Lead scoring

Le lead scoring est le terme utilisé pour décrire l’évaluation des contacts. La qualité des contacts collectés est en effet comparée. Tant la quantité d’informations par lead (scoring explicite) que la réaction de ce dernier à la communication (scoring implicite) jouent un rôle dans cette évaluation. On peut alors en déduire la probabilité qu’un lead devienne un client.

Qu’est-ce que le lead scoring ?

L’expression anglaise « to score something » signifie estimer, évaluer quelque chose. Le lead scoring exprime donc l’évaluation, la qualification des leads. La qualité et le statut du contact est évalué mais aussi indirectement la possibilité pour la société de vendre ou non un service ou un produit.

Evaluer objectivement un contact pour le département commercial est généralement seulement possible si ce lead est comparé aux autres contacts. Il existe deux critères principaux qui sont utilisés dans ce but. Le premier critère consiste à évaluer l’exhaustivité et l’importance des coordonnées du profil du lead, ce sont des données explicites. Le second critère est lui implicite, il consiste à évaluer la réaction du lead aux tentatives de contacts réalisées pendant le processus de lead nurturing et donc à définir la motivation d’achat, l’intérêt réel.

Le but du lead scoring est notamment de faciliter la coopération et la coordination entre le marketing et le département des ventes. Cela commence dès le début du processus de lead management lors de la génération des leads avec un premier tri, mais surtout plus tard avec des lignes directrices claires qui déterminent quand un lead est considéré par l’entreprise comme étant prêt (mature) pour être transféré au département commercial et avec quelle priorité il doit être traité par ce dernier. Ces notations et lignes directrices sont résumées dans un modèle de lead scoring, qui peut être mis en œuvre en particulier pour les domaines du marketing B2B (business to business) et B2C (business to consumer) et de la vente en général. Le modèle permet de déterminer si un contact, un lead doit être traité par le service commercial ou si il doit encore bénéficier du lead nurturing.

Le modèle de lead scoring

La distinction entre des informations implicites et explicites a été mentionnée plus haut, mais une évaluation de ces deux types d’informations doit être effectuée, et fait partie du modèle de notation (scoring).

Le scoring explicite : évaluation du profil du prospect

Le scoring explicite (ou la notation explicite) traite les coordonnées et le profil du lead. Les informations pertinentes pour le B2C sont les données sociodémographiques : âge, sexe, lieu de résidence etc. Pour le domaine du B2B cela peut être par exemple la position du contact dans la société, le secteur d’activité de cette dernière, le nombre d’employés ou encore le chiffre d’affaire annuel : toutes ces informations jouent un rôle. Chaque entreprise peut décider bien évidemment elle-même des données explicites qui rentrent dans l’évaluation du profil. Ici la coopération entre le département marketing et le département commercial est importante, en effet ces deux services peuvent déterminer les facteurs qui définissent le client parfait, optimal.

Déterminer les catégories et leur importance

Après la sélection des facteurs les plus importants ou pertinents, un profil type du prospect émerge. Dans l’exemple suivant les catégories sont la position, la branche et le nombre d’employés et elles pèsent différemment en fonction des besoins individuels des entreprises. Dans cet exemple, la position d’un employé d’une entreprise est le facteur le plus fort, le plus important pour l’entreprise :

Catégorie

Poids

Position

50 %

Branche

30 %

Nombre d‘employés

20 %

Répartition des scores pour les catégories

Dans l’étape suivante, une évaluation intervient pour chaque catégorie. On associe donc un score, des points pour toutes les catégories. Nous restons avec l’exemple dans le secteur du B2B. Dans ce contexte, le PDG reçoit une meilleure évaluation de position par rapport à un chef de département et au bout de la chaine, le stagiaire obtient la notation la plus faible. Le plus haut score dans notre exemple est 10.

Catégorie de position

Score - points

CEO / PDG

10

Directeur du département des achats

9

Employé des relations publiques

6

réceptionniste

5

stagiaire

1

Notation par rapport au profil idéal

Un profil idéal qui correspond donc parfaitement au meilleur client (au client optimal) a été défini au préalable, il est caractérisé par un résultat de 100 %. Au final, le profil de prospect est comparé par rapport au profil idéal et on calcule la différence. Cela apporte une notation, une distinction pour qualifier l’adéquation avec le profil type, le profil idéal. Dans notre exemple la note « A » est la plus haute et la note « D » est la plus faible.

Equivalence avec le profil idéal

Notation

> 75 %

A

50–75 %

B

25–50 %

C

< 25 %

D

Le contact obtenant une note « A » est donc en parfaite adéquation avec le profil idéal prédéfini et est donc pertinent et très intéressant pour l’entreprise. Dans notre exemple, c’est le PDG d’une société qui vient du même secteur d’activité et avec une taille similaire (nombre d’employés). Il répond à tous les critères dans une large mesure et obtient ainsi la note A.

