ML scoring : comment un algorithme note vos prospects 

Par Nicolas Favier · Publié le 15 octobre 2026

Le ML scoring promet de régler un problème que connaissent les équipes qui reçoivent plus de demandes de devis qu’elles ne peuvent en rappeler le jour même : savoir par quel prospect commencer. Les éditeurs de CRM (ces logiciels de suivi commercial) le mettent en avant dans leurs offres haut de gamme. Des agences le présentent comme la suite logique d’une grille de points faite à la main, où l’on note soi-même chaque prospect.

L’idée : un programme lit vos ventes passées et apprend seul ce qui distingue les prospects qui signent de ceux qui ne donnent pas suite. Un ML scoring ne vaut que par l’historique de ventes gagnées et perdues que vous donnez au programme. Vous trouverez ici comment il fonctionne, combien d’historique les éditeurs exigent, et un test à faire sur l’export de votre CRM pour savoir si vous en avez assez.

Que veut dire ML scoring ?

Le ML scoring est une note donnée automatiquement à chaque prospect, calculée par un programme qui a appris sur vos ventes passées. ML signifie machine learning, en français apprentissage automatique. La note estime les chances qu’un prospect devienne client, souvent sous la forme d’un pourcentage ou d’un score sur 100.

Comment l’algorithme apprend à noter vos prospects

Le programme ne reçoit aucune règle de votre part. Il part de ce qui s’est déjà passé dans votre CRM, en 4 temps :

1. Le programme lit vos prospects dont l’issue est connue. Chez Microsoft, dont le CRM Dynamics 365 Sales propose cette fonction, ce sont les prospects marqués « qualifiés », jugés sérieux, et « disqualifiés », abandonnés. Chez HubSpot, les clients sont comparés aux personnes qui n’ont pas acheté.
2. Le programme cherche ce que les prospects devenus clients ont en commun. Le secteur, la taille de l’entreprise, le canal d’arrivée, les pages vues sur votre site, le délai avant le premier échange : plus une information revenait souvent chez les prospects qui ont signé, plus elle pèse dans la note.
3. Le programme note chaque nouveau prospect en le comparant aux points communs des prospects devenus clients. HubSpot exprime la note en pourcentage de chances de devenir client dans les 90 jours, et range aussi les prospects en 4 niveaux de priorité qui contiennent chacun un quart des fiches, d’après sa documentation.
4. Le programme réapprend à intervalles réguliers avec les nouvelles ventes gagnées et perdues, et met à jour son modèle, c’est-à-dire le nombre de points qu’il donne à chaque information. Dynamics 365 Sales propose par exemple de réentraîner le modèle tous les 15 jours.

Malgré le mot « prédictif », le programme se contente de repérer les ressemblances avec les ventes que vous avez déjà faites. Un prospect très différent de vos clients passés recevra une note basse, même s’il est intéressant.

Lead scoring manuel ou ML scoring : la différence

Le lead scoring, c’est-à-dire la notation des prospects, existe sans machine learning. On parle de lead scoring prédictif quand un programme calcule la note. Dans sa version manuelle, vous fixez vous-même les points : +10 pour un secteur cible, −5 pour une adresse email gratuite, comme dans l’exemple donné par HubSpot. Le ML scoring calcule ces points à votre place.

Avec la grille, c’est votre expérience qui fixe les points. Avec le ML scoring, ce sont vos ventes passées, s’il y en a assez et que leur issue est bien notée dans le CRM.

Les données qui nourrissent le score

Les éditeurs citent à peu près les mêmes familles d’informations. Voici celles que cite HubSpot pour son propre modèle, regroupées :

• Le comportement en ligne : pages vues, visites du site, ouvertures et clics dans vos emails, formulaires envoyés. Une visite de la page des tarifs, par exemple, ne dit pas la même chose qu’un passage sur le blog.
• Les échanges enregistrés dans le CRM : notes de rendez-vous, nombre de jours depuis le dernier échange, présence d’un numéro de téléphone, adresse email professionnelle ou gratuite. Un prospect qui laisse son numéro et répond vite ne ressemble pas à celui qu’on n’arrive pas à joindre.
• L’entreprise du prospect : chiffre d’affaires, nombre de salariés, secteur, logiciels utilisés. Un cabinet de 50 salariés n’achète pas comme un commerce de 3 personnes, et le programme le voit dans vos ventes passées.
• L’issue de chaque vente passée : gagnée ou perdue. Sans elle, le programme n’a rien à apprendre.

