Résumé
- Les doublons répartissent l'activité d'un acheteur sur plusieurs fiches, si bien que le score de chaque fiche ne reflète qu'une partie.
- L'inscription d'un acheteur connu sous une autre adresse e-mail peut devenir un faux MQL.
- Un score de lead qui franchit le seuil tardivement transmet tardivement un acheteur prêt aux commerciaux.
- Fusionnez les doublons évidents avant d'ajuster les règles de scoring ou d'entraîner un modèle de scoring par IA.
- Dedupely repère et fusionne les prospects et contacts en double, afin que le scoring s'appuie sur une seule fiche par acheteur.
Le scoring des leads doit indiquer aux commerciaux qui appeler en premier. Le marketing fixe les points ou entraîne un modèle, les commerciaux se fient au score, et le seuil détermine quand un lead devient un MQL.
Le score ne vaut que par la fiche sur laquelle il repose. Lorsqu'un acheteur existe dans deux ou trois fiches, chacune ne contient qu'une partie de l'histoire, et le score ne reflète que cette partie. Certains acheteurs prêts n'atteignent jamais les équipes commerciales, et certaines fiches y parviennent alors qu'elles ne devraient pas.
Dans cet article, vous verrez comment les doublons faussent le scoring basé sur des règles et le scoring par IA, ainsi que l'approche qui permet d'y remédier. Il s'agit d'une manière de réfléchir au scoring et aux doublons, et non d'un guide de configuration du scoring.
Ce que lit le scoring des leads
De nombreux modèles de scoring regardent deux choses. Le profil (fit), c'est qui est la personne : poste, taille de l'entreprise, secteur, pays. L'engagement, c'est ce qu'elle fait : formulaires remplis, clics sur e-mails, pages vues, rendez-vous.
Scoring fondé sur des règles
Avec un scoring basé sur des règles, votre équipe définit les points. Une demande de démo peut valoir 20 points, une visite de la page tarifs 10, et un poste figurant dans votre liste cible 15 points supplémentaires. Lorsqu'un enregistrement atteint le seuil, il devient un MQL et est transmis aux commerciaux.
IA ou scoring prédictif
Le scoring par IA apprend à partir des fiches passées. Il examine quels prospects sont devenus clients et lesquels non, puis note les nouveaux prospects selon leur ressemblance avec les gagnants.
Les deux approches notent les enregistrements. Aucune ne sait que deux enregistrements concernent la même personne, sauf si quelque chose dans les données les relie.
Trois façons dont les doublons faussent les scores
L'importance de chacun dépend de vos sources, de votre seuil et de la façon dont votre équipe répartit les leads. Voici les schémas à repérer.
Engagement réparti entre plusieurs fiches
Un acheteur télécharge un guide avec une adresse personnelle, puis réserve un webinaire avec une adresse professionnelle. Chaque fiche reçoit une partie de l'activité, et aucune n'atteint le seuil. L'acheteur est prêt, et personne n'appelle.
L'adéquation est aussi fragmentée : une fiche a l'intitulé du poste issu d'un formulaire, l'autre la taille de l'entreprise issue d'un import. Aucune des deux ne semble un bon profil à elle seule. Les leads y sont particulièrement exposés, puisque les doublons de prospects se forment plus vite que ceux de contacts.
Faux MQL
Les doublons peuvent aussi fausser les scores. Un client ou un contact d'une opportunité en cours s'inscrit à un webinaire avec une nouvelle adresse e-mail. Le CRM crée une nouvelle fiche, le webinaire ajoute des points, et la fiche devient un MQL.
Les commerciaux reçoivent un prospect « nouveau » qui parle déjà à un responsable de compte. Le commercial appelle, l'acheteur s'y perd, et l'équipe commence à douter des MQL qui suivent.
Les doublons gonflent aussi le nombre de MQL. Une personne comptée deux fois fait paraître le volume plus élevé et les taux de conversion plus faibles qu'ils ne le sont.
