Mettre en place un système de notation prédictive des transactions

Introduction
La précision des prévisions et des prévisions météorologiques reste un défi permanent.

Les directeurs commerciaux ne connaissent que trop bien le dilemme des pipelines qui oscillent entre optimisme et objectifs manqués.

Les champs CRM traditionnels relatifs à la « probabilité de conclusion » – qui ne sont souvent que de simples pourcentages fondés sur l’intuition – n’offrent 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 les données historiques, les indicateurs d’engagement et le contexte commercial, les équipes RevOps peuvent aller au-delà de l’intuition pour adopter un modèle transparent, fondé sur les données et permettant de prévoir le chiffre d’affaires du trimestre en cours.

👉 HubSpot, Salesforce et Pipedrive intègrent déjà des fonctionnalités de notation des opportunités, tandis que des plateformes spécialisées telles que Qwoty permettent d’y associer des données précises et à jour, afin d’obtenir des modèles prédictifs réalistes.

Résultat :
✅ Offres mieux hiérarchisées
✅ Prévisions plus fiables
✅ Énergie des équipes mieux canalisée

Un scoring prédictif des transactions est une mesure quantitative de la probabilité qu’une transaction aboutisse, fondée sur le comportement réel des acheteurs, l’historique et le contexte commercial — et non pas uniquement sur l’intuition du commercial. Contrairement aux champs de probabilité, le scoring prédictif est dynamique et fondé sur des données factuelles.

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

La plupart des CRM affichent les scores soit sur une échelle de 0 à 100, soit sous forme de pourcentage.

Les formats semblent similaires, mais la logique diffère.

Un score brut de 70/100 ne correspond pas nécessairement à une probabilité de conclusion de 70 % — il peut s'agir d'un classement relatif par rapport aux autres opportunités.

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

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

Précision des prévisions, hiérarchisation et indicateurs de santé du pipeline

Les analyses de pipeline mettent souvent en évidence le fossé entre l'optimisme et la réalité.

Un modèle de scoring prédictif réduit le bruit en mettant en avant les transactions étayées par de véritables signaux d'engagement.

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

Le jeu de données minimal viable

Un modèle prédictif ne fonctionne qu'à partir d'un ensemble de données :

• Historique des contrats par client / segment (remportés/perdus)
• Déroulement des étapes
• Activités clés (e-mails, appels, réunions)
• Intentions de l'acheteur (transfert, temps de lecture, nombre d'ouvertures)

Couverture des champs et analyse comparative de la qualité des données

Un CRM mal alimenté compromet l'efficacité du scoring prédictif.

Les équipes RevOps doivent mettre en place des critères de référence en matière de qualité des données afin de garantir la fiabilité du modèle (par exemple, 95 % des champs critiques renseignés).

L'objectif est toujours de trouver le juste équilibre entre rigueur et rapidité : la saisie des données CRM ne doit pas ralentir le processus de vente, mais les équipes commerciales doivent être accompagnées et bien encadrées : la saisie des données CRM est un enjeu crucial pour l'ensemble des équipes commerciales

Harmonisation de la définition des étapes : du « lead » au « closed won »

Il est essentiel d'harmoniser les définitions des étapes pour garantir la crédibilité des résultats du modèle et faciliter le suivi des processus.

Cette liste n'est pas exhaustive, mais repose sur notre propre expérience ; bien entendu, certains cas particuliers peuvent nécessiter des informations très précises (date prévue du lancement, modalités de paiement, etc.).

Mais rien qu'avec cette liste d'indicateurs clés de performance (KPI) recueillis, l'évaluation des opportunités commerciales sera déjà de qualité !

1. Engagement et activité (enregistrés par une plateforme de gestion de dossiers telle que Qwoty)

• Nombre de vues de la proposition
• Temps consacré à l'offre (par section : tarification, périmètre, 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
• État d'avancement des mesures relatives à la signature électronique (lancées, achevées)

2. Évolution dans le cycle de vente

• Vitesse de progression (vitesse moyenne de passage d’une étape à l’autre)
• Temps d'inactivité au cours d'une étape donnée
• Nombre de retours en arrière dans le pipeline (par exemple, retour de « Contrat envoyé » à « Négociation »)

3. Qualité des données et des champs CRM

• Taux de remplissage des champs obligatoires (budget, décideur, date limite, cas d'utilisation)
• Critères de sélection de type MEDDICC (décideur désigné, critères de réussite, urgence, etc.)

