et couvre trois objets, selon la documentation HubSpot de l'outil de lead scoring :

• les contacts, avec Marketing Hub Professional ou Enterprise ;
• les entreprises, avec Marketing Hub ou Sales Hub Professional ou Enterprise ;
• les transactions, avec Sales Hub Professional ou Enterprise, en score combiné uniquement.

Trois types de scores coexistent. Le score de fit évalue des valeurs de propriétés : fonction, effectif, secteur, chiffre d'affaires, pays. Il ne varie que si la fiche change. Le score d'engagement évalue des événements : visites de pages, soumissions de formulaires, interactions avec les emails marketing, réunions, appels passés depuis l'outil d'appel de HubSpot. Le score combiné additionne les deux tout en conservant une propriété pour chaque composante. Nous le recommandons dans la quasi-totalité des projets, parce qu'il permet de lire séparément le profil et l'intérêt au lieu de les fondre dans un chiffre unique.

Quatre mécanismes distinguent l'outil actuel de l'ancienne propriété.

La décroissance. La valeur d'un événement baisse automatiquement avec son ancienneté, par paliers de 1, 3, 6 ou 12 mois, selon un pourcentage paramétrable. Le score tient ainsi compte de l'ancienneté de l'intérêt, sans qu'il faille construire un workflow pour faire baisser les points anciens.

Les plafonds par groupe. Chaque groupe de critères peut être limité à un nombre maximal de points. Si le groupe « navigation » est plafonné, dix visites de la page tarifs ne suffisent plus à placer un contact en tête de liste.

Le multi-score. Un même objet peut porter plusieurs scores, par exemple un par ligne de produit ou par zone géographique. Une entreprise qui vend un logiciel aux directions financières et un service aux directions des ressources humaines n'a plus à réunir ces deux cibles dans une pondération unique.

La grille de seuils. Le score combiné classe chaque contact dans une case de A1 à C3 : la lettre indique le fit (A pour élevé, C pour faible), le chiffre indique l'engagement (1 pour élevé, 3 pour faible). Un A3 est un compte cible sans activité récente. Un C1 est un contact très actif mais hors cible. Ces deux contacts n'appellent pas le même traitement, et le libellé suffit au commercial pour le savoir. La grille ci-dessous donne un exemple de répartition des contacts entre les neuf cases.

Exemple de répartition des contacts dans la grille de seuils d'un score combiné

Construire le modèle : quatre décisions, dans cet ordre

Un modèle de scoring se construit à partir des affaires gagnées, parce que les clients réellement signés montrent quels critères annoncent un achat. Partir de la liste des propriétés disponibles dans le portail conduit à pondérer les champs renseignés plutôt que les critères qui prédisent la conversion.

Première décision : le fit, déduit des transactions gagnées. Exporter les transactions gagnées des 18 à 24 derniers mois et relever les caractéristiques récurrentes : secteur, effectif, fonction du contact principal, pays. La pondération se fonde sur le revenu généré par chaque caractéristique. Un secteur qui génère une part importante du chiffre d'affaires avec peu de leads mérite un poids fort. Un secteur qui fournit beaucoup de leads et presque aucun revenu mérite un critère négatif, qui retire des points au contact. Le fit encode aussi les exclusions : concurrents, étudiants, adresses email personnelles, pays non desservis. Ces critères négatifs sont souvent oubliés, alors qu'ils évitent aux commerciaux une grande partie des appels inutiles.

Deuxième décision : l'engagement, pondéré selon l'intention. Une demande de démonstration signale une intention d'achat ; l'ouverture d'une newsletter signale au mieux de l'attention. Trois niveaux suffisent en général. Les signaux d'achat regroupent le formulaire de contact, la page tarifs, la page comparatif et la réponse à une séquence commerciale. Les signaux d'intérêt regroupent le téléchargement d'un contenu de milieu de tunnel, la participation à un webinar et la consultation de plusieurs pages produit. Les signaux de présence se limitent aux ouvertures d'email et aux visites du blog. Les deux derniers niveaux vont dans des groupes plafonnés, et la décroissance s'applique aux trois.

Les ouvertures d'email appellent une précaution particulière. Depuis la délibération de la CNIL sur les pixels de suivi, la mesure des ouvertures dépend du consentement du destinataire et devient partielle, comme l'explique notre article sur le tracking d'ouverture d'email et la CNIL. Un score d'engagement fondé principalement sur les ouvertures sous-estimera donc une part croissante de la base. Les clics, les visites et les formulaires restent des signaux fiables.

