Ivona Mikulčić5 septembre 202610 min de lectureMis à jour: 28 sept. 2026
ICP Scoring : le framework en 5 étapes pour identifier les leads qui méritent votre attention
Près de quatre leads marketing sur cinq ne deviennent jamais des ventes. Ce chiffre de 79 % vient de MarketingSherpa, et il est cité depuis des années parce que personne n'a réussi à le réfuter. La même étude a montré que 61 % des marketeurs B2B transmettent tous leurs leads directement aux commerciaux, et que seulement 27 % de ces leads s'avèrent qualifiés. J'ai assisté à suffisamment de revues de pipeline pour reconnaître ce que ça donne en pratique : un commercial avec 400 comptes ouverts, dont la moitié n'allait jamais acheter, qu'il traite dans l'ordre d'arrivée dans le CRM.
Dans cet article, je vous montre comment construire un modèle de scoring ICP qui corrige cet ordre. Cinq étapes, les critères qui corrèlent vraiment avec les deals gagnés, comment superposer l'intention au fit, et comment empêcher votre modèle de se dégrader dans six mois.
Qu'est-ce que le scoring ICP, et pourquoi votre pipeline en dépend
Classer les leads par fit, c'est le principe. Le scoring ICP attribue des points aux caractéristiques que partagent vos meilleurs clients (secteur, taille d'entreprise, stack technique, géographie) et les additionne en un seul chiffre qui indique à votre équipe où concentrer ses efforts en premier. Ces caractéristiques viennent de votre Ideal Customer Profile, le schéma firmographique et comportemental derrière vos deals gagnés.
Voici pourquoi ça compte au-delà de champs CRM bien rangés. La majorité du pipeline est gaspillée sur des comptes qui n'avaient aucune vraie chance. Un système de scoring ne corrige pas un sourcing de leads cassé, mais il corrige le routage, pour que vos commerciaux arrêtent de travailler des comptes qui semblent prometteurs sur le papier sans avoir le profil pour acheter. L'effet se voit dans les chiffres que vous présentez à votre board : taux de conversion sur les opportunités qualifiées, durée du cycle de vente et taille moyenne des deals bougent quand les mauvais comptes cessent d'entrer dans le funnel. L'étude de RAIN Group sur les organisations commerciales les plus performantes, basée sur une enquête auprès de 472 commerciaux et directeurs commerciaux, situe le taux de conversion moyen à 47 % une fois qu'une proposition est effectivement envoyée. Arriver à ce stade avec les bons comptes, c'est tout l'enjeu.
Voyez le scoring ICP comme la transformation d'un slide deck statique en filtre dynamique dans votre CRM. Une fois en place, chaque nouveau lead est scoré automatiquement, et votre équipe sait en quelques secondes si un compte mérite une séquence personnalisée ou un pass.
Scoring ICP vs. lead scoring
Ces deux termes sont confondus en permanence, mais ils répondent à des questions différentes. Le scoring ICP demande si une entreprise ressemble à vos meilleurs clients, indépendamment de ce qu'elle a fait. Le lead scoring demande si quelqu'un dans cette entreprise montre des signes d'intérêt actif en ce moment.
Scoring ICP | Lead scoring |
|---|---|
Ce qu'il mesure | Adéquation de l'entreprise avec votre profil idéal |
Données utilisées | Attributs firmographiques et technographiques |
Quand il est défini | À la création ou à l'enrichissement du lead |
Idéal pour | Prioriser les comptes à cibler |
Le scoring ICP est proactif. Il évalue un compte avant toute interaction, ce qui signifie que vous pouvez définir un bon fit avant de dépenser un centime pour en trouver un. Le lead scoring ne devient utile qu'une fois que quelqu'un a réellement interagi avec votre contenu ou votre site.
Construisez donc le scoring ICP en premier, puis ajoutez le lead scoring par-dessus pour le timing. Ensemble, ils vous donnent fit et niveau de maturité en une seule vue.
Les 4 critères qui prédisent les deals gagnés
Vos critères de scoring doivent venir des patterns dans vos propres données de deals gagnés, pas d'un template trouvé en ligne (celui-ci inclus). Les catégories ci-dessous s'appliquent à la plupart des entreprises B2B. Les pondérations, non.
Le fit firmographique couvre les données structurelles : secteur, effectif, tranche de revenus, géographie, stade de croissance. Mauvaise taille d'entreprise ou mauvais secteur, et c'est généralement zéro deal, peu importe l'intérêt affiché par le prospect.
Le fit technographique regarde les outils qu'une entreprise utilise déjà. Un prospect qui utilise un CRM avec lequel vous vous intégrez (HubSpot ou Salesforce, par exemple) a tendance à mieux coller qu'un prospect sans stack détectable.
Signaux comportementaux et d'intention changent en permanence, et ils vous indiquent si un compte est en phase d'achat en ce moment. Les événements à suivre sont ceux qui précèdent un achat :
Une entreprise qui recrute un Head of Outbound ou un RevOps Manager investit dans son infrastructure de croissance, et ce type de poste a généralement besoin d'outillage rapidement.