Les signaux négatifs comptent aussi. Une désinscription de votre lettre d’information ou des mois sans aucun échange font baisser la note.

Le piège des informations notées après la vente

Certains champs du CRM ne se remplissent qu’une fois l’affaire terminée : le motif de perte, la date de signature, le montant facturé. Si le programme apprend avec ces champs, il paraît excellent sur vos anciennes ventes : une date de signature remplie veut dire « signé », un motif de perte rempli veut dire « perdu ». Sur un nouveau prospect, ces champs sont vides et la note ne vaut plus rien.

Avant l’apprentissage, faites exclure tous les champs qui n’existent pas encore au moment où le prospect vous contacte. Si votre outil ne vous laisse pas choisir les champs, posez la question à l’éditeur ou au prestataire.

Combien d’historique faut-il ? Les seuils des éditeurs

Les seuils ci-dessous viennent de la documentation de chaque éditeur, relevée en octobre 2026 :

Ces chiffres permettent seulement à l’outil de démarrer. Microsoft le dit dans sa foire aux questions : plus le modèle apprend sur un grand nombre de prospects, meilleures sont ses prédictions, et l’équilibre entre qualifiés et disqualifiés compte. Microsoft ne met le modèle en service dans votre CRM que s’il se trompe assez rarement sur vos ventes passées, sans dire à partir de quel taux d’erreur.

Avant d’envisager un ML scoring, comptez au moins 40 prospects aboutis et 40 abandonnés chez Microsoft, 75 et 75 chez Zoho, notés avec leur issue dans votre CRM, et davantage pour une note fiable.

Avez-vous assez de données ? Le test sur l’export de votre CRM

Le test prend une heure. Exportez de votre CRM ou de votre tableau de suivi les prospects des 12 derniers mois, puis :

1. Comptez les prospects dont l’issue est notée : signés d’un côté, perdus de l’autre. Les prospects sans issue ne servent pas à l’apprentissage.
2. Comparez ces 2 nombres aux seuils du tableau, et regardez l’écart entre eux. Microsoft conseille d’équilibrer les 2 issues sans donner de ratio : avec 30 signés pour 600 perdus, le programme apprend surtout à reconnaître les pertes.
3. Listez les colonnes remplies dès l’arrivée du prospect et retirez celles qui se remplissent plus tard, comme le montant du devis ou le motif de perte.
4. Calculez le taux de remplissage de chaque colonne gardée : plus une information manque, moins le programme en tire.
5. Vérifiez si vos commerciaux rappellent toutes les demandes de devis du jour : s’ils lisent déjà chaque fiche, une note automatique change peu leur journée.

Exemple : une entreprise de climatisation pour locaux professionnels

Prenons une entreprise qui installe la climatisation dans des bureaux et des commerces. Elle reçoit 60 demandes de devis par mois et les suit dans son CRM. Son export des 12 derniers mois compte 720 lignes. Voici 5 d’entre elles, avec les colonnes qu’on retrouve dans la plupart des exports de CRM :

Sur les 720 lignes, l’entreprise compte 96 devis signés, 402 perdus et 222 sans issue notée. Le résultat de chaque étape du test :

• Issue notée : 498 lignes sur 720 (96 signés et 402 perdus). Les 222 lignes sans issue sont écartées.
• Seuils des éditeurs : 96 signés et 402 perdus, l’équivalent ici des « qualifiés » et « disqualifiés », dépassent les minimums de Microsoft (40 et 40) et de Zoho (75 et 75). Avec à peu près 4 perdus pour 1 signé, le déséquilibre reste à surveiller sans bloquer un essai.
• Colonnes gardées : canal d’arrivée, secteur et surface. Le montant du devis n’existe pas encore quand le prospect appelle, le motif de perte n’arrive qu’une fois la vente terminée : ces 2 colonnes sont retirées.
• Remplissage : sur les 720 lignes, le canal d’arrivée manque 110 fois, la surface 250 fois. La surface manque une fois sur 3 : le programme en tirera moins tant qu’elle n’est pas notée à chaque appel.
• Temps des commerciaux : 60 demandes de devis par mois, soit 3 par jour ouvré environ. Un commercial a encore le temps de lire chaque demande de devis, et une note automatique lui ferait gagner peu.

Dans l’exemple, l’historique suffirait, mais avec 3 demandes de devis par jour l’entreprise n’a pas besoin d’un ML scoring aujourd’hui. Une grille de points dans son CRM fait l’affaire. Noter le canal et la surface à chaque appel prépare un ML scoring pour le jour où le volume augmentera.