Troisième décision : les seuils, calibrés sur la distribution réelle. HubSpot affiche un aperçu de la distribution des scores avant activation, et les seuils se fixent à partir de cet écran. Si une large part de la base tombe en zone élevée, le seuil est trop bas et les commerciaux recevront dès la première semaine plus de leads qu'ils ne peuvent en traiter. La règle que nous appliquons : le nombre de leads en zone à traiter doit correspondre à la capacité de l'équipe commerciale dans le délai convenu. Dans l'exemple de grille présenté plus haut, retenir A1, A2 et B1 comme seuil de MQL place 1 395 contacts en zone à traiter, sur près de 294 000 contacts scorés : l'équipe commerciale doit pouvoir appeler ces 1 395 contacts dans le délai convenu, sinon le seuil est à resserrer. Le même exemple place plus de 99 % des contacts en engagement faible (colonne 3), parce que la plupart des contacts d'une base ancienne n'ont eu aucune interaction récente et que la décroissance réduit la valeur des interactions anciennes. Cette répartition est normale et ne signale pas un défaut du modèle.

Quatrième décision : le périmètre scoré. L'outil permet de scorer un segment précis ou d'exclure des segments. Exclure d'emblée les clients, les partenaires et les collaborateurs empêche ces contacts de fausser un score conçu pour la prospection. Cette omission explique souvent les leads présentés comme prioritaires que les commerciaux jugent incohérents, par exemple un client existant transmis comme nouveau prospect.

Du score à l'action : les workflows de qualification

Le score indique quels contacts traiter en priorité, mais il ne transmet rien aux commerciaux. Ce sont les workflows qui attribuent le lead, informent le commercial et contrôlent le délai de traitement. Quatre familles de workflows couvrent ce passage.

Le passage en MQL

Quand un contact atteint le seuil convenu, par exemple les cases A1, A2 et B1, un workflow le fait passer à l'étape MQL de la propriété de cycle de vie et positionne sa propriété statut du lead sur « Nouveau ». Deux règles de conception évitent les erreurs les plus fréquentes. D'abord, le déclencheur est le libellé de la grille plutôt que le score brut : le score brut change à chaque événement et à chaque palier de décroissance, alors que le libellé ne change que lorsqu'un seuil est franchi. Ensuite, aucun workflow ne fait redescendre le cycle de vie, parce que cette propriété retrace l'historique de la relation et sert aux analyses de conversion.

L'état commercial relève de la vente. Dans HubSpot, la propriété statut du lead le porte : le commercial la fait évoluer au fil de ses échanges, jusqu'à « Transaction ouverte » ou « Non qualifié », selon la logique décrite dans notre article sur le statut des leads dans HubSpot.

Le routage vers le bon commercial

Le lead qualifié doit parvenir à la bonne personne, avec le contexte utile, dans le délai convenu. Le workflow attribue un propriétaire selon le territoire, le secteur ou une rotation, crée une tâche avec échéance et notifie le commercial par email ou dans Slack. Le contenu de la notification conditionne la rapidité du rappel. Une alerte limitée à « Nouveau MQL » oblige le commercial à ouvrir la fiche pour juger de l'urgence, et elle est souvent remise à plus tard. Une alerte qui précise la case de la grille, le profil du compte et les dernières actions (« B1, ETI industrielle, deux visites de la page tarifs et une demande de cas client hier ») lui permet de décider immédiatement de l'appeler.

Dans les organisations plus complexes, le routage intègre un contrôle de charge : au-delà d'un nombre défini de leads ouverts, un commercial sort temporairement de la rotation. Cette règle se paramètre dans un workflow standard, sans développement.

Le nurturing selon la case de la grille

La grille A1-C3 fournit directement les critères d'entrée des parcours de nurturing. Les A3 et B3, qui ont un bon profil et peu d'activité récente, relèvent d'un nurturing de réactivation adapté au compte plutôt que de la newsletter générale. Les C1 et C2, très actifs mais hors cible, ne doivent pas être transmis à un commercial : un workflow les oriente vers un parcours en autonomie ou les exclut. Les leads disqualifiés par la vente pour absence de projet à court terme reviennent en nurturing avec une date de relance. Ces parcours reprennent les principes exposés dans notre article sur les workflows de lead nurturing.

Le contrôle du délai de traitement

Le dernier workflow est rarement construit, alors qu'il garantit le respect de l'accord entre marketing et vente. Il repère un MQL non traité dans le délai convenu, alerte le manager commercial et, si nécessaire, réattribue le lead. Sans lui, un manquement au délai reste invisible jusqu'à la revue mensuelle.

Ces quatre familles de workflows s'inscrivent dans l'architecture de marketing automation B2B orientée pipeline que nous déployons chez nos clients, dont le scoring constitue la première étape.

