Construire un Deal Scoring prédictif

Introduction
La précision des prévisions et du forecast reste un défi constant.

Les directeurs commerciaux connaissent bien la douleur des pipelines qui oscillent entre optimisme et objectifs manqués.

Les champs CRM traditionnels de « probabilité de clôture » – souvent de simples pourcentages basés sur l’intuition – ne fournissent pas le niveau de fiabilité dont les équipes RevOps modernes ont besoin.

C’est là que le scoring prédictif des deals prend tout son sens.
En combinant historiques de données, signaux d’engagement et contexte commercial, les équipes RevOps peuvent dépasser l’intuition pour adopter un modèle transparent, data-driven et prédictif du revenu du trimestre en cours.

👉 HubSpot, Salesforce et Pipedrive intègrent déjà des fonctionnalités de deal scoring, tandis que des dealroom spécialisées comme Qwoty permettent d’y associer une donnée précise et à jour, pour obtenir des modèles prédictifs réalistes.

Résultat :
✅ Deals mieux priorisés
✅ Prévisions plus fiables
✅ Énergie des équipes mieux orientée

Un deal scoring prédictif est une mesure quantitative de la probabilité qu’un deal se conclue, basée sur le comportement réel des acheteurs, l’historique et le contexte business — pas seulement l’intuition du commercial. Contrairement aux champs de probabilité, le scoring prédictif est dynamique et fondé sur des preuves.

Le changement est majeur : le scoring prédictif ne reflète pas ce que le commercial pense, mais ce que les données révèlent sur les intentions de l’acheteur.

La plupart des CRM affichent les scores soit sur une échelle 0–100, soit en pourcentage.

Les formats semblent similaires, mais la logique diffère.

Un score brut de 70/100 ne correspond pas forcément à une probabilité de clôture de 70 % — il peut représenter un classement relatif par rapport aux autres opportunités.

Les équipes RevOps performantes calibrent ce que signifie « un bon score ». Par exemple :

• 80+ : associé historiquement à des taux de victoire 3 à 4 fois supérieurs.
• 40–60 : signale un risque pipeline et la nécessité d’un coaching.
• < 30 : corrélé à des opportunités stagnantes ou de faible qualité.

Précision des prévisions, priorisation et signaux de santé du pipeline

Les revues pipeline révèlent souvent l’écart entre l’optimisme et la réalité.

Un modèle de scoring prédictif réduit le bruit en mettant en avant les deals soutenus par de vrais signaux d’engagement.

Résultats : des prévisions plus fiables, une meilleure priorisation des efforts commerciaux, et une détection précoce des risques dans le pipeline.

Le dataset minimum viable

Un modèle prédictif ne fonctionne qu’avec un socle de données :

• Historique des deals du clients / segment (gagnés/perdus)
• Progression des étapes
• Activités clés (emails, appels, réunions)
• Intentions de l’acheteur (transfert, temps de lecture, nombre d’ouverture)

Couverture des champs & benchmark d’hygiène des données

Un CRM mal renseigné tue le scoring prédictif.

Les équipes RevOps doivent imposer des benchmark d’hygiène des données afin d’assurer la fiabilité du modèle.(ex. 95 % de champs critiques complétés).

Le but est toujours de jongler entre exigence et vélocité : il ne faut pas que le remplissage CRM ralentisse les deals mais les équipes commerciales doivent être accompagnées et bien encadrées : le remplissage de la donnée CRM est l’enjeux de 100% des équipes commerciales

Alignement sur la définition des étapes : du “lead” à “closed won”

Harmoniser les définitions des étapes est clé pour crédibiliser les outputs du modèle et simplifier le suivi des pipeline.

Cette liste n’est pas exhaustive mais provient de notre propre expérience, évidemment des cas particuliers peuvent nécessiter certaines données très précises (date de kick off prévue, facilités de paiement…).

Mais déjà avec cette liste de KPIs récoltés, le deal scoring sera de qualité !

1. Engagement & activité (captés par une DealRoom comme Qwoty)

• Nombre de vues de la proposition
• Temps passé sur la proposition (par section : pricing, scope, conditions)
• Nombre de parties prenantes ayant consulté le document
• Délai moyen de réponse après l’envoi de la proposition
• Commentaires ou annotations laissés dans la proposition
• Avancement des actions de signature électronique (initiée, complétée)

2. Progression dans le cycle de vente

• Vélocité des étapes (vitesse moyenne de passage d’une étape à l’autre)
• Temps d’inactivité dans une étape donnée
• Nombre de retours en arrière dans le pipeline (ex. retour de “Contract Sent” à “Negotiation”)

3. Qualité des données et des champs CRM

• Taux de complétion des champs critiques (budget, décideur, échéance, use case)
• Critères de qualification type MEDDICC (décisionnaire identifié, critères de succès, urgence, etc.)