4. Facteurs commerciaux

• Valeur annuelle du contrat (VAC)
• Taux de remise appliqué, marge respectée (ou non, avec accord de la direction)
• Durée du contrat (1 an, 3 ans, etc.)
• Segment de clientèle (PME, entreprises de taille intermédiaire, grandes entreprises)

5. Interactions en dehors de DealRoom

• Nombre et délai de réponse aux e-mails
• Nombre de réunions avec des décideurs
• Niveau de seniorité requis chez le prospect

Deux modèles possibles

1. L'heuristique de base: un modèle fondé sur des règles simples (pondération des étapes + indicateurs d'activité) peut être mis en place en un trimestre. Il est transparent et facile à expliquer.
2. L'apprentissage automatique : l'entraînement d'un modèle sur des données historiques (gains/pertes) permet de détecter des tendances non linéaires. Breeze de Hubspot est un excellent outil.

Choisir une échelle

Qu'il s'agisse d'une échelle de 0 à 100 ou d'un pourcentage, l'important est d'associer 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 :

• Participation et activité (40 points)
  • 15 points : nombre de vues de la proposition ≥ 3
  • 10 points : temps moyen consacré à la proposition > 5 minutes
  • 5 points : au moins deux parties prenantes ont consulté le document
  • 5 points : commentaires ou annotations laissés dans la proposition
  • 5 points : signature électronique lancée dans la DealRoom
• Parcours « Vélocité & santé » (25 points)
  • 15 points : progression régulière, pas de stagnation pendant plus de 30 jours à une étape
  • 10 points : respect de la vitesse moyenne par étape
• Couverture des domaines stratégiques (15 points)
  • 15 points : champs obligatoires renseignés (budget, décideur identifié, date limite, critères MEDDICC)
• Facteurs commerciaux (20 points)
  • 10 points : ACV conforme à l’ICP cible (par ex. ≥ seuil défini par segment)
  • 5 pts : remise < 15 %
  • 5 points : durée du contrat ≥ 12 mois

Note finale = 0–100.

👉 Exemple : une opportunité impliquant plusieurs décideurs ayant consulté la proposition, une signature en cours, des champs MEDDICC renseignés et une vitesse de progression du pipeline correcte atteindra plus de 80 points, et sera donc considérée comme hautement probable.

Modèles avancés

Modèles distincts pour les nouvelles affaires et l'expansion : les signaux diffèrent selon qu'il s'agit d'une acquisition ou d'un renouvellement/upsell.
Intégrer la tarification et la concurrence : l'intelligence tarifaire et les signaux concurrentiels enrichissent le scoring.

Backtesting par cohortes

Tester par région, segment ou ACV permet de vérifier que les scores reflètent bien les résultats réels.

Afficher les facteurs explicatifs

La transparence inspire la confiance : montrer que les « réponses des acheteurs » ou « l’engagement de la direction » expliquent un score élevé favorise l’adoption.

Seuils vert/jaune/rouge

En associant les seuils aux taux de réussite historiques (par exemple, 80+ = 70 % de taux de réussite), le modèle devient exploitable. Il faut toutefois disposer de l'historique de ces données.

Où se trouve le score ?

Idéalement, principalement dans le CRM (HubSpot, Salesforce, Pipedrive), la DealRoom venant en renfort avec un tableau de bord, le tout synchronisé en temps réel.

Pipeline de révision piloté par le score

Le score guide les responsables vers les prochaines actions prioritaires, au-delà de la simple gestion de la pipeline.

Vues par rôle

AE : dossiers prioritaires.
Responsables : état du pipeline.
Direction : fiabilité des prévisions.

Quelle est la différence entre le scoring des opportunités et le scoring des prospects ?

Le lead scoring permet de prédire si un prospect deviendra une opportunité. Le deal scoring permet de prédire si cette opportunité se traduira par un chiffre d'affaires.

Pourquoi mon CRM affiche-t-il des valeurs comprises entre 0 et 100 alors qu'il s'agit de pourcentages ?

Chaque éditeur a sa propre logique. L'essentiel est d'ajuster vos seuils en fonction de vos résultats antérieurs.

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

Presque en temps réel pour les cycles courts. Une mise à jour quotidienne suffira pour les environnements d'entreprise. Mais la fiabilité des données à l'instant précis où le commercial les consulte l'aidera à bien hiérarchiser ses actions et, par conséquent, à mieux conclure les ventes 🚀