Une levée de fonds récente déclenche souvent de nouveaux achats d'outils dans les mois qui suivent.
Des visites répétées sur vos pages pricing ou produit.
Des likes, commentaires ou follows de contacts clés sur LinkedIn.
Ce sont les mêmes types d'événements que les Intent Signal Agents de lemlist surveillent chaque jour, ce qui compte quand vous connectez les scores à vos campagnes.
Le scoring négatif est la partie que la plupart des équipes ignorent. Un modèle solide retire aussi des points. Définissez ce qui disqualifie automatiquement un lead : mauvais secteur, entreprise trop petite pour utiliser votre produit, employés de concurrents, ou aucune donnée de contact vérifiée.
Comment construire un modèle de scoring ICP en 5 étapes
1. Analysez vos deals gagnés
Extrayez vos 20 à 30 derniers deals gagnés de votre CRM. Cherchez les caractéristiques qui reviennent d'un deal à l'autre, et notez la fréquence de chacune. Sautez cette étape et vous devinerez vos pondérations plus tard.
2. Sélectionnez et pondérez vos critères
Choisissez les attributs les plus fortement corrélés aux deals gagnés, puis attribuez des points. Un modèle à 15 attributs semble rigoureux. En pratique, les commerciaux scorent de façon incohérente et les leads stagnent.
Un point de départ simple pourrait ressembler à ceci :
Critère | Points |
|---|---|
Correspondance secteur | 25 exact, 10 adjacent |
Tranche de revenus | 20 idéal, 10 proche |
Effectif | 15 idéal, 5 proche |
Recouvrement de stack technique | 15 |
Géographie | 10 marché principal |
Signaux négatifs | −15 |
La pondération compte plus que le nombre de critères. Un facteur qui prédit fortement les deals gagnés mérite plus de points qu'un facteur faiblement corrélé.
3. Collectez et enrichissez les données
Un modèle de scoring ne vaut que par les données qui l'alimentent. Un champ vide score à zéro par défaut, donc un compte réellement bon se retrouve discrètement rétrogradé sans vraie raison. J'ai vu une équipe écarter tout un segment parce que le champ effectif était vide sur 40 % des fiches.
Avant de scorer, chaque fiche doit avoir des données firmographiques, technographiques et de contact complètes. Des outils comme l'AI Agentic Enrichment de lemlist extraient des données structurées depuis LinkedIn, les sites web et les fiches CRM pour remplir exactement les champs dont votre modèle a besoin.
4. Calculez les scores et définissez des tiers
Un chiffre brut ne dit pas grand-chose à un commercial en pleine journée de travail. Transformez-les en tiers :
Tier | Plage de score | Action |
|---|---|---|
A | 80–100 | Comptes prioritaires, prospection immédiate |
B | 60–79 | Nurturing par le SDR ou séquences automatisées |
C | Moins de 60 | Dépriorisé ou exclu de l'outbound |
Définissez un seuil minimum de score pour qu'un lead soit considéré comme qualifié, et tenez-y vos commerciaux.
5. Connectez les scores au routage et aux campagnes
Un score qui dort dans un tableur n'aide personne. Il doit vivre dans des champs CRM pour que chaque commercial l'applique de la même façon. Dans lemlist, vous pouvez filtrer les leads par critères ICP depuis une base de données de 600M+ leads, les enrichir, et pousser les comptes qualifiés directement dans des séquences multicanales, pour que le score déclenche la prospection au lieu de rester inactif.
Un dernier point avant de clore le sujet. Mesurez le modèle par tier. Suivez le taux de conversion, la taille moyenne des deals et la durée du cycle pour le Tier A face au Tier B sur un trimestre complet. Si vos comptes A ne closent pas plus vite ou plus gros, les tiers sont décoratifs, et vous saurez exactement quelles pondérations revoir.
Choisir un type de modèle de scoring ICP
Il existe plusieurs façons de structurer ça, et le bon choix dépend du volume de données de deals gagnés dont vous disposez.
Le scoring par points attribue des points fixes par critère. Simple, facile à suivre pour les commerciaux, et un bon point de départ.
Le scoring pondéré s'appuie sur la même structure mais applique des multiplicateurs selon l'importance. Plus précis, mais il faut suffisamment de données historiques pour justifier les pondérations choisies.
Le scoring par tiers saute les chiffres et place les leads dans des buckets A/B/C/D selon des critères indispensables et souhaitables. Utile pour les équipes qui préfèrent les catégories visuelles aux calculs.
Le scoring prédictif, piloté par l'IA, utilise le machine learning pour détecter des patterns dans les données historiques de deals que les humains ont tendance à rater. Il nécessite un dataset plus large pour bien fonctionner. Des outils comme Aviso, Koala et 6sense proposent ça, et les agents d'enrichissement (ceux de lemlist inclus) peuvent leur fournir les données structurées dont ils dépendent.
Conseil : si vous avez moins de 50 deals gagnés dans votre CRM, un modèle par points est le point de départ le plus pragmatique. Le scoring prédictif ne fonctionne que quand il y a suffisamment de signal pour apprendre.