Un acheminement qui arrive trop tard
Les scores déterminent quand un lead passe aux commerciaux. Lorsque l'engagement est fragmenté, la fiche qui franchit enfin le seuil le fait des jours ou des semaines après l'acheteur.
À ce moment-là, l'instant qui a poussé l'acheteur à se manifester peut être passé. Deux fiches peuvent aussi franchir le seuil séparément et être attribuées à deux commerciaux différents.
Pourquoi le scoring IA apprend les mauvais schémas
Le scoring par IA ajoute un second problème. Il apprend de votre historique : les doublons des anciennes fiches influencent donc ce que le modèle considère comme un bon prospect.
Un client dont l'engagement est réparti entre deux enregistrements semble moins engagé qu'il ne l'est. Le doublon restant, qui n'a jamais été converti, compte comme un prospect perdu. Le modèle apprend alors que les signaux émis par vos meilleurs acheteurs comptent moins qu'ils ne le devraient.
Les mêmes données fragmentées affectent d'autres outils d'IA de votre CRM, qui les doublons peuvent provoquer des dysfonctionnements similaires. Pour le scoring, la correction commence avant l'entraînement ou le réentraînement d'un modèle.
La méthode : corriger les fiches avant d'ajuster le modèle
Lorsque les scores semblent faux, la première réaction est souvent de modifier les points ou le seuil. Si les doublons sont en cause, de nouvelles règles ne feront que déplacer le problème. Commencez par les fiches.
Définissez ensemble ce qui constitue un doublon pour le scoring
Ce qui constitue un doublon dépend du cas, et ce qu'une équipe considère comme un doublon, une autre ne le considérera peut-être pas. Un prospect qui revient un an plus tard peut être le même lead pour le marketing et une nouvelle opportunité pour les ventes.
Convenez des cas avant de fusionner. Les plus fréquents sont une personne avec une adresse personnelle et une adresse professionnelle, une personne qui se renseigne sur deux produits, et un prospect qui revient.
Fusionnez d'abord les doublons évidents
Commencez par les correspondances exactes sur l'e-mail. Ce sont généralement les plus sûres à fusionner, et une première étape rapide.
Examinez ensuite les personnes ayant deux adresses e-mail. Comparez le prénom et le nom, ainsi que le téléphone ou le nom de l'entreprise, et choisir les champs de correspondance d'après ce que contiennent vos fiches. Vérifiez-les avant de fusionner, car deux personnes peuvent porter le même nom.
Décidez ce que conserve l'enregistrement fusionné
Le scoring repose davantage sur certains champs. Décidez quelle valeur l'emporte pour l'étape de cycle de vie, le statut de piste, le propriétaire et la date MQL avant de fusionner.
Vérifiez comment votre scoring gère une fusion. Il peut recalculer à partir de l'historique combiné, ou conserver le score d'une fiche jusqu'à la prochaine activité.
Comparez les scores et les volumes de MQL après la fusion
Comparez votre liste de MQL avant et après un nettoyage. Comptez combien de fiches ont franchi le seuil une fois leur historique combiné, et combien de faux MQL ont disparu.
Cette comparaison indique si vos règles de scoring étaient erronées ou si ce sont les fiches. N'ajustez les points et le seuil qu'après cette vérification.
Détectez les nouveaux doublons avant qu'ils n'atteignent le seuil
Formulaires, imports et intégrations continuent d'ajouter des fiches. Vérifier régulièrement les nouveaux doublons évite que les scores ne dérivent à nouveau. Fusionner les doublons avant le routage garantit que la fiche transmise aux ventes contient tout l'historique.
