Délivrabilité lemlist avec Claude : diagnostic et volumes
Plafonds lemlist, nombre de boîtes à prévoir, règles de Gmail et prompt de diagnostic : Claude lit votre infrastructure d’envoi sans rien modifier.
Lead scoring B2B : méthode, erreurs fréquentes et ce que le scoring natif Pipedrive fait réellement (deals, pas leads).
Une équipe commerciale reçoit 200 leads ce mois-ci. Combien méritent un appel dans l'heure, et combien peuvent attendre une relance automatique la semaine prochaine ?
C'est exactement le problème que le lead scoring cherche à résoudre : transformer une liste de contacts en une file d'attente triée par probabilité réelle de conversion.
Le lead scoring consiste à attribuer une note, ou score de lead, à chaque prospect.
Le calcul se base sur des critères démographiques (poste, taille d'entreprise, secteur) et comportementaux (pages visitées, emails ouverts, interactions récentes).
L'objectif reste simple : concentrer l'attention commerciale sur les contacts qui ont statistiquement le plus de chances de devenir clients, plutôt que de traiter chaque lead avec la même priorité.
Cette notation des prospects rejoint directement les logiques de qualification marketing (MQL) et de qualification commerciale (SQL) déjà répandues en B2B.
Le scoring manuel repose sur des règles fixes définies par l'équipe : un certain nombre de points pour une visite sur la page tarifs, un autre pour un poste de décideur.
C'est simple à mettre en place, mais figé tant que personne ne l'ajuste.
Le scoring prédictif s'appuie sur un modèle entraîné à partir de l'historique de conversion, pour identifier des patterns qu'une règle manuelle ne capturerait pas forcément.
Aucune étude indépendante n'a pu confirmer la précision réelle de ces modèles prédictifs : les chiffres qui circulent proviennent presque exclusivement des éditeurs qui vendent ces outils, rarement d'un audit tiers.
Le Fit Score mesure à quel point un prospect correspond au profil client idéal : taille d'entreprise, secteur, chiffre d'affaires, poste occupé. Il reste stable dans le temps.
L'Intent Score mesure l'intérêt actif manifesté récemment : une visite sur la page tarifs, une demande de démo, l'ouverture répétée d'un email. Il évolue rapidement.
Un bon scoring combine généralement les deux. Un prospect qui correspond parfaitement au profil cible mais ne montre aucun signal d'intérêt reste souvent moins prioritaire qu'un prospect au profil légèrement moins idéal mais activement engagé.
Une nuance importante mérite d'être clarifiée avant toute chose : le scoring natif de Pipedrive porte sur les affaires (deals), pas sur les leads ou contacts au sens MQL/SQL classique.
La fonctionnalité reste réservée aux abonnements Premium et supérieurs. Seuls les admins Affaires peuvent créer ou modifier un score ; les utilisateurs standards peuvent uniquement le consulter.
Le calcul repose sur trois catégories de critères pondérés :
combinés selon une logique de conditions ET/OU. Le résultat se normalise ensuite sur une échelle de 0 à 100.
Un exemple fictif mais réaliste illustre ce à quoi peut ressembler une grille de pondération.
Cette grille reste un point de départ à ajuster selon le contexte réel de chaque entreprise, pas une formule universelle.
Plusieurs limites techniques encadrent la fonctionnalité native de Pipedrive.
Un maximum de 10 critères peut être configuré au total. Un seul score reste actif par pipeline à la fois.
Seuls les champs liés aux affaires et aux activités peuvent servir de critères, ce qui exclut certains signaux comportementaux plus fins (navigation web, ouverture d'email) sans intégration tierce.
Cela dépend surtout du volume de leads traités et de la maturité de la donnée déjà collectée.
HubSpot propose un scoring manuel dans son offre standard, avec un scoring prédictif réservé aux formules Enterprise.
Salesforce Einstein Lead Scoring se positionne clairement comme un moteur prédictif basé sur le machine learning, sans qu'une étude de précision indépendante n'ait pu être identifiée à ce jour.