Combiner le fit ICP avec les signaux d'intention
Un score ICP élevé vous dit qu'un compte colle. Il ne vous dit pas que le compte est prêt à acheter cette semaine. Le fit est nécessaire, mais le fit seul vous laisse deviner le timing.
Combiner fit et intention produit un score composite qui classe les leads par qualité et maturité. Parmi les signaux à suivre :
Visites sur le site identifiées par correspondance IP
Changements de poste parmi les contacts clés
Levées de fonds ou opérations de M&A
Changements de stack technique (nouveaux outils installés ou retirés)
Le fit doit peser plus lourd en base, puisqu'il change rarement. L'intention agit davantage comme un multiplicateur.
Voici ce que ça donne en pratique. Disons que vous avez un compte à 68 points : bon secteur, bonne géographie, effectif légèrement en dessous de votre tranche idéale. Tier B. Il reste dans une séquence de nurturing, et un mardi donné, aucun commercial n'y pense. Puis l'entreprise annonce une Series A et publie une offre pour un Demand Gen Lead la même semaine. Ce compte a désormais du budget, un mandat de recrutement et une raison d'acheter de l'outillage dans le trimestre. Le score de fit n'a pas bougé d'un point, mais le multiplicateur d'intention le pousse au-dessus des comptes Tier A qui n'ont rien montré depuis trois mois, et il devrait être dans une séquence le jour même. Faites le test inverse aussi : un compte à 92 points sans aucune activité reste sur une cadence régulière plutôt que d'être matraqué. Et un lead avec une forte intention mais un mauvais fit reste dépriorisé, peu importe le nombre de visites sur la page pricing.
Les Intent Signal Agents de lemlist suivent ces signaux chaque jour et routent automatiquement les leads correspondants vers des campagnes avec un messaging contextualisé, pour que le multiplicateur se déclenche sans que personne ne surveille un dashboard.
Outils de scoring ICP comparés
Aucun outil ne couvre tout, donc mieux vaut connaître le panorama avant de choisir votre stack.
Catégorie | Exemples | Point fort | Limite |
|---|---|---|---|
Scoring natif CRM | HubSpot, Salesforce | Champs intégrés, simple si vous êtes déjà bien installé dans le CRM | Limité sur l'enrichissement et les données d'intention |
Plateformes d'intention standalone | Bombora, 6sense, Demandbase | Forte capacité d'intention et d'identification de comptes | Souvent cher, et généralement couplé à un outil outbound séparé |
Enrichissement de données + plateformes outbound | lemlist, Apollo, ZoomInfo | Données de leads, enrichissement et prospection dans un seul workflow | La modélisation prédictive est moins poussée que dans les outils IA dédiés |
Outils de scoring IA | Koala, Aviso, Madkudu | Scoring prédictif sur les données historiques de deals | Nécessite de gros datasets et une équipe ops pour maintenir les modèles |
La vraie question : voulez-vous le scoring et la prospection au même endroit, ou répartis sur des outils qu'il faut connecter entre eux ?
Garder votre modèle fiable dans le temps
La plupart des modèles de scoring échouent en silence par obsolescence : le comportement des acheteurs change, mais le score statique ne suit pas. Recalibrer une fois par trimestre suffit généralement à détecter ça avant que ça vous coûte du pipeline.
Le processus est direct. Relancez votre analyse de deals gagnés, puis comparez les tiers scorés aux taux de conversion réels. Si le Tier A ne surperforme pas le Tier B, les pondérations doivent être ajustées.
Une cadence que je recommande : bloquez 90 minutes la première semaine de chaque trimestre. Tirez les deals closés depuis la dernière revue, revérifiez quels attributs sont apparus dans les gains, et ajustez une ou deux pondérations maximum. Changez six choses d'un coup et vous ne saurez jamais laquelle a fonctionné. Puis ré-enrichissez les fiches qui dorment dans votre base depuis le dernier cycle, parce qu'un lead scoré en janvier peut être une entreprise différente en juillet. Les agents d'enrichissement peuvent re-puller ces données automatiquement, ce qui épargne à quelqu'un la corvée de rafraîchir les fiches à la main.
Les marchés bougent, les produits évoluent, et les caractéristiques qui définissaient vos meilleurs clients il y a six mois ne tiennent peut-être plus aujourd'hui.
À vous de jouer
Le scoring ICP transforme votre profil client idéal d'un slide en un filtre dynamique qui guide chaque décision outbound. Le modèle n'a pas besoin d'être compliqué : partez de vos données de deals gagnés, choisissez cinq à sept critères, pondérez-les, enrichissez vos leads, et routez les meilleurs vers des campagnes adaptées au moment. Puis mesurez par tier et ajustez au trimestre suivant.
Si vous cherchez à construire ce workflow au même endroit (base de leads, enrichissement, signaux d'intention et prospection multicanale), lemlist est noté 4,6/5 sur plus de 2 000 avis sur G2, Capterra et Trustpilot.Démarrez l'essai gratuit de 14 jours. Sans carte bancaire.
Trouvez les données de vos leads
Découvrez des prospects et enrichissez leurs données pour lancer des campagnes ciblées.