Les limites du ML scoring

• Le ML scoring répète le passé. Si vous n’avez jamais vendu à des restaurants, le modèle donnera une note basse à un restaurant, même si c’est la clientèle que vous visez maintenant.
• La note s’explique mal. Un commercial à qui l’on dit « 22 % » sans raison fait moins confiance à la note qu’à son intuition. Demandez si l’outil affiche les informations qui ont le plus pesé.
• Le ML scoring dépend de la saisie dans le CRM. Si les commerciaux ne notent l’issue que d’une vente sur 2, le modèle n’apprend que sur la moitié de vos ventes.
• Le coût d’entrée est élevé. Chez HubSpot comme chez Microsoft, la fonction est réservée aux offres Enterprise, les plus chères de leur gamme. Un modèle développé pour votre entreprise demande en plus quelqu’un pour le maintenir.
• Le score ne sert à rien si personne ne rappelle vite les prospects bien notés. Si ces prospects attendent 3 jours avant d’être rappelés, le nombre de devis signés ne bouge pas.

Le ML scoring trie les prospects ; ce qui se passe ensuite, du premier rappel à la relance d’un devis sans réponse, reste à suivre à part. L’article sur la gestion des demandes de devis montre comment noter chaque prise de contact et son issue, ce qui prépare aussi un futur scoring.

Questions fréquentes sur le ML scoring

Quelle différence entre lead scoring et ML scoring ?

Le lead scoring désigne toute méthode qui note les prospects selon leurs chances d’acheter. Le ML scoring en est une forme, où les points de la note sont calculés par un programme à partir de vos ventes passées, au lieu d’être fixés par vous.

Quels algorithmes utilise le ML scoring ?

Les plus courants sont la régression logistique, un calcul statistique qui donne une probabilité entre 0 et 100 %, et les arbres de décision, une suite de questions par oui ou par non sur le prospect, dont le gradient boosting est une variante plus poussée. Les éditeurs de CRM précisent rarement lequel ils utilisent. Demandez plutôt à l’éditeur sur quelles ventes le modèle apprend, et si l’outil montre pourquoi un prospect a sa note.

Peut-on faire du ML scoring dans un tableur ?

Un tableur se prête bien à une grille de points manuelle. Un vrai modèle de machine learning demande un outil de statistique, un langage de programmation comme Python, ou la fonction intégrée d’un CRM. Si vous n’avez encore jamais noté vos prospects, commencez par la grille manuelle dans votre tableau de suivi, puis, au bout de 12 mois, comparez ses notes aux devis signés sur la période.

À partir de combien de clients le ML scoring devient-il utile ?

Selon les éditeurs, il faut entre 40 et 75 ventes signées et autant de perdues pour qu’un modèle démarre. Le ML scoring devient utile quand, en plus, des demandes de devis attendent le lendemain faute de temps pour les rappeler toutes.

Avant de payer un ML scoring, vérifiez 3 critères dans l’export de votre CRM : au moins 75 prospects signés et 75 perdus sur les 12 derniers mois (le plus haut des seuils publiés), des colonnes remplies dès l’arrivée du prospect, et plus de demandes de devis que vos commerciaux ne peuvent en rappeler chaque jour.

Avec le ML scoring, le programme calcule d’après vos ventes passées les points que vous fixeriez sinon à la main. S’il manque un critère, une grille de points dans votre tableau de suivi fait le même travail de tri, avec des règles que toute l’équipe peut lire.

Pour comparer votre taux de signature avant et après la mise en place d’une note, l’article sur le taux de transformation des devis donne la méthode de calcul.

Un ML scoring peut aider vos commerciaux à rappeler d’abord les prospects qui ressemblent à vos clients. Le prix à payer : une offre haut de gamme de CRM ou un développement spécifique, puis des mois de saisie rigoureuse avant que la note soit fiable.

Est-ce au moment de choisir quels prospects rappeler en premier que votre entreprise laisse filer le plus de clients actuellement ?

Pour le savoir, il faut regarder tout le parcours, depuis le moment où un futur client cherche un fournisseur jusqu’à la nouvelle commande de quelqu’un que vous avez déjà servi. Avec le diagnostic que je propose, je regarde d’abord votre site, vos avis et vos devis comme un futur client les découvre, puis nous comparons ensemble ce constat à vos chiffres de ventes. Vous terminez avec vos priorités rangées dans l’ordre.

Voir comment se déroule le diagnostic

À bientôt,

Nicolas Favier