4. Facteurs commerciaux

• Valeur du contrat annuel (ACV)
• Taux de remise appliqué, marge respectée (ou pas avec approbation managériale)
• Durée du contrat (1 an, 3 ans, etc.)
• Segment du client (SMB, Mid-market, Enterprise)

5. Interactions hors DealRoom

• Nombre et délai des réponses aux emails
• Nombre de réunions avec des décideurs
• Niveau de séniorité impliqué côté prospect

Deux modèles possibles

1. La baseline heuristique : Un modèle basé sur des règles simples (pondération des étapes + signaux d’activité) peut être déployé en un trimestre. Transparent et facile à expliquer.
2. Le machine learning : Entraîner un modèle sur les données historiques (gains/pertes) permet de détecter des patterns non linéaires. Breeze de Hubspot est un très bon allié.

Choisir une échelle

Qu’il s’agisse de 0–100 ou de pourcentage, l’important est de mapper les scores à des seuils clairs (vert/jaune/rouge) et facilement identifiables.

Exemple de pondération heuristique (sur 100 points)

Un modèle simple pourrait ressembler à ceci :

• Engagement & activité (40 pts)
  • 15 pts : nombre de vues de la proposition ≥ 3
  • 10 pts : temps moyen passé sur la proposition > 5 minutes
  • 5 pts : au moins 2 parties prenantes ont consulté le document
  • 5 pts : commentaires ou annotations laissés dans la proposition
  • 5 pts : signature électronique initiée dans le DealRoom
• Vélocité & santé pipeline (25 pts)
  • 15 pts : progression régulière, pas de stagnation > 30 jours dans une étape
  • 10 pts : respect du temps médian par étape (stage velocity)
• Couverture des champs stratégiques (15 pts)
  • 15 pts : complétion des champs critiques (budget, décisionnaire identifié, échéance, critères MEDDICC)
• Facteurs commerciaux (20 pts)
  • 10 pts : ACV aligné avec l’ICP cible (ex. ≥ seuil défini par segment)
  • 5 pts : remise < 15 %
  • 5 pts : durée de contrat ≥ 12 mois

Score final = 0–100.

👉 Exemple : un deal avec plusieurs décideurs ayant consulté la proposition, une signature initiée, des champs MEDDICC complétés et une vélocité pipeline correcte atteindra 80+ points, donc considéré comme fortement probable.

Patterns Avancés

Modèles séparés pour new business vs. expansion : les signaux diffèrent entre acquisition et renouvellement/upsell.
Intégrer la tarification et la concurrence : l’intelligence tarifaire et les signaux compétitifs enrichissent le scoring.

Backtesting par cohortes

Tester par région, segment ou ACV valide que les scores reflètent bien les résultats réels.

Montrer les facteurs explicatifs

La transparence crée la confiance : montrer que « les réponses acheteur » ou « l’engagement exécutif » expliquent un score élevé favorise l’adoption.

Seuils vert/jaune/rouge

Relier les seuils aux taux de succès historiques (ex. 80+ = 70 % de win rate) rend le modèle actionnable. Encore faut-il avoir l’historique de cette donnée.

Où vit le score ?

Idéalement, principalement dans le CRM (HubSpot, Salesforce, Pipedrive), la DealRoom venant en renfort avec un dashboard, synchronisés en temps réel.

Revues pipeline pilotées par le score

Le score oriente les managers vers les next best actions, au-delà de la simple hygiène pipeline.

Vues par rôle

AE : deals prioritaires.
Managers : santé du pipeline.
Direction : fiabilité du forecast.

Quelle différence du deal scoring avec le lead scoring ?

Le lead scoring prédit si un prospect deviendra une opportunité. Le deal scoring prédit si cette opportunité deviendra un revenu.

Pourquoi mon CRM affiche 0–100 alors qu’on parle en pourcentage ?

Chaque éditeur applique sa logique. L’essentiel est de calibrer vos seuils en fonction de vos résultats passés.

À quelle fréquence le score doit-il être mis à jour ?

Quasiment en temps réel pour les cycles courts. Une mise a jour quotidienne suffira pour les environnements enterprise. Mais la véracité de la donnée à l’instant T où le commercial regarde l’aidera à bien prioriser ses actions et donc, à mieux closer 🚀