Par quels workflows commencer

Ouvrir tous les workflows en même temps rend les erreurs impossibles à attribuer. Si les commerciaux contestent les leads reçus, personne ne sait si le problème vient du seuil, du routage ou du nurturing. Nous déployons donc en trois vagues, selon un critère explicite : ouvrir d'abord les automatisations qui rendent le dispositif mesurable.

1. Première vague : passage en MQL, routage et contrôle du délai. Ces trois workflows appliquent l'accord entre marketing et vente, et produisent les données dont dépend tout le reste : délai de premier contact, taux d'acceptation par la vente, motifs de disqualification. Ils s'ouvrent ensemble, dès l'activation du score.
2. Deuxième vague, un à deux mois plus tard : le nurturing par case et le recyclage des leads disqualifiés. Leur réglage dépend des motifs de disqualification collectés pendant la première vague.
3. Troisième vague : le multi-score, les scores générés par IA et les propriétés intelligentes. Elle suppose un modèle stabilisé et un historique de conversions suffisant.

Trois automatisations restent désactivées : la première jusqu'à ce que le modèle ait fait ses preuves, les deux autres définitivement. La première est l'inscription automatique d'un contact dans une séquence commerciale envoyée au nom du commercial, sur la seule base du score : avec un seuil mal calibré, des emails partent au nom de l'équipe vers des prospects hors cible. Elle s'ouvre quand le taux d'acceptation des MQL par la vente est stable depuis un trimestre. La deuxième est la rétrogradation automatique du cycle de vie, qui efface l'historique nécessaire aux analyses de conversion. La troisième est l'attribution fondée sur le score brut, qui fait changer un lead de propriétaire au gré de la décroissance.

L'IA dans la qualification : propriétés intelligentes et enrichissement

L'IA apporte deux usages concrets à la qualification. Elle transforme en données structurées l'information que le CRM contient déjà sous forme de texte. Elle complète la connaissance du compte à partir de sources externes.

Des propriétés intelligentes pour scorer les besoins exprimés

Une large part de l'information utile à la qualification se trouve dans du texte libre : le champ « votre projet » d'un formulaire, les transcriptions d'appels, les emails, les notes des commerciaux. Le scoring ne peut pas l'exploiter tant qu'elle n'est pas convertie en valeurs structurées. Les actions Breeze des workflows HubSpot, notamment « Data Agent: Fill Smart Property », remplissent une propriété à partir de ces contenus. Elles sont disponibles sur les éditions Professional et Enterprise et consomment des HubSpot Credits, d'après la documentation HubSpot sur l'IA dans les workflows, qui cite la qualification des leads à partir des formulaires et des appels parmi les usages prévus.

Appliqué au scoring, le principe consiste à faire extraire par l'IA quelques propriétés à valeurs fermées : échéance du projet (moins de trois mois, trois à douze mois, pas de projet), outil actuellement utilisé, besoin principal exprimé. Ces propriétés deviennent ensuite des critères de fit ou d'engagement comme les autres. Un prospect qui écrit dans un formulaire « nous remplaçons notre CRM avant la fin de l'année » reçoit ainsi les points que sa demande justifie, alors qu'un score classique n'a aucun moyen de lire cette phrase.

Quatre garde-fous conditionnent la fiabilité du dispositif. La propriété calculée par l'IA reste distincte de la propriété saisie par un commercial, afin que la saisie humaine ne soit jamais écrasée. Chaque propriété calculée porte sa date de calcul et se recalcule quand la matière source change. Les workflows prévoient une branche par défaut pour les valeurs vides, fréquentes quand le texte source est pauvre. Enfin, seules les propriétés à valeurs fermées servent de critère de score ; un texte libre généré par l'IA n'en sert jamais.

L'enrichissement externe pour compléter le fit

Un score de fit n'est fiable que si les propriétés qu'il évalue sont renseignées. L'enrichissement externe, natif avec Breeze Intelligence ou fourni par un prestataire tiers, complète l'effectif, le secteur, le chiffre d'affaires et les technologies utilisées ; nous comparons ces options dans notre article sur l'enrichissement des données CRM avec Breeze.

Deux signaux externes améliorent aussi la qualification. Les signaux d'intention indiquent qu'une entreprise consulte des contenus liés à l'offre avant même de remplir un formulaire. Les changements de poste sont plus négligés encore : un ancien utilisateur de la solution qui rejoint un compte cible arrive avec un fit et un intérêt déjà établis, mais il reste invisible tant que personne ne suit les mouvements des contacts.

L'enrichissement a un coût, en crédits comme en abonnements. Nous enrichissons un segment défini, par exemple les comptes cibles et les MQL récents, jamais la base entière.