Le scoring implicite : évaluation du comportement du prospect

Le scoring implicite traite du comportement des prospects, comme par exemple la réaction d’un lead aux mesures de contact et aux campagnes de marketing (lead nurturing). L’analyse et l’évaluation du comportement doit apporter des informations sur le niveau d’intérêt. Il existe de nombreux paramètres différents qui permettent de savoir si un client a atteint le niveau de « maturité » désiré. Cela comprend entre autres le temps de visite, le nombre de visites, les clics, les téléchargements et les demandes d’informations. Plus le client potentiel est informé plus il s’engage vers une décision d’achat spécifique, le téléchargement d’un livre blanc, d’un ebook sont par exemple des signes d’un intérêt concret avancé.

Déterminer les catégories et leur importance

Comme pour les données explicites, vous choisissez les paramètres qui sont pertinents pour votre entreprise. Dans notre exemple ce sont la demande d’une offre, le téléchargement d’un ebook, la visite de la page principale et enfin une interaction avec la newsletter.

Catégorie

Poids

Demande de devis via un formulaire de contact

55 %

Téléchargement d’un ebook

30 %

Visite de la page d‘accueil

10 %

Ouverture de la newsletter

5 %

Attribuer un score dans la catégorie

Comme pour les données explicites, les données implicites sont aussi graduer au sein des catégories. Dans notre exemple, nous prenons les visites de la page d’accueil. Cette catégorie est évaluée en fonction de la fréquence et de l’actualité. Le score maximal est à nouveau de 10.

Visite de la page d‘accueil

Score - point

2 fois pendant les 7 derniers jours

10

2 fois pendant les 30 derniers  jours

5

1 fois au dernier trimestre

1

Déterminer une notation par rapport au profil idéal

Comme pour le scoring explicite, les profils des prospects sont comparés avec le profil idéal et on peut ainsi graduer le degré de cohérence.

Un lead, prospect très actif qui visite régulièrement le site, qui a déjà demandé une offre et a téléchargé un ebook, obtient forcément un haut niveau de compatibilité avec le profil idéal et obtient ainsi la note 1.

Equivalence avec le profil idéal

Notation

> 75 %

1

50–75 %

2

25–50 %

3

< 25 %

4

Modèle de lead scoring avec les données explicites et implicites

Finalement, le scoring (ou notation) explicite est combiné avec le scoring implicite. Les deux sont importants, mais ne sont cependant pertinents qu’en relation l’un avec l’autre. Les leads, dont le profil est en bonne adéquation et qui reçoivent ainsi une note A ne sont pas d’une si grande utilité si ils ne montrent pas un intérêt pour les produits ou les services de votre société. Par exemple si un lead se révèle être un directeur d’une entreprise ou un manager d’un département ou directeur des achats, cela ne garantit pas un succès d’achat automatiquement. Malgré la note A pour les données explicites, la notation implicite peut être elle très mauvaise, par exemple si le lead en question ne réagit pas du tout aux mesures de lead nurturing.

Il en est de même lorsqu’un lead avec un intérêt fort pour des produits mais dont le profil ne correspond pas au profil idéal, au profil type. Un exemple classique dans le domaine B2B est le contact d’une personne qui n’a aucun pouvoir de décision. Dans le secteur du B2C, les données sociodémographiques (par exemples les revenus) peuvent souvent suggérer que la personne n’est pas capable (financièrement) d’acheter le produit. Malgré un score implicite élevé, le lead est faiblement intéressant.

Pour interpréter correctement les données, les deux scores sont donc nécessaires. Cela entraine ainsi une graduation générale. Qui dans les cas individuelles, est bien évidemment plus détaillé :

Conclusion : le lead scoring est un gain de ressources et de temps précieux

Si vous souhaitez appliquer une stratégie efficace de lead nurturing et plus tard construire un pont solide vers le lead routing, alors le lead scoring est plus que nécessaire. Un modèle professionnel et bien étudié de lead scoring doit se concentrer sur les leads qui ont la plus grande probabilité d’acheter un produit, de conclure une transaction. C’est ainsi que les départements marketing et des ventes s’organisent et tirent le meilleur parti des ressources et du temps à disposition. Pour cela il est bien nécessaire de catégoriser vos leads et en même temps de les hiérarchiser.

En identifiant les 20 à 30 % de vos contacts qui ont la plus forte probabilité de réaliser un achat, vous pouvez ainsi concentrer vos efforts sur ce segment de lead. Cependant les leads restants ne doivent pas nécessairement être négligés, en effet même un lead avec un score B3 (dans notre exemple) peut être transformé en client réel si de bonnes mesures sont prises. Toutefois un lead avec un faible score est bien moins prioritaire dans le lead routing. Ce groupe est davantage et plus facilement lié à des campagnes automatisées de lead nurturing qui absorbent un grand nombre de prospects.