Clay mérite une clarification. Contrairement à une idée reçue, Clay reste une plateforme d'enrichissement de données et de construction de workflows, plutôt qu'un moteur de scoring prédictif clé en main comme Einstein.
Elle permet de bâtir son propre modèle de scoring sur mesure plutôt que d'en fournir un déjà entraîné.
Plusieurs erreurs reviennent régulièrement, indépendamment de l'outil utilisé.
Le piège le plus fréquent reste la multiplication des critères. Une équipe qui configure 40 ou 50 critères pense affiner son scoring, alors qu'un modèle limité à 4 ou 5 signaux vraiment discriminants fonctionne généralement mieux et reste plus facile à maintenir dans la durée.
Une seconde erreur fréquente consiste à pondérer des signaux faciles à mesurer plutôt que des signaux réellement corrélés aux ventes.
Une ouverture d'email se compte facilement, mais reste un signal faible. Une demande de démonstration reste plus rare à observer, mais corrèle beaucoup plus fortement avec une conversion réelle.
Le type de scoring pertinent dépend aussi largement de la taille de l'équipe commerciale.
Commencer par les critères démographiques reste généralement le point de départ le plus fiable. Poste, taille d'entreprise, secteur d'activité : ces informations restent stables et faciles à vérifier, contrairement aux signaux comportementaux qui demandent davantage d'instrumentation.
Ajouter ensuite un nombre limité de signaux comportementaux à forte valeur. Une demande de démo ou une visite répétée sur une page produit précise pèsent généralement plus qu'un simple téléchargement de contenu générique.
Réviser le scoring régulièrement reste indispensable. Un modèle construit une fois et jamais ajusté finit par mal refléter la réalité commerciale à mesure que l'offre ou le marché évoluent.
Un pipeline bien structuré reste le prérequis à tout scoring fiable : sans étapes claires ni données propres, même le meilleur modèle de scoring reste construit sur du sable.
Non, et c'est une confusion fréquente. Un prospect peut obtenir un score élevé parce qu'il correspond parfaitement à l'ICP et manifeste un fort intérêt.
Cela ne garantit pas pour autant qu'il dispose d'un budget confirmé, d'un besoin immédiat ou d'un réel pouvoir de décision.
Le scoring aide à prioriser qui contacter en premier. La qualification commerciale, elle, valide ensuite si l'opportunité est réellement exploitable, une fois le premier contact établi.
Concrètement, le processus s'enchaîne généralement ainsi. Un prospect entre dans le système, un Fit Score évalue son profil, un Intent Score capte son niveau d'engagement, puis les deux se combinent en un score global.
Ce score détermine ensuite la priorité commerciale, avant qu'une vraie qualification ne confirme ou infirme l'opportunité.
Un scoring n'améliore jamais un pipeline mal structuré à lui seul. Il aide simplement les commerciaux à concentrer leurs efforts, à condition que les données restent fiables et les étapes de vente clairement définies.
La vraie mesure de succès d'un lead scoring reste moins sa précision statistique que son usage réel au quotidien. Un modèle qu'une équipe commerciale consulte effectivement avant chaque appel, sans avoir besoin d'y penser.
Ajouter davantage d'intelligence artificielle à un scoring ne garantit jamais qu'un commercial saura, le lundi matin, qui appeler en premier. C'est cette utilité concrète et quotidienne qui distingue un bon scoring d'un simple exercice statistique.
Nous aidons les équipes à construire un pipeline, un scoring et des automatisations réellement utilisés par les commerciaux, pas seulement configurés puis oubliés.
Des conseils concrets, des méthodes éprouvées et des agents IA pour faire performer vos équipes commerciales.

Plafonds lemlist, nombre de boîtes à prévoir, règles de Gmail et prompt de diagnostic : Claude lit votre infrastructure d’envoi sans rien modifier.

Une grille écrite, un prompt à copier, un test sur 20 prospects et le calcul des crédits lemlist économisés pour qualifier une liste avec Claude.

Comment connecter le MCP lemlist à Claude, quelles actions autoriser, ce que coûtent les crédits et comment démarrer en lecture seule.