Résumé : doublons et scoring des prospects
| Ce qui se passe | Effet sur le score | Que faire |
|---|---|---|
| Engagement et adéquation réparties entre les fiches | Scores trop bas : les acheteurs prêts passent sous le seuil | Fusionner d'abord les correspondances exactes d'e-mail, puis examiner les correspondances de noms |
| Un acheteur déjà connu s'inscrit avec une nouvelle adresse e-mail | MQL erroné transmis aux commerciaux | Associez sur le nom et le téléphone ou l'entreprise pour repérer les seconds e-mails |
| Les fiches scindées franchissent le seuil trop tard | Le routage arrive avec plusieurs jours ou semaines de retard | Fusionnez les nouveaux doublons avant l'exécution du routage |
| Doublons dans les anciens enregistrements | Le scoring par IA apprend les mauvais signaux | Historique propre avant l'entraînement ou le réentraînement |
| Une personne comptée deux fois | Compteurs de MQL gonflés, taux de conversion trop faibles | Comparez le nombre de MQL avant et après la fusion |
Comment Dedupely regroupe l'engagement de chaque acheteur sur une seule fiche
Avec Dedupely, recherchez les prospects ou contacts susceptibles d'être en double, confirmez l'identité et choisissez les valeurs à conserver. Passez en revue les activités prises en charge par votre connecteur et prévisualisez chaque fusion. Ensuite, vérifiez le recalcul du scoring et le comportement du routage avant d'activer la fusion automatique pour une règle testée.
Repérez les doublons qui fragmentent vos scores de prospects
Des scores fiables commencent par une fiche par acheteur
Le scoring des leads repose sur les fiches : les doublons modifient donc ce qu'il voit. Un engagement fragmenté masque les acheteurs prêts, et les nouvelles inscriptions d'acheteurs connus deviennent de faux MQL. Des scores tardifs transmettent les leads aux commerciaux une fois le moment passé, et le scoring par IA apprend à partir du même historique fragmenté.
La solution : s'entendre sur ce qui constitue un doublon, fusionner les évidents et revérifier les scores. Une fois que chaque acheteur n'a qu'une fiche, vous saurez si vos règles de scoring doivent être revues ou si ce sont les données qui posent problème.
Questions fréquentes
Les doublons de contacts affectent-ils le scoring des leads ?
Oui : le scoring des prospects attribue des points à une fiche, donc lorsqu'un acheteur possède deux fiches, chacune ne contient qu'une partie de son activité et de son profil. Les deux peuvent rester sous le seuil alors que l'acheteur est prêt. Les doublons peuvent aussi générer de faux MQL et gonfler leur nombre.
Pourquoi mes scores de prospects sont-ils trop bas ?
Une cause possible est un engagement réparti entre des fiches en double. Un acheteur qui utilise une adresse personnelle et une adresse professionnelle peut avoir une activité sur les deux. Confirmez la correspondance, fusionnez avec les bonnes règles de champs, et vérifiez comment votre outil de scoring recalcule. Une fusion n'additionne pas forcément les deux scores ni n'augmente le résultat.
Dois-je nettoyer mon CRM avant de mettre en place le scoring IA des leads ?
Oui, idéalement : le scoring par IA apprend à partir des fiches existantes, si bien que des doublons peuvent lui faire croire que des acheteurs engagés l'étaient moins qu'ils ne l'étaient. Fusionner les doublons évidents avant l'entraînement ou le réentraînement donne au modèle un historique plus propre. Continuez ensuite à vérifier les nouveaux doublons, car formulaires et imports continuent d'ajouter des fiches.
Comment les doublons créent-ils de faux MQL ?
Un acheteur connu, client ou personne déjà en contact avec les commerciaux, s'inscrit avec une nouvelle adresse e-mail. Le CRM crée une nouvelle fiche, l'activité ajoute des points et la fiche devient un MQL. Les commerciaux reçoivent alors un lead « nouveau » qui est déjà en discussion avec l'équipe.
Que devient le score d'un prospect lorsque deux fiches fusionnent ?
Cela dépend de l'outil de scoring. Certains recalculent le score à partir de l'activité combinée, d'autres conservent la valeur d'une fiche jusqu'à une nouvelle activité. Vérifiez le comportement du vôtre, et décidez à l'avance quel stade de cycle de vie, statut de lead, propriétaire et date MQL doit garder la fiche fusionnée.
Ou inscrivez-vous avec Google
Salesforce AppExchange 