La limite des scores générés par IA

En Marketing Hub Enterprise, HubSpot peut proposer des critères et des pondérations à partir de l'historique du portail, à condition de disposer d'au moins 50 contacts, dont 25 convertis et 25 non convertis. L'outil est utile pour amorcer un modèle ou pour remettre en question les intuitions de l'équipe. Il ne remplace pas l'atelier avec la vente, parce qu'il apprend des conversions passées, y compris de celles que l'entreprise ne souhaite plus reproduire : un segment rentable il y a deux ans et abandonné par la stratégie actuelle continuera d'être favorisé.

Maintenir le modèle fiable dans la durée

Un modèle de scoring livré puis jamais revu perd sa pertinence en quelques mois, parce que les cibles, les pages du site et la composition de l'équipe commerciale évoluent alors que les critères restent figés. Trois indicateurs suffisent à le piloter.

Le taux de conversion MQL vers SQL par case de la grille. Si les A1 convertissent à peine mieux que les B2, le fit est mal pondéré. Si les C1 convertissent, la définition du fit elle-même est à revoir.

Le délai de premier contact après le passage en MQL, comparé au délai convenu. Cet indicateur relève de la vente et conditionne tous les autres. Un lead de qualité rappelé au bout de neuf jours a souvent perdu l'intérêt qui avait motivé sa demande, ou s'est tourné vers un concurrent plus rapide.

Le motif de disqualification saisi par la vente sur chaque lead refusé. Une liste fermée de motifs (hors cible, pas de projet à court terme, concurrent, injoignable, étudiant) désigne directement le critère négatif qui manque au modèle. Ce motif se renseigne dans une propriété dédiée, au moment où le commercial passe le statut du lead à « Non qualifié ».

L'historique du score sur la fiche montre les événements qui ont compté, et le test d'un enregistrement simule l'effet d'un changement de pondération avant de l'appliquer. Nous revoyons le modèle chaque mois pendant les trois premiers mois, puis chaque trimestre, avec deux ou trois ajustements au plus par revue. Au-delà de ce rythme, aucun ajustement n'a le temps de produire un effet mesurable, et l'équipe ne sait plus quelle modification explique quel résultat.

La durée de vie d'un modèle dépend aussi du format d'accompagnement retenu. Un scoring livré comme un simple projet de paramétrage, sans passation ni revue prévue, se dégrade dès que le consultant quitte le projet, parce que personne en interne ne connaît le motif de chaque critère. Un prestataire limité au paramétrage convient à une équipe qui dispose déjà d'un responsable RevOps capable de reprendre le modèle. Il ne convient pas à une organisation qui met en place son premier scoring. Dans nos missions d'intégration CRM, chaque critère est documenté avec son motif et sa source, un responsable du modèle est désigné côté client, et les revues des trois premiers mois font partie du périmètre.

Les prérequis avant d'automatiser

Le lead scoring calcule ses points à partir des données du CRM : quand ces données sont incomplètes ou erronées, les scores le sont aussi. Trois prérequis conditionnent le résultat.

Les propriétés de fit doivent être renseignées. Un score fondé sur l'effectif et le secteur n'a pas de sens si ces champs sont vides sur une majorité des entreprises, et l'enrichissement précède donc le scoring.

Les étapes de cycle de vie doivent être définies, avec des critères d'entrée écrits. Sans elles, le workflow de passage en MQL n'a aucune règle à appliquer.

La base doit être dédoublonnée et débarrassée des contacts internes et des adresses invalides. Sinon, la distribution des scores est faussée dès l'activation.

Une organisation qui ne réunit pas ces trois conditions a intérêt à reporter le scoring de deux mois et à consacrer ce délai à la donnée. Ce report retarde les premiers résultats, mais il évite de reconstruire le modèle au premier trimestre et de perdre la confiance des commerciaux, longue à regagner une fois que les premiers leads transmis se sont révélés mauvais.

Cas client : La Poste Solutions Business

La Poste Solutions Business (services postaux et logistique, plus de 1 000 collaborateurs) faisait face à une stratégie digitale peu structurée, à des outils non interconnectés et à une qualification des leads insuffisante. Markentive a commencé par un cadrage stratégique et une stratégie de data management. L'équipe a ensuite construit une stratégie de formulaires orientée vers la qualification, une logique de scoring fondée sur la maturité des contacts pour prioriser les actions commerciales, et des parcours automatisés pour chaque étape du tunnel de conversion. HubSpot a enfin été intégré aux outils internes pour fluidifier la transmission des leads aux équipes commerciales.

L'ordre des chantiers suit la méthode décrite plus haut : la donnée et les formulaires d'abord, le scoring ensuite, les workflows enfin. Résultats publiés dans le cas client La Poste Solutions Business : un volume de nouveaux contacts multiplié par 4, 3,5 fois plus de leads transmis aux équipes commerciales et une hausse de 82 % des opportunités générées par le marketing.